混合式认知无线电网络路由算法研究

王 娇，黄玉清，江 虹，周云辉

(西南科技大学信息工程学院，四川 绵阳 621010)

责任编辑:许 盈

认知无线电技术作为缓解无线频谱资源紧张局面的有效方法，已成为通信领域的研究热点［1］。由于认知无线电网络(Cognitive Radio Networks，CRN)中机会频谱的动态性，使得传统路由算法不能完全适用于CRN［2］。目前对CRN频谱分配与路由跨层算法的研究主要集中在分布式认知无线网络［3－4］，针对具有基础设施的混合式CRN，文献［5］提出了一种基于着色图模型的跨层路由设计，该设计在一定干扰限制条件下选择具有最短路径的路由;文献［6］提出了将跳数最少、鲁棒性强和路由安全等级高作为路由选择标准;文献［7］利用马尔可夫链建模，提出了一种基于动态分层图模型的路由策略与频谱接口分配策略。

本文采用模型简单且适用性较好的着色图模型分析设计混合式CRN网络的信道分配和路由算法［8］。针对文献［5］没有考虑到交叉节点对网络通信性能影响的不足，提出了信道分配和路径选择改进算法(ICARS)，通过定义认知用户在某一时刻只能用于一条数据流数据的发送或接收，从而可以避免多条数据流形成交叉节点在不同信道间来回切换，避免“耳聋”效应的发生，降低端到端时延。ICARS算法采用贪婪搜索算法获得端到端最短路径路由，使得接入授权信道的认知用户尽快完成通信，一方面保障了该认知用户端到端传输的质量，另一方面可尽快让出授权信道供其他认知用户使用，从而进一步提高频谱利用率，增加网络吞吐量。

1 系统模型

本文研究的混合式CRN网络模型如图1所示，由主用户网络和认知用户网络组成。其中，主用户网络由具有授权频段的M个主用户组成，包括Mact个活跃主用户(正在进行通信的主用户)和M－Mact非活跃主用户(处于空闲状态的主用户)。用PU表示主用户集合，PUact表示活跃主用户集合，则PUact⊆PU，fk表示主用户k的授权信道，Rinf为主用户的干扰半径。

认知用户网络由N个认知用户和1个认知基站组成，用SU表示认知用户集合。认知用户是具有频谱感知、频谱切换等认知能力的移动终端，通过择机的方式接入主用户的授权信道，其通信半径为Rcom，SOPi表示认知用户节点i可使用的信道集合，也称机会频谱。认知基站可以是类似于蜂窝网的基站或WLAN的接入点，除了具有传统基站的功能外，还要负责检测周围无线频谱环境，获得认知用户和主用户的位置信息，分析可用频谱信息，识别主用户行为，决策其覆盖范围内的端到端路由等功能。

图1 混合式CRN网络模型

2 基于着色图模型的混合CRN路由算法

为了更加有效地描述算法，文中用rij表示认知用户i与j之间的路径长度，定义为两节点之间的跳数，如式(1)所示。

式中:dij表示认知用户之间的距离。式(1)表示:当且仅当用户i与j之间的距离小于其通信半径Rcom，且它们至少共享一条可用信道时，两个认知用户才能彼此直接通信，也称节点i和节点j互为邻居节点。

用xij表示认知用户链路(i，j)当前的状态，如果链路中的节点当前正在转发或处理数据，则状态为忙，否则处于空闲状态，可表示为

本文路由算法除了考虑路由长度外，为避免多条数据流形成交叉节点在不同信道间来回切换，避免“耳聋”效应的发生，从而降低端到端时延，文中用wij表示认知用户链路(i，j)的权重，定义为链路的跳数与链路状态的加权和，作为路由选择标准，具体表达式为

式中:α ∈［0，1］，β∈［0，1］，且α + β =1。

此外，文中用e(f)表示从源节点S到节点n的最短路径上具有相同颜色连续边(信道)的条数。

本文基于着色图模型，考虑数据交叉节点对网络通信性能的影响，通过改进文献［5］的CARS算法，为认知用户数据流(源节点S，目的节点D)决策具有最小干扰的最短路由ICARS算法流程如下:

1)设路径从源节点S开始，用path=［S］表示。首先，计算CRN中各个认知用户节点的SOP，即∀i∈SU，SOPi=SOPi∪{fk1}∪{fk2}，其中，k1∈PU －PUact，k2∈PUact且di，k2＞Rinf;再根据各节点的位置信息和SOP信息，生成网络的着色图 G，并计算连通矩阵matrix(i，j)=wij，∀i，j∈ SU 。

2)在图G中，针对路由上的节点i，i∈path，为其寻找转发节点j，需满足，并为节点j分配具有最小e(f)值的信道f，且f∈SOPj。如果信道f已被其他数据流使用，则必须保证节点j处于使用信道f的其他节点的干扰半径Rinf之外，设置path=path∪{j}，channel=channel∪{f}，转步骤3);如果这样的信道不存在，则设置wij=inf，更新着色图G，转步骤2)。

3)如果D∉path，转步骤2);如果D∈path，则算法结束。

3 仿真实验

3.1 网络场景与仿真参数

本文采用如图2所示的混合式CRN网络仿真场景，认知用户和主用户随机分布在场景大小为1 000 m×1 000 m的网络中。在图2中，认知用户数为40，主用户数为8，即授权信道数为8，其中主用户1，3，5，8处于通信状态，即为活跃主用户。

图2 ICARS算法获得的仿真结果图

假设在图2所示的随机CRN场景中，存在两条认知用户的数据流，其源节点分别为节点2和节点5，目的节点分别为节点7和节点12，分别利用文献［5］中的CARS算法和本文ICARS算法决策两条数据流的端到端路由及路径上的信道，并在图2上标识。

3.2 仿真结果与分析

为验证本文所提出的ICARS算法的有效性，利用多信道Manual静态路由协议对算法进行网络性能仿真，并将其与CARS算法进行比较分析。首先，在NS2中建立如图2所示网络场景TCL脚本，设置网络传播模型为两径模型、MAC协议为多信道IEEE802.11(RTS/CTS)、数据流通信模型为CBR、信道带宽为2 Mbit/s，干扰半径为550 m，数据分组大小512 byte;再根据图2的仿真结果在TCL脚本中设置两条数据流，即节点5至节点12和节点2至节点7，以及数据流的端到端路由与信道。为了保证认知用户之间的通信半径为250 m，认知用户节点采用统一功率0.281 838 15 mW，且数据流节点5至节点12的数据开始传输时间为10 s，而数据流节点2至节点7开始进行数据传输的时间为20 s，仿真时间为100 s。通过分析Trace文件获得吞吐量、丢包率和端到端时延网络性能仿真结果。

图3为利用CARS算法与ICARS算法获得的网络累积吞吐量。从图3可以看出，两种算法随着仿真时间的增加，获得的网络累积吞吐量也随之增加，但增加的程度却不同。ICARS算法获得的网络累积吞吐量增加程度略高于CARS算法。

图3 不同算法获得的网络累积吞吐量

图4统计了两种算法随着数据流增加获得网络累积吞吐量的变化情况。从图4可以看出，随着数据流的增加，ICARS算法获得的网络累积吞吐量增加程度明显高于CARS算法。可见，ICARS算法可以缓解由于数据流增加造成的网络拥塞状况。

图4 不同算法随数据流变化获得的网络累积吞吐量

上述算法网络性能仿真都是在如图2所示的场景下完成的，其中活跃主用户数固定，为了进一步验证本文算法的性能，在网络场景其他参数相同的情况下，图5给出了两种算法在不同活跃主用户数下获得的网络累积吞吐量。

图5 算法随着活跃主用户变化获得的网络累积吞吐量

从图5中可以看出，随着活跃主用户数的增加，CARS算法与ICARS算法获得的网络平均吞吐量都随之降低，这是因为随着活跃主用户数的增加，认知用户可用信道数量随之减少，从而限制了网络吞吐量。然而，ICARS算法获得的累积吞吐量降低程度小于CARS算法。

此外，本文还利用ICARS和CARS算法对图2所示网络场景的丢包率和端到端时延进行了仿真比较，这里的端到端平均时延，除了传输时延、排队时延、退避时延外，还包括信道切换时延，平均端到端时延仿真结果如图6所示。结果显示两者获得的网络丢包率基本相同，而ICARS算法获得的端到端平均时延小于CARS算法，这是由于ICARS算法在CARS算法的基础上考虑了交叉节点对网络通信的影响，从而避免不同数据流形成交叉节点，尽量缩短数据分组由于交叉节点造成的排队时延与信道切换时延，从而验证了该算法具有较高的通信性能。

图6 不同算法获得的网络端到端平均时延

4 结语

本文基于着色图模型提出了一种信道分配与路由选择改进算法。该算法以着色图模型为路由分析模型，利用贪婪搜索算法为端到端通信选择具有最小链路状态和跳数加权和的最短路径以及路径上具有最小累积干扰的信道，从而避免了交叉节点对网络通信性能的影响。仿真结果表明，在相同仿真场景下，本文算法与已有算法进行比较，可以提高网络累积吞吐量，还可以降低网络端到端通信的平均时延。

［1］JOSEPH M.Cognitive radio an integrated agent architecture for software defined radio［D］.Sweden:Royal Institute of Technology(KTH)，2000.

［2］CHOWDHURY K R，FELICE M D.Search:a routing protocol for mobile cognitive radio Ad－hoc networks［J］.Computer Communications，2009，32(18):1983－1997.

［3］施圣，徐昌彪.基于认知超宽带的频谱共享技术研究［J］，电视技术，2011，35(9):75－78.

［4］WANG Jiao，HUANG Yuqing.A cross－layer design of channel assignment and routing in cognitive radio networks［C］//Proc.3rd IEEE International Conference on Computer Science and Information Technology.［S.l.］:IEEE Press，2010:542－547.

［5］ZHOU X，LIN L，WANG J，et al.Cross－layer routing design in cognitive radio networks by colored multigraph model［J］.Wireless Personal Communications，2009，49(1):123－131.

［6］薛楠，周贤伟，林琳，等.性能优化的认知无线电网络安全路由选择算法［J］.系统工程与电子技术，2009，31(1):2756－2760.

［7］李洋，董育宁，赵海涛.认知Mesh网络的动态分层图路由模型及路由策略［J］.电子与信息学报，2009，31(8):1975－1979.

［8］KONDAREDDY Y R.A graph based routing algorithm for multi－hop cognitive radio networks［C］//Proc.WICON.Maui，Hawaii，USA:［s.n.］，2008:17－19.