协同认知无线网络中自适应中继节点选择算法*

2015-06-23罗梦麟张建照兰昆伟

通信技术 2015年3期

关键词：时隙中继时延

罗梦麟，陈勇，张建照，兰昆伟

(1.解放军理工大学通信工程学院,江苏南京 210007；2.南京电讯技术研究所,江苏南京 210007)

协同认知无线网络中自适应中继节点选择算法*

罗梦麟1，陈勇2，张建照2，兰昆伟1

(1.解放军理工大学通信工程学院,江苏南京 210007；2.南京电讯技术研究所,江苏南京 210007)

最优停止规则算法的优点是避免主用户考察所有次用户，使主用户能在较短观测时间内挑选出满足通信服务质量的中继节点。但存在些许不足之处，如仅考虑了单次协同通信情况，没有充分利用历史中继节点选择信息。为了克服上述缺点，需要优化该算法的性能，通过引入反馈机制，提出了自适应中继节点选择算法，在每次中继节点选择结束后更新信息库中次用户中继概率，主用户从中继概率高的次用户开始观测。研究结果表明：自适应中继节点选择算法的效率要比最优停止规则算法高；该算法可进一步减少观测次数，降低系统的传输时延和观测能耗，提高主用户的平均吞吐率。

协同认知无线网络自适应中继节点选择中继概率

0 引言

随着通信业务和通信设备数量的爆发式增长，频谱资源变得愈发紧张和稀缺，如何有效的利用频谱资源成为无线通信领域研究的热点[1]。认知无线电技术能够有效提高频谱的利用率，在认知无线网络(CRN,Cognitive Radio Networks)中，主用户(PU,Primary Users)拥有授权频段，次用户(SU,Secondary Users)具有感知功能，能够动态的感知PU的空闲频谱，进而与PU进行频谱共享，提高网络的频谱利用率[2-4]。

然而，由于无线通信网络的不稳定性，如多径衰落、阴影效应等影响，PU和基站之间有时无法进行有效的直接通信[5]。此时，采用协同通信技术能够有效的改善通信质量。在协同认知无线网络(CCRN,Cooperative Cognitive Radio Networks)中，SU充当候选中继节点，PU选择具有良好通信环境的SU作为中继节点，帮助其转发信息；作为回报，PU提供SU一定的频谱接入时间[6]。当有多个SU可供选择时，就需要考虑中继节点选择问题[7]，对于中继节点选择而言，最关键的就是效率问题，即如何高效的找到一个合适SU充当中继节点。

文献[8]对当前的中继节点选择问题的研究进行了系统的总结。大多数的方法都是通过穷举法，即，考察所用的SU，然后挑选出最合适的中继节点。穷举法要求PU掌握所有的SU的信道信息，然而随着通信设备数量的急剧增加，SU的数量可能会非常的大，采用穷举法效率不高。文献[9]研究了在大量SU条件下的中继节点选择问题，将最优停止理论[10]引入中继节点选择问题中，提出最优停止规则(OSR,Optimal Stopping Rule)，避免考察所有次用户，使得PU能在较短的时间内挑选出满足通信服务质量(QoS,Quality of Service)的中继节点，提高了中继节点选择的效率。然而，随着通信业务爆发式增长，PU采用协同通信的机会不断增加，PU进行中继节点选择的次数也将大大提高，OSR算法仅考虑单次中继节点选择，在多次中继选择的场景中，若采用OSR算法，每次PU进行中继节点选择都将独立、随机地生成观测序列，忽略了历史中继选择信息。为此，本文在OSR的基础上，引入反馈机制，建立主用户信息库(DB,Data Base)，存储SU被选中作为中继节点的中继概率，提出了自适应中继节点选择算法(ARSA,Adaptive Relay Selection Algorithm)。PU根据DB中的SU中继概率，按降序生成观测候选中继节点序列，通过计算，选择当前平均吞吐率不低于预测平均吞吐率的第一个SU作为中继节点，接着PU将中继节点选择结果反馈给DB，更新DB中SU的中继概率。本文提出的ARSA算法，进一步提高了PU选择中继节点的效率，有效的降低了系统的传输时延和观测能耗，提高了PU的平均吞吐率。

1 系统模型

1.1 网络模型

如图1所示，考虑由一个PU，一个基站，N个SUi(i=1,2,…,N)和一个信息库DB构成的CCRN。PU与基站之间的信道质量差，无法进行有效的直接通信。因此，为了保证PU的通信质量，PU需要选择一个信道质量优于PU的空闲SU作为中继节点，协同PU完成信息的传输；作为回报，PU将提供参与协同的SU一定的频谱接入时间[11]。将网络中的SU称为候选中继节点，选中作为中继的SU称为中继节点。

图1 网络模型

在该网络中，假设PU在时隙T内完成一次通信，PU最多只能选择一个SU作为中继节点，同时每一个中继节点只能和一个PU进行配对。

1.2 协同中继节点协议

如图2所示，将通信过程划分为两个阶段[12]。

第一阶段：中继节点选择时段。假设一个观测时隙长度为t：观测一个候选中继节点需要的时间。PU根据DB中SU中继概率，按降序生成观测序列CS={Cs1,Cs2,…,CsN}。在时隙T的最开始，PU根据CS={Cs1,Cs2,…,CsN}依次观测候选中继节点，如果在第j次观测时，观测结果满足要求，那么PU停止观测，选择SUj作为中继节点。

第二阶段：信息传输时段。本文把剩下的时间(T-jt)划分为3个部分，如图2所示，在(1-α)(T-jt)，PU将信息传递给中继节点SUj；在αβ(T-jt)，SUj转发PU的信息；在剩余的α(1-β)(T-jt)，SUj传输自己的信息。显然，必须保证Nt

图2 通信时隙结构

1.3 中继概率计算模型

文献[9]考虑PU单次中继节点选择的情况，然而，随着通信业务的爆发式增长，PU的通信次数远远不止一次，为了保证每一次通信的质量，需要SU参与协同传输的次数也在不断增加。在无线通信网络中不同的SU具不同的中继能力。为了提高PU中继节点选择的效率，PU从中继能力强的SU开始观测是一种合理而行之有效的策略。本文用中继概率来衡量SU的中继能力，通过建立DB，存储SU中继概率，在每一次协同完成后，DB根据PU中继节点选择的结果，更新相应SU的中继概率。在协同开始阶段，PU查阅DB中SU中继概率，按降序开始观测候选中继节点。

(1)

(2)

假设对SUj进行了新的观测，其中ξ次选中作为中继节点，σ次未选中，那么SUj相应的中继概率可以通过式(2)进行更新，其中λ=λ+ξ，φ=φ+σ。

2 问题建模

本文研究在CCRN中存在大量SU情况下，如何快速选择合适的SU作为中继节点。PU根据观测序列开始观测候选中继节点，根据观测的当前收益与预测收益的比较，判断是否选择当前观测的SU作为中继节点。当前收益表示：PU选择当前观测SU作为中继节点可获得的平均吞吐率；预测收益表示：PU继续观测下一个候选中继节点，未来可获得的估计平均吞吐率。

2.1 信道估计

如图2所示，为了保证中继节点无失真的转发PU的信息，必须满足以下的条件

(3)

当PU观测SUj时，SUj给PU回传一个βj值。如果SU回传的βj满足βj≥βlow,即PU可以接受SU提出的频谱接入时间，那么认为SUj是可供选择的。定义Uj为SUj的可供选择函数，其概率分布为

(4)

(5)

通常在无线通信中可达传输速率可以通过SNR来表示，根据香农公式，可达传输速率可以表示为

rm=Wlog(1+νm)

(6)

式中，rm表示PU选择信道在Sm状态下SU作为中继节点的可达传输速率。W表示信道的带宽。那么，PU选择不同信道状态下SU作为中继节点的可达传输速率可以用矩阵R={r1,r2,…rM}表示。其概率分布和信道状态的概率分布是一致的

P{R=rm}=gm,m=1,2…,M

(7)

定义Xj=RjUj，表示PU选择第j个候选中继节点SUj作为中继节点的可达传输速率。Xj的概率分布可描述如下

(8)

式中,1≤m≤M,1≤j≤N。假设候选中继节点的信道都是独立的，那么矩阵X={X1,X2,…XN}也是独立的。

本文利用Xj和观测次数(j)定义效用函数Yj，可以表示为

(9)

式(9)中分子表示PU选择SUj作为中继节点的吞吐量，分母表示完成一次通信的总时间。因此，Yj表示选择SUj作为中继节点后PU的平均吞吐率。Yj的概率分布与Xj的概率分布一致。

Yj=θjXj

(10)

2.2 当前平均吞吐率计算

第j次观测的当前平均吞吐率用yj(x1,x2,…,xj)表示，即PU选择SUj作为中继节点可获得的实时平均吞吐率，因为网络中SU之间信道是独立的，所以yj(x1,x2,…,xj)=Ujrjθj。

PU通过观测SUj，可以得到当前可达传输速率rj：PU观测过程和802.11协议[16]中的RTS/CTS过程很相似。在观测阶段，PU给SUj发送一个RTS。SUj在接收到RTS指令后，发送一个CTS指令给PU，该指令中包含了SNR信息Ψj和βj值。通过式(6)，可以计算得到rj=Wlog(1+Ψj)。

2.3 预测平均吞吐率计算

(11)

(12)

当观测序列形成后，因为SU之间信道是独立的，所以ON-j是一个仅与X(j+1)和剩余观测次数N-j相关的常量。注意到Oj可以通过以下计算获得

O0=-

(13)

(14)

当j≥1时，

(15)

(16)

式(15)由两部分组成，前半部分是当前平均吞吐率大于预测平均吞吐率部分，后半部分是预测平均吞吐率大于当前平均吞吐率部分。

3 算法设计

表1详细描述了ARSA算法过程。其中，2-12部分为OSR算法核心部分，本文在OSR算法的基础上引入反馈机制，建立信息库DB，自适应选择中继转发节点。PU首先查阅DB，根据DB的SU中继概率，按降序生成观测序列CS={Cs1,Cs2,…,CsN}，假设生成观测序列的耗时很小，在一个通信时隙内可忽略不记[8]。接着PU根据CS={Cs1,Cs2,…,CsN}依次观测候选中继节点，计算当前平均吞吐率yj和预测平均吞吐率ON-j，若yj≥ON-j，停止观测，选择SUj作为中继节点，否则继续观测下一个候选中继节点。值得注意的是，如果PU观测到最后一个候选中继节点(即前N-1个候选中继节点无法满足PU的要求)，那么PU必须选择第N个候选中继节点作为中继节点。最后，PU将中继选择的结果返回给DB，DB更新各候选中继转发节点的中继概率。

ARSA算法

1)输入SU中继概率和其他初始值；

2)PU根据DB中SU中继概率，按降序生成观测序：CS={Cs1,Cs2,…,CsN}；

3)从Cs1开始观测候选中继节点；

4)for do；

5)在第j次观测后计算可达速率rj和平均吞吐率yj；

6)比较yj和预测平均吞吐率ON-j；

7)ifyj

8)继续观测下一个候选中继节点SUj+1；

9)else；

10)停止观测，选择SUj作为中继节点，将结果反馈回DB，更新DB中继概率信息；

11) end if；

12)end for；

13)选择SUN作为中继节点，将结果反馈回DB，更新DB中继概率信息。

4 仿真与结果分析

如图3所示为不同N值下三种算法观测次数随观测时隙长度的变化。从图3可以看出：采用穷举法，观测次数等于SU数量N；当N不变时，随着观测时隙长度的增大，采用OSR和ARSA算法，观测次数随之减少。原因是，随着观测时隙长度的增大，为了保证PU获得最大平均吞吐率K，总观测时长jt要保持一定，所以观测次数随之降低。

此外，采用OSR算法，N值的变化对观测次数的影响很大；相比较而言，采用ARSA算法，N值的变化对观测次数影响小。同时，如图3所示，当观测时隙长度达到一定的值后，观测次数趋于稳定， ARSA算法的观测次数稳定在4次，OSR算法的观测次数稳定在9次。如图3可以得出，在减少观测次数方面，三种算法的性能排序如下：ARSA>OSR>穷举法。

图3 N取不同值情况下三种算法观测次数比较

如图4所示为不同N值下三种算法系统时延随观测时隙长度的对比。定义系统时延=观测总时长(Ts=jt)。通过对比，发现采用穷举法系统时延与观测时隙长度成线性关系；采用OSR算法和ARSA算法，系统时延随着时隙长度的变长缓慢增大，而后趋于不变。在不同的N值下，本文提出的ARSA算法在降低系统时延方面具有明显的优越性。如图3所示，在相同观测时隙长度下ARSA算法大大减少了观测次数，降低了系统总观测时间。因为通过每次选择结果的反馈，DB对中继概率进行更新，使得中继能力强的SU排在了观测序列的前面，这样PU就可以在更少的观测次数内找到合适的SU充当中继节点，从而减少了观测总时长，降低了系统时延。由图4可以得出，在降低系统时延方面，三种算法的性能排序如下：ARSA>OSR>穷举法。

图4 N取不同值情况下三种算法系统时延比较

如图5所示为不同N值下三种算法观测能耗随观测时隙长度的变化。观测能耗(P)可以通过PU发射功率(Pgc)和观测总时长(jt)来确定(P=Pgc×jt)。如图4所示，就观测总时长而言，穷举法>OSR>ARSA。由于观测能耗与观测时长呈线性关系，所以图4与图3保持一致。由图5可以得出，在降低观测能耗方面，三种算法的性能排序如下：ARSA>OSR>穷举法。

图5 N取不同值情况下三种算法观测能耗比较

如图6所示为不同N值下观测时隙长度对三种算法PU最大平均吞吐率K的影响结果。采用穷举法，PU最大平均吞吐率K随着观测时隙长度的变长迅速降低。因为，采用穷举法，需要观测所有SU，观测时长大，导致信息传输时间T-jt短，进而严重影响K值。当N不变时，随着观测时隙长度的增大，采用OSR和ARSA算法，PU最大平均吞吐率K随之减小。因为随着观测时隙长度的增大，观测次数随之减少，然而观测总时长tj却是在不断增大的，相应的信息传输的时间T-jt在减小，进而K也随之减小。此外，由图6可以看出：当观测时隙长度不变时，随着N的增加，K随之增加。原因是，随着N的增加，虽然总观测时长tj随之增大了，但是N值的增加提高了系统中存在更高传输速率的SU的可能性。

对比OSR算法和本文提出的ARSA算法，ARSA算法在提高PU吞吐率方面具有优势：与OSR算法相比，ARSA算法大大提高了PU最大平均吞吐率，约为15%。通过每次选择结果的反馈和信息库的更新，传输性能好的SU排在了观测序列的前面，这样PU就可以在更少的次数内找到具有较好传输性能的SU，提高了效用系数θj值。可以得出，在保证PU最大平均吞吐率方面，三种算法的性能排序如下：

ARSA>OSR>穷举法

图6 N取不同值情况下三种算法PU最大平均吞吐率比较

5 结语

在协同认知无线网络中，中继节点的选择是关键问题，特别是如何在大量次用户的情况下快速有效的选择合适的中继节点。本文在最优停止规则算法的基础上，结合反馈机制，提出自适应中继节点选择算法。仿真实验结果表明，与穷举法和最优停止规则算法相比，在降低系统时延和观测能耗，提高主用户的平均吞吐率方面，本文提出的自适应中继节点选择算法具有明显的优势。在协同认知无线网络中，功率的有效性也是一大研究热点。下一步研究将考虑用户的功率分配问题，探究如何使协同认知无线网络达到“绿色”。

[1] Alexandos P, Janne R, Pertri M, et al. Two Days of European Spectrum: Preliminary Analysis of Concurrent Spectrum Use in Seven European Sites in GSM and ISM Bands[C]// IEEE ICC. Budapest, Hungarian: IEEE press, 2013: 2666-2671.

[2] Goldsmith A, Jafar S A, Maric I, et al. Breaking Spectrum Gridlock with Cognitive: An Information Theoretic Perspective[J]. Proceedings of the IEEE, 2009, 97(50): 894-914.

[3] Song M, Xin C S, Zhao Y X, et al. Dynamic Spectrum Access: From Cognitive Radio to Network Radio[J]. IEEE Wireless Communications, 2012, 19(01): 23-29.

[4] 蒋师，屈代明，吴露露等.动态频谱接入技术的分类和研究现状[J].通信技术，2008,41(11):20-22. JIANG Shi, Qu Dai-ming, WU Lu-lu,et al. ZHONG Guo-hui. The Classification and Research Status of Dynamic Specturm Access Technology[J]. Communications Technlogy, 2008, 41(11): 20-22.

[5] Simeone O, Stanojev I, Savazzi S, et al. Spectrum Leasing to Cooperating Secondary Ad Hoc Networks[J]. IEEE Journal on Selected Areas in Communications, 2008, 26(01): 203-213.

[6] Long Y, Li H Y, Yue H, et al. Spectrum Utilization Maximization in Energy Limited Cooperative Cognitive Radio Networks[C]// IEEE ICC. Sydney Australia: IEEE press, 2014: 1466-1471.

[7] Lloyd E L and Xue G L. Relay node placement in wireless sensor networks[J]. IEEE Transactions on Computers, 2007, 56(01): 134-138.

[8] Elmenreich W, Marchenko N, Adam H, et al. Building blocks of cooperative relaying in wireless systems[EB]. Elektrotechnik & Informationstechnik, 2008, http://dx.doi.org/10.1007/s00502-008-0571-7.

[9] Jing T, Zhu S X, Li H J, et al. Cooperative relay selection in cognitive radio networks[C]// IEEE INFOCOM. Turin Italy: IEEE press, 2013.

[10] Liu Y and Liu M Y. To stay or to switch: Multiuser dynamic channel access[C]// IEEE INFOCOM. Turin Italy: IEEE press, 2013: 1249-1257.

[11] Chen Y Y, Feng Z Y, Xu D, et al. Optimal power allocation and relay selection in dual-hop and multi-hop cognitive networks[C]// IEEE ICC. Ottawa Canada: IEEE press, 2012: 1641-1645.

[12] Khalil K, Karaca M, Ercetin O, et al. Optimal scheduling in cooperate-to-join cognitive radio networks[C]// IEEE INFOCOM. Shanghai China: IEEE press, 2011: 3002-3010.

[13] Ganeriwal S, Balzano L, and Srivastava M. Reputation-based framework for high integrity sensor networks[J]. ACM Trans. Sensor Networks(TOSN), 2008, 4(03): 1-37.

[14] Jsang A and Ismail R. The beta reputation system[C]// IEEE 15th Bled Electronic Commerce Conference. Citeseer, 2002.

[15] Wang H S and Moayeri N. Finite-state markov channel-a useful model for radio communication channels[J]. IEEE Transactions on Vehicular Technology, 1995, 44(01): 163-171.

[16] Bianchi G. Performance analysis of the IEEE 802.11 distributed coordination function[J]. IEEE Journal on Selected Areas in Communications, 2000, 18(03): 535-547.

LUO Meng-lin(1990-), male, M. Sci., majoring in dynamic spectrum assignment.

陈勇(1975—),男,硕士,高级工程师,主要研究方向为认知无线电、动态频谱管理；

CHEN Yong(1975-), male, M. Sci.,senior engineer, mainly engaged in cognitive radio networks and dynamic spectrum management.

张建照(1985—)，男，博士，主要研究方向为认知Ad Hoc网络；

ZHANG Jian-zhao(1985-),male, Ph. D., mainly engaged in cognitive Ad Hoc networks.

兰昆伟(1989—),男,硕士,主要研究方向为认知无线电中的频谱预测。

LAN Kun-wei(1989-),male, M. Sci., majoring in spectrum prediction in cognitive radio.

Natural Science Foundation of China(No.61301161)；Natural Science Foundation of Jiangsu(No.BK20141070)

Self-Adaptive Relay Selection Algorithm in Cooperative Cognitive Radio Networks

LUO Meng-lin1，CHEN Yong2，ZHANG Jian-zhao2，LAN Kun-wei1

(1.Institute of Communication Engineering, PLA University of Science & Technology,Nanjing Jiangsu 210007;2. Nanjing Telecommunication Technology Institute, Nanjing Jiangsu 210007)

The advantage of optimal stopping rule algorithm is to avoid PU scanning all SU, and the PU can find out the relay with good channel quality within a short observation time. However, there is a deficiency tha it just considers the single cooperation and does not take full advantage of the previous relay node selection information. By introducing the feedback mechanism, a self-adaptive relay selection algorithm is proposed,thus to solve the above problem and optimize the performance of the algorithm. The relay probability of SU is updated after every relay selection, and PU starts the observation of SU with high relay probability. Simulation results indicate that this self-adaptive relay selection algorithm is more efficient than optimal stopping rule algorithm, and could reduce observation frequency, decrease system latency and power consumption while improving the average throughput of PU.

cooperative cognitive radio networks; self-adaptive; relay selection; relay probability

date:2014-10-10；Revised date：2015-02-01

国家自然科学基金(No.61301161)；江苏省自然科学基金(No.BK20141070)

TN918

1002-0802(2015)03-0318-07