干扰用户存在下的稳健协作频谱感知外文翻译资料

 2022-11-03 21:02:28

干扰用户存在下的稳健协作频谱感知

Kamran Arshad1, Klaus Moessner2

1School of Engineering, University of Greenwich, Chatham Maritime, Chatham, ME4 4TB, UK

2Centre for Communication Systems Research, University of Surrey, Guildford, GU2 7XH, UK

E-mail: k.arshad@greenwich.ac.uk

摘要:协作频谱感知在过去几年中引起了广泛的研究关注,并且成为提高频谱感知可靠性的可行方法。融合来自多个机会用户(OU)的数据以产生可靠的感知结果需要由OU提供正确的信息。在出现故障或存在自私用户的情况下,协作频谱感知的性能显著下降。在这项研究中,作者提出了用于检测和抑制这种干扰OU(DOU)的用于硬和软判决融合的机制。具体说来,介绍了一种使用硬判决组合贝塔信誉(HDC-BR)系统进行硬判决融合的信誉机制。作者提出的方法不需要事先知道干扰用户总数。在HDC-BR中,融合中心根据使用BR系统计算的个人用户可信度得分,为每个用户分配和更新判决权重。在基于软判决的协作频谱感知中,DOU的出现对系统性能有更多的不利影响。作者还提出了一种软判决融合的方案:通过改进的Grubbs检验来检测和消除融合中心的虚假用户观测,将其称为改进的软判决组合Grubbs(SDC-MG)。作者将提出的方法的性能与文献中提出的干扰用户检测方案的性能以及没有DOU抑制方案的情况进行了对比并得出结论:SDC-MG在低信噪比时表现优于HDC-BR。

1 介绍

机会用户(OU)的运行依赖于地理位置数据库或频谱感知提供的无线电环境数据[1]。在宽的频谱范围内可靠地发现现有用户的存在是OU最重要的任务之一。为保护IU,在2010年的联邦通信委员会(FCC)裁决[1]中,提出了一种基于地理位置数据库的查询机制,淘汰了始于2008年的频谱感知需求[2]。然而,包括英国的Ofcom和美国的FCC在内的频谱监管机构,仍然鼓励研究人员继续进行频谱感知研究[3]。

文献中提供了几种本地的和协作的频谱感知方案,并在[4]中发布了一项综合调查。在“协作”或“集中”频谱感知中,中央控制整个感知操作,在本文的剩余部分中称为融合中心。参与协作频谱感知的OU将软判决(即本地观察)或硬判决(即一位判决)发送到融合中心,分别称为软判决组合(SDC)和硬判决组合(HDC)。在本文中,我们使用能量检测进行本地频谱感知,并考虑基于HDC和SDC的协作频谱感知。应当注意,为了简单起见使用基于能量检测的感知,并且所提出的方法也适用于其它感知技术的情况。

大多数当前的协作频谱感知方案都假设所OU都是诚实的,值得信赖的,没有任何硬件故障[5-8]。然而OU可能是有害的,并且向融合中心发送错误信息,例如,由于设备故障或自私原因。比如,自私用户可以向融合中心发送现有信号出现的感知信息,使得融合中心作出错误的决定,从而允许自私用户在空闲频道上发送自己的信号。用户也可能由于其硬件中的缺陷或故障而无意中发送错误信息。识别这些用户是一项具有挑战性的任务。在本文中,这样的用户被称为干扰的OU(DOU),并且我们假设是由于上述原因它们发送了错误的感知数据。文献[9]中已经表明,即使单个DOU的存在也可能严重降低协作频谱感知系统的性能。

很少有文献描述了DOU存在时的协作频谱感知。在[9]中,提出了一种简单的方法,其中OU通过上报“是”或“否”来表示IU存在或不存在。如果存在k个DOU,那么融合中心只有在至少k 1个用户报告是时才判断为是。这种方法有许多缺点,例如,它需要提前知道DOU的精确数量,如果用户向融合中心报告软信息,则该方法不适用。在[10]中,根据每个用户的检测概率和虚警概率来考虑用户的信誉,但这种方法没有考虑潜在的作弊行为。同样,当存在单一干扰用户时,[11]中提出的方法可以区分诚实和干扰的用户,但是当有多个DOU时,该方案不适用。在[12]中,提出了一种基于历史报告的方法用于检测协作频谱感知中的损坏节点。[12]中提出的方法要求融合中心具有攻击者策略的先验知识,这在实践中难以获得。[13]提出了基于异常检测技术的安全协作频谱感知,但前提是获得现有用户活动的部分知识,并提出了干扰用户检测方案。

在本文中,我们将研究DOU对协作频谱感知的影响,并考虑融合中心的软判决和硬判决组合。我们考虑一个集中式系统,其中所有的OU都可以向融合中心发送软或硬判决。融合中心使用加权方法进行最终判决,使用提出的方案 [即硬判决组合-贝塔信誉(HDC-BR)和改进的软判决组合Grubbs(SDC-MG)] 计算权重。我们假设融合中心不知道DOU的数量。对于HDC,减轻干扰用户的影响,提出了一种基于可信度的协作检测方案。在我们的方案(HDC-BR)中,融合中心使用贝叶斯公式来计算所有OU的可信度得分,更具体地说,这是个贝塔信誉(BR)系统。每个用户的信誉分都用于计算在融合中心处该用户感知结果的权重系数。最初,所有用户都被认为是可靠的。通过检查全局和局部感知判决之间的一致性,在每个感知间隔更新用户信誉。基于可信度评分,在融合中心对用户信息进行加权,因此低信誉度用户对全局决策的影响较小。

对于SDC,我们还提出了一种基于改进的Grubbs检验的DOU检测方案。Grubbs检验用于检测正态分布数据中的单个异常值。本文中使用的改进的Grubbs检验可以实现用于检测任何数量的干扰用户。融合中心使用SDC-MG检验识别DOU,并删除这些用户的观察结果,以消除虚假信息的影响。此外,两个提出的方案都能够检测到好的用户是否突然变坏,反之亦然。

本文的其余部分结构如下:在第2节中,我们描述了协作频谱感知模型。在第3节中,我们概述了BR系统,并解释了为HDC提出的基于可信度的协作频谱感知机制。我们在第4节描述了基于改进的Grubbs检验的协作频谱感知方案。第5节讨论了系统参数和仿真结果,最后在第6节得出结论。粗体符号用于表示向量,表示其转置。

2、系统模型

我们考虑频带宽度为W、有一组K个 OU中的现有用户,每个都有能量检测器,这组用户表示为Omega;={1,2,3,...,K}。另外,假设系统中有M 个 DOU,令M lt;K。在融合中心控制下,OU在感知间隔T期间进行频谱感知,并通过控制信道将其硬或软判决发送到融合中心。我们还假设感知信息在控制信道中无差错传输。

2.1本地频谱感知

频谱检测可以表示为二进制假设检验问题,如下所示[8]

其中iisin;Omega;,表示只有噪声存在的零假设,表示IU信号和噪声都出现时的替代假设。在(1)中,s(t)是IU信号,假设其是均值为零、方差为的独立同分布(i.i.d.)的高斯随机变量。对于第i个OU,接收机噪声表示为,其也被假定为均值为零、方差为的i.i.d.高斯随机过程,的是IU与第i个OU之间的信道复增益。此外,假设s(t)和n(t)彼此独立。在第i个OU处接收到的信噪比(SNR)表示为

其中E[.]表示期望算子。

假设感知的时间带宽乘积总是接近一个整数,并用N=Ttimes;W表示。通过能量检测,如果是第i个用户的检测统计,则本地判决规则可以写成[14]

其中是第i个用户的判决阈值。对于N的大值(实际上当Nge;10[15])时,的分布收敛到具有统计学的正态分布

其中Var[.]表示方差运算符。因此,第i个用户的虚警概率和检测概率可以写为

其中Q(.)是标准正态分布的右尾概率。

2.2 硬判决组合

在硬判决融合中,每个OU做出本地决定,并通过公共控制信道以正交的方式将该一位信息发送到融合中心。令isin;{0,1},表示表示第i个用户的判决,即

融合中心根据所有用户的判决作出全局判决D

其中,是HDC的权重向量,是融合准则。根据Neyman-Pearson准则,基于似然比检验的方法提供最佳性能,因此融合中心的最优组合方案为以下计数规则[16]

其中是由目标全局虚警概率确定的最佳阈值。在Neyman-Pearson准则下计算,在数学上是不可实现的,并且通常融合中心不知道本地检测概率和虚警概率,因此必须使用次优解[17]。在本文中,我们选择基于计数的融合规则,,定义如下[18]

其中是使用HDC-BR计算的,在3.2节中讨论。

2.3 软判决组合

在SDC中,每个用户将传送到融合中心,而不是发送一位信息。融合中心将观察融合为

其中是SDC的权重向量,是观测向量,仍然表示基于所需的虚警概率阈值。根据SDC-MG的结果,为0(第i个用户被标识为DOU)或1(第i个用户未标识为DOU),即

并由SDC-MG确定。根据(12),可以将融合中心的分布写为

因此,(12)中定义的阈值计算公式为

其中是所需的虚警概率。

3基于信誉的协作频谱感知–HDC

本节将概述BR系统,然后介绍如何在HDC-BR方案中建立和更新每个用户的可信度。

3.1 BR系统

信誉系统通过给诚实用户提供激励和帮助一些实体决定信任谁来培养良好行为。信誉系统已经在多个领域得到广泛应用,例如电子商务[19],互联网[20],ad hoc网络[21]等。在人类社会中,个人的信誉是基于他/她与其他人的互动。我们的目的是在协作频谱感知中开发类似的机制,即根据用户意见与组的其余部分的一致性来判断每个用户的可信度。在认知无线电网络中,融合中心可以利用信誉系统来快速鉴别干扰用户,并通过向用户分配适当的权重来最小化他们在全局决策中的贡献。在[22]中引入了一个“CONFIDENT”信誉体系,节点间相互警报干扰节点,但系统容易受到错误指责。还有其他信誉体系只允许异质化正面信息[23]。在这样的信誉系统中,会错误地认同这些信息,导致干扰用户的信誉好。

在认知无线电网络中要求则不同,因为重点是快速隔离干扰用户。在本文中,我们应用贝叶斯方法更新信誉,并提出使用BR系统。BR系统将每次迭代中的每个OU的行为表示为由贝塔分布建模的二元事件。贝塔分布为来自分布式用户的判决和每个用户的可信度表示的结合提供了一个良好的数学基础[24]。由于OU用户可能表示为干扰,即是未知的,我们从融合中心获得的数据估计可信度因子(即zeta;)。我们采用这个概率,即贝塔族中的,其概率函数由下式给出

如果alpha;lt;1,则规定,如果beta;lt;1则 [24]。贝塔分布的一阶统计量表示为

BR系统的优点是只需要两个参数(即alpha;和beta;),当把判决报告给融合中心时,它们将不断更新。此外,贝塔分布由于灵活,所以是一个合适的选择,并且能够以任意小的变化取[0,1]中的任何值。

在HDC中,融合中心在每个感知间隔内每个用户有两个可能的结果: 融合中心将分为“正面评级或负面评级”。当 t = 1,2,...时,令表示第t个感知间隔“正面评级”的总数,表示第t个感知间隔“负面评级”的总数。通过令=alpha; 1和=beta; 1,获得第i个用户在第t个感知间隔中具有“正面评级”的结果的概率密度函数,这就是Jsang和Ismail在[24]中提出的

概率预期值表示为,它最可能的值。

3.2 融合中心的信誉机制 -

剩余内容已隐藏,支付完成后下载完整资料


资料编号:[140762],资料为PDF文档或Word文档,PDF文档可免费转换为Word

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。