多天线下基于能量特征的MAC协议识别

侯万兴,沈　雷,卜燕燕

(杭州电子科技大学通信工程学院，浙江 杭州 310018)



多天线下基于能量特征的MAC协议识别

侯万兴,沈雷,卜燕燕

(杭州电子科技大学通信工程学院，浙江 杭州 310018)

摘要：提出了多天线下基于能量特征的MAC协议识别方法。方法以TDMA和Slotted Aloha分别作为基于控制和竞争MAC协议的代表，在多天线环境下，基于接收能量均值和能量方差作为特征，利用支持向量机技术对分别来自两个MAC协议未知的主网络的特征样本进行识别。理论分析和仿真结果表明，多天线环境下的MAC协议识别准确率要比现有的单天线算法有更好的性能。

关键词：机器学习；支持向量机；协议识别；多天线

0引言

在无线电网络中随着频谱需求的增加，为了提高频谱利用效率，认知无线电变得非常有吸引力[1]。为了实现这个目标，构建无线电波环境监测系统是非常必要的，它使得终端能够感知周围无线电波的使用情况。无线电波环境监测需要估计监测目标的位置、传输能量、MAC(Media Access Control)协议以及系统吞吐率[2]。通过分析所有认知终端收集的授权用户的传输开始时间，次级网络可以获得主网络的MAC协议，这种方法依赖次级网络之间复杂的信息交换，如果信息交换不准确，会导致识别准确率快速下降。在文献[3]中，为了克服次级网络之间信息交换的困难，提出了一种基于单个认知终端采用机器学习技术的分类方法，但这种方法在低信噪比情况下，性能较差。由于多天线系统，可以提供空间分集增益。本论文提出多天线下基于能量特征的MAC协议识别方法，提高了识别的准确率。

1系统模型

主用户网络和认知用户网络共同存在于无线电环境中。认知用户网络由多个分布式认知终端组成。每一个认知终端都可以独立地监测周围的无线电环境。每个认知终端能够进行机器学习并且通过分析从主用户网络接收到的信息进行特征提取来对未知主网络的MAC协议进行分类[3]。

本文选择TDMA和Slotted Aloha分别作为基于控制和基于竞争的主网络的MAC协议，由于TDMA是基于控制的MAC协议，因此在任何时隙内都不会发生碰撞；而Slotted Aloha是基于竞争的MAC协议，所以在任何时隙都有可能存在多个用户同时进行传输的可能，且碰撞的用户个数是变化的。随着网络吞吐率的增加，碰撞概率增加，而且多个用户同时碰撞概率也增加。本文中，网络吞吐率是指网络中单位时间内成功传送数据的数量。

2多天线情况下基于能量特征的协议识别

2.1　基于能量特征的协议识别信号模型

基于控制和基于竞争的MAC协议之间一个最明显的差别是采用基于控制的MAC协议可以有效地避免由于多个同时传输引起的碰撞。这个特征导致在一个MAC协议未知的主网络中由认知终端捕获到的瞬时接收能量信息在有碰撞和没有碰撞的情况下有明显的差别。瞬时接收能量信息，包括瞬时接收能量、瞬时接收能量均值、瞬时接收能量方差和其它可能从主网络中得到的接收能量信息。它们可以一起作为机器学习模型的特性集。为了实现MAC协议识别，本文采用支持向量机技术作为机器学习模型来完成识别工作[4]。基于能量特征进行协议识别的流程如图1所示。

在进行特征提取的时候，认知终端周期性地检测信道。如果检测到信道忙碌，记录下当前时刻的瞬时接收能量。持续这样的过程直到采集完M个能量样本，分别计算能量均值和能量方差，并且对多根天线的结果做平均，然后作为支持向量机的输入，根据训练得到的模型对输入特性进行预测，预测的结果将作为协议识别的结果。

图1　基于能量特征进行MAC协议识别的流程图

本文考虑无线快衰落信道，发送信号为BPSK调制信号，噪声为高斯白噪声。天线个数L，用户个数为M，假设H0为TDMA协议下接收到的信号，H1为Slotted Aloha下接收到的信号，此时第l根天线的接收信号分别为：

(1)

(2)

对于式(2)中m的处理，在某一时刻m的取值是一个瞬时值，但在一定吞吐率情况下，m的平均值应该趋向于一个定值，这取决于碰撞概率。在这里为了尽量取得m的平均值，N个时刻的接收能量分别取能量均值和能量方差作为支持向量机的两个特征。

对比TDMA和SlottedAloha网络中接收信号能量特征的分布可知，在相同信噪比情况下，随着吞吐率的增加，SlottedAloha网络发生碰撞的概率也随之增加，m的增加使得Slotted Aloha网络中能量均值mρ2+1大于ρ2+1，同时随着天线数的增加，能量方差的分布也更加趋于中心化，使得两种能量特征更容易区分。在吞吐率相同的情况下，随着信噪比的增加，来自两种网络的接收信号能量均值mρ2+1大于ρ2+1，使得两种能量特征更容易区分。

2.2　基于支持向量机的识别正确率

接下来，引入混淆矩阵来研究多天线情况下基于支持向量机模型的分类性能。(P,N)作为测试样本的正类和负类，而(TDMA,Slotted Aloha)作为支持向量机正类和负类样本的分类结果的预测值。同时，考虑文献[5]中的建议，TDMA类作为正类的代表，而Slotted Aloha类作为负类的代表。分类性能由图2的混淆矩阵来表示。

图2　混淆矩阵

整体的MAC协议分类正确率可以由下式求出：

(3)

3多天线下基于能量特征协议识别性能分析

在本文的仿真中，假定TDMA和Slotted Aloha网络中主用户终端的个数为10。此外，设定有效能量样本数M为100。仿真中对多天线和单天线情况下MAC协议识别正确率做了对比，其中单天线的算法来自文献[3]。

3.1　特征数据集分布

通过对比可以得出，在相同吞吐率情况下，多天线情况下特征数据集的分布更加趋于中心化，这符合本文得到的结论，信号能量方差随着天线数的增多而减小；同时随着吞吐率的增加，能量均值的差别使得两种特征分布趋于分散，更易于识别两种特征。

图3　不同吞吐量下的特征分布

3.2　识别正确率

基于本文的网络模型得到的MAC协议分类正确率的仿真结果如图4所示。图4中，两个数据集由分别从TDMA和Slotted Aloha网络模型中采集到的20 000个样本组成。支持向量机使用了线性核函数。当吞吐量σ=0.1时，天线数等于10的情况下的识别准确率比单天线要高出将近20%，在实际应用中具有非常重要的意义。根据图4的仿真结果可以看出，在相同的吞吐率情况下，多天线模型的分类正确率要比单天线模型的分类正确率高。

对比单天线模型和多天线模型可知，TDMA和Slotted Aloha网络的接收能量均值相同，而随着天线数的增加，方差变小，也就是说，多天线模型使得来自TDMA和Slotted Aloha网络的接收功率方差的分布更趋于中心化，在相同的信噪比和吞吐量情况下，两类特征分布可能发生接触的样本数变少，更易于进行分类，使得识别正确率提高。

在吞吐率σ=0.1时，天线数L分别等于1，5和10情况下，识别正确率和信噪比的关系如图5所示。从图5可以看出，在不同信噪比下，多天线下的识别正确率要比单天线下识别正确率高。

图4　不同天线数下的分类正确率

图5　分类正确率与信噪比的关系

4结束语

本文提出了多天线下基于能量特征的MAC协议识别方法。在多天线环境下，基于接收能量均值和能量方差作为特征，利用支持向量机技术对分别来自两个MAC协议未知的主网络的特征样本进行识别。仿真结果表明，采用多天线协作的方法对未知主网络进行MAC协议识别准确率比现有的单天线下的识别准确率有明显提高。

参考文献

[1]Mitola III J,Maguire Jr G Q.Cognitive radio:making software radios more personal[J].Personal Communications,IEEE,1999,6(4):13-18.

[2]Enda K,Kohno R.A Study on the Estimation of Wave Source’s Allocation and the Elimination of Interference Wave in Environmental Monitoring of Cognitive Radio[J].Ieice Technical Report,2005,105:83-87.

[3]Yang Z,Yao Y,Chen S,et al.MAC protocol classification in a cognitive radio network[C]//Wireless and Optical Communications Conference (WOCC),2010 19th Annual.Shanghai:IEEE,2010:1-5.

[4]Hu S,Yao Y,Yang Z.MAC protocol identification using support vector machines for cognitive radio networks[J].Wireless Communications,IEEE,2014,21(1):52-60.

[5]Chawla N V,Bowyer K W,Hall L O,et al.SMOTE:synthetic minority over-sampling technique[J].Journal of Artificial Intelligence Research,2002,16(1):321-357.

MAC Protocol Identification Based on Energy Features of the Multi-antenna

Hou Wanxing，Shen Lei，Bu Yanyan

(SchoolofCommunicationEngineering，HangzhouDianziUniversity，HangzhouZhejiang310018，China)

Abstract：This paper presents a novel MAC protocol identification method based on energy features of the multi-antenna.To classify contention based and control based MAC protocol in an unknown primary network，we choose the received power mean and variance as two features for support vector machines in multi-antenna environment.Theoretical analysis and simulation results show that MAC protocol recognition accuracy of multi-antenna environment is better than that of the present single-antenna environment.

Key words：machine learning；support vector machines；protocol identification；multi-antenna

中图分类号：TN929.5

文献标识码：A

文章编号：1001-9146(2015)06-0036-04

通信作者：

作者简介：侯万兴(1989-)，男，河南安阳人，在读研究生，通信与信息系统.沈雷副教授，E-mail:shenlei@hdu.edu.cn.

基金项目：浙江省自然科学基金资助项目(LY13F010019)

收稿日期：2015-05-21

DOI：10.13954/j.cnki.hdu.2015.06.008