可信的反馈声誉保护协作频谱感知软判决算法*

韩定坤，冯景瑜，卢光跃，石　敏

(1.西安邮电大学 无线网络安全技术国家工程实验室，西安 710121;2.中国科学院 信息工程研究所 信息安全国家重点实验室,北京 100093)



可信的反馈声誉保护协作频谱感知软判决算法*

韩定坤**1，冯景瑜1,2，卢光跃1，石敏1

(1.西安邮电大学 无线网络安全技术国家工程实验室，西安 710121;2.中国科学院 信息工程研究所 信息安全国家重点实验室,北京 100093)

摘要：协作频谱感知中信任机制的引入，起到了抑制恶意用户频谱感知数据伪造(SSDF)攻击行为的作用。然而，数据融合中心不加区分地接收协作感知结束后的反馈信息，为恶意用户带来了实施“掺沙子”攻击的机会。恶意用户向数据融合中心反馈错误的主用户频谱状态，使信任机制不能得出准确的信任值。为此，提出了一种基于反馈声誉的信任机制，考虑反馈中的个体性特征，引入反馈声誉的思想来量化认知用户信任值。同时，将信任值量化结果用于权重经典软判决算法——序贯概率比检测(SPRT)算法，消除SSDF恶意用户参与软判决数据融合的影响，形成可信序贯概率比检测算法(FSPRT)。仿真结果表明FSPRT算法的性能优于传统SPRT算法，能有效降低网络信任值计算误差，并保持较好的感知性能。

关键词：认知无线电；协作频谱感知；软判决；反馈声誉;信任机制

1引言

随着无线通信业务快速发展，频谱资源的消耗越来越严重，现如今频谱资源短缺逐渐成为阻碍无线通信业务发展的障碍[1]。认知无线电技术[2]把授权用户(也称主用户)空闲时的可用频谱资源给予未授权用户(也称认知用户)随机访问机会，缓解了频谱资源短缺与高速增长的无线频谱资源需求之间的矛盾。

协作频谱感知(Cooperative Spectrum Sensing，CSS)是认知无线电技术中实现空闲频谱资源有效利用的关键环节。然而，协作频谱感知在有效克服单用户感知时的阴影、衰落等问题的同时，也引入恶意用户入侵的安全问题。恶意用户通过实施频谱感知数据伪造攻击(Spectrum Sensing Data Falsification Attack,SSDF)的方式，使得协作频谱感知不能如实根据外界环境得出正确的频谱感知决策[3]。

在SSDF攻击的抑制方法研究方面，目前研究界倾向于引入信任机制。而信任机制适用于协作频谱感知的主要原因在于，凡是涉及分布式协作的行为活动，都会存在信任问题，协作频谱感知正是一种典型的分布式协作活动。文献[4]针对认知用户感知行为的二元性，提出了一种动态信任机制，对抗恶意用户的间歇性 SSDF攻击行为。文献[5]针对频谱感知算法易受到噪声不确定度影响的问题，提出了改进的基于拟合优度(Goodness of Fit,GoF)检验算法，提高频谱检测算法的稳健性。文献[6]利用基于改进的加权序贯频谱检测算法，对于信任度函数不同的判决门限，提供相应的加权系数，以此提高频谱检测概率，识别恶意节点。文献[7]提出了一种基于信任节点辅助的安全协作感知策略来减轻恶意用户对软判决算法的影响，考虑认知用户的历史行为，提高协作频谱感知性能。然而，协作感知结束后，数据融合中心不加区分地接收反馈信息，为恶意用户带来了可乘之机。一些狡猾的恶意用户引进“掺沙子”攻击方式，通过反馈错误的主用户频谱状态，混淆数据融合中心处的认知用户信任评估过程，从而使信任机制不能得出准确的认知用户信任值。本文中，“沙子”表示恶意用户所反馈的错误主用户频谱状态。

本文引入反馈声誉的思想，抑制恶意用户对协作频谱感知的“掺沙子”攻击。反馈声誉的思想来源于网络征信、在线交易购物评价、社交网络等包含反馈机制的系统，主要用来度量用户反馈行为的可靠性。反馈声誉应用于协作频谱感知中，则可用来对认知用户反馈主用户真实频谱状态的行为进行度量。具体来说，通过针对不同用户的反馈情况，考虑反馈中的个体性特征，观察个体肯定次数和个体抱怨次数，并引入反馈调节因子，建立反馈声誉评估模型。同时，综合考虑每个认知用户在网络中的反馈声誉情况，进行偏离分析。在认知用户的反馈声誉偏差度较大时，通过保守准则量化信任值，从而规避了“掺沙子”攻击和错误反馈信息对信任值计算的影响。最后，将量化出的信任值用来权重经典软判决融合算法——序贯概率比检测(Sequential Probability Ratio Test,SPRT)算法，用于消除SSDF恶意用户参与软判决数据融合的影响，形成一种可信序贯概率比检测算法(Sequential Probability Ratio Test with Feedback reputation,FSPRT)。

2软判决数据融合及其安全隐患

协作频谱感知技术通过对多个认知用户本地感知结果的融合，能有效消除由于多径衰落和阴影效应造成的单用户感知不确定性，共同协商确定频谱的使用情况，达到更好的频谱感知性能。如图1所示，多个认知用户从事的协作频谱感知过程可建模为一个并行融合模型[8]。

图1　协作频谱感知网络模型

在并行融合模型中，协作频谱感知遵循三个步骤：本地检测、数据汇聚和数据融合[9]。

(1)本地检测：每个认知用户独立感知主用户可用频谱。

(2)数据汇聚：所有认知用户将自身的本地感知数据发送给融合中心(Fusion Center,FC)。

(3)数据融合：FC使用相关数据融合算法，合并来自所有认知用户的感知数据，得出关于主用户可用频谱的最终感知决策。FC通常是一个计算能力强的中心节点，比如，无线局域网(Wireless Local Area Network,WLAN)中的接入点(Access Point，AP)或者蜂窝网中的基站。

进行硬判决数据融合时，每个认知用户将自身的本地感知数据抽象为二进制形式{0,1}后发送给FC，“1”和“0”分别表示主用户信号存在(H1)或不存在(H0)[10]。虽然二进制形式数据使得硬判决算法具有较低的控制信道开销，但却达不到最佳的检测性能。

相对于硬判决算法，FC在软判决数据融合过程中直接收集每个认知用户的观测值，利用协作分集方法对这些观测值进行合并。因而，软判决算法能比硬判决算法具有更好的检测性能。这其中，序贯概率比检测(SPRT)[11]是一款经典软判决算法，对每个认知用户本地感知数据di在H1、H0事件下的先验概率P(di|H1)和P(di|H0)进行抽样提取，计算出判决统计量Sn：

(1)

在先验虚警概率P01和漏警概率P10的约束下，比较判决统计量Sn与门限值(η0,η1)，得出关于主用户可用频谱的最终感知决策:

(2)

相对于奈曼-皮尔逊检测[12]、复合假设检验[13]和D-S(Dempster-Shafer)证据合成[14]等软判决算法，SPRT算法的优点在于：在达到同样检测性能的条件下，使用可变数量的样本进行测试，比固定样本数量测试能最大限度地减少检测时间。

然而，SPRT算法在使用时默认所有的认知用户都是友好的，安全机制的缺乏很容易使SPRT算法受到恶意用户的SSDF攻击威胁，从而降低了SPRT算法对于主用户可用频谱状态的检测性能。

根据恶意用户的攻击目的，存在两种SSDF攻击模式：Always-free和Always-false[15]。

(1)Always-busy攻击：恶意用户始终伪造主用户频谱状态为H1的感知数据，使FC误判主用户一直处于“繁忙”状态，以期长期非法占有主用户空闲频谱资源。

(2)Always-free攻击：恶意用户始终伪造主用户频谱状态为H0的感知数据，使FC误判主用户一直处于“空闲”状态，造成对主用户的信号干扰。

目前，TNA算法[7]使用基于信任节点辅助的安全协作感知方案，可有效消除恶意用户对SPRT软判决算法的不良影响，但却忽略了恶意用户的间歇性SSDF攻击行为。根据恶意用户的攻击策略，存在两种SSDF攻击行为：持续性和间歇性[16]。在持续性SSDF攻击行为下，恶意用户持续性地提交虚假感知数据，因此会表现出较低的信任度，从而很容易被融合中心识别出来。于是，恶意用户改变攻击策略，间歇性地提交感知数据，从事动态的感知数据伪造行为。在真实或虚假感知数据的交替式提交过程中，恶意用户有策略地使其处于可信状态，从而逃避检测，并加剧其对协作频谱感知的危害。

3基于反馈声誉的信任机制

本文针对恶意用户的“掺沙子”攻击行为，考虑反馈中的个体性特征，设计基于反馈声誉的信任机制。首先，建立反馈网络模型，描述了协作频谱感知中的感知数据与反馈数据交互;其次，引入个体肯定次数和个体抱怨次数，进行个体性的反馈声誉评估;最后，通过反馈声誉，实现了信任值量化。

3.1反馈网络模型

协作频谱感知中的认知用户通常分为两种类型：请求感知用户(Request Sensing User,RSU)和协作感知用户(Cooperative Sensing User,CSU)。这两种类型的划分是相对的，不是绝对的。当某个认知用户由于阴影效应、多径衰落和“终端隐藏”等因素的存在，无法独自得出关于主用户(Primary User,PU)频谱状态的感知决策时，就会请求协作频谱感知，此时该用户就是RSU；当该用户参与别的认知用户发起的协作频谱感知时，就是CSU。

当请求感知用户尝试使用主用户频带时，需要首先确定主用户频带是否处于空闲状态。发生于RSU、CSU和数据融合中心(FC)之间的感知数据与反馈数据交互，可通过图2所示的反馈网络模型进行描述。

图2　协作频谱感知中的感知数据与反馈数据交互

Step 1：请求感知用户SUi发送查询请求给融合中心FC，请求FC帮助寻找CSU共同确定主用户的频谱状态；

Step 2：FC向整个认知无线电网络广播请求信息，希望具有感知能力的CSU能提供感知数据；

Step 3：若SUj收到广播信息后，发现自己具有感知主用户频谱状态的能力，则加入协作感知用户组，协作感知用户组内的所有用户独立感知主用户信息，互不影响。

Step 4：FC采集感知数据完成后，使用一定的数据融合算法进行感知数据融合，并将融合出的感知决策结果发送SUi；

Step 5：SUi根据感知决策结果确定主用户的实际频谱状态，并将确定结果作为反馈信息发送给FC。通过反馈信息中的主用户状态数据，FC进行感知数据与反馈数据的匹配工作，完成对本次协作频谱感知中充当CSU角色认知用户的信任值更新。

(3)

nte值越小，说明“掺沙子”攻击对于整个认知无线网络的信任值计算影响越小。仿真分析中，将具体分析nte值的情况。

3.2反馈声誉评估模型

为抑制“掺沙子”攻击和降低nte值，观察每次协作频谱感知结束后，每个RSU反馈的主用户实际频谱状态数据。充分考虑反馈中的个体性特征，引入个体肯定次数和个体抱怨次数，实现对每个CSU的反馈声誉评估。

(1)个体肯定次数：RSU反馈的主用户实际频谱状态与CSU提供的感知数据匹配一致，称之为个体肯定。pij表示请求感知用户SUi的反馈数据与协作感知用户SUj的感知数据匹配一致的个体肯定次数;p表示网络中个体肯定次数的总和。

(2)个体抱怨次数： RSU反馈的主用户实际频谱状态与CSU提供的感知数据匹配不一致，称之为个体抱怨。cij表示请求感知用户SUi的反馈数据与协作感知用户SUj的感知数据匹配不一致的个体抱怨次数;c表示网络中个体抱怨次数的总和。

反馈声誉的价值在于鼓励个体肯定，惩罚个体抱怨。SUi对于SUj的个体肯定次数越多，SUi对于SUj的反馈声誉fij会越高；个体抱怨次数越多，fij会越低。

注意整个网络中个体肯定与个体抱怨的产生情况，引入反馈调节因子λ，影响fij的评估，间接实现对网络个体肯定次数增加的鼓励或个体抱怨次数增加的惩罚。p越大，有利于fij的提升；与之相反，c越大，则会衰减fij。反馈调节因子λ的另一作用在于，恶意用户若不断实施“掺沙子”攻击，造成网络中个体抱怨次数总和的不断增加，也会不断衰减其反馈声誉的评估结果。

反馈调节因子λ的计算如下：

(4)

综上所述，SUi对于SUj的反馈声誉fij可计算为

(5)

对于SUj，综合网络中所有认知用户对其反馈声誉，可得出反馈声誉向量Fj：

Fj=[f1j,f2j,…fij,…,fnj]

(6)

式中:fnj为网络中的第N个认知用户SUn对于SUj的反馈声誉。

3.3信任值量化

进行个体性的反馈声誉评估，“掺沙子”攻击的出现，会使得某些认知用户的反馈声誉向量存在着忽低忽高的数据。因此，量化认知用户的信任值前，必须对其反馈声誉向量进行偏离分析。对于任一认知用户SUj，其反馈声誉向量Fj的偏离分析如下：

(7)

设θ为信任值门限值，是区分可信用户和恶意用户关键参数。此外，fij∈[0,1]，且SUj的信任值tj通常也位于[0,1]区间内。因此，θ可用来深化Fj的偏离分析，结合Fj的方差偏离量D(Fj)，量化出tj。一般θ≥0.5，直接用于Fj偏离分析中，数值过大，可能会造成较大的信任值计算误差。这里，对θ进行折半选择，作为D(Fj)的门限值，量化SUj的信任值tj：

(8)

4FSPRT算法实现分析

(9)

FSPRT软判决融合算法的实现流程如图3所示。

图3　反馈声誉保护下的FSPRT算法实现流程

Step 1：初始时刻(k=0)，初始化η0=P01/(1-P10)，η1=(1-P01)/P10，tj=1，θ=0.5，Yj=0;

Step 2：FC进行感知数据与反馈数据的匹配工作，通过反馈声誉模型，计算k时刻参与协作频谱感知认知用户的反馈声誉;

Step 3：将k时刻参与协作频谱感知认知用户的反馈声誉插入到这些认知用户的反馈声誉向量中，进行偏离分析，量化出每个认知用户的信任值tj;

Step 4：结合可变样本测试思想[11]，提取部分认知用户的本地感知数据参与融合，并使用信任度做为指数权重系数，计算判决统计量Yj;

Step 5：在门限值(η0,η1)上进行双门限判决,当η0η1时，作出最终感知决策H1;

Step 6：k时刻协作频谱感知结束。

5仿真实验结果及性能分析

5.1仿真环境

本文使用Matlab搭建实验平台，对基于反馈声誉的信任机制及其保护的FSPRT算法感知性能进行仿真分析。仿真环境参数设置如表1所示。

表1　仿真环境参数设置

仿真的目的在于评估基于反馈声誉的信任机制的优化改进程度及其保护的FSPRT算法在检测性能上的提升,因此，为了方便工程实现以及问题分析，对仿真实验的具体细节做了一定的简化处理，并做如下设定：在虚警概率P01和漏警概率P10分别为1×10-5和1×10-6的约束条件下，假定每个认知用户本地判决结果d的先验概率P(di|H1)与P(di|H0)相互独立，并服从均值都为0、方差分别为0.8和1的正态分布；参照认知用户的评价行为类型，划分出3种类型集合：可信用户、“掺沙子”攻击者和SSDF恶意用户。可信用户不管是反馈，还是参与协作感知，都提交真实的数据；“掺沙子”攻击者是恶意的RSU，提交错误反馈信息；SSDF恶意用户是恶意的CSU，提交虚假感知数据。

5.2仿真结果分析

使用循环仿真法模拟3种类型用户的感知行为，用来观察基于反馈声誉的信任机制对于“掺沙子”攻击和FSPRT对于SSDF攻击的抑制情况。在每次循环中，随机产生若干可信用户、“掺沙子”攻击者或SSDF恶意用户参与一次协作感知活动。

为分析对“掺沙子”攻击的抑制性能，首先仿真对比存在“掺沙子”攻击者时贝叶斯信任机制和基于反馈声誉的信任机制对于网络信任值误差产生情况,网络信任值误差表示对整个网络中认知用户信任值的平均值。

如图4所示，随着“掺沙子”攻击者数量的增加，贝叶斯信任机制下的网络信任值误差基本保持在[0.15,0.24]之间。由于反馈调节因子存在以及反馈声誉模型的引入，会对恶意用户的“掺沙子”攻击行为起到一定抑制作用，因而基于反馈声誉的信任机制产生的网络信任值误差较小于贝叶斯信任机制。特别地，“掺沙子”攻击者数量位于[0,7]区间范围内时，基于反馈声誉的信任机制对“掺沙子”攻击抑制最为有效，网络中基本没有产生信任值误差。此处，也进一步验证了在计算信任值时，选择折半后的信任值门限值对反馈声誉向量进行分析，起到了降低信任值计算误差的效果。

图4　网络信任值误差情况分析

接着采用蒙特卡洛仿真法，分别在Always-busy和Always-free攻击模式下对比FSPRT与传统软判决算法SPRT[10]和TNA[7]对抗SSDF攻击的感知性能。

在Always-busy攻击模式下，软判决算法的性能主要体现在算法对于主用户可用频谱的检测率上(正确感知H1和H0的概率之和)。如图5所示，当SSDF恶意用户比例逐渐增多时，FSPRT算法明显优于SPRT算法和TNA算法。即使SSDF恶意用户比例超过50%，FSPRT算法和TNA算法都要比SPRT算法更可靠。这是因为在相同的仿真环境下，FSPRT算法和TNA算法都使用指数权重来消除恶意用户的负面影响。面对SSDF攻击时，即使随着恶意用户比例的增多，FSPRT算法始终维持高效的检测性能，而TNA算法没有考虑对“掺沙子”攻击的抑制，其检测性能相对会随着SSDF恶意用户的增多出现一些衰减。

图5　Always-busy攻击模式下的正确感知概率

在Always-free攻击模式下，较低的漏检率(将H1感知为H0的错误概率)也表明软判决算法具有较好的感知性能。如图6所示，随着SSDF恶意用户比例的增加，引入反馈声誉的FSPRT算法可以有效识别恶意用户，其性能明显优于SPRT算法和TNA算法，并且检测性能始终维持在更加稳定的低漏检概率下，比TNA算法更加稳定。

图6　在Always-free攻击模式下的漏检概率

可见，由于SPRT算法本身就具有很好的感知性能，在恶意用户比例较少时，其负面影响消除后，FSPRT算法和TNA算法都表现出较好的感知概率和漏检概率。

6结束语

本文针对协作频谱感知中存在的“掺沙子”攻击问题，引入加入反馈声誉，通过考虑反馈中的个体性特征，提供信任值量化的准确性。同时，将反馈声誉形成的信任值作为认知用户参与软判决数据融合的权重，保护序贯概率比检测算法对抗SSDF攻击，形成可信的FSPRT软判决算法，并给出了算法实现流程。仿真结果表明基于反馈声誉的信任机制能够减少网络信任值误差，保证FSPRT算法具有较好的感知概率和漏检概率。本文的研究为后续频谱感知中抵御恶意用户进行有目的的“掺沙子”攻击行为的相关信任机制的研究奠定了理论基础。

参考文献：

[1]AKYILDIZ I F,LEE W Y,VURAN M C,et al.Next generation/dynamic spectrum access/cognitive radio wireless networks:a survey[J].Computer Networks,2006,50(13):2127-2159.

[2]YE Y H,LU G Y.Blind spectrum sensing based on the ratio of mean square to variance[J].The Journal of China Universities of Posts and Telecommunications,2016,23(1):42-48.

[3]CHEN R L,PARK J M,HOU Y T.Toward secure distributed spectrum sensing in cognitive radio networks[J].IEEE Communications Magazine,2008,46(4):50-55.

[4]FENG J,ZHANG Y,LU G,et al.Securing cooperative spectrum sensing against ISSDF attack using dynamic trust evaluation in cognitive radio networks[J].Security & Communication Networks,2015,8(17):3157-3166.

[5]卢光跃,叶迎晖,孙宇,等.克服噪声不确定度的拟合优度检验频谱感知算法[J].电讯技术,2016,56(1):26-31.

LU Guangyue,YE Yinghui,SUN Yu,et al.A novel anti-noise-uncertainty spectrum sensing method using goodness of fit test[J].Telecommunication Engineering,2016,56(1):26-31.(in Chinese)

[6]吴征,赵君喜.一种基于信任度的频谱感知数据融合算法[J].西安邮电大学学报,2011,16(5):26-30.

WU Zheng,ZHAO Junxi.A data fusion algorithm based on credibility in spectrum sensing[J].Journal of Xi′an University of Posts and Telecommunications,2011,16(5):26-30.(in Chinese)

[7]ZENG K,PAWELCZAK P,CABRIC D.Reputation-based cooperative spectrum sensing with trusted nodes assistance[J].IEEE Communication Letters,2010,14(03):226-228.

[8]CHEN R,PARK J M,BIAN K.Robust distributed spectrum sensing in cognitive radio networks[C]//Proceedings of the 27th Conference on Computer Communications.Phoenix,USA:IEEE,2008:1876-1884.

[9]AKYILDIZ I F,LO B F,BALAKRISHNAN R.Cooperative spectrum sensing in cognitive radio networks:A survey[J].Physical Communication,2011,4(1):40-62.

[10]PEI Q Q,LIANG R,LI H N.A trust management model in centralized cognitive radio networks[C]//Proceedings of the 2011 International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery.Beijing:IEEE,2011:491-496.

[11]LIU Y,LI X R.Operating characteristic and average sample number functions of truncated sequential probability ratio test[C]//Proceedings of 2012 15th International Conference on Information Fusion(FUSION).Singapore:IEEE,2012:1776-1783.

[12]SUNG Y,TONG L,POOR H.Neyman-Pearson detection of Gauss-markov signals in noise:closed-form error exponent and properties[J].IEEE Transactions on Information Theory,2006,52(04):1354-1365.

[13]ZARRIN S,LIMT J.Composite hypothesis testing for cooperative spectrum sensing in cognitive radio[C]//Proceedings of 2009 IEEE International Conference on Communications.Dresden,Germany:IEEE,2009:1-5.

[14]QIHANG P,KUN Z,JUN W,et al.A distributed spectrum sensing scheme based on credibility and evidence theory in cognitive radio context[C]//Proceedings of 2006 IEEE 17th International Symposium on Personal,Indoor and Mobile Radio Communications.Helsinki,Finland:IEEE,2006:1-5.

[15]BLASCO M J,RIFA-POUS H,GARRIGUES C.Review of robust cooperative spectrum sensing techniques for cognitive radio networks[J].Wireless Personal Communications,2012,67(2):175-198.

[16]RICHARD F,HUANG M,TANG H.Biologically inspired consensus-based spectrum sensing in mobile Ad hoc networks with cognitive radios[J].IEEE Network,2010,26(3):26-30.

A Trusted Cooperative Spectrum Sensing Soft-decision Scheme Using Feedback Reputation Protection

HAN Dingkun1,FENG Jingyu1,2,LU Guangyue1,SHI Min1

(1.National Engineering Laboratory for Wireless Security,Xi′an University of Posts and Telecommunications,Xi′an 710121,China;2.State Key Laboratory of Information Security,Institute of Information Engineering,Chinese Academy of Sciences,Beijing 100093,China)

Abstract：The trust mechanism can suppress spectrum sensing data falsification(SSDF) attack caused by malicious users in cooperative sensing spectrum.However,the data fusion center receives the feedback information indiscriminately at the end of cooperative spectrum sensing,which offers the chance for malicious users to launch “sanded” attack.By using the wrong feedback of malicious users about the status of primary users,trust mechanism cannot get an accurate trust value.A novel trusted cooperative spectrum sensing soft-decision scheme using feedback reputation protection is proposed to avoid “sanded” attack.By considering the individuality characteristic in the feedback,the idea of feedback reputation is introduced to quantify cognitive user′s trust value,which can be used to weight classic soft-decision sequential probability ratio test(SPRT) algorithm,and thus eliminating SSDF attack in the soft-decision data fusion.Simulations show that the novel scheme outperforms the conventional SPRT soft-decision schemes.The FSPRT scheme can reduce trust value error effectively,and maintain a better sensing performance.Key words：cognitive radio;cooperative spectrum sensing;soft decision;feedback reputation;trust mechanism

doi:10.3969/j.issn.1001-893x.2016.06.002

收稿日期：2016-01-23；修回日期：2016-05-09Received date:2016-01-23；Revised date：2016-05-09

基金项目：国家自然科学基金资助项目(61301091)；陕西省自然科学基础研究计划项目(2014JQ8321)；陕西省工业攻关计划项目(2015GY013);陕西省教育厅专项科研计划项目(15JK1671)；中国科学院信息安全国家重点实验室开放课题(2015-MS-14)

Foundation Item：The National Natural Science Foundation of China(No.61301091);The Natural Science Foundation of Shaanxi Province(2014JQ8321);The Industrial Research Project of Shaanxi Province(2015GY013);The Special Scientific Research Program of Shaanxi Education Department(15JK1671);The Open Subject of State Key Laboratory of Information Security of Chinese Academy of Sciences(2015-MS-14)

通信作者：xidahandk@163.comCorresponding author：xidahandk@163.com

中图分类号：TN911.23

文献标志码：A

文章编号：1001-893X(2016)06-0605-07

作者简介：

韩定坤(1990—)，男，河南孟州人，现为西安邮电大学硕士研究生，主要研究方向为认知无线电频谱感知技术；

HAN Dingkun was born in Mengzhou,Henan Province,in 1990.He is now a graduate student.His research concerns spectrum sensing in cognitive radio.

Email:xidahandk@163.com

冯景瑜(1984—)，男，甘肃陇南人，2011年于西安电子科技大学获博士学位，现为西安邮电大学副教授、硕士研究生导师，主要研究方向为无线通信安全、协作频谱感知等；

FENG Jingyu was born in Longnan,Gansu Province,in 1984.He received the Ph.D. degree from Xidian University in 2011.He is now an associate professor and also the instructor of graduate students.His research concerns wireless communication security and cooperative spectrum sensing.

卢光跃(1971—)，男，河南南阳人，1999年于西安电子科技大学获博士学位，现为西安邮电大学教授、博士生导师，主要研究方向为无线通信、认知无线电、协作频谱感知等；

LU Guangyue was born in Nanyang,Henan Province,in 1971.He received the Ph.D. degree from Xidian University in 1999.He is now a professor and also the Ph.D. supervisor.His research concerns wireless communication,cognitive radio and cooperative spectrum sensing.

石敏(1982—)，女，陕西西安人，2006年于海南大学获硕士学位，现为西安邮电大学讲师，主要研究方向为通信网络系统。

SHI Min was born in Xi′an,Shaanxi Province,in 1982.She received the M.S.degree from Hainan University in 2006.She is now a lecturer.Her research concerns communication network and system.

引用格式：韩定坤，冯景瑜，卢光跃,等.可信的反馈声誉保护协作频谱感知软判决算法[J].电讯技术，2016,56(6):605-611.[HAN Dingkun,FENG Jingyu,LU Guangyue,et al.A trusted cooperative spectrum sensing soft-decision scheme using feedback reputation protection[J].Telecommunication Engineering,2016,56(6):605-611.]