认知无线传感网中一种高能效的频谱感知周期优化算法

王 钰，张金成，陈可伟，王 泉

（空军工程大学防空反导学院，西安710051）

认知无线传感网中一种高能效的频谱感知周期优化算法

王 钰，张金成*，陈可伟，王 泉

（空军工程大学防空反导学院，西安710051）

为了提高认知无线传感网中节点的频谱感知能效，提出了一种高效的频谱感知周期优化算法。该方法通过引入贪婪因子来减少节点感知信道的次数，进而达到降低感知能耗的目的。在碰撞概率和等待时延的约束下，节点在与信道的交互过程中实现对感知周期的动态修正，达到了对信道状态的自适应高效感知。仿真结果表明，在不同的信道占用状态条件下，该算法相比固定感知周期的方法，有效地提高了感知能效，适于在认知无线传感网中实施。

认知无线传感网；频谱感知；贪婪因子；感知能效

现有的无线传感器网络（Wireless Sensor Networks，WSN）工作在无需授权的ISM频段，但随着各种无线通信技术的发展，在当前固定频谱分配模式下，这些公用频段正日益变得拥挤，各异构无线网络之间的同频干扰日趋严重，无线网络的共存问题已成了制约无线传感器网络发展的关键问题［1-2］。为此将认知无线电技术引入到无线传感器网络中，形成了认知无线传感网（Cognitive Radio Sensor Networks，CRSN）［3］，认知能力使得网络节点得以动态感知信道信息，并选择空闲信道完成自身的数据传输业务，减少了异构网络间的同频干扰。

频谱感知作为认知能力实现的第一步，在整个认知过程中起着至关重要的作用。由于CRSN网络节点继承了WSN低能耗、硬件资源有限、自组织等特点，节点不可能实现全频段的实时感知，如何在MAC层合理地控制物理层执行频谱感知引起了国内外研究者的普遍关注［4-6］。现有算法中多使用主动式周期感知机制，该机制中节点除在数据发送前进行信道感知外，还在无数据通信的空闲时段进行各信道的周期性感知，为节点的信道接入和切换提供必要的信息［7］。在空闲时段的额外感知必然会带来感知能耗的增加，如何实现高能效的自适应信道感知已成为频谱感知的研究重点。

现有的主动频谱感知算法是针对认知无线电网络（Cognitive Radio Networks，CRN）设计的，多以最大化信道容量［8］或最小化信道感知损失［9］为优化目标，缺少以提高感知能效为目的的自适应感知周期优化算法，同时现有算法中没有考虑到节点间数据通信过程本身对感知周期的影响。基于以上考虑，本文以降低感知能耗，提高感知能效为优化目标，提出一种高效的周期感知算法（Efficient Periodical Sensing Algorithm，EPSA）。文章首先分析了CRSN与CRN在频谱感知方面的区别与相似之处，结合CRSN自身数据通信业务特点给出了自适应周期感知算法的性能评价指标，之后提出以提高感知能效为目标的贪婪感知策略及贪婪抑制机制，在一定的约束条件下实现了高能效的自适应频谱感知，最后通过仿真对比验证了算法的良好性能。

1 自适应感知周期

1.1 CRSN节点的感知任务特性

CRSN节点工作在ISM公用频段，区别于CRN节点，在CRSN中不存在授权用户与非授权用户的概念，异构无线网络的节点之间具有相同的信道接入权利，但由于其他异构无线网络不具有认知能力，为避免网络间的同频干扰，具有认知能力的CRSN节点在通信过程中受到干扰时则退出当前信道，等待空闲时隙的到来或执行信道切换以继续通信。文献［10］中分析了现与CRSN共存于2.4 GHz频段的短距无线通信技术，作为异构网络干扰，各无线通信技术对CRSN产生的影响如表1所示。

表1 各无线通信技术对CRSN产生的影响

从表1可以看出，除蓝牙外其他同频设备都会对CRSN的通信产生不同程度的干扰，其中无线USB产生的干扰为短时干扰，干扰频度视无线USB设备工作情况而定，而根据Wi-Fi和微波炉的工作特性可知，它们会较频繁的占用信道，且单次占用时长可能较长，这使得信道在一段时间内处于被占用状态。CRSN节点在遇到短时低频度的干扰时仍可通过感知停留在该信道进行数据传输，而遇到长时干扰或高频度干扰时则需要执行信道切换。

感知以实现动态信道接入为目的，在CRSN节点接入信道进行数据传输的过程中，接入请求的到达时间间隔和请求服务的时间分别服从参数为λt和λd的负指数分布［11］，相较于CRN网络节点，其通信数据量较小，并不需要频繁的接入信道，同时接入信道的时间也较短。当接入满足一定稳定性和可用度要求的空闲信道进行传输时，发生碰撞的概率较低［12］，对信道容量要求较低，故在CRSN中感知周期优化不以最大化空闲信道容量为目标。但由于CRSN节点能量有限，为延长网络工作时间，需降低感知信道获取信息的单位能耗。为了简化研究对象，在本文中将研究范围限定在对单节点单信道的研究上，不考虑节点间的协作感知和多信道间切换对感知周期的影响。

1.2 自适应周期感知过程

进行频谱感知的过程是对信道信息的获取过程和对信道状态变化规律的学习过程［13］，信息获取的多少由单次感知时长和感知周期共同决定。文献［14］给出了在一定检测概率Pd和误警概率Pf条件下，频谱感知所需要的最小感知时长Ts。在本文中以此作为单次感知时长，则信道信息获取的多少仅取决于感知周期的大小，节点依据信道状态变化规律自适应的调整感知周期以达到降低能耗、提高能效的目的。节点的周期性感知过程如图1所示。

图1 周期性信道状态感知过程

待感知信道状态可分为空闲、占用两种，其中TRo表示实际占用状态的剩余时间，TRv表示实际空闲状态的剩余时间，TLv表示损失空闲时间，TIo表示干扰占用时间，TPo表示节点估计的占用状态持续时间，即占用状态感知周期，TPv表示估计的空闲状态持续时间，即空闲状态感知周期。将信道处于空闲、占用状态的持续时间分别用两组独立同分布随机序列Xi、Yi表示（i表示状态序列索引），相应的分布概率密度函数为 fX(x)和 fY(y)，对信道状态变化规律的学习即是对其分布参数的学习，但对CRSN网络节点而言，感知节点无法准确地获得信道状态转换时刻，进而无法准确地获得信道状态的持续时间，只能通过感知和传输过程中不断地试错性学习来调整感知周期，尽可能的使TPv（TPo）接近TRv（TRo），使TI（TLv）尽可能地小，即总是希望在信道状态刚转变后执行信道感知，以达到对信道状态持续时间的准确观测。

对CRSN造成较大干扰的Wi-Fi和无线USB通信均为遵守802.11协议的无线通信技术，文献［15］指明802.11网络中数据流传输过程服从泊松分布。即信道状态持续时间变量Xi和Yi分别服从参数为λo和λv的负指数分布，其概率密度函数可表示为：

相应的概率分布函数分别为FX(x)和FY(y)。设信道状态剩余时间TRo和TRv的分布函数分别为FRo(t)和FRv(t)，则它们与状态持续时间的概率分布函 数 之 间 存 在 关 系 ：FRo(t)=1-FX(x)和FRv(t)=1-FY(y)。在一次信道感知过后，节点对当前状态的剩余时间进行估计，估计的状态剩余时间可由式（3）（4）计算得到。

其中TD是衡量信道状态持续时间的单位时隙，为节点成功发送一个数据帧所需的时间，n0和n1分别为空闲状态和占用状态持续时间的时隙计数，FRv(n0TD)和FRo(n1TD)则代表了当前状态下信道状态发生变化的概率，信道状态发生变化的概率随着持续时间的增长而增大，Pcmax和Pwmax则分别表示节点所能容忍的最大碰撞概率和浪费概率，节点以此作为对状态剩余时间估计的约束。在Pcmax和Pwmax一定的情况下节点对信道状态持续时间的估计仅由信道状态分布参数λo和λv唯一决定，本文采用最大似然估计的方法实现对参数的估计。以对空闲状态分布参数λv的估计为例，取最新的M个连续的空闲状态持续时间的近似观测值t1,t2,…,tM进行估计计算，作为观测平滑系数的M的大小将影响观测值对λv的估计的时效性。根据最大似然估计理论可得似然函数：

对参数的最大似然估计可通过求解下式最大似然方程得到：

进而可求得参数λv的最大似然估计为：

在自适应周期感知过程中，节点利用前一次感知周期的计算值和本次感知的结果不断对分布参数λˆo和λˆv进行更新，并用更新后的参数值进行新一轮感知周期的计算。在无数据等待传输时，节点的每个主动感知周期可分为信道感知时隙和当前状态持续时间两部分，当估计的状态持续时间结束后则再次进行信道感知。当有数据等待传输时，节点首先进行信道接入前感知，若为空闲状态则依据当前可用剩余时间接入信道进行数据传输，若在剩余时间内完成待传数据的传输则仍在既定周期感知时刻进行信道感知，若在传输过程中受到干扰，则立刻停止数据的传输，执行信道感知并计算占用状态的持续时间，等待下个空闲状态的到来。若接入感知为占用状态则重新计算占用状态持续时间并等待空闲状态的到来。

1.3 感知性能评价

信道的评价信息是通过多次信道感知得到的，在感知过程中，感知次数过少则会导致信道状态估计错误，过多的感知则对信道状态信息的更新意义不大，浪费了节点有限的能量，故主动信道感知应以提高感知能效为优化目标，实现高效的信道感知。在本文中通过设定一段时间内的传输效益Btrans、检测跟踪效益Bcheck和平均传输时延Tˉwait对算法性能进行评估，传输效益定义为：

其中，Ncrash为数据发送过程中受到干扰发送失败的次数，Nsend为总的发送次数，Ncheck为总的信道感知次数，Btrans值越大表示节点使用尽可能少的感知次数保证了一定的成功发送概率，即周期性感知在数据成功传输过程中的效益高。检测跟踪效益定义为：

式中：Nwro-est为对信道状态错误估计的时隙数，Nstate为一段时间内直到数据流发送完毕总的时隙数，Bcheck值越大表示对信道状态变化正确跟踪估计的效率越高。

平均传输时延Tˉwait则定义为一段时间内从收到一次数据发送请求到该次请求发送的数据全部传输完毕所用时间的平均值，Tˉwait越小表示节点可以通过感知更好的利用信道的空闲状态，平均传输时延从另一个侧面反映了自适应感知算法的性能。

2 高效的自适应感知算法

2.1 感知周期的贪婪策略

为了提高节点的感知能效，在一定碰撞概率Pcmax和浪费概率Pwmax的约束条件下，需尽可能地减少信道持续处于某一状态时的感知次数。从式（6）可以看出，通过改变状态持续时间的观测值大小可以影响对其分布参数大小的估计，进而对下一感知周期的计算产生影响。即当信道持续处于某一状态时，可以通过扩大状态持续时间的观测值来扩大相应的感知周期，达到减少感知次数的目的。在前一次周期性感知结果为空闲的情况下，节点依据碰撞概率Pcmax和空闲状态持续时间的分布概率FRv(t)估计此时信道状态已变为占用状态时，需再次进行信道感知，而实际感知结果为信道仍处于空闲状态，此时并不将此次空闲状态的观测值加入估算序列，而是贪婪地扩大对信道空闲状态持续时间的估计，引入空闲状态贪婪因子Iv，在经过TPv·Iv时间后再次进行信道感知，若仍为空闲状态，则再将此时的累计观测值乘以空闲状态贪婪因子Iv进行扩大，以此类推，感知过程如图2所示。

图2 空闲状态下的贪婪感知策略

直到感知结果变为占用状态时，取前一次扩大后的累计观测值作为此次空闲状态持续时间的观测值加入估算序列，如在图2中取TPv(1+Iv)作为观测值加入到空闲状态持续时间的序列中。经累计扩大的状态观测值在参与信道状态分布参数λv的计算时，将扩大下一次的空闲状态感知周期，以减少信道持续处于某一状态时的感知次数。当信道持续处于占用状态时可通过引入占用状态贪婪因子Io实现相同的感知策略，但占用状态持续时间观测值的增加将导致信道可用度的下降，最终导致节点更早地放弃对该信道的感知，这样也节省了感知能耗。

以贪婪策略进行信道感知，可以有效的减少节点的感知次数，降低感知能耗。但若只有这样的贪婪感知策略必将导致信道感知周期的只增不减，最终导致对信道状态的错误估计，通信过程中的碰撞概率也随之增加，同时也会错过可用的空闲时隙进而增加数据传输等待时间，感知能效也因此下降，因而需要一定的抑制机制来提高信道状态估计的正确性，以提高检测跟踪效益。

2.2 贪婪策略的抑制

进行主动信道感知的目的是为节点动态接入信道提供必要的信道评价信息［16］，而节点接入信道进行数据传输则可以看作是对信道状态估计的检验过程，没有数据传输业务也就没有感知能效可言，故数据传输过程在信道感知中起着检验和修正信道感知行为的作用。

当有数据等待发送时，在接入信道前为进一步确认信道状态需进行接入前感知，若感知结果为空闲状态，则证明信道状态估计正确，并依据估计的信道空闲状态持续时间，计算当前接入信道的剩余可用时间：

式中：Tlast表示依据前一次主动感知计算得到的空闲状态持续时间，Tinterval表示距前一次主动感知的时间间隔，节点依据信道当前剩余可用时间Tavailable接入信道进行数据传输，每完成一个时隙的数据传输再对Tavailable进行一次更新。若在可用时间内完成等待数据的传输则退出信道，继续按照感知周期在下一个感知时刻进行感知。若在周期性感知时刻到来时仍有未传输的数据，节点也应退出传输状态进行周期性感知，未传输的数据则在下一个空闲时隙进行传输。若接入感知的结果为占用状态，则证明信道状态估计错误，并将此时的时间间隔Tinterval作为空闲状态持续时间的观测值加入观测序列，由于Tinterval＜Tlast，通过影响分布参数λv的计算将使得空闲状态感知周期减小，起到对空闲状态贪婪策略的抑制作用。

若节点在数据传输过程中受到来自其他异构网络的干扰，则提前退出该信道。这说明之前对信道空闲状态持续时间的估计是错误的，此时的信道空闲状态持续时间观测值应为：

同时，节点收到的数据发送请求通常是具有时效性的，即有最大可容忍发送等待时延Twaitmax，若收到数据发送请求时依据前一次周期性信道感知结果估计当前信道状态为占用状态且数据等待时间Twait＞Twaitmax时，若当前信道的评价指标高于其他预备信道，则对当前信道进行主动感知，以发现被错误估计的占用状态。若感知结果为空闲状态，则将本次感知作为接入感知，计算当前可用剩余时间。并将此时的时间间隔Tinterval作为此次占用状态持续时间的观测值加入观测序列，同样Tinterval＜Tlast，这将影响分布参数λo的计算使得占用状态感知周期减小，起到对占用状态贪婪策略的抑制作用，减少数据的等待时延。

3 仿真分析

在这一部分，为验证算法的有效性使用MATLAB进行仿真分析。由于影响算法性能的参数较多，现将关键参数列于表2，其中Np和Nd分别表示仿真时间段内信道被异构网络占用的次数和节点收到数据发送请求的次数，Tinit表示初始感知周期。参数典型值的设置是依据CRSN的感知任务特点和自身的数据传输业务特点设置的，在仿真过程中使用控制变量法进行对比分析，固定不变的参数在仿真中取典型值进行设置。

表2 关键仿真参数设置

首先分析三个性能评价指标在不同信道占用度情况下的变化情况，固定λv不变改变λo的大小，以模拟不同的信道占用情况，仿真结果如图3所示。从图中可以看出在信道占用度较低时，传输时延较小，感知性能和传输效率均较高，但随着信道占用度的提高传输时延也随之增大，感知和传输性能则随之降低，这也符合理论分析的结果，占用度增加，贪婪策略将随着信道状态错误估计次数的增加而受到抑制，也就需要更多的感知次数以保证对信道状态的正确估计。从图中还可以看出Btrans与Bcheck基本满足正相关关系，故在之后的分析中只选用Btrans和Twait作为感知性能评价指标。

图3 算法性能随信道占用状态分布参数的变化

在现有感知算法中缺少针对认知无线传感网自身特点的感知周期优化的算法，故本文选取固定检测周期算法作为对照算法。在不同的信道占用情况下两种算法的性能对比如图4所示。从图中可以看出在信道占用度较低时EPSA算法性能明显高于周期检测算法，且等待延时与固定周期感知算法基本相同，随着占用度的提高，两种算法的感知性能均有所下降，EPSA算法在牺牲一定等待延时的情况下保持了较高的感知能效。

图4 不同占用状态分布参数下EPSA与周期检测的算法性能比较

图5为针对不同的数据业务情况对算法性能的对比分析。改变参数λd的大小以模拟网络中不同类型节点数据量，λd=0.2,0.5,0.8分别代表传感网络中的末端节点、簇头节点和汇聚节点的数据量大小，从图5（a）中可以看出算法性能受数据量变化影响较大，随着节点数据量的增大，节点在发送过程中发生碰撞的可能性增加，感知次数也随之增加，数据传输效益相应下降，同时数据由于碰撞导致的等待时延也会增加。改变参数Twaitmax的大小以仿真有着不同实时性要求的数据业务，Twaitmax=80,160,240分别代表不同的传输紧急程度，从图5(b)中可以看出当容忍延时较小时，在信道占用恶化的情况下，节点需要发起更多的信道挑战感知，导致感知次数增加，传输效益下降。

图5 不同数据业务情况下算法性能的变化

图6分别对影响算法性能的贪婪因子Iv和观测平滑系数M进行对比分析。不同的贪婪因子大小代表不同的贪婪程度，贪婪因子越大感知间隔也就越容易增大，感知间隔的增大在减少采样次数同时，也会增多对信道状态估计错误的可能性，也就增加了数据传输的碰撞概率。从图6（a）中可以看出在低信道占用条件下，较大的贪婪因子取得了较好的传输效益，但随着信道占用情况的恶化，碰撞次数增加导致传输效益下降。不同的观测平滑系数M代表了在更新分布参数时所包含的历史信息不同，M值越大感知周期的变化越缓慢，受单个观测样本的影响越小，但对信道的动态跟踪性能也就越差，性能越接近于固定周期感知，如图6（b）所示，其性能对比分析情况与图4分析相似。

图6 不同关键参数对算法性能的影响

综合上述仿真分析可知：EPSA算法以牺牲一定的等待时延为代价实现了对感知能效的提升，在信道占用度较低和数据量较少的情况下有效的降低了感知能耗，适于在低能耗和低数据率的认知无线传感网中实施。

4 结论

在对认知无线传感网频谱感知任务特性分析的基础上，提出了一种以提高感知能效为目的的自适应周期感知算法。通过引入贪婪因子来减少信道持续处于某一状态时的感知次数，改变信道状态持续时间的观测值来影响节点对信道状态分布参数的估计，进而影响感知周期的计算，同时考虑了数据传输对感知周期变化的影响。算法在牺牲一定等待时延的情况下，有效的提高了感知能效，降低了节点的感知能耗。通过仿真分析验证，证明了该算法适用于低能耗和低数据率的认知无线传感网。

［1］章坚武，赵琪，邹婧媛，等.避免干扰的低能耗无线传感器网络动态频谱分配算法［J］.传感技术学报，2009，22（10）：1481-1485.

［2］Wong Chiming，Hsu Wenpin.Short Paper：Study on Cognitive Radio in IEEE802.15.4 Wireless Sensor Networks［C］//IEEE World Forum on Internet of Things，Seoul，2014：179-180.

［3］Akan O B，Karli O B，Ergul o.Cognitive Radio Sensor Networks［J］.IEEE Network Magazine，2009，23（4）：34-40.

［4］魏苗，练秋生.基于压缩传感的宽带频谱协方差感知算法［J］.传感技术学报，2011，24（7）：1022-1026.

［5］Hemant M Baradkar，Dr Sudhir G Akojwar.Implementation of Energy Detection Method for Spectrum Sensing in Cognitive Radio Based Embedded Wireless Sensor Network Node［C］//International Conference on Electronic Systems，Signal Processing and Computing Technologies，Nagpur，2014：490-495.

［6］Ding Guoru，Wu Qihui，Song Fei，et al.Spectrum Sensing in Opportunity-Heterogeneous Cognitive Sensor Networks：How to Cooperate［J］.IEEE Sensor Journal，2013，13（11）：4247-4255.

［7］Zhao Q C，Geirhofer S，Tong L.Opportunistic Spectrum Access Via Periodic Channel Sensing［J］.IEEE Trans on Signal Processing，2008，56（2）：785-796.

［8］Hoang A T，Liang Y H，Zeng Y H.Adaptive Joint Scheduling of Spectrum Sensing and Data Transmission in Cognitive Radio Network［J］.IEEE Trans.on Communications，2010，58（1）：235-246.

［9］郭彩丽，曾志民，冯春燕，等.一种异步频谱检测周期优化模型及自适应模糊调整算法［J］.电子与信息学报，2009，31（4）：920-924.

［10］陈林星，曾曦.短距离无线通信系统技术［M］.北京：电子工业出版社，2013：10-14.

［11］Ali H Mahdi，Mohamed A Kalil，Andreas Mitschele-Thiel.Cross Layer Optimization for Efficient Spectrum Utilization in Cognitive Radio［C］//International Conference on Computing Networking and Communications，San Diego，2013：305-309.

［12］Shah G A，Gungor V C，Akan O B.A Cross-Layer Qos-Aware Communication Framework in Cognitive Radio Sensor Networks for Smart Grid Applications［J］.IEEE Trans on Industrial Informatics，2013，9（3）：1477-1485.

［13］Aydin M E，Safdar G A，Aslam N.A Novel Learning-Based Spectrum Sensing Technique for Cognitive Radio Networks［C］//International Conference on Advanced Information Networking and Applications Workshops（WAINA），Barcelona，2013：505-510.

［14］许瑞琛，蒋挺.一种认知无线电周期数据传输优化机制［J］.电子与信息学报，2013，35（7）：1694-1699.

［15］Geirhofer S，Tong L，Sadler B M.Dynamic Spectrum Access in the Time Domain：Modeling and Exploiting White Space［J］.IEEE Communications Magazine，2007，49（7）：66-72.

［16］Qiao Xiaoyu，Tan Zhenhui，Li Jiajun.Combined Optimization of Spectrum Handoff and Spectrum Sensing for Cognitive Radio System［C］//The 7th International Conference on Wireless Communication Networking and Mobile Computing（WiCom），Wuhan，2011：1-4.

王 钰（1990-），男，硕士研究生，研究方向为无线传感器网络中频谱管理关键技术，nfswy1990@163.com；

张金成（1960-），男，硕士，教授，研究方向为信号与信息处理以及微处理器技术，zjc6011@163.com。

An Energy Efficient Spectrum Sensing Period Optimization Algorithm in Cognitive Radio Sensor Networks

WANG Yu，ZHANG Jincheng*，CHEN Kewei，WANG Quan
（AFEU，Air and Missile Defense College，Xi'an 710051，China）

In order to improve the efficiency of spectrum sensing in cognitive radio sensor networks，an energy efficient spectrum sensing period optimization algorithm is proposed.The greedy factor is introduced to reduce the times of spectrum sensing so that the power of this method is lower than conventional ones.With the constraint of collision probability and waiting delay，the sensing period is adaptive adjusted through the interaction with channel.The simulation results show that，with different distributed parameter of channel state，this algorithm can effectively improve the efficiency of spectrum sensing，comparing with fixed periodical sensing method.And it is enforceable for cognitive radio sensor networks.

Cognitive radio sensor networks；Spectrum sensing；Greedy factor；Sensing efficiency

TP393

A

1004-1699（2015）08-1221-07

��7230

10.3969/j.issn.1004-1699.2015.08.020

2015-03-03 修改日期：2015-05-25