认知物联网中基于吞吐量最大化的中继节点的选择算法*

杨秋静

(重庆商务职业学院实习实训管理中心，重庆 401331)

物联网(Internet of Things，IoT)将海量的智能设备融入网络，形成多类的智能应用，如智能医疗、智慧交通、智能交通[1－2]。随着IoT应用的拓展，IoT设备也呈现爆炸式增长之势。然而，设备数量的暴增，加剧了对频谱的竞争，给频谱的使用和干扰管理提出了挑战。

采用认知无线电(Cognitive Radio，CR)技术可有效地处理网络中频谱干扰问题。配有CR模块的IoT设备可以动态地接入空闲的已注册频谱。即IoT设备动态地感知已注册频谱的空闲时期，一旦空闲，就接入使用。此外，不失一般性，多数IoT设备属低功耗设备，它们一般部署在较偏远区域。因此，给这些设备充电或者更换它们的电池是十分困难的。

能量采集(Energy Harvesting，EH)是补充设备能量的有效方法[3]。将EH与CR相结合，就能形成低成本的绿色通信的IoT系统，可延长网络寿命，提高频谱利用率和能量效率[4]。

此外，增量中继是提高协作IoT网络吞吐量的有效方法。而选择最优的中继节点是增量中继技术的关键。

目前，研究人员针对无线协作网络中继节点的选择进行了大量研究[5－7]。然而，这些研究工作在选择中继节点时并没有考虑CR约束条件和多用户多中继节点情况。

为此，针对CR约束条件和多用户多中继节点情况，提出基于吞吐量最大化的中继节点的选择(Maximizing Throughput-based Relay Selection，MTRS)算法。MTRS算法动态地求助中继节点协助转发数据。用户通过判断从源节点接收的信号质量，决定在下一个时隙是否需要中继节点转发数据。若需要，就基于吞吐量最大化的原则，选择中继节点。仿真结果表明，提出的MTRS算法能够有效地提升吞吐量。

1 系统模型

1.1 网络模型

考虑如图1所示的低功耗的认知IoT网络模型，一个源节点(Source Node，SN)通过中继节点向用户传输数据，其中中继节点采用解码－转发策略协作源节点传输数据。假定系统内存在N个次级用户(以下简称用户)和M个中继节点，分别用N＝表示用户和中继节点集。

源节点位置和用户位置固定，而中继节点的位置随机分布。由于中继节点为能量受限的IoT设备，它必须基于CR的约束条件下从来自源节点的无线射频信号中采集能量。

此外，一个主级用户(Primary Receiver，PR)随机分布在基于认知无线电的物联网(Cognitive Radio-Internet of Things，CR-IoT)网络区域，且主级用户配有L架天线，并且主级用户利用最大合并率(Maximal Ratio Combining，MRC)技术对所接收的信号进行处理。同时，假定主级用户的发射端远离CR-IoT网络。

因此，图1中并没有给出主级用户发射端，图中只给出一个PR。值得注意的是:主级用户是指它使用的频谱是已经注册的，即它优先使用频谱。而网络中的非主级用户只能当主级用户不使用频谱时(即频谱空闲)时才能使用频谱。中继节点是协助源节点向用户传输数据。

图1 网络模型

为了保证主级用户通信的服务质量，源节点和中继节点自动地调整它们的传输功率，保证对PR不形成干扰。同时，中继节点采用解码－转发策略协作源节点向用户传输数据。

将通信阶段划分为多个等时长的时隙，致使中继节点和PR在一个时隙内的位置不发生改变，但允许在下一个时隙内发生变化。同时，假定CR-IoT网络中所有节点均配备单一天线，且采用半双工模式，且它们能够获取完备的信道状态信息(Channel State Information，CSI)[8]。

1.2 操作阶段

整个系统划分为EH和数据传输两个连续阶段。在数据传输阶段，源节点向用户传输数据。在EH阶段，中继节点从无线射频信号中获取能量。将数据传输阶段进一步细分为广播和中继节点转发两个子阶段。

源节点向所有中继节点和用户广播信息。将源节点与用户的直接通信链路简称为直通链路；用户依据直通链路的质量决定是否在下一个时隙需要中继节点协助转发，如图2所示。

图2 数据传输阶段流程

如果用户能够成功地解码来自直通链路传输的信号，则表明用户无需中继节点的协助转发，可以通过直通链路从源节点接收数据。在这种情况下，源节点选择最优的用户传输数据。

若用户无法成功解码来自直通链路传输的信号时，用户就求助于中继节点。因此，用户就要选择中继节点，将选择中继节点的阶段称为IR阶段。

1.3 信道模型

令h S，ℓ表示SN与PR间的第ℓ架天线间的信道系数；令h′S，m表示SN与第m个中继节点(R m)间的信道系数；令h m，ℓ表示R m与PR间的第ℓ架天线间的信道系数；令h m，n表示R m与第n个用户(U n)间信道系数。如图3所示。

图3 信道系数

式中:σPL表示收/发两端为d0所测量的路径衰耗；d0表示参考距离；β表示路径衰耗指数；d表示收/发两端间距。

2 MTRS算法

2.1 EH阶段

在执行EH操作前，通过媒介接入控制协议[9]各通信终端间建立通信链路。利用直接来自PR的反馈信道，源节点和中继节点能够分别获取源节点与PR间和R m至PR间链路的CSI信息。

令P S、P m分别表示源节点端和R m端的发射功率:

式中:I p表示峰值干扰功率。PR端从源节点所接收的干扰功率应小于I p值，进而避免形成通信干扰[10]。

在EH阶段，运用时间切换机制，在时间段αm T内所有的中继节点同步从源节点收集能量，其中αm表示在R m端的时间切换率；T表示一个时间块，如图4所示。在αm T期间进行充电。再将(1－αm)T时间划分成两个等间隔时间，在(1－αm)T/2时间内，源节点向中继节点R m传输数据；在(1－αm)T/2时间内，中继节点R m再向用户转发数据。

图4 在转发阶段的时隙

因此，R m端的EH电路的输入端的最大射频功率:

2.2 广播阶段

在广播阶段，源节点同时向中继节点和用户广播信号，用户能够直接从源节点接收信号。因此，令y S，m表示第m个中继节点(R m)端所接收的信号；令y S，n表示第n个用户(U n)端所接收的信号，它们的定义如式(4)所示:

式中:x S表示源节点传输的信号，且E{｜x S｜2}＝1，其中E{·}表示期望；n m和n S U表示在R m端和用户端Un的高斯白噪声变量，其服从正态分布，且均值为零，方差为σ2。

在众多用户中，选择具有最大直通链路的瞬时信噪比(Signal Noise Ratio，SNR)的用户传输数据。因此，在下一个时隙，源节点向具有最大瞬时的SNR的用户传输数据:

式中:n*表示选择的用户(Selected User，SU)。

用户n*的瞬时SNR为:

在广播阶段，R m端从源节点所接收的信号的瞬时SNR:

2.3 中继节点转发阶段

在传统的协作认知系统中，不论用户是否能解码从直通链路接收的信号，中继节点总是将所接收的信号转发至SU。该策略降低系统资源的利用率和吞吐量。

为了提高吞吐量，MTRS算法采用自适应协作转发。即用户先依据从直通链路接收的信号质量，决定是否选择直通链路接收数据还是选择中继节点的转发接收数据。

情况1在广播阶段，如果用户能够解码来自源节点传输的信号，则用户就发送一个反馈信号给源节点，告知可在下一时隙继续传输信号。在这种情况下，无需中继节点协作转发。

情况2如果用户不能够解码来自源节点的信号，用户就向中继节点发送请求帮助的信号。随后，在下一个时隙，源节点发送的信号(源信号)的重编码就被中继节点转至用户，将这一过程称为增量传输阶段。在这种情况下，R m端就依据式(3)计算所采集能量为:

式中:ϑm＝2αm/(1－αm)。

为了准确地表述EH电路的非线性端到端WPT的特性，本文考虑基于Sigmoid函数的NL-EH模型。在R m端所采集的非线性功率[11]:

为了避免对主级用户形成干扰，对R m端的传输功率进行约束:

式中:min(·)表示求最小值函数。

在协作转发阶段，用户从中继节点接收的信号为:

式中:x Rm表示中继节点传输的信号；nRU表示用户端的高斯白噪声，且服从均值为零、方差为σ2的高斯分布。

因此，利用式(12)计算从中继节点至用户间链路上的瞬时SNR:

针对源节点至中继节点，再至用户的两跳链路，它的等效SNR由最弱链路的SNR支配:

为了最大化输出吞吐量，用户采用MRC技术合并从直通链路和中继节点的转发链路信号:

2.4 系统的吞吐量

参照文献[12]的总体概率规则，系统的中断概率(Outage Probability，OP):

式(15)右边有两项组成。第一项表征了直通链路情况下链路中断的概率。所选择的用户先确认直通链路的质量。如果直通链路的信息速度满足条件，即log2(1＋γS，n)＞R s，其中R s表示信息速率阈值，则向源节点回复信息，告知直通链路质量良好，可在下一个时隙继续传输信号。因此，在这种情况下，链路的中断概率由log2(1＋γS，n)＜R0决定，其中R0表示目标信息速率。

第二项反映了由中继节点协作转发的两跳链路的中断概率。如上文所述，当直通链路质量不好时，即log2(1＋γS，n)＜R s。在这种情况下，用户就向中继节点请求帮助，要求中继节点转发重编码的信号。

据此，用户共接收了两路信号，一路是源节点直接传输的信号；二路是由中继节点转发的信号。收到这两路信号后，用户利用式(14)合并这两路信号。

为了简化吞吐量，对式(15)进行简化:

最后，依据式(17)计算系统吞吐量:

定理1对于给定的目标速率R0，在ρs≥ρ0条件下，系统吞吐量应满足式(18):

证明:当ρs≥ρ0，式(17)右边第一项的概率为零，即Pr[ρs≤γS，n，γS，n＜ρ0]＝0。在这种情况下，系统的吞吐量可重新写为:

再观察式(17)的第二项，当αm＝0和Pr[γS，n＜时，该项就等于在这种情况下，吞吐量τm获取最大值，即吞吐量达到上限

反之，当αm＝1＝和时，吞吐量τm获取最小值，即吞吐量逼近下限值R0。证明完毕。

2.6 中继节点的选择策略

从式(17)可知，吞吐量τm是关于αm和中继节点位置的函数。换而言之，αm值和中继节点位置制约了吞吐量τm。因此，依据式(20)选择中继节点:

3 性能分析

3.1 仿真环境

利用MATLAB建立仿真平台。在区域10 m×10 m内部署一个源节点、7个中继节点(M＝7)、一个PR以及4个用户(N＝4)，其中源节点和用户位置固定，且它们的位置分别为(x S，y S)＝(0，5)和(x U1，y U1)＝(10，5)、(x U2，y U2)＝(8，5)、(x U3，y U3)＝(10，4)、(x U4，y U4)＝(9，5)。 目标速率R0＝1 byte/s/Hz，σPL＝－30 dB。

为了更好地分析MTRS算法的性能，选择文献[11]提出暴力搜索(Brute Force Search，BFS)算法和文献[5]提出的传统的转发节点选举(Conventional Relay Selection，CRS)算法以及文献[13]提出的最大－最小标准的转发节点选择(Maxmin Criterion-based Relay Selection，MCRS)算法作为参照，并对比分析它们的平均吞吐量。

3.2 数值分析

首先，分析¯γI对平均吞吐量的影响，其中¯γI从10 dB至35 dB变化，如图5所示。

图5 平均吞吐量随¯γI的变化情况

从图5可知，¯γI值的增加使平均吞吐量呈上升趋势。原因在于:¯γI值越大，源节点和中继节点的传输功率也随之增加(见式(2)和式(8)所示)，这就增加了端到端吞吐量。不出意外，BFS算法的吞吐量最大，而MCRS算法的吞吐量最低。而本文提出的MTRS算法的吞吐量逼近于BFS算法。

此外，由于CRS算法采用了增量转发机制，通过选择中继节点，使中继节点向用户传输数据，CRS算法提高了吞吐量，并使它的吞吐量远高于MCRS算法。

同时，观察图5不难发现，BFS、MTRS算法和CRS算法的吞吐量收敛于3R0/2，而MCRS算法的吞吐量收敛于R0。这与定理1的理论相符。

接下来，分析PR的天线数对吞吐量的影响，其中天线数从1至9变化，¯γI＝20 dB，实验结果如图6所示。

图6 吞吐量随PR天线数的影响

从图6可知，天线数的增加，使BFS算法、MTRS算法和CRS算法的吞吐量逐步下降，而MCRS算法的吞吐量以指数形式快速下降。原因在于:天线数增加(L变大)，每个中继节点的传输功率(见式(10))受式(2)中的干扰约束项支配，而其随L变大而减少，最终，降低了系统吞吐量。此外，由于MCRS算法的吞吐量随L增加而下降，当L增加时，MCRS算法的吞吐量与MTRS算法的吞吐量的差距也拉大。

最后，分析PR位置对吞吐量的影响。令(xPR，yPR)表示PR的位置坐标。在本次实验仿真中，yPR＝6 m，分析xPR＝0、2、3、5、6、7、8、9时，系统的吞吐量的变化情况，结果如图7所示。

图7 吞吐量随PR位置的影响

从图7可知，当xPR值逐步增加，吞吐量也随之增加。原因在于:xPR值越大，表明PR位置离源节点越远。式(10)中每个中继节点的传输功率受采集功率约束，并且正比于然而，BFS算法、MTRS算法和CRS算法的吞吐量仍收敛于吞吐量的最大值(3R0/2)。

4 总结

为了提高认知物联网的吞吐量，本文提出了MTRS算法。MTRS算法允许中继节点从源节点传输的信号中采集能量。同时，MTRS算法采用动态的选择中继节点的策略。即只当用户无法解码源节点传输的信号时才请求中继节点协作转发。在选择中继节点时，建立基于吞吐量最大化的选择中继节点的目标函数。仿真结果表明，提出的MTRS算法有效地提升了网络的吞吐量。

后期，将分析MTRS算法的复杂度。并从降低算法复杂度角度进一步优化MTRS算法，这将是后期的研究工作。