基于信誉度的合作式频谱感知

张晓玉，袁 野，杜 荣，李生红

(1.上海交通大学电子信息与电气工程学院，上海 200240；2.上海对外贸易学院商务信息学院，上海 201620)

1 概述

随着无线通信的飞速发展，频谱资源匮乏的问题日趋严重。传统的固定频谱分配模式是导致这一现象的主要原因，因此认知无线电技术应运而生。认知无线电技术最早由Joseph Miltola于1999年提出[1]。而频谱感知是认知无线电的基础和前提，频谱感知技术要求次用户能够快速准确识别主用户是否存在。目前，频谱感知技术主要包括能量检测、匹配滤波检测和循环平稳检测，3种方法各有优劣。能量检测算法[2]最简单，应用也最为广泛，但是需要知道噪声功率，因此受到噪声不确定性[3]因素的影响；匹配滤波法[4]需要知道信道响应函数，且需要精确的时间同步技术；循环平稳检测算法[5]检测率一般比较高，但是其一方面需要知道主用户信号的循环频率，另一方面计算复杂度高，不利于信道快速切换。

单用户频谱感知的性能受到路径损耗和阴影效应的影响。路径损耗大多与感知用户与主用户间的位置有关系，而阴影效应主要由物体对主信号的物理阻挡而造成的。因此，目前提出多个次用户以合作的方式共同决定主用户是否存在合作式频谱感知算法。合作感知算法一般可分为：本地感知，感知信息传递和感知信息融合3个阶段。其中，感知信息融合是目前合作式频谱感知的研究热点和难点。

文献[6]提出了在数据融合阶段存在的安全性问题——拜占庭式错误。拜占庭错误是指由恶意感知终端或频谱感知数据伪造攻击所引起的问题。在拜占庭错误中，恶意用户可能会不可靠地进行本地频谱感知，或者将不正确的感知结果发送给融合中心。为了避免这一问题，文献[6-7]提出了基于信誉度的线性融合的合作式频谱感知算法。在这2种算法中，CR用户的信誉度都是建立在一段时间内CR用户本地感知结果和整体感知结果匹配度的基础上的。然后，信誉度高的CR用户在数据融合中的权重就高。这种信誉度更新算法存在两方面的问题：(1)将恶意CR用户与处于深衰落环境下的CR用户都归类为信誉度低的用户，这将导致深衰落环境下的CR用户移动到非深衰落环境下时，其感知结果仍然不能得到好的利用。(2)关于融合中心，如果固定融合中心，那么一旦融合中心受到恶意攻击，给整个系统造成了极大的不稳定；如果CR用户轮流做融合中心，那么融合中心本身的信誉度对结果的影响也应当考虑进去。

基于以上的考虑，本文提出一种新的基于信誉度的合作式频谱感知算法。该算法考虑到CR用户因为所处的环境位置不同而导致的其感知匹配度不同，提出了 2种类型的信誉度——自私信誉度和位置信誉度。所有CR用户以地理位置分为不同的簇，每个地理簇里的CR有共同的位置信誉度，每个CR用户有各自的自私信誉度。每个簇内先进行数据融合，然后再进行总的数据融合。每个簇的簇头和总簇头由各个CR用户轮流来做。而数据融合和信誉度更新阶段，CR用户本身信誉度和当前簇头信誉度都对权重及最后的结果有影响。

2 系统模型

合作式频谱感知包括本地感知、感知信息传递和信息融合3个阶段。

2.1 本地感知

本文中本地感知使用 CAV算法[8]。CAV算法信号模型如下：

L个连续采样的x(n)统计协方差矩阵为(IL是L阶单位矩阵)：

显然有主用户不存在时 Rx是对角矩阵(矩阵非对角线上元素都为0)，主用户存在时Rx不是对角矩阵，以此设立阈值。定义Rx中第m行第n列的元素为rmn。定义：

使用比值T1/T2做判定，如果T1/T2=1，主用户信号不存在；反之，如果 T1/T2>1，则主用户信号存在。

2.2 感知信息传递

假设 CR网络中有 N个用户，分别为 CR1,CR2,…,CRj,…,CRN(j=1,2,…,N)。然后基于地理位置把所有 CR用户分簇[9]分为 A个簇，分别为 S1, S2,…Si,…,SA(i=1,2,…,A)。每个 Si有 Ni个 CR 用户和 1个簇头Ci，自私信誉度高的次用户作为总簇头C。每个CR用户把其本地感知信息传给其所在簇的簇头，然后所有簇头再把信息传递给总簇头C。因为考虑到控制信道的利用情况，在这里采用硬判决方式，也即传递的信息都是检测判决结果0或1。

2.3 感知信息融合

本文算法中的感知信息融合分为簇内感知信息融合和簇间感知信息融合2个阶段。簇内感知信息融合是指簇Si的簇头Ci对其簇内Ni个次用户的感知结果的融合，融合过程考虑到各次用户的自私信誉度。而簇间感知信息融合是指总簇头 C对所有簇的簇头Ci(i=1,2,…,A)的感知信息的融合，融合过程考虑到各簇的位置信誉度。具体融合算法将在下一节具体讨论。

3 融合算法

3.1 基于信誉度的分簇合作式频谱感知

本文提出了一种基于信誉度的分簇合作式频谱感知算法，系统框图如图1所示。具体算法如下：

(1)初始化自私信誉度和位置信誉度：初始化所有CRj的自私信誉度 Rsj=1；初始化各簇的位置信誉度 Rri=1。

(2)分簇和次用户频谱感知：所有CR用户按地理位置分簇，分成A个簇；所有次用户CRj进行频谱感知，得感知结果 Uj，将 αj发送到相应的簇头 Ci。Ci由簇内信誉度最高的CR用户轮流来做。

(3)簇内信息融合：各个簇头 Ci对其接收到的 αj进行簇内数据融合，融合结果为 gi= θ （αjΘi） ，其中，θ是簇内融合算法；αjΘi代表属于第i个簇的所有CR用户的发送感知结果。然后簇头 Ci将 fi发送到总簇头C。

(4)簇内自私信誉度更新：各 Ci根据最后发送结果 fi和簇内各 CR的检测结果 αj作比较，对簇内 CR的Rsj进行更新。

(5)簇间信息融合：总簇头 C将所收到的 fi做数据融合，融合结果为 G=θ(fi)，将 F发送到控制中心作为最终的合作检测结果。其中，θ是簇间融合算法。

(6)簇间位置信誉度更新：C根据最后发送到控制中心的结果 G和各簇融合结果 fi作比较，对各簇的Rri进行更新。

(7)以更新过的 Rsj和 Rri跳到第(2)步重复进行。其中，j=1,2,…,N，i=1,2,…,A。

图1 融合算法系统框图

3.2 信誉度更新

如上述算法的第(4)步，每完成一次簇内感知后，各Ci根据最后发送结果fi和簇内各CR的检测结果αj作比较，对簇内 CR的 Rsj进行更新。当 αj=fi时，相应的 Rsj上升；反之，当 αj≠fi时，Rsj下降。

同样地，对于位置信誉度，一次完整的合作式频谱感知后，总簇头C要根据最终发送到控制中心的感知结果F和各簇发送过来的fi(i=1,2,…,A)之间的匹配程度，更新各簇的位置信誉度Rri。当fi=F时，Rri上升；反之，当fi≠F时，Rri下降。

下面为了公式表示的统一，设需要更新的t时刻信誉度和更新后的 t+1时刻信誉度分别为 R(t)和R(t+1)(自私信誉度更新中为 Rsj；位置信誉度更新中为Rri)，簇头的信誉度为RH(自私信誉度更新中为所在簇簇头的信誉度；位置信誉度更新中为总簇头的信誉度)。

其中，R上升的原则如下：

当RH<0.5时：

R下降的原则如下：当RH<0.5时：

其中，νup和νdown分别是上升因子和下降因子；a和a′分别是上升停值和下降停值(表示上升时，若R(t)≤a，则R(t+1)不再上升；下降时，若 R(t)≤a′，则R(t+1)直接降为0)。当RH<0.5时，R(t+1)=R(t)，不变。

3.3 感知信息融合算法

感知信息融合是合作式频谱感知的难点和热点。

3.3.1 簇内融合算法

这里簇内融合算法即gi=θ(αjΘi)的过程，采用线性加权的方法，即：

其中，j∈Si表示属于 Si的所有 CR用户；NRs>k是指该簇中 Rs>k的次用户数；αj和 wj分别是其相应的发送感知结果和簇内融合权重；权重 wj是自私信誉度Rsj的函数，需要一个函数满足图2的要求。

本文使用指数函数：

取x=0.5，y=0.1，d=100，如图2所示。

图2 信誉度与权重函数

3.3.2 簇间融合算法

簇间融合算法，即最后总簇头 C处 G=θ(fi)的过程。同样地，使用线性加权有：其中，NRr>k是指 Rr>k的分地域数；fi和 βi分别是各簇相应的发送的感知结果和簇间融合权重。权重 βi是位置信誉度 Rri的函数，也可以使用簇内融合算法中的函数形式。这种函数表示当信誉很低时基本不影响融合结果，而当信誉度大于某一值后，信誉度越大，对融合结果影响越大。

4 仿真实验

4.1 仿真环境

对以上提出的数据融合和合作感知机制进行仿真。在仿真中，一共有 N个次用户随机分布在一个2 000 m×2 000 m的方形区域里，在该区域中平均分成16个子区域。而主用户离区域中心3 000m，且在区域7和8之间有一个建筑物，具体分布如图3所示。在N个次用户中，有Nm个恶意用户，在这里针对检测率，假设恶意用户分别为“always-0(总是发送主用户不存在)”和“random(随机发送结果)”2种。每个次用户在方形区域中的移动符合随机移动模型[10]，该模型参数为次用户移动的最高速率是10 m/s，最大空闲时间是60 s。主用户发送的信号是窄带无线麦克风信号[8]。根据简化的路径损耗模型和阴影效应模型[11]，得到次用户接收到的信号模型。另外，在各个次用户处的本地频谱感知所采用的cav算法的参数为信号样本量 Nw=50 000，信噪比为−20 dB，误警率P =0.01。

图3 仿真布局

4.2 仿真结果

本节给出恶意用户为“always-0”和“random”2种情况下，关于大多数原则(majority rules)，传统基于信誉度的频谱感知算法(RBS)和本文提出的基于二重双向信誉度的频谱感知算法(DBRBS)的仿真结果。并设 N=500，Nm=130～190，一共进行 200次合作检测。如图 4所示，是恶意用户为“always-0”情况下的检测率情况。从图中可以看到，随着恶意用户数的增加，3种算法的检测率都是下降的。但是 DBRBS算法具有明显的优势，当Nm≤160时，DBRBS的检测率都是在0.9以上的，具有较好的工作性能。而另外2种算法从Nm=130开始都没有达到频谱检测中检测率的标准。图 5是恶意用户为“random”情况下的检测率，检测率是随着恶意用户数的增加而降低，“RBS”和“majority rules”的检测率相对接近，“RBS”性能更好些，本文提出的DBRBS算的性能仍然是优于另外2种算法。

图4 恶意用户为always-0时的检测率

图5 恶意用户为random时的检测率

另外，在计算“always-0”情况下，当 Nm=140时自私信誉度的各部分的均值。设Rˆp为 500个次用户的自私信誉度的向量，取其前 140个数的均值时mean0～140=0.031 8，而后面的自私信誉度的均值为mean141～150=0.869 0。同样的条件下，RBS算法中mean′0～140=0.02，mean′141～500=0.522 7。本文算法在前面恶意用户的信誉度均值中比 RBS算法略高，但是整体信誉度更新更准确。

5 结束语

基于自私信誉度和位置信誉度，本文提出一种基于二重双向信誉度的合作式频谱感知算法，该算法较有效地解决了由于恶意用户和复杂无线环境中的阴影效应及路径损耗所导致的单用户频谱感知不准确的问题。实验结果表明，该算法在复杂的无线环境中能够较好地检测到主用户信号，具有较高的检测率，并能较为准确地记录自私信誉度和位置信誉度。本文使用的融合算法是硬融合算法，下一步工作将讨论相应的软融合算法在此系统中的应用。

[1]Mltola L, Maguire G Q.Cognitive Radio: Making Software Radios More Personal[J].IEEE Personal Communications, 1999, 6(4): 13-18.

[2]Yan Yanxin, Gong Yi.Energy Detection of Narrowband Signals in Cognitive Radio Systems[C]//Proc.of WCSP’10.Suzhou, China: [s.n.], 2010.

[3]Tandra R, Sahai A.SNR Wall for Signal Detection[J].IEEE Journal of Selected Topics in Signal Processing,2008, 2(1): 4-7.

[4]Tang Haiyun.Some Physical Layer Issues of Wide-band Cognitive Radio Systems[C]//Proc.of the 1st IEEE International Symposium on New Frontiers in Dynamic Spectrum Access Networks.Baltimore, USA: IEEE Computer Society, 2005: 151-159.

[5]Ghozzi M, Marx F, Dohler M, et al.Cyclostationarity Based Test for Detection of Vacant Frequency Bands[C]//Proc.of Cognitive Radio Oriented Wireless Networks and Communication Conference.Mykonos, Island: [s.n.],2006.

[6]Chen Ruiliang, Park J M, Bian K G.Robust Distributed Spectrum Sensing in Cognitive Radio Networks[C]//Proc.of the 27th Conference on Computer Communications.Phoenix, America: [s.n.], 2008.

[7]金 煦.认知无线电中的合作频谱感知技术研究[D].杭州: 浙江大学, 2010.

[8]Zeng Yonghong, Liang Yingchang.Spectrum-sensing Algorithms for Cognitive Radio Based on Statistical Covariances[J].IEEE Transactions Vehicular Technology,2009, 58(4): 1804-1815.

[9]Sun Chunhua, Zhang Wei, Letaief K B.Cluster-based Cooperative Spectrum Sensing in Cognitive Radio Systems[C]//Proc.of IEEE International Conference on Communications.[S.1.]: IEEE Press, 2007.

[10]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(3): 257-269.

[11]Rappaport T S.无线通信原理与应用[M].周文安, 付秀花,王志辉, 译.北京: 电子工业出版社, 2006.