认知无线电中基于频谱聚合的需求改进型频谱分配算法

胡 庆，常 迪，海力群

(重庆邮电大学软件技术中心，重庆 400065)

0 引言

随着通信技术和业务的不断增多，频谱资源成为了公认的稀有资源，能够有效提升频谱利用率的认知无线电(cognitive radio，CR)［1］技术受到了极大的关注。它允许认知用户(cognitive user，CU)利用感知到的“频谱空穴”进行通信，实现与授权用户(primary user，PU)的频谱资源共享。

频谱分配技术被认为是提高认知无线电频谱利用率的关键技术，目前已有众多研究成果。参考文献［2］提出了一种颜色敏感的图着色(color－sensitive graph coloring，CSGC)算法，它把用户占用单条频谱的效益值进行标注，每次选择标注值最大的用户分配频谱。该文献同时证明了协作式频谱分配优于非协作式。文献［3］针对文献［2］时间开销大的缺点，提出了一种并行的频谱分配算法，它从简化认知网络的拓扑结构入手，缩短了频谱分配时间。文献［4］为了提高系统效益及公平性，提出了一种基于用户需求的频谱分配算法。以上的算法都假设用户最终分配到的频谱是连续的，而实际网络中认知用户是利用授权用户在时域或空域的频谱空闲时刻进行通信，频谱检测会出现大量的不连续频谱。能利用不连续频谱来支持高带宽通信的频谱聚合技术受到了学者的广泛研究。文献［7］提出了一种聚合机制(discontinuous orthogonal frequency division multiplexing，DOFDM)，使聚合不连续的频段来满足用户需求成为可能。文献［8］利用DOFDM技术来设计频谱分配算法，将设备的实际聚合能力与具体的聚合场景相结合，提出了适用于Ad－hoc网络的AASA(aggregation aware spectrum assignment)算法。结果证明，该算法能得到较好的系统效益，但是算法在设计时没有考虑用户的不同带宽需求。文献［9］利用图论模型，将频段抽象成最小频谱单元，优先选择需求较大的用户进行频谱分配，得出了与穷举法相似的分配结果。但是该算法没有考虑设备的最大可聚合范围限制(max spectrum aggregation span，MSAS)［7］，其值用 fMSAS表示。

现有基于图论的分配算法在频谱紧张时，大都把用户需求作为频谱分配的重要因素，但是很少有算法能利用聚合频谱的优势。在实际的网络中，一方面，地理位置和干扰约束导致了认知用户可用频谱的多样性;另一方面，频谱可聚合的最大范围限制了可聚合的频谱。本文从频谱的聚合关系入手，讨论认知用户占用不连续频谱的分配算法。

1 系统模型

假设认知系统中存在的认知用户数为N，频谱数为M，定义如下矩阵。

图1 不连续频段间的跨度表示Fig.1 Distance of discontinuous spectrums

假设认知环境变换缓慢，认知用户能快速适应认知环境。把认知网络拓扑抽象成固定的无向干扰图G(V，E，H)，顶点集V代表认知用户集合;边集E代表用户接入同一频谱时的干扰关系，当且仅当cn，k，m=1时，2个顶点之间有1条颜色为m的边;H表示顶点可着的颜色列表，即可用频谱集合。

2 基于频谱聚合的需求改进算法

2.1 算法设计

该标注准则引入系数ln，避免单一用户占用过多的频谱资源，保证频谱分配的公平性。频谱的选择以最小化干扰值为标准。

准则2 基于频谱聚合的协作式准则。

该准则引入了频谱的聚合信息，wn，m/un反映了单条频谱在用户聚合方案数中的比重。wn，m/un越大，用户n占用频谱m后通过聚合来满足带宽的概率越大。频谱的选择由聚合因子和干扰值共同决定。

准则3 联合需求信息和频谱聚合的协作式准则。

准则3的标注上，同时考虑了用户的需求信息和频谱的聚合信息，每次选择当前最需要进行分配的用户和频谱。

具体的算法步骤如下。

步骤1 随机生成拓扑图G，更新每一个顶点的矩阵信息，计算顶点的ln和 un值，若 ln=0或un=0，则删除该顶点。

步骤2 选择其中一种标注规则对图G的顶点进行标注。计算每个顶点的标签值及可分配颜色。

步骤3 选择标签值最大的顶点，判断顶点是否唯一。若唯一，则分配相应颜色;若不唯一，则随机选择分配。

步骤4 更新每一个顶点的可用频谱、聚合因子等矩阵，计算顶点的当前带宽需求ln和聚合方案数un。

步骤5 判断顶点的dn和ln的值，若 ln=0或ln=0，则删除该顶点。

步骤6 判断图G是否为空，若为空，则结束;否则，返回步骤2，直到图G为空。

频谱分配过程有集中式和分布式2种。若采用分布式的分配方式，每一个认知用户需向周围的邻居用户广播感知到的频谱信息，可能会导致认知用户收集到的频谱信息不完整。为了充分利用不连续的频段，本文采用集中式的分配方式，用户可将感知到的空闲频谱，干扰约束，频谱效益及频谱可聚合关系等信息反馈到中心调度节点，由中心调度节点根据本文的算法进行频谱分配。

2.2 目标函数

本文的目标函数由以下3个参数构成。

3 仿真结果与性能分析

3.1 仿真参数设置

本文采用Matlab仿真软件，将所提的3种不同准则算法及文献［3］的CSGC算法进行比较。具体的仿真参数设置如下。

表1 仿真参数设置Tab.1 Simulation parameter settings

3.2 仿真结果及分析

图2为M=15，N=20(频谱紧张)时，系统分配率随用户需求百分比变化的情况。从仿真结果可以看出，所有的算法随着用户需求比的增加，呈现下降的趋势。联合准则相对于CSGC的协作式最大带宽准则(CSUM)有10%到15%的优势。由于CSGC算法未考虑频谱聚合，用户最终分配到的多条频段如果不在MSAS的范围内就不可以聚合使用，最终导致算法对频谱的利用率不高。2种考虑了聚合信息的分配准则均优于需求准则，这是因为在频谱紧张的环境下，认知用户之间存在较大干扰，未考虑聚合信息，会使初始可用频谱较少的用户最终难以实现频谱聚合。对比2种考虑了聚合信息的准则，联合准则由于能够选取当前最需要分配的用户，因此，有更好分配结果。

图3是对30次随机生成拓扑图的系统公平性仿真。可以看出，需求准则由于避免了频谱资源集中分配给单一用户，具有与CSGC协作式公平性准则(CFIAR)相似的结果。联合准则稍差于需求准则，优于聚合准则。图4是在采用30种不同的拓扑情况下，对认知用户的平均吞吐量进行仿真。CSGC算法在频谱利用率方面的劣势使得其在系统吞吐量方面也有较差结果。需求准则每次选择当前需求量最大的用户分配频谱，会使整体的平均吞吐量较高。联合准则在相同的条件下满足了更多的认知用户需求，其平均吞吐量仍高于需求准则。

图2 认知用户带宽需求变化时的系统分配率对比Fig.2 System allocation rate comparison with the changes of cognitive user demand

图3 不同拓扑下，系统公平性的对比Fig.3 System fairness comparison in different topologies

图4 不同拓扑下，认知用户的平均吞吐量对比Fig.4 Average throughput comparison of cognitive users in different topologies

由仿真结果可以看出，基于需求的频谱分配算法和CSGC算法虽然能够得到较好的用户公平性。但系统分配率不理想，算法不适合频谱紧张、认知用户需求较大的情况。联合准则以小部分公平性为代价，获得了更好的分配率和吞吐量。

4 结束语

本文结合频谱聚合技术，提出了一种适用于频谱紧张、认知用户需求较大的环境下的频谱分配算法。该算法把图论着色模型扩展到了用户使用不连续频谱的场景，联合用户需求信息与频谱的聚合信息进行频谱分配。仿真对比了CSGC算法及其他3种不同的标注准则，证明了所提算法能够提高对不连续频谱的利用率，保证了系统的整体效益。

［1］ZHAO Qing，BRIAN M S.A survey of dynamic spectrum access［J］.IEEE Signal Processing Magazine，2007，24(3):79－89.

［2］ZHENG Haitao，PENG Chunyi.Collaboration and fairness in opportunistic spectrum access［C］//IEEE.Communications 2005.ICC2005.Seoul:IEEE Press，2005:3132－3136.

［3］廖楚林，陈劼，唐友喜，等.认知无线电中的并行频谱分配算法［J］.电子与信息学报，2007，29(7):1608－1811.

LIAO Chulin，CHEN Jie ，TANG Youxi，et al.Parallel algorithm of spectrum allocation in cognitive radio［J］.Journal of Electronics＆ Information Technology，2007，29(7):1608－1811.

［4］XIE Xianzhong，ZHOU Tong，DONG Xuetao，et al.Traffic－demand dynamic spectrum access［C］//IEEE.Proceedings of the 4th Information Conference onWireless Communications，Networking and Mobile Computing.Washington，DC:IEEE Press，2008:1－4.

［5］UNNIKRISHNAN J，VEERAVALLIV.Algorithms for dynamic spectrum access with learning for cognitive radio［J］.IEEE Transaction on Signal Processing，2010，58(2):750－760.

［6］杜文峰，刘亚涛，明仲，等.基于干扰消减的认知无线电频谱分配算法［J］.通信学报，2012，33(5):106－114.

DUWenfeng，LIU Yatao，MING Zhong，et al.Interference elimination based spectrum allocation algorithm for cognitive radio［J］.Journal on Communications，2012，33(5):106－114.

［7］JEFFREY D P ，WILLIAM D H.Discontinuous OFDM considerations for dynamic spectrum access in idle TV channels［C］//IEEE.New Frotiers in Dynamic Spectrum Access Networks，2005.DySPAN 2005.Baltimore:IEEE Press 2005:607－610.

［8］CHEN Dawei，ZHANG Qian，JIA Weijia.Aggregation aware spectrum assignment in cognitive Ad－hoc networks［C］//IEEE.Cognitive radio oriented wireless networks and communications，2008.CrownCom 2008.Singapore:IEEE Press ，2010:1－6.

［9］张华晶，徐少毅，乔晓瑜.认知无线电网络中基于用户需求和频谱聚合的动态频谱分配［J］.电信科学，2010，26(12):63－67.

ZHANG Jinghua，XU Shaoyi，QIAO Xiaoyu.Dynamic spectrum allocation algorithm based on user demands and spectrum aggregation in cognitive radio networks［J］.Telecommunication Science，2010，26(12):63－67.

［10］YANG Lili，XIE Xianzhong，ZHANG Yi.A historical－information－based algorithm in dynamic spectrum allocation［C］//IEEE.Communication Software and Networks，2009.ICCSN 09.Macau:IEEE Press ，2009:731－736.

［11］ZHANG Jianwu，ZHAO Qi，ZOU Jingyuan.Advanced graph－coloring spectrum allocation algorithm for cognitive radio［C］//IEEE.Wireless Communications，Networking and Mobile Computing，2009.WiCom 09.Beijing:IEEE Press，2010:1－4.

(编辑:王敏琦)