基于认知无线传感器网络的能效优化频谱检测机制研究

李伊

基于认知无线传感器网络的能效优化频谱检测机制研究

李伊

（湖南邮电职业技术学院，湖南长沙410015）

针对认知传感器网络中频谱资源匮乏的问题，提出一种认知传感器网络中基于动态频谱检测的联合能效优化机制，构建一种基于动态筛选机制的协作频谱检测模型，对频谱检测时间进行动态调整，避免不必要的频谱检测能耗；并引入信源端信息的失真度约束，将该问题转化成为检测率和误检率约束下的非线性最大最小值优化问题，对其进行求解，最终得到一种认知传感器网络的频谱检测能效优化方法。

能效优化；频谱检测；认知无线传感器网络

随着无线传感器网络应用的多样化，现有固定频谱分配方式会导致严重的频谱稀缺问题［1］。认知无线电技术是一种解决频谱稀缺问题的有效手段，采用认知无线电技术可以构建认知无线传感器网络，使传感器节点能够对周围频谱环境进行感知和学习，具有自主寻找和使用空闲频谱资源的能力［2，3］。

但是，引入认知无线电技术，必将增加无线传感器节点的能耗，降低网络生存时间。因此，如何在保证频谱检测准确性的同时对认知无线传感器网络进行能效优化，成为一个研究热点。

目前，已有国内外学者对认知无线传感器网络中的协作频谱检测进行了一系列研究。文献［4］在认知用户之间引入一致性协作协议，设计最优的数据交换筛选机制提高对主用户行为的预测。文献［5］提出一种基于传统无线传感器网络分簇的分布式频谱检测机制，通过优化分簇数目提高频谱性能。文献［6］采用一种三步时空感知算法从时间域和空间域两个方面进行频谱检测，以适应于大规模分布的认知无线传感器网络。文献［7］则提出了一种最大化认知数据吞吐量并行协作检测机制。

为了在提高网络频谱检测性能和数据传输性能的同时进一步降低网络能耗，一些研究工作考虑了节点的休眠调度机制。文献［8］将休眠调度引入认知节点的筛选机制，提高网络频谱感知的能量效率。文献［9］对文献［8］进行改进，根据频谱检测要求的全局检测概率与虚警概率设置节点的休眠调度参数，保证检测的性能。Najimi等则进一步考虑调度机制中活跃节点的选择，通过采用动态索引映射的方法将优化变量转换到实数域，从而可以使用标准的凸优化方法得到活跃节点集，得到更为有效的休眠调度策略［10］。

1　系统模型

在一个拥有K个认知节点的认知传感器网络场景中，认知节点均参与协作频谱检测，各节点通过平行检测配置，对授权用户是否占用授权频段进行自主独立判断，并作出本地决策。然后将个认知用户将本地检测结果通过筛选机制发送给融合中心。融合中心再接收到各认知用户的本地检测结果后，根据OR规则或者AND规则对各结果进行融合计算，作出一个最终的检测结果判断。为了计算方便，本文将以采用OR规则的模型为例进行讨论。

每个认知传感器节点在时域上可分为若干个时槽，在一个时槽中，需要完成频谱检测以及情景信息传输任务。将时槽时间用T表示，在每个时槽T中，认知传感器节点的频谱检测任务和信息传输任务是分为两个时隙完成的，在前部分时隙ts中，认知传感器采用能量检测的方法对授权用户是否存在进行独立自主的判断，然后将本地检测结果通过控制信道发送给融合中心；在获得频谱分配后，在时槽的后部分时隙td中，认知传感器节点将感知到的情景信息通过分配频段传输出去。

在固定采样数的筛选频谱检测机制中，认知传感器节点对频谱的采样数N是固定的。当第j个认知传感器节点频谱检测的第i个采样信号为xij时，其中i∈［1，N］，j∈［1，K］。因此，可将单点频谱检测问题转换为一个二元检测假设模型。H0表示单点频谱检测的本地检测结果为授权频段此刻处于空闲状态；而H1表示该节点的本地检测结果为授权用户正在占用授权频段进行传输。

其中，ωij表示平均值为0，方差为的高斯白噪声；hij表示授权用户在第i个频谱采样时与第j个认知传感器之间的信道增益；si表示授权用户与第j个认知传感器之间的信号。这里的si也可看作高斯白噪声的信号，且平均值为0，方差为；在假设H0中，可将信道增益hij假设为在频谱检测期间ts里看作是一个常数，也就是第j个节点在某个频谱检测时隙中，每次采样时，授权用户与该传感器节点之间的信道增益是稳定不变的，因此可将hij直接表示为hj，即hij=hj，i=1，…，N。而在假设H1中，si可也可看作一个稳定的常量，即|si|=s，i=1，…，N；而hij可看做一个平均值为0，方差为高斯白噪声。因此假设H1实际上表示的是一个快衰落信道的场景。

2　动态协作频谱检测

如图2所示，在动态频谱检测模型中，设第j个认知传感器节点的采样数为Nj，采样数Nj小于最大采样数N。因此，在固定时槽长度T中，频谱检测时隙长度tsj会根据采样数Nj的增加而增加，同理，情景信息传输时隙长度tdj将随之增大而减小。可为该节点设计一个能量检测器，如公式（2）所示，从第一个采样数到第n个采样数的能量为：

图2　动态筛选率频谱检测时隙示意图

该模型中，当认知节点的本地频谱检测中，能量的平均值检测已经能够达到门限值时，即可终止频谱检测采样，做出一个本地决策。如公式（3）所示：

如图3所示，当在采样数Nj未达到最大采样数N时，若平均能量能超过门限值，即可立即对频谱检测给出结果；反之，则继续对信号进行采样，直到采样数Nj达到最大采样数N，则停止对频谱进行检测，不给出频谱检测结果。

早年在兵团看外国小说，印象最深的就是“植物花草”的描写。比如托尔斯泰笔下的老树，契诃夫笔下的弱花，生于乡村的莎士比亚能写出“食草爱驴”的神来花事。《红楼梦》中则摆出花草植物的药用百科，而鲁迅说过的一句话多年来印象深刻，大意是：鄙夷枝叶者，决计得不到花果，用意似也在看重微观、强调细节。

图3　动态筛选率频谱检测机制

ρj表示第j个认识节点的平均筛选率，δ0j和δ1j分别表示在H0和H1情况下的平均筛选率。先已知授权频谱占用情况的先验概率π0=Pr（H0）and π1=Pr（H1），因此，可求得平均筛选率如公式（4）所示。

其中平均筛选概率δ0j和δ1j则如公式（5）和公式（6）所示。

而由于此时，采样数并不是固定常量，因此在计算能量时将第j个传感器节点的频谱检测采样数Nj看做一个随机变量，其平均采样数为，且=E（Nj）。因此可通过授权用户是否存在的先验概率对平均采样数进行计算。

其中E（Nj|H0）和E（Nj|H1）分别表示在假设H0和H1的情况下，采样数的期望。所以，该两项期望值也可通过概率求得.

当第j个节点每次采样的耗能Csj和发送1bit检测结果的发送能量Ctj都已知时，即可求得每个认知传感器节点频谱检测时所耗费的能量。如公式（10）所示:

由于动态筛选机制的引入，单点检测率、单点误检率和全局检测率、全局误检率的计算过程都会相应的发生改变，变得更为复杂，但最后依然可转换为最小最大优化问题进行求解。

3　应用数据传输

在频谱检测完成之后，每个传感器节点将会根据检测结果，对情景信息进行传输。一般对所要传输的信息进行压缩，然后通过独立信道编码由MAC层传输。因此该信息源可建模为均值为0，方差为的高斯信息源。且信息源以每秒L个码元的速度稳定的发送信号，每个信道可建模为加性高斯白噪声信道，其中噪声μi均值为0，方差为。

因此信源速率可表示如公式（11）所示:

而信道的传输速率将会高于信源速率，如公式（12）所示。

同时，根据香农定理，信道传输速率应该满足以下约束:

因此对于每个节点来说，第j个认知传感器节点正确交付情景信息的能耗可通过公式（14）计算得出。

而当有效传输概率Pr（s）很低时，信道速率必须保持很高才能在有限传输时间内完成情景信息的成功交付。

4　联合能效优化

在有限的时槽T中，如果分配更多的时隙和能量给频谱检测任务，那网络对授权频段的检测结果的准确性就越高，在传输情景信息的时候发生碰撞的概率就会越低；但剩下的传输情景信息的时间和能量也会随之减少。所以，对于能量受限的认知传感器节点，如何联合优化节点能效是一个重要的问题。

通过上述模型的讨论，第j个认知传感器节点在时槽T中的整体能耗可通过（15）式求得。

同样将对整体能耗优化求解的过程转化为一个最小最大优化问题进行求解。如（16）式所示。

通过对上述优化问题进行求解，可求得一个最有筛选上门限值，网络整体能效进行联合优化。该最小最大优化问题的求解过程可根据MATLAB仿真软件中的OPTI工具箱进行不同场景下的分析求解.

5　仿真结果与分析

为了评估本文所提出的认知传感器网络中基于动态频谱检测的联合能效优化方法的性能，本文采用MATLAB仿真软件对其进行仿真分析，并与传统的协作频谱检测场景和没有联合能效优化的场景进行了比较分析。

5.1仿真参数设置

本文将对仿真分析过程中所给出的参数进行说明。假设授权用户占用频段的先验概率为0.3，即授权用户有30%的可能性是存在的。根据认知无线电IEEE802.15.4标准，设置全局误检率和检测率的约束条件为α=0.1和β=0.9［60］。频谱检测阶段，每个采样耗能Csj=0.1mW，发送一比特本地频谱检测结果的耗能为Cdj=1mW；情景感知信息源方差=1，信源码率为L=1M波特。系统失真阈值定义为0.1。加性高斯白噪声信道带宽为W=5MHz。在某些场景中，为了便于计算，假设所有认知传感器节点的信噪比相同。

5.2仿真结果分析

图4是协作频谱检测融合中心为OR准则时的最优平均能耗变化曲线，假设SNR为0dB，先验概率π0可取值0.2或0.8，最大采样值为10。不论先验概率π0的值为多少，动态筛选机制的频谱检测方法能耗均小于固定筛选机制，且随着参与协作的传感器节点个数增加，最优平均能耗随之降低且逐渐收敛。

图4　认知传感器最优平均能耗变与节点个数关系曲线

假设K=5，最大采样数为N=30，先验概率π0可取值0.2或0.8，且融合中心采取OR准则。图5是每个传感器节点平均能耗变化曲线，可看出，动态筛选机制可获得比固定筛选机制更高的能效，且受信噪比变化的影响较小。

图5　认知传感器最优平均能耗与SNR关系变化曲线

图6是最优平均能耗与采样个数的关系变化曲线，其中假设每个传感器的信道增益信噪比均不同，将其设置为γ=［γ1，…，γ5］，信噪比取值范围设为γ=［1dB，2dB，3dB，4dB，5dB］，且先验概率π0取值0.5。如图所示，随着频谱检测采样个数增加，检测能耗也会随之增加，但动态筛选机制频谱检测的能耗增长更缓于固定筛选机制的能耗增长。

图6　认知传感器最优平均能耗随采样数变化曲线

图7反映了在不同信噪比场景下，情景感知信息传输与频谱检测整体能耗与成功传输率关系的曲线。可看出，网络整体能耗曲线都有一个最小值，也就是最优整体能耗，可通过调整有效传输概率来达到最优网络整体能耗。

图7　网络全局能耗变化曲线

6　总结

协作频谱检测是提高认知无线传感器网络频谱利用率的有效方法，然而由于认知无线传感网络能量受限的特性，因此需对协作频谱检测过程进行能效优化，在满足频谱检测结果准确性的同时，提高网络的生存时间。本文以提高网络全局能效为目标，首先对普通能量检测的协作频谱检测技术进行改进，提出一种基于动态筛选机制的协作频谱检测模型；然后通过率失真函数，综合考虑情景信息传输过程的能效，采用成功传输概率对情景信息传输过程与协作频谱检测过程进行综合考虑；最后将问题转化为最大最小化优化问题进行求解，通过求得最优筛选门限值，对网络全局能效进行联合优化。仿真结果表明，本文所提出的联合能效优化方案能够在保证频谱检测准确度的同时，优化网络整体能效。

［1］A.Fehske，G.Fettweis，J.Malmodin，and G.Biczok.The Global FootprintofMobileCommunications:TheEcological and Economic Perspective［J］.IEEECommunications Magazine，vol.49，no.8，pp.55-62，2011.

［2］O.B.Akan，O.Karli，and O.Ergul.Cognitive radio sensor net works［J］.IEEENetwork，vol.23，no.4，pp.34-40，2009.

［3］G.P.Joshi，S.Y.Nam，and S.W.Kim.Cognitive Radio Wireless Sensor Networks:Applications，Challengesand Research Trends［J］.Sensors，vol.13，no.9，pp.11196-11228，2013.

［4］E.Hossain，V.Bhargava.Cognitivewireless communication networks［M］.Berlin:Springer，2007.

［5］G.Ganesan.Y.Li，Cooperative spectrum sensing in cognitive radio，part II:Multiuser networks［J］.IEEE Transactionson WirelessCommunications，vol.6，no.6，pp.2214-2222，2007.

［6］I.F.Akyildiz，B.F.Lo，R.Balakrishnan.Cooperative spectrum sensing in cognitive radionetworks:A survey［J］. PhysicalCommunication，vol.4，no.1，pp.40-62，2011.

［7］S.Maleki，A.Pandharipande，and G.Leus.Energy-efficient distributed spectrum sensing for cognitive sensornetworks［J］. IEEESensors Journal，vol.11，no.3，pp.565-573，2011.

［8］S.Maleki，G.Leus.Censored truncated sequentialspectrum sensing for cognitive radionetworks［J］.IEEE Journalon Selected Areas in Communications，vol.31，no.3，pp.364-378，2013.

［9］S.Maleki，G.Leus，S.Chatzinotas，and B.Ottersten.To AND orOR:How Shall the Fusion CenterRule in Energy-Constrained Cognitive Radio Networks［J］.IEEE International Conferenceon Communications（ICC），2014.

［10］M.Najimi，A.Ebrahimzadeh，S.M.H.Andargoli，and A. Fallahi.ANovelSensing Nodesand Decision Node Selection Method for Energy EfficiencyofCooperative Spectrum Sensing in CognitiveSensor Networks［J］.IEEE Sensor Journal，vol.13，no.5，pp.1610-1621，2013.

An energy efficiency spectrum sensing schemebased on cognitive radio sensor networks

LI Yi
（Hunan Postand Telecommunication College，Changsha，Hunan，China410015）

In this paper，a joint energy efficiency optimizationmethod for spectrum sensing and data transmission is investigated. Then a dynamic censored based cooperative spectrum sensing scheme is employed to decidewhen to stop sensing.This scheme could shorten sensing time and save unnecessary spectrum sensing energy.Aiming at jointly optimizing the energy efficiency of spectrum sensing and data transmission，the distortion constrained probabilistic transmission scheme is utilized.Numerical simulations compare the performance of the proposed schemewith a fixed spectrum sensing scheme in different scenarios.It is shown thatsignificantenergy efficiency improvementcould beachieved in thispaper.

energy efficiency；spectrum sensing；cognitive radio sensornetworks

10.3969/j.issn.2095-7661.2016.01.003】

TN929.5

A

2095-7661（2016）01-0010-05

2015-10-29

李伊（1989-），女，湖南长沙人，湖南邮电职业技术学院教师，硕士，研究方向：现代移动通信系统、基站建设。