分布式协作无线电

2024-05-25

分布式协作无线电（通用7篇）

分布式协作无线电篇1

0 引言

无线Mesh网络[1]是一种基于多跳路由、对等网络技术的新型无线网络, 由Mesh路由器构成的骨干网络和由Mesh客户端构成的对等网络组成, 可以实现多网接入功能。在现有无线网络安全问题基础上, 动态变化的拓扑结构、分布式对等网络结构等性质使无线Mesh网络更容易遭受攻击。

入侵检测系统[2]作为一种主动的安全防护技术, 能够实时保护无线Mesh网络内部和外部设备。入侵检测系统监测节点选择的优劣, 在一定程度上能够影响整个系统的检测性能和开销, 对网络性能造成一定的影响。

1 目前入侵检测系统监测节点选择方法

1.1 独立监测[3]

网络中每个节点都部署入侵检测系统, 节点不交各自互监测信息而独立工作, 每个节点的检测结果都告知网络中其它节点。这种入侵检测系统实现简单, 但独立工作且无信息交互, 难以保证系统的检测准确度。

1.2 协作监测[4,5]

网络中每个节点都部署入侵检测系统, 当节点独立检测难以判断是否存在网络入侵行为时, 相邻节点交互监测信息进行协作入侵检测。该方法提高了检测准确度, 但资源消耗仍然太大。

1.3 分簇监测[6]

分簇监测方法将网络中节点按拓扑位置分簇, 将簇首作为监测节点运行入侵检测系统, , 簇内其他节点只负责自身审计日志等数据的统计。“分簇”方法大大降低了检测开销, 监测数据也更具有针对性。

独立和协作监测方法检测开销较大, 而分簇方法仅考虑了监测节点拓扑位置、信誉值、能量等因素, 忽略了网络节点之间的联系和信息的可信性。

2 基于社会网络分析的监测节点选择方案

社会网络中[7], 存在一种“病毒式营销”的营销方式, 找到最初试验新产品的那些“少数”具有广泛社交能力、有影响力的人, 通过“口碑效应”让新产品被更多人知晓, 从而达到“影响力最大化”成为了商家研究的目标。

该方法选择出的监测节点根据影响力进行“分簇”, 能够将联系紧密的节点分到同一个簇, 不但可以在簇内获得大量准确信息, 提高检测性能, 还能有效降低系统的总体检测开销。

2.1 问题描述

在社会网络中, 给定一个网络节点集合S , 集合S产生的影响力 ? (S) 定义为:当激活集合S中的节点后, 影响力遵循影响力传播模型进行传播, 集合S最终能够影响到的网络中节点的数量。集合S称为种子集合, 集合S中的节点称为种子节点。

2.2 解决方案

2.2.1 网络边赋值

本文将无线mesh网络用有向图表示, 采用独立级联传播模型[9]。

网络中真正重要的、对网络数据起控制作用的中心节点往往是那些连接高密度节点区域的节点, 本文称为“桥节点”。桥节点对所连接区域内的节点、网络中的数据流具有控制作用, 知晓信息更全面。

BC (v ) 表示节点v的“桥连接系数”, d (v ) 代表节点v的“度”, N (v ) 代表由节点v直接连出的邻节点集合。由式 (1-1) 可知“桥连接系数”表征节点所连接区域节点数量的多少, “桥连接系数”越大表明节点所连接区域内的节点数目越多, 全网中心性越高, 将其作为节点连出的边的权值越大, 从数据流角度反映节点之间的联系紧密程度。

2.2.2 计算节点影响力及求解监测节点集合

本文采用的有向网络图符合实际网络数据传递规律, 但图中的“边”存在权值不同导致节点影响力范围难以确定。

对边权值不等的有向图“采样”得到一系列采样子图, 视每幅采样子图中的边权值均为1, 在每一幅采样子图上计算种子集合产生的影响力, 从给定种子集合中的节点开始遍历, 并将所有被遍历到的节点视为种子节点能够影响到的范围。假设有向网络图G (V, E) 中有N个节点, m条边, 即︱V︱=N, ︱E︱=m。

步骤1:给定有向网络图G (V, E) , 图中边的权值不等, 集合S是种子集合。图G (V, E) 的每次采样过程如下:节点集合V不变, 对于每条边 (u, v) ∈E, 以1-ωu , v的概率将其从边集合E中删除, 并将剩余的其他边的权值赋值为1。得到的采样子图Gc (Vc, Ec) 中边 ( u, v) 的概率为ωu , v , 即该采样子图的概率是ωu , v 。

步骤2:在每幅采样子图Gc (Vc, Ec) 中进行下述操作:

(1) 将采样子图Gc (Vc, Ec) 划分成多个强连通分量SCC1 , SCC2 , …, SCC n 。

(2) 在采样子图Gc (Vc, Ec) 的基础上构建一个新的图Gc' (Vc', Ec') 。

在 (1) 求得的每个SCC i中添加一个新的节点v i, 所有节点构成了图Gc' (Vc', Ec') 中的顶点集合Vc'。初始化边集合Ec' , 将其设为空集。对于每条边 (u, v) ∈Ec, 在图Gc (Vc, Ec) 中找到u和v分别所在的SCC i和SCC j;在图Gc' (Vc', Ec') 中找到v i和vj分别代表SCC i和SCC j。检查是否有 (vi, vj) ∈Ec', 如果E c' 中不包含边 (vi, vj) , 则将 (vi, vj) 添加到Ec' 中。

3 基于社会网络分析的无线 Mesh 网络分布式协作入侵检测系统结构

本文提出的基于社会网络思想的无线Mesh网络分布式协作入侵检测系统的工作的基本流程是:首先根据社会网络思想选出入侵检测系统的最少的监测节点, 由监测节点负责其影响范围内节点的入侵检测任务;然后将发现的入侵行为及时地进行处理;最后, 当监测节点在其所在区域内收集的信息不足以准确判断入侵行为时, 各监测节点交互信息进一步检测。

(1) 监测节点选择模块:采用本文所提出的基于社会网络思想的监测节点选择方法, 在无线Mesh网络中确定的“最大影响力”节点上安置入侵检测系统。

(2) 分簇选择模块:本文采用分布式协作入侵检测系统。以监测节点作为簇首, 监测节点 (簇首) 影响范围内的所有节点分成一个簇, 簇首负责簇内节点的入侵检测任务。

(3) 数据处理模块:簇首和簇成员均有数据处理模块, 簇首负责整个簇中数据的监测, 簇成员仅保留自身的审计日志等文件中的数据。簇首的数据处理模块负责采集和处理簇内监测信息以及整合簇成员提供的数据信息。

(4) 检测模块:检测模块是入侵检测系统的核心部分, 安置在簇首节点上。簇首根据网络监测数据, 进行入侵检测任务。

(5) 响应模块:经过检测模块分析后, 若系统判定存在网络入侵行为, 响应模块发出报警信息, 通知网络中相关节点切断与入侵节点联系, 或做出相应处理。

(6) 通信模块:当簇内监测信息不足以完成入侵检测任务, 通过通信模块与其他监测节点交互信息, 重新整合监测信息后进一步检测。此外, 监测节点也通过通信模块向簇成员发出数据处理任务请求。

4 总结

本文根据社会网络思想, 采用图论方法寻找无线Mesh网络中“最大影响力”节点集合作为网络监测节点运行入侵检测系统, 以监测节点为簇首、影响力范围内节点为簇成员来划分簇。簇内各节点联系最紧密, 簇首在簇内就可以获得大量准确的监测信息。再采用分布式协作结构, 可以使入侵检测系统的检测准确度、实时性、吞吐量得到改善, 同时能够有效降低系统的整体开销。

参考文献

[1]无线网状网络:一项调查[J].计算机网络, 2005年, 47:445–487.

[2]在无线网状网络入侵检测使用Hibrid方法[C].EEE国际会议分布式计算系统研讨会。2009年, 451–454.

[3]减轻在移动Ad Hoc网络路由行为[C].动计算和网络国际会议。2000年, 255–265.

[4]基于代理的分布式协同入侵检测系统[C].际会议通讯网络。2007年, 17-22.

分布式协作无线电篇2

关键词：认知无线电网络,协作频谱感知,协作路由,中继节点

一、引言

协作通信可以减小无线信道衰落, 通过允许节点相互协作, 提高了无线网络的可靠性, 已经成为认知无线电网络的重要方法[1]。利用无线通信的广播特性, 协作通信中的节点帮助对方进行信息传播。在协作传输策略中, 邻近节点用作中继节点, 通过独立衰落信道, 和发射机、接收器协作, 将数据包复制多份传送给接收节点。

协作频谱感知指多个认知用户 (SU) 协作感知主用户 (PU) 信道, 一般可减小个体感知所带来问题的影响, 如多径衰落, 阴影等[2]。以前的工作已经表明, 与个体感知相比, 协作感知提高了感知增益, 但同时它也带来了开销。

协作路由作为一种新的路由技术[3], 可以节省网络中节点的能耗, 延长网络的生存期, 并对增强网络服务质量, 提高网络的吞吐量和可靠性方面都大有作为。

协作无线通信的研究具有重要意义。本文将以协作通信为主线, 从认知无线电网络协作频谱感知, 协作路由和协作路由中继节点的选择入手, 回顾近年来国内外的发展现状。

二、协作频谱感知

(一) 协作频谱感知的基本方法。协作频谱感知的基本方法, 即个体感知方法, 描述了如何感知, 采样和处理PU信号来估计PU信道是否繁忙或空闲。主要有三个技术:能量检测, 重点检测发射机信号能量;循环平稳特征检测, 通过周期性地检查接收到的PU信号, 确定PU的存在。压缩感知, 适用于对复杂硬件要求不高的宽带频谱感知。

每个SU的行为和结果, 可归纳分为六种情况, 分别是:

1.SU空闲。由于没有数据包发送, 吞吐量为0。

2.SU正确传输。PU信道空闲, SU在信道上正确传输。

3.SU所有数据包丢失。这种情况是前一例的特殊情况, PU信道空闲, SU所有数据包在传输过程中丢失。

4.SU空闲。SU检测到PU, SU保持空闲, 吞吐量为0。

5.虚警。PU信道空闲, 但由于错误地感知到一个PU, SU决定留在空闲状态, 吞吐量为0。

6.误检。PU出现, SU不能感知到PU, 导致和PU碰撞, 所有数据包下降, 吞吐量为0。

表1为频谱感知和接入结果。PU实际信道状态, 1为PU信道空闲, 0为PU出现;SU感知, 1为PU信道空闲, 0为PU出现。

(二) 协作频谱感知。协作感知可分为三种:集中式、分布式和中继辅助式[4]。

1.集中式。集中式协作感知中, 融合中心是一个在控制和组织协作中起着核心作用的实体。集中式协作感知过程包括三个步骤。一是融合中心选择被感知的授权频段, 并发送一个要求邻居SU协作的请求。二是回应该请求的协作SU独立地感知PU信道, 之后报告感知结果。三是当所有的感知结果到达融合中心, 融合中心使用一些决策融合准则融合协作数据, 如AND, OR和K/N, 最终感知结果分别返送给每个协作SU。

2.分制式。分布式协作感知和集中式协作感知的主要区别是, 前者不依赖于集中式融合中心决定最终感知结果。分布式协作感知的步骤为, 每个SU将其感知结果传播到邻居SU, 基于每个SU自己的决策融合准则, 并综合考虑个体感知的结果和接收到的数据, 得出一个PU状态的最终结果。每个SU重复以上步骤, 通过几次迭代, 直到收敛到一个PU信道状态一致的决策。

3.中继辅助式。当感知信道或报告信道不理想情况下, 适用中继辅助协作感知。中继辅助方式减小了不理想信道的负面影响, 从而提高了全局感知性能。

三、协作路由

路由协议分为主动式路由、按需式路由和混合式路由[3]。按需式路由可分为动态源路由 (DSR) 、按需距离矢量路由 (AODV) 和多信道路由 (MCRP) 。各种协作路由, 可依据选择准则的不同对它们进行分类。

(一) 基于节能的协作路由。高效节能的协作路由算法分为两类。在第一类中, 目标是最大限度地减少端到端传输的总能量消耗。在大多数的协作路由算法中, 节能是通过最大限度地减少发射机和中继节点的发射功率。第二类中, 算法的目标是延长网络的生命周期, 网络寿命的定义是到第一个节点死亡的时间。第一类别或二类提出的所有节能算法, 显示了在不同网络条件和约束下的高效节能。第一类中的算法只集中在最小化从源节点到目标节点的总能量消耗。然而, 始终使用最小消耗路径的路由可能会导致节点间不平衡的能量分布。

(二) 基于服务质量 (QoS) 的协作路由。基于QoS的协作路由算法由下列参数描述:吞吐量, 丢包率和中断概率。除了高效能量, Qo S也是衡量网络性能的一个重要标准。在一些关键应用, 如安全、火灾探测和健康监测, QoS是需关注的一个重要指标。协作路由中QoS的目标是找到一个满足给定约束的网络路径, 同时优化资源的利用。基于QoS的协作路由算法分为三类:基于吞吐量的协作路由算法, 最大化网络吞吐量。丢包率, 丢包率定义为成功传递到目的地的发送数据包的百分比, 是QoS的一个参数。中断协作路由算法, 考虑协作路由的中断概率。中断时发生时, 目标节点无法检测到来自源节点的信号。

(三) 基于最小碰撞的协作路由。多源节点和多目的节点 (即多个流) 的协作路由的主要挑战是数据包碰撞, 利用协作路由可减少碰撞概率。该算法计算每个协作链路的成本函数, 然后应用最短路径发现最小碰撞概率的路径。通过结合协作传输, 功率分配, 路由选择, 实现最小碰撞协作路由。

(四) 集中式和分布式协作路由。在集中式协作路由协议中, 中心节点收集信息, 以检查潜在的协作链路和中继节点。该信息包括拓扑结构和衰落信息, 有助于协作路由的决策。例如, 中心节点收集协作链路的成本函数和信道特性, 在收集的信息基础上, 中心控制器选择路由。

在协作应用于非协作路径的路由算法中, 中心控制器收集有关节点位置的信息和每个链路的成本函数, 并选择最好的非协作路径。

在某些无线网络的实际应用中 (如自组织网络) , 不可能有一个中央节点, 路由需要以分布式的方式构造。在分布式协作路由协议中, 每个节点从相邻节点处得知网络状态 (如本地的拓扑状态和单跳连接的链路成本函数) 。每个节点在它自己的本地数据库中存储信息, 每个节点都可作为待选的中继节点和下一个节点。

对于路由, 中继节点的选择和资源分配, 实现分布式协作路由算法的主要挑战是有需要的信息, 节点通过发送和更新到邻居节点的信息来处理这个挑战。

(五) 协作路由中继节点的选择。选择合适的中继节点是协作路由的关键问题[5,6]。在具有多个中继节点可供选择的情况下, 还需要解决如何选择一个最佳的中继节点的问题。由于无线信道的传输衰耗与传输距离为指数关系, 在源和目的之间加入中继后, 使收发设备间的传输距离缩短, 可在发送功率不变的情况下, 提高接收信号功率, 改善传输质量。

在蜂窝系统的传输中, 也可以利用终端作为中继来扩大基站覆盖范围。当中继节点位于基站和用户的中间时, 效果最好;而当中继随机分布时, 选择离基站和用户的中间点最近的用户作为中继时, 虽然性能有所降低, 但仍然能在同样的服务质量要求下明显扩大基站的覆盖区域, 并且覆盖区域内的用户越多, 性能改善越大。

四、结语

认知无线电网络协作通信会同时带来增益和开销。与个体感知比较, 协作感知对提高感知精度是有益的。协作在一定程度上减小了多径衰落和阴影的影响, 提高了系统的抗路径损耗。此外, 协作增加了感知时间和数据吞吐量。因此, 感知性能和网络吞吐量之间需要一个折衷。节能是无线网络的一个关键因素, 由于发射机和协作伙伴之间的通信, 给协作带来额外的能量消耗。通过减少审查的报告信息, 能量消耗和感知性能达到平衡, 从而减少感知能源损耗。

协作路由比没有协作的路由, 可更好地利用节点的能量储备, 能够在更短路径上分发大量的数据包到达目的地。当节点能够调整其发射功率时, 这些结果可得到进一步的改善。此外, 网络连接度会影响协作路由的性能。在一个松散连接的网络中, 协作会致使更多的数据包到达目的地, 但却增加了节点的平均能耗。当网络拓扑是紧密相连的, 协作得到更多的路径选择, 能够更好地利用可用的能源。

将人工智能、机器学习等引入到认知无线电网络协作频谱感知与路由算法中, 实现智能化的资源调度、配置和管理, 对认知无线电网络的发展具有积极作用。

参考文献

[1]Laneman J, Tse D, Wornell G W.Cooperative diversity in wireless networks:Efficient protocols and outage behavior[J].IEEE Trans.Inf.Theory, 2004, 50 (12) :3062~3080

[2]S.Haykin.Cognitive radio:brain-empowered wireless communications[J].IEEE Journal on Selected Areas in Communications, 2005, 23 (2) :201~220

[3]Fatemeh Mansourkiaie, Mohamed H Ahmed.Cooperative Routing in Wireless Networks:A Comprehensive Survey[J].IEEE Communications Surveys and Tutorials, 2015, 17 (2) :604~626

[4]I.F.Akyildiz, B.F.Lo, R.Balakrishnan.Cooperative spectrum sensing in cognitive radio networks:A survey[J].Journal Physical Communication archive, 2011, 4 (1) :40~62

[5]J.L.Rebelatto, B.F.Uchoa-Filho, Y.Li, et al.Multiuser cooperative diversity through network coding based on classical coding theory[J].IEEE Transactions on Signal Processing, 2012, 60 (2) :916~926

分布式协作无线电篇3

多径效应引发的衰落现象严重影响到无线通信的传输可靠性[1]。Sendonaris和Laneman等人在协作分集领域的奠基性工作为解决无线信道的衰落问题带来了新的希望[2,3]。

随着无线通信技术的高速发展,频谱资源越来越匮乏。J. Mitola博士1999年提出的认知无线电技术 (Cognitive Radio, CR) 为解决频谱资源匮乏的问题指明了新的方向[4]。频谱共享技术作为认知无线电的关键技术之一,有效地提高了无线频谱的利用率。在频谱共享环境下的无线通信系统同样存在衰落现象,因此,频谱共享与协作分集技术的结合成为了目前无线通信研究的一个热点。

在以往,对频谱共享下协作分集技术研究中[5,8],通常采用固定两阶段传输的放大转发(amplify-and-forward scheme,AF)传输策略和译码转发(decoded-and-forward scheme,DF)传输策略。这种固定两阶段传输,造成信息传输谱效率的降低,与频谱共享的本质是相悖的,若在信息传输之前对最佳传输链路进行选择,可以有效地提高信息传输谱效率[9]。对频谱共享下协作分集系统传输链路选择时,通常将链路选择集中于某个节点,在本文中称这种方式为中心式链路选择算法。然而,系统采用中心式链路选择算法时,由于需要链路状态反馈至决策节点,造成了系统反馈开销和链路选择时延的增加,不利于在实际通信系统中应用。

因此,本文以频谱共享下三节点协作分集系统为模型,提出一种分布式链路选择算法以降低系统反馈开销和链路选择时延。

1 系统模型

本文系统模型由两部分组成,即提供共享频谱资源的一级用户(Primary User,PU)和二级系统(Secondary System,SS)组成,如图1所示。

SS为基本的三节点模型,基站(Base Station,S)通过中继(Relay,R)采用AF传输策略与目的节点(Destination,D)进行通信。假设所有终端均为单天线,且所有节点都工作于半双工模式,系统任意两节点间的信道均经历独立的瑞利衰落。

PU采用Underlay的方式与SS共享其频带,即SS对PU干扰必须小于PU的干扰温度值Q。以往研究中,通常采用反馈SS与PU之间信道状态信息的方式,以控制SS中节点发射功率达到减小SS对PU影响的目的[4,5,6,7]。设S和R发射功率的峰值均为P,其实际发射功率PS和PR。因此, S和R的实际发射功率如式(1)所示:

式(1)中,|hSPU|2和|hRPU|2分别为S与PU及R与PU之间信道系数,服从均值为ΩSPU、ΩRPU的指数分布。

为分析方便,以X、Y、W分别表示S→R、R→D及S→D信道的瞬时链路信噪比(Signal Noise Ratio,SNR),即 $X = Ρ_{S} | h_{S R} |^{2} / Ν_{0}$ , $Y = Ρ_{R} | h_{R D} |^{2} / Ν_{0}$ , $W = Ρ_{S} | h_{S D} |^{2} / Ν_{0}$ 。其中,|hSR|2、|hRD|2和|hSD|2分别服从均值为ΩSR、ΩRD和ΩSD的指数分布,N0表示高斯白噪声均值。

2 算法描述

所谓最佳传输链路选择是指在每次信息传输之前,以选择最大端到端信噪比为原则,选定直传链路(S→D)或协作链路(S→R→D)作为最佳传输链路。文献[10]在考虑直传链路存在情况下,给出了一种最佳传输链路选择准则,如式(2)所示。

$Ζ = \max [W ‚ γ_{ϕ}] (2)$

式(2)中,W表示经直传链路,D处获得的传输信噪比,γφ表示经协作链路,D处获得的传输信噪比。对可变增益的AF传输策略来说,γφ的取值如式(3)所示。

$γ_{ϕ} = \frac{X Y}{X + Y} (3)$

系统采用中心式链路选择算法时,若以S作为最佳链路选择的决策节点,S在每次信息传输之前,需要对比W与γφ大小。对S来说,其作为S→R,S→D链路一端,对于X、W的获取比较容易,但对于Y值通常需经R→S或者D→S链路进行反馈。

系统分布式算法时,若仍以节点S作为链路选择决策节点,但所有节点均参与链路选择的过程。研究表明,在高SNR下,γφ近似等于min[X,Y]。根据这一特点,具体分布式链路选择算法过程如下:

在S处,X<W时,选择直传链路作为信息传输链路,否则,S发送‘0’到D。

在D处,Y>W时,选择中继链路作为信息传输链路,D发送“1”到S,反之,D发送“0”到S,选择直传链路作为信息传输链路。结合频谱共享协作分集系统模型,分布式算法具体流程,如图2所示。

综上所述,分布式链路选择算法的最终结果,如表1所示。

3 算法性能分析

本小节中以中断概率和平均信息传输谱效率作为分析指标,对系统性能进行分析,并结合算法设计的目的,对链路选择反馈信息和链路选择时延大小的进行对比。

3.1 中断概率分析

从数学角度讲,对于预设的传输速率Rs bit(s·Hz-1),中断事件发生在直传和中继链路都失败的情况下。因此,采用分布式选择算法的中断概率可表示为:

$\begin{array}{l} Ρ_{o u t} = \frac{Ρ r (X > W, Y > W, X Y / (X + Y) < τ = 2^{R s} - 1)}{Ι_{1}} + \\ \frac{Ρ r (\min [X ‚ Y] < W ‚ W < τ)}{l_{2}} (4) \end{array}$

分别计算I1和I2。首先,I1可表示为

$Ι_{1} = \int_{0}^{\infty} f_{W} (w) \frac{Ρ r (X > w, Y > w, X Y / (X + Y) < τ)}{θ} d w$ 。

对于上式的计算,通过分析,可以分别考虑三种情况:(1) w<τ; (2) τ<w<2τ;(3) w>2τ。对于θ计算十分复杂,且不能得到一个准确闭式解,因此,转而求解θ的上下界。

$θ < Ρ r (\min [X, Y] > w, \frac{1}{2} \min [X, Y] < τ) = θ^{U B}$ (5a)

$θ > Ρ r (\min [X, Y] > w, \min [X, Y] < τ) = θ^{L B}$ (5b)

经分析可以求得对于X、Y、W的分布函数如式(6)所示。

${\begin{cases} F_{X} (x) = (1 - e^{- Q / (Ρ Ω_{S R})}) (1 - e^{- Ν_{0} Q x / (Ρ Ω_{S Ρ U})}) + \\ e^{- Q / (Ρ Ω_{S R})} {1 - [Q Ω_{S Ρ U} / (Q Ω_{S Ρ U} + Ν_{0} Ω_{S R} x)] e^{- Ν_{0} Q x / (Ρ Ω_{S Ρ U})}} \\ F_{Y} (y) = (1 - e^{- Q / (Ρ Ω_{R D})}) (1 - e^{- Ν_{0} Q y / (Ρ Ω_{R Ρ U})}) + \\ e^{- Q / (Ρ Ω_{R D})} {1 - [Q Ω_{R Ρ U} / (Q Ω_{R Ρ U} + Ν_{0} Ω_{R D} y)] e^{- Ν_{0} Q y / (Ρ Ω_{R Ρ U})}} \\ F_{W} (w) = (1 - e^{- Q / (Ρ Ω_{S D})}) (1 - e^{- Ν_{0} Q w / (Ρ Ω_{S Ρ U})}) + \\ e^{- Q / (Ρ Ω_{S D})} {1 - [Q Ω_{S Ρ U} / (Q Ω_{S Ρ U} + Ν_{0} Ω_{S D} w)] e^{- Ν_{0} Q w / (Ρ Ω_{S Ρ U})}} \end{cases} (6)$

在高SNR下近似可得到X、Y、W的分布函数的渐进表达式如式(7)所示。

${\begin{cases} F_{X} (x) = (x / γ) (1 / Ρ Ω_{S Ρ U} + e^{- Q / (Ρ Ω_{S R})} Ω_{S R} / Q Ω_{S Ρ U}) \\ F_{Y} (y) = (y / γ) (1 / Ρ Ω_{R Ρ U} + e^{- Q / (Ρ Ω_{R D})} Ω_{R D} / Q Ω_{R Ρ U}) \\ F_{W} (w) = (w / γ) (1 / Ρ Ω_{S Ρ U} + e^{- Q / (Ρ Ω_{S D})} Ω_{S D} / Q Ω_{S Ρ U}) \end{cases} (7)$

利用式(5a)来求I1的上界,令a=min[X,Y],则a的累积分布函数为:

Fα(t)=FX(t)+FY(t)-FX(t)FY(t)=

(t/γ)(1-e-Q/PΩSR)[ΩSPUΩRPU/P(ΩSPU+ΩRPU)+

ΩRDe-Q/PΩRD/QΩRPU]+(t/γ)[(1/PΩRPU+

ΩRDe-Q/PΩRD/ΩRPU)Γ(1,Q/PΩSR)+

1/(QΩSPUΩSR)Γ(2,Q/PΩSR)]。

其中,Γ(.,.)表示不完全Gamma函数。因此,可以求得I1的上界为:

$\begin{array}{l} Ι_{1}^{U B} = F_{α} (2 τ) F_{W} (2 τ) - \int_{0}^{2 τ} f_{W} (w) F_{α} (w) d w = \\ F_{α} (2 τ) F_{W} (2 τ) - F_{α} (2 τ) F_{W} (τ) (8) \end{array}$

对于其下界,只需将式(8)中的2τ变为τ即可,之后求得I2的值为:

I2=∫ $_{0}^{τ}$ fW(w)Fα(w)dw=FW(τ/2)Fα(τ) (9)

通过上述计算,可以得到中断概率的上界和下界表达式。通过表达式,可以清楚的看到,中断概率与γ-2成正比,系统可以获得2阶分集增益,即满分集增益。

3.2 平均信息传输谱效率

对传输链路选择的另一个目的在于提高系统采用AF传输策略时系统信息传输谱效率。

通过对分布式链路选择算法描述,可以看出,采用分布式链路选择算法时,信息传输过程可以分为两类,一类是选择直传链路作为最佳传输链路,此时,信息传输过程需要一个时隙,另一类是选择协作链路作为最佳传输链路,信息的传输需要两个时隙。因此,采用分布式链路选择算法对传输链路进行选择,可以提高固定两阶段传输策略的信息传输谱效率。

设在采用直传链路时,信息传输谱效率为Rs bit/s/Hz,而协作链路作为最佳传输链路时,系统的传输效率为直传效率的1/2。因此,通过上述分析,信息传输的平均谱效率为,式(10)所示:

$\bar{R}_{s} = R_{s} Ρ r (X < W) + \frac{R_{s}}{2} Ρ r (X > W) (10)$

3.3 反馈信息及时隙比较

研究表明,每次传输信息的反馈信息在大于等于4 bit时,才能保证系统性能不受反馈信息误差的影响[10]。因此,在采用中心式链路选择算法时,每一次链路选择至少需要12 bit的反馈信息。

若系统采用分布式链路选择算法,假设两种极限情况。第一种情况:即系统完全可以根据第一跳信道状态选择出最佳传输链路,系统需要反馈开销为4bit,仅需要PU对S反馈信息即可;第二种情况:系统在信息传输过程,需要利用第二跳信道状态信息才能选择出最佳传输链路,系统需要11 bit反馈信息。因此,系统总的反馈开销为:

$11 Ρ r (X > W) + 4 Ρ r (X < W) < 11$ bit (11)

3.4 时延分析

由于链路选择过程会对系统造成时延,而时延是影响系统性能的一种因素。假设系统的每一次信息反馈造成时延为1,则采用中心式算法时,系统链路选择总时延为3,即PU对S和R信息反馈、R与D之间信道状态信息反馈到S处。

若系统采用分布式链路选择算法,时延分析过程与反馈信息分析过程相近,也是在假设两种极限情况进行分析。

第一种情况:即系统完全可以根据第一跳信道状态选择出最佳传输链路,此时系统产生时延为1,仅需要PU对S反馈信息即可。

第二种情况:系统在信息传输过程中必须全部利用第二跳信道状态信息才能选择出最佳传输链路。这种情况下,由于R参与到链路选择过程中,PU需要对PU与R之间信道状态信息进行反馈,造成时延为1。由于D需要将链路选择结果D反馈信息到S,又会造成1次时延。因此,在这种情况下,系统总反馈时延为3。

通过上述描述,得到系统链路选择总的反馈时延表达式,如式(12)所示:

$1 < 1 Ρ r (X < W) + 3 Ρ r (X > W) < 3 (12)$

4 仿真验证

频谱共享下三节点协作分集系统模型:对分布式链路选择算法,在Matlab环境下进行了Monte Carlo仿真。

图3为二级系统的中断概率随干扰温度Q变化的理论曲线。参数设置分别为ΩSR=ΩRD=ΩSD=0.1,传输功率P分别为4 dB和6 dB,噪声功率N0=1 dB。由图3可以看出,当干扰温度Q的取值增大到一定程度时,即PU对二级系统的容忍性极好时,系统的中断概率趋于常数,说明此时系统的中断概率不受干扰温度Q影响。同时,在P小于Q时,系统的中断概率受到Q的影响比较大,干扰温度越大系统可以达到的中断概率越小。中断概率的拐点出现在P=Q附近。

图4分布式链路选择算法仿真曲线。根据图3的仿真结果,设置干扰温度Q=100 dB,系统可以达到最大中断概率趋于常数,其他参数设置分别为ΩSPU=ΩSR=ΩRPU=ΩRD=ΩSD=0.1,中心式算法每个反馈信息采用4 bit。由图4可以看出,分布式链路选择算法与中心式链路选择算法的系统中断性能相近,均可获得2阶分集增益。验证了分布式链路选择算法在链路选择中时的可行性。

由于信道衰落性能与终端之间的距离有一定关系[10]。X与W比较在分布式链路选择算法中,对提高信息传输谱效率、减少系统链路选择的量化反馈开销和时延起到决定性作用,因此,如何放置协作节点位置,使系统根据X与W就能准确得到链路选择结果值得探究。设K1作为节点R与S之间距离和S与D之间距离比值,对系统采用分布式链路选择算法的平均信息传输谱效率、链路选择时延及反馈信息大小进行仿真,仿真结果如图5—7所示。

由仿真结果可以看出,系统性能随节点R与S之间距离和S与D之间距离比值的变化而不断改变。当协作节点位置放置合适时,采用AF传输策略的平均传输谱效率接近于直传的传输谱效率;系统链路选择造成的反馈开销和时延趋于常数。根据这种变化趋势,可以为协作节点的位置选择提供一定的理论依据。

5 小结

文章对频谱共享下采用AF传输策略协作分集系统链路选择问题进行研究,提出了一种分布式链路选择算法。研究表明,分布式链路选择算法在获得与中心式链路选择算法相近系统性能的同时,能有效降低链路选择的反馈开销和时延。本文的研究是在频谱共享下基本三节点协作分集系统基础上进行的,对更复杂协作分集系统采用分布式链路选择算法值得进一步深入。

摘要：对频谱共享下采用放大转发传输策略的基本三节点协作分集系统链路选择问题进行研究。提出了一种分布式链路选择算法。理论分析了系统采用建议算法时中断概率上界和下界的表达式。研究结果表明,建议算法能获得与传统算法相近系统性能的同时,能有效地减少系统链路选择的反馈开销和时延。

关键词：协作分集,频谱共享,分布式算法,分集增益

参考文献

[1] Proakis J D.Digital Communications. 4th Ed., NewYork, McGrawHill Inc,2001

[2] Sendonaris A, Erkip E,Aazhang B. User cooperation diversity-part I: system description. IEEE Trans Commun, 2003;51(11):1927—1938

[3] Laneman J N,Tse D N C, Wornell G W. Cooperative diversity in wireless networks: Efficient protocols and outage behavior.IEEE Trans Inf Theory, 2004;50(12):3062—3080

[4] Miltola J.Cognitive radio:an intergraded agent architecture for soft-ware defined radio.Royal Institute Technology:PhD thesis,Stock-holm,2000

[5] Sagong S, Lee Jemin, Hong Daesik. Capacity of reactive DF scheme in cognitive relay networks. IEEE Trans Commun, 2011;10(10):3133—3138

[6] Han Yang,Ting S H, Pandharipande A. Cooperative spectrum sharing protocol with selective relaying system. IEEE Trans on Commun,2012;60(1):62—67

[7] Lu Yao,Wang Xiaoxiang,Yang Nan.Outage probability of coopera-tive relay networks in two-wave with diffuse power fading chan-nels.IEEE Trans Commun,2012;60(1):42—47

[8] Hong J P, Hong B,Ban T W, et al.On the cooperative diversity gain in underlay cognitive radio systems. IEEE Trans Commun, 2012;60(1):209—219

[9] Ding Haiyang,Ge Jianhua,da Costa D B,et al.Link selectionschemes for selection relaying systems with transmit beamforming:new,efficient proposals from a distributed concept.IEEE Trans Ve-hicular Technology,2012;61(2):533—552

浅议无线协作通信中继选择篇4

一、无线协作通信中中继存在的问题及对选择的影响。

无线协作通信作为一项新出现的无线技术, 虽然发展很快, 但是在实际的使用使用过程中, 依然存在着一些实际问题。特别是在中继问题上, 存在着以下问题。

1.1在无线协作通信中中继节点的选择问题和中继传输的问题

在无线协作通信过程中, 选择合适的中继节点进行信号传输, 同时使用合理的协作方案利用中继节点进行传输, 以及相关的工作需要的特殊要求。这些都是在无线协作通信工作中遇到的实际问题, 也是在中继选择这个问题上必须优先考虑的问题。。

1.2信号传输中遇到的同步问题

因为协作通信的的实际工作要求, 所以协作通信系统需要保证同步, 但是因为中继传输中需要的信号处理时间等实际问题, 实际中很难做到做到完全同步。这就要求我们在选择中继的过程中, 必须在符合设计技术要求的情况下选择合理的中继传输进行选择设计。

1.3中继传输过程中的隐私问题

在无线协作通信中, 用户的隐私问题也是使用中必须注意到的实际问题。这就要求在无线信号传输中对协作伙伴之间的数据信息进行加密, 从而达到保密性。

二、无线协作通信中对中继节点的选择。

在无线协作通信中, 对于中继节点的选择是很重要的。它直接影响到无线资源信号的稳定性和资源使用率的问题。

2.1单中继节点和多中继节点选择方案的选择。

在无线协作通信中的中继节点选择中, 我们根据节点的传输方式和节点的数量, 主要是选择两种选择方案, 单中继节点进行协作通信和多中继节点进行协作通信进行选择。单中继节点选择方案即在通信系统中存在的众多候选中继节点中遵循一定的准则选择出“最佳”中继节点进行协作通信;而多中继节点选择方案是在众多候选中继节点中根据一定的选择方案选择其中一部分或者全部中继节点进行协作通信。两种方案的都存在着各自的优缺点。

单中继节点选择方案在频谱利用率方面, 高于多中继节点选择方案;而且在通信链路质量较高的环境中, 因为单中继节点选择方案的单一性, 就会节省信号传输的速度, 而多中继节点选择方案可能会选择“无效”的中继节点, 从而造成资源的浪费。所以在信号质量好、通信链路质量较高的环境中的, 我们采用单中继节点的选择方案是合适的。

但是在信道通信质量不佳的情况下, 多中继节点选择方案因为其中继节点的数量比较多, 信号传输的接受比较单中继选择方案更加全面, 也就拥有更稳定的性能。所以在这种情况下更应该采用多中继节点选择方案。

2.2协作通信中的中继节点选择方法。

在无线协作通信的中继节点的选择中, 处于对具体要求的不同, 节点的选择方案也是不同的。选择的方案包括基于位置信息的中继选择方案、基于瞬时信道状况的中继选择方案、基于功率限制的中继选择方案、基于中断概率的中继选择方案四种方案。我们在实际选择过程中, 应根据这四种方案的优缺点进行选择。

基于位置信息的中继选择方案的优点在于算法简单。缺点是各终端需安装GPS接收机, 成本较高;只能应用于固定的节点之间。

基于瞬时信道状况的中继选择方案的优点在于自适应效果较好, 具有时变性, 灵活性高。缺点是信道实时变化, 需要额外开销;可能产生隐藏终端, 无法选出最佳中继节点。

基于功率限制的中继选择方案的优点在于节省功率, 使得终端寿命延长。缺点在于使用的计算法复杂度较高, 使用复杂。

基于中断概率的中继选择方案的优点在于确保了通信的可靠性。缺点在于一味追求降低中断概率, 可能会因此采用多中继节点, 从而导致各类资源的浪费。

三、无线协作通信中对中继传输方案的选择

在无线协作通信的中继选择中, 中继传输策略方案的选择也很重要。合适的策略方案可以大大的提高无线信号传输的效率, 减少对资源的浪费情况。

无线协作通信的中继传输策略方案一般可以分成固定中继方案和自适应中继方案。

在固定中继方案中, 源到中继的信道资源是以固定的 (确定性的) 方式被划分。中继的处理会依据采用的协议而有所不同。最基本的协作通信中继传输方案有两种:放大转发 (AF) 中继协议和译码转发 (DF) 中继协议。而自适应中继技术, 其主要包括选择中继和增量中继。

固定中继具有便于实施的优点, 然而由于一半的信道资源都用来中继转发, 降低了整个系统的速率, 从而导致了较低的频谱效率。

特别是源与目的节点之间的信道质量较好时, 目的节点能够正确接收来自源节点的数据, 此时中继节点的协助转发就浪费了于是应该采用自适应中继技术。

四、结束语

分布式协作无线电篇5

近年来,随着无线电技术在移动通信、电视、广播、卫星通信以及一些其他领域的广泛应用,频谱资源已经成为了一项稀缺资源。与此同时,由于固定的频谱分配政策,频谱利用率并不高,一些频谱资源被浪费了。根据美国联邦通信委员会(FCC)的报告,授权频段的频谱利用率在15%～85%之间[1]。因此,认知无线电被提出以解决这个问题,并提高对空闲频谱的利用率。认知无线电的关键思想就是在授权用户不使用频谱时,可以让认知用户(未授权用户)机会的接入该频谱,从而使认知无线电系统最大化地利用空闲频谱。

认知无线电系统可以解决频谱资源短缺的问题,然而,一个问题是认知用户不能对授权用户造成干扰。也就是说,认知用户必须感知所使用的频谱以确保授权用户不在使用它。当授权用户使用该频谱时,认知用户必须快速检测到并转移至其它频段。因此我们可以看到,认知用户应该具有频谱感知的能力,这是认知无线电的一项关键技术,也是接下来频谱分析和决策的基础。

总的来说,本地频谱感知有以下几种方法:匹配滤波器法、循环谱检测法和能量检测法[2]。匹配滤波器检测需要授权用户的先验信息,循环谱检测需要很大的计算量并且它的检测时间略长,而能量检测由于它的易于实现和良好的通用性而被广泛利用。对于能量检测来说,认知用户只需要利用一个带宽为W采样时间为T的带通滤波器来计算接收信号的能量。然而,当信道条件较差并且噪声功率变化时,能量检测的性能会严重降低。

为了解决由于衰落信道对本地能量检测性能的不利影响,协作频谱感知被提出来,它是利用若干认知用户的检测结果,依据某种准则,做出一个全局判决。这种方法降低了单个认知用户检测结果的影响,目的是在整个认知网络中达到最好的检测性能。

首先为CR中的协作频谱感知建立了一个基于簇的网络模型。还提出了“簇内检测”和“簇间检测”并给出了具体的流程。此外,为了提高本地频谱检测的性能,还对自适应双门限检测进行了分析和研究。与此同时,针对所提出的网络模型,还对其信息的量化方式和融合准则进行了研究。最后,通过仿真验证了这个CR网络模型的检测性能。

1 协作频谱感知网络模型

基于簇的频谱感知在文献[4,5]中已经被提出,在本文中,基于簇的协作频谱检测网络模型如图1所示。首先,若干认知用户(可能是地理位置较近的)由某种准则组成一个簇,而所有的簇共同构成整个网络。在每个簇中,我们可以选择一个簇头节点,这些簇头节点进行通信并得出全局判决结果。

事实上,基于簇的网络模型对于认知网络的路由选择也是有益处的。此外,它还可以充分地利用信道资源。这里,我们并不考虑簇是如何组成的,也不考虑簇头节点是如何选择和轮换的。我们只关心“簇内检测”和“簇间检测”的性能。因此,接下来,首先讨论整个协作频谱感知的流程。

整个检测流程可以分为两个部分:簇内检测和簇间检测。假设有N个认知用户,被分为M个簇。每一个簇有Nj个认知用户,其中,j=1,2,…,M。

1.1 簇内检测

在这个部分,同一个簇内的认知用户进行协作检测,并产生一个判决结果Cj来代表第j个簇,具体的步骤如下所示:

第一步:同一个簇内的认知用户利用双自适应门限能量检测法进行本地频谱检测,得到初始判决或者量化信息。

第二步:具有高信噪比的认知用户,向低信噪比的认知用户发送辅助信息。

第三步:认知用户将自己得到的初始信息与其它用户发送的辅助信息相结合,得到本地最终的判决结果Bjk, k=1,2,…,Nj。

第四步:所有的认知用户将它们的最终本地判决结果发送至簇头节点,得到簇判决Cj。

1.2 簇间检测

在这个部分,只有簇头节点间进行通信。考虑到不同国家的政策,基于簇的网络模型并没有设立一个判决中心。而无中心的自组织网络更加受欢迎,更有吸引力。因此这里我们也采用这种方式,让簇头节点通过结合自身和收到的簇判决信息,自己做出最终的判决。

总体上,整个协作频谱检测的流程已经列出,流程图如图2所示。

2 理论分析

首先,认知用户利用双自适应门限法进行本地频谱检测,许多文献已经证明,这比传统的能量检测和固定门限的能量检测效果更好。在本文中,双自适应门限的形式如图3所示。

λ $_{j k}^{L}$ 是低自适应门限,λ $_{j k}^{Η}$ 是高自适应门限,j=1,2,...,M是簇的标号,k=1,2,...,Nj是第j个簇内认知用户的标号。 $λ_{j k}^{0} = \underset{λ_{j k}}{\arg} \min (Ρ_{e})$ 是最优门限值,它可以使错误概率Pe最小化,它由公式(1)定义[6]:

$\begin{array}{l} Ρ_{e} = Ρ (Η_{0}) Ρ_{f a} + Ρ (Η_{1}) (1 - Ρ_{d}) = \\ Ρ (Η_{0}) Ρ {Y_{j k} \geq λ_{j k}^{0} | Η_{0}} + Ρ (Η_{1}) * Ρ {Y_{j k} \leq λ_{j k}^{0} | Η_{1}} = \\ Ρ (Η_{0}) \frac{Γ (u, λ_{j k}^{0} / 2)}{Γ (u)} + Ρ (Η_{1}) [1 - Q_{u} (\sqrt{2 γ_{j k}}, \sqrt{λ_{j k}^{0}})] (1) \end{array}$

${\begin{matrix} λ_{j k}^{L} = λ_{j k}^{0} - Δ \\ λ_{j k}^{Η} = λ_{j k}^{0} + Δ \end{matrix}$

(2)

P(H0)和P(H1)分别是授权用户不出现和出现的先验概率,Γ(a)是伽马函数,Γ(a,b)是不完全伽马函数,Γ(a,b)是广义Marcum Q函数,u=TW是带宽时延积,Δ门限常数,通常依赖于SNR γjk。因此,初始判决准则由式(3)给出,Ajk是第j个簇中,第k个认知用户的初始判决,ωjk则是量化信息。

${\begin{matrix} A_{j k} = 1, & i f & Y_{j k} \geq λ_{j k}^{Η} \\ A_{j k} = 0, & i f & Y_{j k} \leq λ_{j k}^{L} \\ A_{j k} = ω_{j k}, & i f & o t h e r w i s e \end{matrix}$

(3)

接下来我们在双门限间进行q-bit量化,这样我们能够得到l=2q个区间,本文中,令q=2,因此,区间划分由式(4)给出。

${\begin{matrix} Δ_{j k}^{1} = 2 d = [λ_{j k}^{L}, λ_{j k}^{L} + 2 d) \\ Δ_{j k}^{2} = d = [λ_{j k}^{0} - d, λ_{j k}^{0}) \\ Δ_{j k}^{3} = d = [λ_{j k}^{0}, λ_{j k}^{0} + d) \\ Δ_{j k}^{4} = 2 d = [λ_{j k}^{0} + d, λ_{j k}^{Η}) \end{matrix}$

(4)

根据极大似然准则[3],我们可以计算量化信息:

$ω_{0} = \lg \frac{Ρ (Η_{1})}{Ρ (Η_{0})}$ (4)

$\begin{array}{l} ω_{j k}^{t} = \lg \frac{Ρ (Y_{j k} \in Δ_{j k}^{t} | Η_{1})}{Ρ (Y_{j k} \in Δ_{j k}^{t} | Η_{0})} = \\ \lg \frac{Ρ (Δ_{j k}^{t L} \leq Y_{j k} \leq Δ_{j k}^{t Η} | Η_{1})}{Ρ (Δ_{j k}^{t L} \leq Y_{j k} \leq Δ_{j k}^{t Η} | Η_{0})} = \\ \lg \frac{Q (\sqrt{2 γ_{j k}}, \sqrt{Δ_{j k}^{t L}}) - Q (\sqrt{2 γ_{j k}}, \sqrt{Δ_{j k}^{t Η}})}{Γ (u, \frac{Δ_{j k}^{t L}}{2}) / Γ (u) - Γ (u, \frac{Δ_{j k}^{t Η}}{2}) / Γ (u)} (5) \end{array}$

$\begin{array}{l} ω_{j k}^{b} = \lg \frac{Ρ (Y_{j k} = b | Η_{1})}{Ρ (Y_{j k} = b | Η_{0})} = \\ {\begin{matrix} \lg \frac{Ρ (Y_{j k} \geq λ_{j k}^{Η} | Η_{1})}{Ρ (Y_{j k} \geq λ_{j k}^{Η} | Η_{0})} & i f & b = 1 \\ \lg \frac{Ρ (Y_{j k} \leq λ_{j k}^{L} | Η_{1})}{Ρ (Y_{j k} \leq λ_{j k}^{L} | Η_{0})} & i f & b = 0 \end{matrix} = \\ {\begin{matrix} \lg \frac{Q (\sqrt{2 γ_{j k}}, \sqrt{λ_{j k}^{Η}})}{Γ (u, \frac{λ_{j k}^{Η}}{2}) / Γ (u)} & i f & b = 1 \\ \lg \frac{1 - Q (\sqrt{2 γ_{j k}}, \sqrt{λ_{j k}^{L}})}{1 - Γ (u, \frac{λ_{j k}^{L}}{2}) / Γ (u)} & i f & b = 0 \end{matrix} (6) \end{array}$

本地最终判决准则为:

${\begin{matrix} B_{j k} = 1, & i f & ω_{0} + \sum_{t = 1}^{4} \sum_{k = 1}^{Ν_{j}} ω_{j k}^{t} + \sum_{b = 0}^{1} \sum_{k = 1}^{Ν_{j}} ω_{j k}^{b} \geq 0 \\ B_{j k} = 0, & i f & ω_{0} + \sum_{t = 1}^{4} \sum_{k = 1}^{Ν_{j}} ω_{j k}^{t} + \sum_{b = 0}^{1} \sum_{k = 1}^{Ν_{j}} ω_{j k}^{b} < 0 \end{matrix}$

(7)

簇判决的准则是:

${\begin{matrix} C_{j} = 1, i f & \sum_{k = 1}^{Ν_{j}} B_{j k} \geq Ν_{j} / 2 \\ C_{j} = 0, i f & \sum_{k = 1}^{Ν_{j}} B_{j k} < Ν_{j} / 2 \end{matrix}$

(8)

最后,整个网络的判决准则由式(9)给出:

${\begin{cases} D = 1, i f \sum_{j = 1}^{Μ} C_{j} \geq Μ / 2 \\ D = 0, i f \sum_{j = 1}^{Μ} C_{j} < Μ / 2 \end{cases}$

(9)

3 仿真结果

在这一节中,我们将在Matlab平台下进行仿真,来验证本文中提出方案的性能。首先,我们假设有4个簇,每个簇有6个认知用户,先验概率P(H0)=P(H1)=0.5。在簇A中,前5个认知用户的SNR是-4.9 dB,-2.1 dB,1.2 dB,4.1 dB,6.8 dB,最后一个认知用户的SNR由-2到8 dB间变化。在其它的簇中,认知用户的SNR从-2到8 dB间随机选取。

图4表示的是最优门限值λ $_{j k}^{0}$ 和SNR之间的关系,从中我们可以看出,对于不同的SNR,我们总能够通过某种搜索算法,找到最优的门限值。

图5 给出了本地频谱检测的性能。在这里,我们针对单自适应门限和双自适应门限以及是否利用辅助信息进行了对比。从仿真结果中可以看出,当SNR较低时,双自适应门限比单自适应门限性能好,利用辅助信息比不利用辅助信息性能好。当SNR足够高时,是否利用辅助信息,对于检测性能影响较小,都有很好的表现。

图6给出了协作频谱检测的性能表现。通常,协作检测的方式有“或”准则、“与”准则等等,因此,这里我们把本文中基于簇的方案,与这些准则进行对比。结果表明,我们的方案的检测性能优于那几种准则,尤其是在低信噪比的时候。

4 结论

把基于簇的网络模型应用于认知无线电系统的协作频谱检测中。首先,为了充分利用信道资源,我们让同一个簇中,高信噪比的认知用户向低信噪比的认知用户发送经过量化的辅助信息。通过仿真结果我们可以看出,这种方式的本地频谱检测能得到更好的性能。

接下来,我们让认知用户向簇头节点报告,并做出簇判决。最后,簇头节点间进行通信,并为协作频谱检测做出全局判决。仿真结果证明,利用这种方法,认知网络能够获得更好的检测性能。

摘要：认知无线电(CR)被提出来是为了解决频谱资源短缺和低频谱利用率的问题。它允许认知用户在授权用户空闲的时候机会地接入未占用的频谱。因此,快速而又准确地检测授权用户信号是认知无线电系统的基础。为了提高认知无线电网络协作频谱检测的性能,利用了最优化的本地频谱检测,并结合了基于簇的网络模型。首先,将认知用户分为若干个簇,并选出簇头节点。在同一个簇中的认知用户,共同做出一个簇判决。之后,各个簇头节点进行通信做出全局判决。此外,信噪比(SNR)高的认知用户,向信噪比低的认知用户发送辅助信息,以帮助它们利用自适应双门限法,更加准确地完成本地频谱检测。通过仿真可以发现,本地频谱检测和全局频谱检测的性能都得到了提高。

关键词：认知无线电,协作频谱检测,双自适应门限,簇,辅助信息

参考文献

[1] FCC. Notice of proposed rule making and order. ET Docket No 03-222, 2003

[2] Sahai A, Hoven N, Tandra R. Some fundamental limits in cognitive radio, allerton conf. on commun. Control and computing, 2004: 1—3

[3] Chair Z, Varshney P K. Optimal data fusion in multiple sensordetection systems. IEEE Trans Aerospace lectron Syst, Jan.22 1986;98—101

[4] Jookwan L, Youngmin K, Sunghwan S, et al. Weighted-cooperative spectrum sensing scheme using clustering in cognitive radio systems. In: Proc International Conference on Advanced Communication Technology, ICACT’08, Gangwon-Do, South Korea, Feb 2008;1: 786—790

[5] Sun Chunhua, Zhang Wei, Letaief B. Cluster-based cooperative spectrum sensing in cognitive radio systems. In: Proc IEEE International Conference on Communications, ICC’07, Glasgow, UK, June 2007:2511—2515

分布式协作无线电篇6

办公场所,学校,高等教育机构的设备正在经历一场由平板智能手机笔记本电脑为源头,新兴视听协作技术为主角的快速变革。这种新的视听协作技术使教室或会议室内目前常用的各种设备互动合作起来,彼此不再互相形同陌路,矛盾抵触,也不再让使用的人烦恼设备之间兼容性的问题,从而真正开始和谐工作,互通有无,截长补短,为使用者的最大利益服务。

在欧美和中国人的家庭里,人们已习于将手机平板的小屏经由无线屏幕共享系统,如谷歌的Chromecast,苹果的Apple TV,百度电视棒,串流投放到电视大屏上。这个情形主要源自于智能手机和平板的迅猛增长。如今这个趋势已经逐步扩展到正式的办公场所,教室内,和许多大型的会议环境里。

这种新型的协作技术把电脑手机平板单人操作使用的特性延伸到教室和会议室内多种大型显示设备上。使原本独立工作的各种常见设备,如:手机,平板,电脑,无线路由器和投影机,触摸式大屏电视等显示终端,互动合作起来 ,形成一个整合型简单好用的信息化的会议或教室环境。从单人单机孤岛式的应用扩充到包含云资源在内多人多机多屏幕近远程的协同应用。

得力于此新兴视听协作技术,个人移动设备可以有效无缝的使用于工作场所。此技术同时也创造了人们工作或学习上新层次的协作和持续发展的无限可能性。平板电脑行业的增长颠覆了微软视窗的完全掌控,也带动了教室和会议室无线屏幕共享和协作系统的增长,视讯行业的一些知名品牌如巴可、科视和Vivitek(丽讯)等投影设备供应商均从中受益。

二、推动力

此类技术在这些年快速发展的原因有很多。其中一项巨大推力来自平板电脑的成功。据Gartner最新数据显示,平板电脑销量将在2015年首次超过传统个人电脑和超便携移动笔记本电脑(见下图)。这使自带设备(BYOD)在商业和教育领域成为应用潮流。

BYOD是指允许员工在工作场所携带个人移动设备(如:笔记本电脑、平板电脑和智能手机等),并允许使用这些设备通过权限设置,访问公司内部资讯与应用。BYOD也同样适用于在学校里使用个人移动设备进行学习的学生。

近期一项由思科发起针对BYOD的研究表明,在所有使用BYOD工作的行业中,教育行业所占比例最高,达95.25%。IBM的调查报告显示,82%的员工认为智能手机在业务领域发挥关键作用。这项研究还表明BYOD具有以下优点,包括提高公司生产效率,提高员工满意度,并为公司节约成本。

生产力提高来自于使用个人设备熟悉度;所谓工欲善其事,必先利其器。此外,一般企业中,个人设备往往比公司提供的常用设备更高端,更新更快。允许员工使用自己选择的设备而不是使用公司IT团队提供的设备,可使BYOD提供更高的员工满意度和工作满意度。它使员工只需携带一个设备,而不像过去那样一个用于工作,一个自用。

更快、更方便的互联网接入和云存储技术的出现,如Dropbox,百度云盘,谷歌云盘等,使不在公司IT网络内的大数据,文字文件、视频文件等变得更易存储和取得,从而进一步推动了智能手机和平板电脑在教育和商业领域的增长。这种基于互联网的远程接入可为在家办公及多平台操作提供支持。

三、主要应用和关键优势

1 、在教室内

此视听协作技术正在推动着教室内互动合作的模式,同时也使学校和高等教育机构的软硬件设施发生改变。在美国、英国和欧洲,高校和中学纷纷加大了对互联网接入,特别是无线网络(WiF i)接入的投资。事实上,在OECD国家中 , 整个公部门和私企教育培训的平均支出为GDP的6.2%,而英国排名较高,为6.4%,其2013-2014年支出达902亿英镑。

根据由教育技术专家组成的NMC (新媒体联盟)于2014年2月在其高等教育板块刊登的一份报告表明:“教育模式正在向包容更多在线学习、混合型和协作模式转变”“面对面,在线式,和混合学习模式”会更适合那些“已经在互联网上花了很多空闲时间”的学生学习和交流新信息。

“越来越多的大学正在为各类教学科目提供在线服务,教学融入网络环境将使教学内容更加动态、灵活,并能接触更多的学生,”报告还表明:“为鼓励协作并增强实践能力,大学正在尝试一些使学生在项目或考评中有条件的享有更多的互动自由。”

报告表明,在实验在线学习环境一事领先的印第安纳大学 - 普渡大学印第安纳波利斯联合分校(IUPUI)中,“学生研究人员与教学技术专家和教授一起探讨网络会议平台如何用于同侪领导的小组学习,亦即以小組研讨会的形式一起解决问题的方法。”

2 、在会议室里

会议室也同样获益于此视听协作技术。互动协作设备通常导致更深的参与和较多的互动。新型的演示工具允许从平板电脑投影,并能从多个人的电脑进行屏幕分享,而且还支持一些基本协作软件工具,如屏幕上注释、跨屏注释、屏幕截取和共享等。这些工具容易上手,无需复杂软件操作,访客和员工同时进行投影也十分安全方便 (通过分隔的客户Wi Fi无线网和员工Wi Fi/ 局域网)。

3 、共同关注

人们认为互动协作设备很昂贵实在是大错特错。在美国,谷歌Chromecast售价可低至50美元,拥有全部互动协作功能的最高端系统成本也仅在1200-3500美元左右。

传统技术通常有很多问题,它们难以调试和使用,每次进行演讲和展示的准备工作简直就像一场噩梦,与其相比,互动协作设备克服了许多问题。在老系统中,显示适配器、分辨率、防火墙和网络安全策略往往让人望之止步。

互动协作设备提供“一键式”演讲管理,为教师或会议主持人提供一个快速有效的方案来将控制权移交给与会人员。该系统十分安全,只有通过PIN码登录后方可参与和发言。该系统还为所有基于普通云的资源提供即时访问,使用户使用和共享远程存储的内容。

BYOD做法无疑可能导致数据外泄。例如,使用智能手机访问公司网络的员工,如果手机不慎丢失,第三方可以通过手机取得不受保护的数据资料,使数据暴露在危险之中。因此,使用者最好能考虑相关风险并制定合适的BYOD政策。目前市场上出现一些能够解决BYOD安全问题的方案和政策,其中包括移动设备管理(MDM)、应用程序虚拟化和集装式的标准化。

四、实践的选择

依功能多寡和使用目的,实践的选择可概分为四类

五、如何规划实施

当想买一套无线协作系统时,最重要的是做出一份能够让你获得成功的规划。计划单可能是下边这样:

1 、目标是什么 ?

(1)使用这种类型产品的目标;

(2)部署和维护工作;

(3)它是如何与现有设备和网络基础设施进行工作的;

(4)如何管理这些设备;

(5)财务考虑;

(6)单位成本;

(7)拥有成本(比如,是否需要年费?)。

2 、涉及所有利益相关者

(1)由IT部门开展网络集成;

(2)技术人员和教师进行培训指导;

(3)软件部署和维护;

3 、决定如何实施解决方案

(1)自己动手;

(2)专业AV集成商。

六、Vivitek 畅享汇解决方案

目前,市面上有很多性价比比较高并且功能丰富的教室、会议室演讲和协作系统可供AV经理选择。也许把钱投在一些中档解决方案会比较划算,这些方案功能强大,但成本较一些高端产品低很多。

选购产品时需要关注以下方面:

跨操作系统平台支持 - 例如,Vivitek畅享汇是业界首款支持Chromebook的产品 , 而且还支持Windows/Mac/i OS/Android;

高清显示品质,高达1080p;

多达64个(用户)同时连接;

无论选择电脑或平板电脑,会议主持人均可对演示进行完全控制;

适用于教室的软件工具,包括屏幕预览、考勤监控、平板电脑锁,等等;

来自平板电脑的视频片段和You Tube视频流;

数据传输和设置修改安全 (防止未经授权用户更改设置);

双网络连接(无线网和以太网)。

畅享汇就是这样一款理想解决方案。它拥有和一些高端产品类似的功能,但成本仅为高端产品的一小部分,且具有高效实用等特点,尤为适用于教室和会议室,并支持所有现代教学设备(包括Chromebook),它还自带一系列课堂宣讲工具。

畅享汇支持双网络连接(无线和以太网),可轻松接入企业 / 学校网络环境。通过畅享汇,主人和访问者可以很轻松地在同一时间实现共享,完善无缝协作。畅享汇还提供本地Wi Fi热点支持,无论用户是在教室、会议室或礼堂,均可在任何时间召开会议,使参与者更加容易地进行相互分享,对比和互动。

七、结论

随着手机和平板电脑的普及,自带设备(BYOD)在商业和教育行业变得更加流行。更快、更方便的互联网接入和云存储技术的出现,如Dropbox,百度云,和谷歌云盘等,使不在公司IT网络内的大数据,文字文件、视频文件等的实时取得变得更加容易,从而进一步推动了智能手机和平板电脑在教育和商业领域的增长。

最新演示工具允许从平板电脑进行投影 ,并能从多个人的电脑进行屏幕分享,而且还支持一些基本协作软件工具 ,如屏幕上注释、跨屏注释、屏幕捕获和共享等。这些工具易于上手 ,无需复杂软件操作 ,使用者进行投影也十分方便安全 (通过客户Wi Fi和员工Wi Fi网 / 局域网)。

分布式协作无线电篇7

嵌入式计算的代价相比实际商品的代价显得微不足道, 合并计算与无线通信能力在大多数消费产品中有着上升的趋势, 因此, 下一代计算系统将被嵌入在一个几乎无限数量并且动态的链接。这些系统将渗入每一个日常生活可能的领域, 它们能够自动对外界情况进行分析和学习, 实现自治管理。

与传统的分布式计算模型相比, 基于无线传感器系统网络的协作计算面临着更为严峻的挑战。无线传感器系统网络所包含的设备数量远多于分布式计算模型中的设备数量。由于无线传感器系统的设计与特定的应用背景相关, 因此不同无线传感器系统中的硬件体系各不相同, 使协作计算模型的定义和构造更为复杂。与internet不同, 无线传感器系统网络通常布置在隐秘的环境中以避免引起他人注意, 因此当网络失效时无法通过人工操作使网络恢复正常。无线传感器系统网络硬件很脆弱, 节点和链表失效经常发生。节点的工作状态可能发生变化, 同时, 由于移动性、能源损耗或外界环境影响, 节点也可能出现无法联系的情况。

无线传感器系统网络中的节点通过无线网络进行通信。因此, 节点可以与其传输范围内的任一节点直接进行数据传输。与大多数Ad hoc网络相似, 无线传感器系统网络中的节点既是主机也是路由器。尽管如此, 无线传感器系统网络的规模和网络异质化问题和路由多样性问题为路由算法的灵活性提出了新的要求。

1 协作式计算模型

在大规模嵌入式Ad hoc网络中, 协作式计算是一种分布式计算模型。在该模型中, 分布式应用可定义为对智能信息的动态采集过程。智能信息的执行分为计算和迁移两个阶段。每一步的执行内容有节点特性决定。如果当前节点为目的节点, 则智能信息将会读取并处理数据;若为中介节点, 智能信息则仅完成路由寻址操作。迁移过程中, 智能信息所携带的内容包括:数据、计算代码、对执行状态的简单描述。

为实现网络节点间的协作, 应为智能信息提供一个结构上独立的编程环境 (虚拟机) , 并为智能信息间的通信和智能信息与主机系统的通信提供基于标识的共享存储空间。智能信息本身和节点的系统支持是协作式计算的两个基本要素, 是无线传感器系统网络分布式应用的基础。

在协作计算模型中开发一种新的分布式应用无需预先了解网络规模和拓扑结构, 也无需了解各节点的特定功能。智能信息的动态处理能力具有很强大的灵活性, 能满足网络的动态拓扑特性。随时间的推移, 某些节点可能由于移动性或能量损耗而失效, 智能信息能通过动态路由适应网络环境的变化。智能信息携带了多种路由程序, 可以根据网络条件选择最适合的路由方式。在需要处理大量数据的应用中, 采用移动智能信息可以提高算法性能。例如, 在目标跟踪中采用智能信息可以使跟踪过程在传感节点内实现对图像的动态分析, 而不用在网络中传送大尺寸图像, 大量减少了网络带宽占用和能耗, 也缩短了响应时间。

如图所示, 是一个简单的应用实例, 体现了协作式计算的特点。该应用采用视频监测节点组成无线传感网络实现特定区域内的目标跟踪。用户能将用于跟踪的智能信息迁移到网络的任意节点中。监测过程中, 智能信息向可能获得跟踪目标图像的节点迁移, 自主规划通向目标节点的路径, 并利用运动方向和地理信息“捕捉”目标。一旦智能信息到达新的节点后, 将分析目标的下一步运动。而后智能信息向目标运动方向的邻近节点迁移, 从而获得不同角度或照明条件下的目标数据。当跟踪完成后, 智能信息将生成响应信息, 把收集到的信息传回用户节点。

2 节点结构

智能信息通过传递算法降低了网络对节点带宽和能量的需求, 为实现协作计算, 无线传感网络需要为智能信息的传递和运算提供一定的硬件和软件支持。无线传感节点是智能信息的载体, 也是执行智能信息的基本组成部分。如图所示, 为无线传感节点为协作式计算提供的系统支持框架, 其中控制管理器用于接收新来的智能信息, 在确认智能信息的有效性后将这些消息存储到智能信息队列中;编码缓存用于保存已用代码以减少网络信息量;虚拟机用于安排和执行当前的智能信息运算任务;标签空间是基于标识的共享存储空间, 用于保存智能信息的数据, 并为主机的操作系统和I/O系统提供数据接口。

2.1 控制管理器

为避免资源的过度使用, 需要控制每个无线传感节点的功能。在实际应用中, 每个智能信息在自身的资源列表中标明其运行的资源需求。控制管理器则对照智能信息的资源需求及无线传感节点所能提供的资源判别智能信息的有效性。当无线传感节点资源能够满足智能信息的要求时, 控制管理器则接收该智能信息, 并将其存储在智能信息队列中。

2.2 代码缓存

通常情况下, 无线传感器系统网络各类应用过程通过局部计算实现, 为减少网络中智能信息的传输量, 可以在代码缓存区中存储常用的智能信息代码, 以避免智能信息的重复传输, 降低网络能耗。

2.3 虚拟机

虚拟机用于安排、执行并迁移智能信息。在迁移智能信息时, 虚拟机获取当前节点的执行状态, 并将该状态与智能信息代码和数据一起发送到目的节点中。目的节点的虚拟机则根据迁移规则从指令中重新取回智能信息。

2.4 标签空间

每个包含智能信息的节点都含有一个基于标识的共享存储空间, 即标签空间。该空间中包括两类标志字:由智能信息生成的应用标志字和由系统提供的I/O标志字。I/O标志字定义了节点的基本硬件, 并为智能信息提供本地操作系统和I/O系统的数据接口。智能信息可以建立、删除、读写应用标志字, 但对I/O标志字只能进行读写。

如图所示, 为应用标志字和I/O标志字的结构, 其中, 标识符是标志字的名称, 类似于文件系统中的文件名;智能信息采用标识符为节点命名。各标志字与访问控制信息相关联, 智能信息对这些标志字的访问受到一定限制。应用标志字和I/O标志字的功能和工作周期都不相同。应用标志字在有限的工作周期里为应用过程提供持续的存储空间。应用标志字工作周期结束后, 节点将回收其存储空间。而I/O标志字是永久性标志字, 它为每个I/O处理器提供一个指示字。标志字的主要用途为:

(1) 标识。智能信息采用标志字的标识符为节点提供标识。

(2) 数据存储。智能信息通过在网络中生成标志字开辟存储空间实现数据存储。

(3) 数据交换与数据共享。通过标签空间交换数据是不同智能信息之间相互通信的唯一通道。

(4) 路由。智能信息可能在访问的节点上生成路由标志字, 从而在这些标志字的数据部分存储路由信息。

(5) 同步。智能信息可以由特定的管理标志字进行控制。在另一个智能信息写入该标志字后, 由该标志字控制的所有智能信息将同时唤醒, 并准备执行。

(6) 与主机系统相互作用。智能信息可以通过I/O标志字向主机系统或I/O设备发出命令, 也可以接收请求的数据信息。

3 程序接口与实现

协作式计算模型的应用程序接口如下图所示, 其中提供了简单而有效的基元机器指令。智能信息可以访问标签空间, 动态地生成新的智能信息, 用标志字同步, 并向目标节点迁移, 其主要基元机器指令定义如下。

用于生成智能信息、删除或访问现存的标志字。这些操作受限于访问控制。访问I/O标志字时采用了同样的接口。智能信息可以通过写入I/O标志字向I/O设备发出命令, 或者可以通过读I/O标志字获得I/O数据。

无线传感节点通过调用带有程序文件名列表的createS-MFromFiles建立新的智能信息。智能信息在执行中可以采用createSM指令由其代码和数据块的子集生成一个新的智能信息。当本地路由不可用时, createSM命令经常用于生成一个路径搜寻智能信息。spawnSM指令则用于克隆智能信息。通常当智能信息需要将自身复制到新的目标节点上时需要调用spawnSM指令。

此基元机器指令实现了基于更新的同步机制。智能信息被标志字阻留, 并等待标志字写入。为避免死锁, blockSM定义超时参数。如果在规定时限内没有写入标志字, 虚拟机将控制权返回智能信息。

migrateSM基元机器指令用于完成基于内容的高级迁移操作, 该指令允许用标志字名为目标节点命名, 并允许设定迁移时间范围。如果migrateSM正常返回, 则智能信息将继续在目的节点内执行。如migrateSM指令超时, 则智能信息在中介节点上重新获得控制权。如下图所示, 采用migrateSM指令的典型示例。此智能信息可以运用前面所描述的目标跟踪应用上。智能信息向目的节点迁移, 并将在这些节点上运行直到获得计算结果。完成以上操作后智能信息将重新迁移回源节点。

migrateSM函数采用路由标志字实现路由, 其低级基元机器指令被称作sys_migrate。sys_migrate基元机器指令用于在邻近节点间迁移智能信息, 获取执行状态并肩智能信息发送到下一跳节点。

4 仿真结果

通过仿真实验对基于智能信息的信息协商传感器协议和定向扩散协议的数据收敛时间进行量化, 并且与传统消息传递操作相比较。数据收敛时间定义为一定比例的节点接收到数据或数据率的时间。在两种协议中, 所有节点都根据泛洪传播原则接收数据和数据率。当所有节点都接收到数据后标志着SPIN过程结束;当所有节点接收到数据速率信息后定向扩散过程则开始路由规划。所有实验都采用了相同的网络设置方案, 网络的256个节点均匀分布在正方形区域上, 各节点有相同的传输范围。各节点平均邻近节点数是4。

实验1比较了当网络中只有一个智能信息时的数据收敛时间。如下图所示, 当Sink节点和源节点位于正方形区域的对角处时采用单一智能信息的定向扩散算法数据收敛时间。实验比较了3种采用智能信息的情况和仅采用被动通信的情况。最上端的曲线表示的是没有采用代码存储条件下的时间;第2条曲线表示当网络中智能信息第一次执行采用代码存储的情况, 由图中可知此时的数据收敛时间仅为原先的1/4。这是因为当智能信息第一次访问节点时代码被存储, 而代码被后续智能信息重复使用, 因此可以节约很多信息传输时间。如第3条曲线所示, 当所有代码已经存储在节点中时收敛时间降低了30%, 而第4条曲线则为传统方式下的数据收敛时间。可以看出当所有代码都存储在节点上时相比于传统执行方式执行时间仅上升了5%, 相比于无线传感器系统网络中的分布式应用带来的灵活性, 这种代价可以接受。

在正方形网络区域的两个对角节点上运行SPIN智能信息, 其结果如图所示, 可以看出SPIN协议的收敛时间趋势与定向扩散基本相同。第一次执行数据存储使性能得到了3倍改善。第3条曲线表示当代码已经存储在所有节点中时, 完成时间减少了30%, 其完成时间与传统执行相比增加了10%～15%。

摘要：在无线传感网络测量过程中, 协作式计算框架为数据的采集、分发、路由及各种应用提供灵活的支持, 为智能信息间的通信和智能信息与主机系统间的通信提供基于标识的共享存储空间, 为智能信息的执行提供独立的工作环境 (虚拟机) 。基于协作式计算模型的有效性, 文章提出一种用于无线传感器系统网络的协作式计算框架, 并且利用Java编译的原型进行了设计和实现。实验证明, 协作式计算提供了足够的灵活性, 为各种协议在计算平台上的执行提供了基础。

【分布式协作无线电】推荐阅读：

分布式无线网络平台06-17

组合分布式07-17

分布式基站10-18

分布式处理05-13

分布式供热05-21

分布式储能06-01

在线分布式06-08

分布式软件07-30

分布式通信08-01

分布式传感08-16

>> 查看更多相关文档