基于MLE和MSE的主用户活动检测与跟踪算法研究

姚 文 贵

(湖北职业技术学院， 湖北 孝感 432100)



基于MLE和MSE的主用户活动检测与跟踪算法研究

姚 文 贵*

(湖北职业技术学院， 湖北 孝感 432100)

针对移动认知Ad hoc无线网络提出一种分布式主用户活动估计与跟踪算法.在主用户覆盖范围的移动认知用户通过检测获得主用户ON/OFF周期样本，然后使用最大似然估计来计算ON/OFF平均周期，在离开主用户覆盖区域时广播检测到的信息.认知用户使用均方误差来停止精细检测，利用均方误差的变化来重新启动精细检测以便跟踪主用户活动的变化.仿真结果表明，提出的算法能够快速有效地检测并跟踪主用户的活动.

认知无线网络； 活动检测； 最大似然估计； 均方误差

认知无线电(Cognitive Radio， CR)技术被认为是提高频谱利用率的一种有效方法，它可以解决无线通信业务快速增长与授权频谱利用率低的矛盾[1].在CR网络中，认知用户(或称为次用户：Secondary Users， SUs)可以使用授权用户空闲的频谱，但是要求对授权用户(或称为主用户：Primary Users， PUs)的干扰必须控制在能够容忍的范围内.这样，就需要SUs检测无线频谱，对频谱的状态作出判决，从而自适应地选择可使用的频谱[2].

频谱使用模型能够通过PUs的活动特性得到反映，PUs活动的建模和参数估计能够促使SUs更加有效地使用频谱.目前，普遍采用的PUs活动模型是ON/OFF交替模型，其工作(busy)和空闲(idle)周期时间服从指数分布[3，4，5].该模型参数估计的重要性体现在，若能够获得比较准确的ON/OFF平均周期，则可以计算出合理的检测周期，从而同时满足所要求的PUs干扰比和SUs数据传输效率.而且，很多频谱检测技术需要知道PUs的统计先验信息.在文献[4]中，一种联合优化频谱检测和传输周期的理论模型被提出，用以最大化频谱效率.但是，模型中的ON和OFF平均周期假设为固定和已知的.另外，相当多的研究采用了这种固定的频谱使用模型来优化频谱检测[6-9]，在没有通过实际检测和估计的基础上，就假设SUs掌握了这些统计信息.Kim等人使用了ON/OFF频谱使用模型，并且提出一种基于滑动时间窗(STWB)的估计方法来处理历史检测信息以便获得PUs的活动方式[10].然而，他们假设SUs已经获得一组PUs使用频谱的OFF周期样本，但是并没有介绍如何获得这些样本，另外频谱检测时采用的检测周期是多少没有作出说明，更主要的是没有涉及样本数量如何保证检测精度.同时，也有很多PU活动检测只是检测短时间PU的状态，如Wang等人提出一种基于信任传播机制的集成快速PU活动状态检测框架[11]，Chang等采用一种新颖的任务循环方式来检测PU用户的活动，只使用短时间内PU的状态数据[12]，Warit等提出2阶和微分加权序列协作能量自适应检测方法来发现PU用户的活动状况[13].由于检测周期与频谱使用模型密切关联，而且二者也是确保频谱检测和共享的重要因素，因此检测PUs活动模型的参数将是一个非常重要的研究内容，需要进一步深入研究.

另外，在PUs活动的建模和估计过程中，若将SUs的移动性考虑进去，则CR网络不再是一种完全静止的拓扑结构，那么将面临更多的挑战[14].很多估计技术需要相对多的容量来存储历史检测数据，对于存储容量有限的单个节点而言，存储长时间的检测数据并作出实时估计是比较困难的[15].对于移动CR ad hoc网络而言，将会面临更多的挑战，如检测的信息如何在网络中及时传递，如何控制信息传递导致的开销.同时，由于单个用户的处理能力有限，如存储容量，所以必须设计合理的机制来保存频谱检测信息.

为了解决上述分析的问题，针对移动CR ad hoc网络，本文提出一种基于MLE和MSE的PUs活动参数的检测与估计算法，该算法能够跟踪PUs活动规律的变化.假设有一个PU发射器，CR网络中的SUs都是移动的，使用精细检测来获得PU的ON/OFF周期样本，采用最大似然估计算法来估计ON/OFF的周期平均值，利用加权平均技术来计算最终的周期平均值.为了停止精细检测并快速跟踪PU活动的变化，利用均方误差设计了精细检测停止和重新启动的规则.

1 系统模型

假设一个PU发射器工作于一个授权信道，并以ON/OFF模型来使用该信道.ON/OFF周期服从指数分布，各自的真实均值分别是α和β，当PU的活动规律发生改变时，α和β也将随之改变.同时假设使用一个公共控制信道(CCC)来传输检测信息[16].在CR ad hoc网络中，所有CR用户都是移动的.CR ad hoc网络如图1所示，定义PU的传输覆盖范围为Ap，即图中白色的区域.当SU移动到Ap区域时，就可以通过频谱检测来获得ON和OFF的周期样本，一旦到达该区域的边界，SU将广播自己获得的检测信息，附近的SUs接收到该信息并进行广播，定义广播信息的区域为As，接收到新检测信息的SUs将更新估计的ON/OFF周期均值.

图1 移动Ad hoc网络Fig.1 Mobile CR ad hoc network

2 主用户活动检测模型

2.1 检测周期和类型

根据文献[4]，信道使用为ON/OFF模型时，PUs使用信道的概率为

(1)

PUs处于空闲状态的概率为

(2)

另外，对于SUs而言，错失频谱利用机会的比率TL定义为：在PUs处于空闲状态时间内，SUs没有检测到该状态而失去传输数据的平均时间比值.对于PUs而言，定义最大可容忍干扰时间比TP为：在PUs使用频谱的时间内，SUs依然使用该频谱而造成对PUs的干扰，此时PUs在时间上能够容忍干扰的最大平均时间比值[4，12].

(3)

式中传输时间tt将受限于[4]

(4)

(5)

式中,静默时间tq受限于

(6)

如果存在多个授权信道需要检测，则可调度tq来检测这些信道，该研究内容将在后续的研究中加以考虑.

2.2 单用户估计

因为ON/OFF周期时间服从负指数分布，则ON状态的概率密度函数为:

其似然函数为

根据MLE算法，能够得到

(7)

(8)

直观上，ON和OFF的周期样本数量与PU真实的α和β、SU的速度以及在区域Ap内的穿越距离有关系.若ON和OFF的周期样本数量太少，则频谱检测后，SU将不使用MLE算法来估计均值，直接将ON和OFF周期样本加入到广播信息包的尾部，并进行广播.

2.3 多用户估计

(9)

(10)

2.4 精细检测停止

(11)

(12)

只有当σon和σoff同时小于门限Em时，精细检测过程停止.接着，其它后续的SUs将执行常规检测来使用频谱.

2.5 精细检测重启

由于PU对频谱的使用是动态时变的，PU活动的变化将表现在α和β的变化上，这就需要发现这种变化并及时地对活动参数进行重新估计.当α和β发生变化时，由于SUs依然按精细检测停止时的估计均值计算检测周期，则MSE值也将随之变化.因此，通过MSE的变化可以重新启动精细检测，但是由于MSE的变化比较缓慢[17]，这样发现PU活动规律的变化就需要比较长的时间.

所以，为了快速有效地跟踪PU活动的变化，引入了一个新的变量sσ，该变量表示MSE的相对变化量，这样就可以充分利用MSE来重新启动精细检测.定义当前ON和OFF的MSE值分别为σon(t)和σoff(t)，之前的MSE值为σon(t-1)和σoff(t-1)，因此可以得到

(13)

同理可得

(14)

如果sσon(t)或sσoff(t)大于门限值STH，则重新启动精细检测.

2.6 算法复杂度分析

3 仿真实验

3.1 仿真模型

3.2 仿真结果与分析

图2 检测均值比较Fig.2 Comparison of detected average values

图3 估计均值的均方误差和相对误差比较Fig.3 Comparison of mean square error and relative error of estimated average values

图4 PU活动变化的跟踪性能比较Fig.4 Track performance comparison of PU activity variation

由于在CRadhoc网络中，SUs完成频谱检测后需要将检测信息在As范围内进行广播，这必然会带来网络消耗.很明显，不同的MSE精度所需要的检测SUs数量会不同.门限值Em越小，精度越高，则需要更多的SUs执行频谱检测，从而带来更多的网络开销.因此，在仿真中，将设置不同Em值，网络开销则通过平均广播数据量来反映.由于在广播时，广播的数据量和网络中的SUs数量也有关系，所以在网络中随机产生不同数量的SUs.从图6中可以发现，对于一定数量的SUs，在检测结果的MSE小于门限值Em时，Em值越小则广播的数据量越大.而对于相同的Em值，不同的SUs数量，网络开销也不同，网络中的SUs越多，由于需要接力广播的次数增加，所以总的广播数据量也相应增加.最主要的是，完成要求精度的频谱检测总的广播数据量只有几个Kbit/s.因此，这样的网络开销还是比较小的.

图5 干扰比和错失数据传输比Fig.5 Interference ratio and lost communication ration

图6 检测信息广播开销Fig.6 Broadcasting overhead of detection information

4 结束语

本文针对CR ad hoc网络提出了一种基于MLE和MSE的PU活动检测算法，用于估计ON/OFF平均周期.在执行频谱感知时采用了精细检测和常规检测，SUs执行精细检测以估计与跟踪PU的活动，而常规检测则用于检测参数精度满足要求后的数据接收与传输.对于单个SU获得的周期样本，采用了最大似然估计方法来计算周期均值，采用加权平均来计算最终的ON/OFF平均周期.另外，利用了均方误差来停止精细检测，同时利用均方误差的相对变化来跟踪PU活动的变化.仿真结果表明，提出的估计与跟踪算法能够实现对频谱使用模型参数的估计，同时还能够快速有效地跟踪PU活动的变化，其PU活动跟踪性能优于STWB方法.

[1] Haykin S. Cognitive radio: brain-empowered wireless communications[J]. IEEE J Select Areas in Commun， 2005， 23(2): 201-220．

[2] Akyildiz I F， Lee W， Chowdhury K R. CRAHNs: cognitive radio ad hoc networks[J]. Ad Hoc Networks， 2009(7): 810-836．

[3] Cormio C， Chowdhury K R. A survey on MAC protocols for cognitive radio networks[J]. Elsevier Journal of Ad Hoc Networks， 2009， 7(7): 1315-1329．

[4] Song C， Zhang Q. Cooperative spectrum sensing with multi-channel coordination in cognitive radio networks[J]. IEEE ICC， 2010(07): 1-5．

[5] Xin C， Song M. Detection of PUE attacks in cognitive radio networks based on signal activity pattern[J]. IEEE Trans on Mobile Computing， 2013， 13(5): 1022-1034．

[6] Zhao Q， Tong L， Swami A， et al. Decentralized cognitive MAC for opportunistic spectrum access in Ad Hoc networks: a POMDP framework[J]. IEEE J Select Areas in Commun， 2007， 5(3): 589-600．

[7] Canberk B， Akyildiz I F， Oktug S. Primary user activity modeling using first-difference filter clustering and correlation in cognitive radio networks[J]. IEEE/ACM Trans On Networking， 2011， 19(1): 170-183．

[8] Huang S， Liu X， Ding Z. Opportunistic spectrum access in cognitive radio networks[J]. IEEE Infocom， 2008(11): 1427-1435．

[9] Sung K W， Kim S L， Zander J. Temporal spectrum sharing based on primary user activity prediction[J]. IEEE Trans on Wireless Commun， 2011， 9(12): 3848-3855．

[10] Kim H， Shin K G. Efficient discovery of spectrum opportunities with MAC-layer sensing in cognitive radio networks[J]. IEEE Trans on Mobile Computing， 2008， 7(5): 533-545．

[11] Wang Y， Li H， Qian L. Belief propagation based spectrum sensing subject to dynamic primary user activities: phantom of quickest detection[J]. IEEE Milcom， 2013(05): 1193-1200.

[12] Chang K， Senadji B. Spectrum sensing optimisation for dynamic primary user signal[J]. IEEE Trans on Commun， 2012， 60(12): 3632-3640．

[13] Warit P， Daniel K C， Emad A. Sequential cooperative spectrum sensing technique in time varying channel[J]. IEEE Trans on Wireless Commun， 2014， 13(6): 3394-3405．

[14] Miao M， Tsang D H K. Impact of channel heterogeneity on spectrum sharing in cognitive radio networks[J]. IEEE ICC， 2008(01): 2377-2382．

[15] Park J， Van S M. Cognitive MAC protocols using memory for distributed spectrum sharing under limited spectrum sensing[J]. IEEE Trans on Commun， 2011， 59(9): 2627-2637．

[16] Chowdhury K R， Akyildiz I F. OFDM based common control channel design for cognitive radio ad hoc networks[J]. IEEE Trans on Mobile Computing， 2011， 10(2): 228-238．

[17] Sanna M， Murroni M. Nonconvex optimization of collaborative multiband spectrum sensing for cognitive radios with genetic algorithms[J]. Journal of Digital Multimedia Broadcasting， 2010， 16(7): 1136-1145．

[18] Cordeiro C， Challapali K， Birru D， et al. IEEE 802.22: the first worldwide wireless standard based on cognitive radios[J]. IEEE Dyspan， 2005(08): 328-337.

Primary user activity estimation and track algorithm research based on MLE and MSE

YAO Wengui

(Hubei Polytechnic Institute， Xiaogan， Hubei 432100)

In cognitive radio (CR) ad hoc networks， a distributed scheme is proposed to allows mobile CR users to estimate and track the activity of primary user (PU). The CR users in the transmission range of PU sense the PU to obtain samples of ON/OFF periods. Then， the maximum likelihood estimator (MLE) is used to learn the average busy and idle periods and disseminate the information in the neighborhood without an external controller. The mean square error (MSE) values of the PU on-off times are employed to stop the fine spectrum sensing. When PU activity changes significantly， the variation of MSE will be used to re-start the fine sensing. Simulation results for a mobile environment reveal that the proposed method is able to efficiently and quickly track the dynamics of the PU activity．

cognitive radio networks; activity sensing; maximum likelihood estimator; mean square error

2015-01-07.

1000-1190(2015)04-0520-07

TN929.5< class="emphasis_bold">文献标识码： A

A

*E-mail: 275341209@qq.com．