基于信誉度的频谱感知数据融合算法

余 峰，宋春林，谈彩萍，江兴歌

（①同济大学 电子与信息工程学院，上海 200092；②中国石油化工股份有限公司 无锡石油地质研究所，江苏 无锡 214151）

0 引言

伴随着无线通信技术的高速发展，近年来，频谱资源紧张的问题已经越来越引起人们的重视[1]。米托拉博士[2]提出了认知无线电技术，使得无线通信设备具有发现可以被利用的频谱资源并合理利用的能力。

可靠的频谱检测是认知无线电网络中重要的一环。研究表明[3-7]，协作频谱检测能够得到更好的性能。但是这也引出了频谱感知数据篡改（SSDF，Spectrum Sensing Data falsification）攻击的问题[8]。对此，文献[9]提出了一种加权序贯概率比检测（WSPRT，Weighted Sequential Probability Ratio Test）算法，融合中心通过对认知用户设置信誉度来提供相应的加权系数。文献[10]提出了一种改进的算法，通过设置滑动窗口和多线程处理方法来解决问题。上述算法或对复杂的 SSDF攻击的抵御性能提升不够大，或过于复杂。

在此提出一种基于信誉度的频谱感知数据融合改进算法。算法通过在融合中心设置记忆字节，记录各认知用户最近的判决结果的符合情况。然后通过其判决结果的正确率来判断是否存在SSDF攻击，进而设置不同的加权系数，最终使融合中心得到更为精准的判决结果。

1 系统模型

在图1中，S0代表数据融合中心，Si（i=1,2,…,n,n代表认知用户个数）代表第i个认知用户传给融合中心的频谱检测结果，Mi代表第i个认知用户接收到的由授权用户发送的信号。输出S为二进制信息，代表融合中心最后的判决结果。“1”表示授权用户存在，用 H1表示，“0”表示授权用户不存在，用H0表示。

图1 认知无线网络框架模型

融合中心可以通过下列公式做出判决：贝叶斯检测[11]：

Cjk(j=0, 1; k=0, 1)表示判决为Hj而实际为Hk。奈曼-皮尔森检测：

λ由误警或漏报概率计算而得。

2 加权序贯概率比检测算法

上述传统的算法，并未考虑存在 SSDF攻击的存在。为此，加权序贯概率比检测算法引入了认知用户信誉度 ri并初始化为0。当每次认知用户检测结果与融合中心判决结果一致时将其信誉度加 1，否则减1，用公式可以表示为：再对 ir做函数变换：

式(3)中g(>0)为一经验值，一般取g=5。

然后通过更改式(1)、式(2)左边部分得到公式(4)：这样便将认知用户信誉度与判决结果融合了起来。最后通过比较 nW 的值来得到判定结果。判断条件如下：

其中0η和1η的值由式(6)确定：

加权序贯概率比检测算法通过对不同信誉度的认知用户设置不同的加权来得到判决结果。

3 改进的加权序贯概率比检测算法

加权序贯概率比检测算法只考虑了时间一维因素，并未对认知用户最近的判决结果加以记录，故不能适应用户短时期的剧烈变化，导致系统性能的降低。为此考虑引入记忆字节，共有N位并初始为全0，对各认知用户最近的N次检查结果是否符合加以记录，比特位 bi1=(Si+S)mod2，然后将记忆字节左移，将当前比特位 bi1移入记忆字节的最右端，如图2所示。 bi1取值如下：

由此，可以引入检测准确率，及认知用户过往N次中检测结果与融合中心判决结果符合的次数比例。准确率计算公式如下：

考虑到 SSDF攻击或者认知用户环境改变会造成短期发送一连串错误检测结果，所以判决中心应计算各认知用户在前N次中检测结果的准确率，对于准确率低于阈值0φ的认知用户应当进行屏蔽，对于准确率高于阈值0φ的认知用户也应改变其相应的权值。

图2 记忆字节模型

故式(3)可以演变为式(9)：

式(4)可以演变为式(10)：

考虑到SSDF攻击不存着的场景下，系统工作已经很稳定，此时前K次认知用户总的判断符合率应趋于稳定，故可由此判定是否需要继续使用加权序贯概率比检测算法，从而提升系统性能。符合率计算公式(11)：

当连续K个β的值大于阈值1φ时，直接使用AND或者OR融合，否则启用加权序贯概率比检测算法。

算法实现过程如下：

1）∀ i, ri=0, bi=0。

2）对融合中心每次判决{。

3）计算β，判断是否连续K个β的值大于阈值1φ，是则跳至步骤10。

4）取出认知用户i的检测报告。

8）若 W n ≥η1，判为H1，跳至步骤11。

9）若 W n ≤η0，判为H0，跳至步骤11。

10）使用AND或者OR融合算法计算各认知用户的检测结果。

12）}。

4 仿真与分析

以下通过仿真对AND准则检测、加权序贯概率比检测及改进算法进行分析比较。假设各认知用户之间互相独立，其中恶意节点数目不定，部分参数已在表1中列出。总共进行500次周期检测，并且从100次以后恶意节点开始攻击。

表1 部分仿真参数设置

由图3可知，当系统运行到100次以后恶意节点开始攻击时，AND准则检测依然维持着0.8左右的正确检测率，而加权序贯概率比检测算法较之能够得到更高的正确检测率，整体维持在 0.9上下。但随着恶意节点数目的增加，正确检测率逐渐下降，而改进算法能够得到比加权序贯概率比检测算法更高的正确检测率，性能提高了约0.02。

图3 恶意节点数目与正确检测率

5 结语

在此提出了一种基于信誉度的频谱感知数据融合改进算法。相对于加权序贯概率比检测算法，该算法通过记录一段时期内认知用户的检测结果符合记录，从而能更有效的适应认知用户与恶意节点之间的相互转变，从而提升系统的判决准确率。同时有效地提升了当恶意节点不存在时系统的效率。系统仿真结果表明，该算法与加权序贯概率比检测算法相比，明显改善了频谱感知的性能。

[1] WILLKOMM D, GROSS J, WOLISZ A. Reliable Link Maintenance in Cognitive Radio Systems[C].USA:IEEE Computer Society, 2005: 371-378.

[2] MITOLA J. Cognitive Radio: An Integrated Agent Architecture for Software Defined Radio[D]. Sweden:Royal Institute of Technology (KTH), 2000.

[3] 刘元,彭端,陈楚.认知无线电的关键技术和应用研究[J].通信技术，2007，40(07)：19-21.

[4] 李鹏，俎云霄.一种新的认知无线电频谱感知方法[J].通信技术，2009，42(12)：93-97.

[5] 谭学治，姜靖，孙洪剑.认知无线电的频谱感知技术研究[J]. 信息安全与通信保密，2007，23 (07)：65-68.

[6] 梁燕芬，殷瑞祥.认知无线电技术[J]. 信息安全与通信保密，2007，11(03)：121-124.

[7] 刘玉涛，谭学治.认知无线电及其原始用户检测[J]. 信息安全与通信保密，2008，10(01)：31-34.

[8] CHEN R, PARK J M, HOH Y T. Toward Secure Distributed Spectrum Sensing in Cognitive Radio Networks[J].IEEE Communications Magazine, 2008, 46(04): 50-55.

[9] CHEN R, PARK J M, BIAN K. Robust Distributed Spectrum Sensing in Cognitive Radio Networks[C].USA: IEEE, 2008: 1876-1884.

[10] GAO FENG, YUAN WEI, LIU WEI. A Robust and Efficient Cooperative Spectrum Sensing Scheme in Cognitive Radio Networks[C].USA: IEEE, 2010: 1-5.

[11] BETTSTETTER C, RESTA G, SANTI P. The Node Distribution of the Random Waypoint Mobility Model for Wireless Ad Hoc Networks[J]. IEEE Transactions on Mobile Computing, 2003, 2(03): 257-269.