多信道动态频谱协作方法*

2022-01-06陈刘伟胡娟刘振杰

广东通信技术 2021年12期

［陈刘伟胡娟刘振杰］

1 引言

目前大规模节点组网传输已越来越受到关注和研究，如军事应用中的无人机蜂群，通过部署大规模的无人机进行组网，系统之间的控制信息和业务信息高效可靠传输，包括跟踪定位、遥测、遥控等窄带控制信息和监测、传感等宽带业务信息[1,2]，要求通信系统满足高效大容量传输性能。无线传感网中部署大规模节点，获取监测、感知和采集各种环境或监测对象信息，并将这些信息传送至后台数据服务中心。同时又将后台数据中心发布的命令下达至各传感器节点，对监测、感知和采集等各行为进行调整从而实现用户、环境、计算设备实时动态的交互[3]。

传统自组织网络通信中，所有节点共享单一信道。同频组网下，TDMA 模式，整个网络共享传输带宽，每个节点平均占用的带宽有限，当网络传输总带宽为20 Mbit/s的系统，当网络中仅容纳20 个节点时，每个节点的平均带宽就将可能不足1 Mbit/s；CSMA 模式下，随着网络中节点数量的递增，各节点对空口资源进行自主无序的竞争，导致网络的有效信息传输能力急剧下降，甚至使系统无法正常运行。

新型智能无线通信系统采用自主设计的多通道多信道自组网波形，利用频谱预测技术、智能频谱分配策略对节点使用的工作频点进行动态自适应分配[4]，使得频谱资源在不相互干扰的情况下得以重复利用，实现不同用户间多数据流并行传输，突破节点间数据交互的瓶颈，提升网络整体吞吐量[5]。

2 多信道动态频谱协作模型

多信道动态频谱协作技术将人工智能算法引入频谱预测及频谱决策中，比传统的多信道分配算法更能够适应复杂多变的环境，较单信道环境大大提高了频谱利用率。多通道多信道MAC 层信道协商协议根据频谱决策结果进行多信道协商，完成多信道同步及信道切换等工作[6]。

无线自组网节点用户独立的进行频谱感知，MAC 层根据PHY 层的认知信息以及链路层特性通过和其他节点用户竞争获得频谱使用权，其中，频谱接入决策由用户自己根据智能频谱预测及频谱决策评估结果独立的决定，并根据信道协商策略通知其邻居节点。实现多路数据流并行传输，使得网络总流量随节点数的增加而不断增加。频谱协作方案包括频谱预测、干扰计算、频谱决策以及多信道协商4 个部分。模块架构如图1 所示。

图1 频谱协作多址接入架构图

系统采用分级干扰预测模型，结合PHY 层的感知信息以及链路层特性，充分考虑到节点特性、无线电波传播损耗、地理地形特征、时间和空间特性等因素，对节点逐对进行电磁干扰的分析和计算。为频谱决策模块提供决策依据，频谱决策模块调用机器学习算法进行频谱分配，MAC 层多信道协商协议根据频谱决策结果进行信道协商以完成动态多信道接入，使得频谱资源在不相互干扰的情况下得以高效重复利用，实现不同用户间多数据流并行传输，系统吞吐量随着网络容量的扩大而增大。

3 多信道动态频谱协作方案实现

根据图1 可知频谱协作方案包括频谱预测、干扰计算、频谱决策以及多信道协商4 个部分。现根据每个部分的基本实现思路对多信道动态频谱协作方案的技术路线进行分析。

3.1 干扰预测模型

分级干扰预测模型的主要思想是通过发射机发射的有效功率在接收机处产生的干扰功率与接收机敏感度函数相比较来确定是否存在干扰。判断两个节点之间是否兼容则是根据节点各层的感知信息，按照电磁兼容分析预测模型进行分析，判断节点间是否存在干扰。感知信息主要包含：反映物理层特性的参数指标，由PHY 层的感知模块提供输入，如物理带宽、接口的位吞吐量等；反映网络物理层配置的参数指标，如节点的收发功率、信道状态（信噪比、误码率、信道容量等）、调制方式、编码速率及编码方式等；反映链路层特性的帧吞吐率、帧传输时延等；反映网络层特性的丢包率、路径长度、生存时间、最短距离、路由时延、时延抖动、网络负载等。

两个无线节点收发设备之间的兼容判断可简单用公式（1）表示。

潜在干扰问题可由有效功率和敏感度阈值之差，即干扰余量IM 来表示。

结合无线自组织网络应用，尤其是大容量网络架构中，由于每个无线收发节点的频率覆盖范围有限，可以对逐对频率电磁兼容分析进行优化，也就是在无线节点设备的频率分配和频率协调过程中，充分考虑设备的拓扑特点、结合所在覆盖范围内的邻居节点信息，简化分析循环的次数。

具体流程如图2 所示。

图2 干扰预测流程图

如图2 所示，第一级预测称作快速筛选，这一级仅考虑频率因素，从而以最快的速度把不需要考虑的干扰筛选掉，保留需要的。第二级预测是幅度筛选，以前一级快速筛选结果作为基础，仅在相当粗略的程度上考虑距离、方向、频率时间上面的影响。在此阶段还可以结合无线自组织网络拓扑特点引入节点覆盖门限进行优化处理。第三个筛选阶段是频率筛选以幅度筛选结果作为基础，通过考虑附加的干扰抑制来详细处理频率变量。第四级详细预测阶段包括详细考虑时间、距离和方向变量。

3.2 频谱预测

干扰预测模块需要根据频谱感知的结果进行干扰预测，进而影响后续的频谱接入决策。因此感知结果的准确度对频谱接入决策的性能有直接的影响。在实际实现过程中，由于存在感知时延，感知结果往往不准确。为了降低感知时延对感知结果的影响，频谱预测技术应运而生。用户可以根据己有的环境信息对频谱状态进行预测，预测结果能够帮助用户掌握更多的频谱状态信息，指导其频谱接入决策的制定。

基于不同的计算方法，现有的频谱预测技术大致可以分为3 类：基于隐马尔可夫的频谱预测技术、基于人工神经网络的频谱预测技术、基于回归分析的频谱预测技术。频率干扰预测模型分析的基础上，尝试运用人工智能算法进行建模，来研究动态频谱分配的问题。

3.2.1 基于隐马尔可夫过程的频谱预测

隐马尔可夫模型可以看作是马尔可夫过程和随机过程的混合推广模型，其中隐状态的变化是一个马尔可夫过程，而基于一个特定隐状态的观察结果则是一个随机过程。在认知无线电网络中，频谱的真实使用状态（空闲或者占用）一般不直接可见，可以将其称为隐含状态。虽然用户不可以直接获取到频谱的真实状态，但是，它可以通过频谱感知获得频谱的观察状态[7]。根据这些信息，可以基于隐马尔可夫模型来分析用户的频谱预测过程。

隐马尔可夫模型主要包含5 个元素：2 个状态空间和3 个概率矩阵。

隐含状态转移概率矩阵A

可观测状态转移概率矩阵B

用户根据频谱预测之前的相关先验知识，基于隐马尔可夫模型的频谱预测过程如下所示。

（1）隐马尔可夫模型训练

（2）频谱状态估计

通过解决优化问题来估计真实的频谱状态。通过估计使频谱感知结果序列概率最大的频谱状态序列来得到真实的未知的频谱状态序列。

（3）频谱状态预测

前两步己经得到隐马尔可夫的模型参数和真实的频谱状态预测序列，接下来，用户就可以根据如下公式对未来的频谱状态进行预测，表示N+1 时隙的频谱状态的预测结果。

3.2.2 基于人工神经网络的频谱预测

神经网络是由很多的结构单元通过相互连接构成的非线性自适应系统，通过修改结构单元的排列方式和连接方式，可以组成不同的网络模型。目前常用的神经网络模型有以下几种。

Hopfield 模型：该模型是由美国的物理学家Hopfield提出的，它是一种循环神经网络，输出和输入之间有反馈连接。

Boltzmann模型：Ackley等人以模拟退火思想为基础，对Hopfield 模型引入了随机机制，提出了Boltzmann 随机模型。

BP 神经网络模型：D.E.Rumelhart 等人在多层前向神经网络模型的基础上，引入反向传播学习算法（BP 算法），解决了神经网络学习过程中的权值更新问题。这种基于反向传播算法的多层前向祌经网络模型被称为BP神经网络模型[8]。

BP 神经网络主要由3 部分构成：一组感知卑元或者称为源节点组成输入层，一层或者多层计算节点组成隐含层，同时还有一层计算节点组成的输出层。神经网络输入信号在每层递进的基础上向前传播通过网络。

函数信号是从神经网络输入层的末端而来的输入信号，通过网络向前传播，到达神经网络输出层的末端时变为输出信号。函数信号在通过网络上的每一个神经元时，该处的信号都被当作输入信号，然后利用与该神经元有关系的权值和阈值的一个传递函数来计算它的输出。函数信号同时也被视为输入信号。误差信号是由神经网络的输出层神经元产生的，并通过神经网络从输出层开始，逐层的反向传播。

BP 神经网络频谱预测模型的隐含层和输出层神经元的传递函数均选用双曲正切函数。其函数表达式为

其中

对于信道状态预测问题，基于神经网络的频谱预测模型使用两层隐含层就足够了，第一层隐含层含15 个神经元，第二层隐含层含有20 个神经元，输出层只有1 个神经元。神经网络频谱预测模型的阶数设置为4。

基于神经网络频谱预测的主要步骤如下。

（1）BPNN 频谱预测模型的构建：采用的BPNN 结构为4-15-20-1，即输入层有4 个神经元，表示预测时间点前4 个时隙的信道状态，隐含层包含两层，分别含有15 个，20 个神经元，输出层有一个神经元，为BPNN 预测的信道状态。网络连接权值和阈值在参数初始化时随机得到。

（2）BPNN 频谱预测模型训练：用排队模型产生的数据作为频谱数据，对频谱预测模型进行训练，网络的训练次数设置为50 次。

（3）BPNN 频谱预测：利用训练好的BPNN 频谱预测模型预测信道状态，并对预测结果进行分析。

3.2.3 基于回归分析的频谱预测

回归分析方法通过分析数据的内在规律，建立变量之间的依赖关系，可以实现对数据的预测或者控制。回归模型可以分为两种，一种是线性回归模型，该模型通常用于对连续数据进行分析和预测；另一种是非线性回归模型，该模型是线性回归模型的扩展，通过变量代换，可以将很多的非线性回归转化为线性回归。

预测方法如公式（9）。

3.3 频谱决策

通过感知及预测过程，系统可以检测到多个可用的频谱资源，由于频谱状态会随时间改变，不同的接入选择在信号传输性能方面表现不一样。因此需要选择一个高效的频谱分配策略来进行频谱决策。

遗传算法借鉴了自然界的遗传和进化现象的一种随机优化搜索算法。要运用遗传算法解决频谱分配问题首先要构造一个适应度函数，根据分级干扰预测模型可以得到系统中总的干扰数I[9]。适应度函数公式如公式（10）。

其中，C为常数，该值若太大会使个体间的适应度差异变小，不利于选择操作的执行，太小又会使个体间的适应度差异过大，引起算法的提前收敛，具体需要在算法优化时调整。方案设计初始化群体规模在系统可用频点列表中随机生成。设初始化群体规模为M，为无线自组网中N个节点分配M个频组。干扰数为0 的频组就是算法所需要的无干扰个体。一旦搜索到无干扰个体则进行保存。算法实现流程如图3 所示。

图3 频谱决策流程图

其中，K 表示算法的迭代次数。

染色体编码采用符号编码方式，即对节点的可用频点进行编号，这样每组节点都分得一个频点编号之后，就得到了一个个体编码串。选择操作用来确定重组或交叉个体，以及被选个体将产生多少个子代个体。适应度好的父辈个体将会有较高的概率成为新一代的个体。本方案选用轮盘赌的方法来选择个体。交叉操作是产生新个体的重要操作，本方案采用单点随机交叉的方法。主要过程如下。

（1）将选择操作中选出的个体进行配对,配对的方式是对存储位置相邻的个体进行配对。

（2）产生一个[0,1]之间的随机数,并与交叉概率进行比较，如随机数小于交叉概率则进行交叉，反之则不进行。

（3）产生随机的交叉点对需要交叉的配对进行交叉。

变异操作可以为种群提供新的个体，使算法保持种群的多样性。方案采用了标准遗传算法中的随机点变异法。算法中的交叉概率、变异概率等参数的选取都非常重要，需要在算法仿真环境中不断优化。

3.4 信道协商

基于频谱决策的结果，设计一种多通道多信道的信道协商方法，来完成多信道同步及信道切换工作。整个协商过程包括信道协商触发检测和信道协商交互两个过程。在触发检测过程中，节点根据邻居关系变化和信道状态变化进行检测，这两个检测过程并行运行[10]。

信道协商交互过程如下所述。每个通信节点设备具备两个独立的射频通道：感知通道和主通道。其中主通道的工作信道实现系统内频谱共享；感知通道主要用于接收感知，所有节点使用同一个工作信道。节点设备初始建立相邻关系过程通过主动周期性广播的方式实现。信道协商过程通过单播握手的方式实现，节点设备发送信道协商请求消息后即切换到重新选定的信道上接收信道协商响应消息。协商过程基于竞争策略，采用握手机制。过程描述如图4 所示。