Message Board

Dear readers, authors and reviewers,you can add a message on this page. We will reply to you as soon as possible!

2021 Volume 46 Issue 3
Article Contents

LI Yue-ying. Dynamic Collaborative Spectrum Sensing and Splitting Algorithms in Cognitive Radio Internet of Things Network[J]. Journal of Southwest China Normal University(Natural Science Edition), 2021, 46(3): 33-38. doi: 10.13718/j.cnki.xsxb.2021.03.006
Citation: LI Yue-ying. Dynamic Collaborative Spectrum Sensing and Splitting Algorithms in Cognitive Radio Internet of Things Network[J]. Journal of Southwest China Normal University(Natural Science Edition), 2021, 46(3): 33-38. doi: 10.13718/j.cnki.xsxb.2021.03.006

Dynamic Collaborative Spectrum Sensing and Splitting Algorithms in Cognitive Radio Internet of Things Network

More Information
  • Received Date: 03/02/2020
    Available Online: 20/03/2021
  • MSC: TP393

  • Aiming at the problem of high energy consumption and scarce Spectrum resources of sensor nodes in the cognitive radio Internet of things(CR-IoT) network, a Dynamic Collaborative Spectrum Sensing and Splitting(DCSSS) algorithm has beenproposed. In this algorithm, two-way information exchange technology is usedto enhance spectrum sensing time, and merge technology adoptedto realize mutual cooperation between Secondary Users(SUs). In order to reduce the spectral sensing time at low SNR, spectrum splitting technology is adopted, and each SU makes decisions on channel selection and routing at predetermined time. Experimental results show that the proposed algorithm has higher throughput, lower energy consumption and better channel utilization compared with the existing mechanism.
  • 加载中
  • [1] LI S C, DA X L, ZHAO S S. 5G Internet of Things: aSurvey[J]. Journal of Industrial Information Integration, 2018, 10: 1-9. doi: 10.1016/j.jii.2018.01.005

    CrossRef Google Scholar

    [2] KHAN A A, REHMANI M H, RACHEDI A. Cognitive-Radio-Based Internet of Things: Applications, Architectures, Spectrum Related Functionalities, and Future Research Directions[J]. IEEE Wireless Communications, 2017, 24(3): 17-25. doi: 10.1109/MWC.2017.1600404

    CrossRef Google Scholar

    [3] AWIN F A, ALGINAHI Y M, ABDEL-RAHEEM E, et al. Technical Issues on Cognitive Radio-Based Internet of Things Systems: aSurvey[J]. IEEE Access, 2019, 7: 97887-97908. doi: 10.1109/ACCESS.2019.2929915

    CrossRef Google Scholar

    [4] ASLAM S, EJAZ W, IBNKAHLA M. Energy and Spectral Efficient Cognitive Radio Sensor Networks for Internet of Things[J]. IEEE Internet of Things Journal, 2018, 5(4): 3220-3233. doi: 10.1109/JIOT.2018.2837354

    CrossRef Google Scholar

    [5] HU F, CHEN B, ZHU K. Full Spectrum Sharing in Cognitive Radio Networks Toward 5G: a Survey[J]. IEEE Access, 2018, 6: 15754-15776. doi: 10.1109/ACCESS.2018.2802450

    CrossRef Google Scholar

    [6] AYKIN I, KRUNZ M, XIAO Y. Adaptive Frequency-Hopping Schemes for CR-Based Multi-Link Satellite Networks[J]. International Journal of Satellite Communications and Networking, 2018, 36(4): 315-331. doi: 10.1002/sat.1235

    CrossRef Google Scholar

    [7] LIZ T, CHANG B M, WANG S G, et al. Dynamic Compressive Wide-Band Spectrum Sensing Based on Channel Energy Reconstruction in Cognitive Internet of Things[J]. IEEE Transactions on Industrial Informatics, 2018, 14(6): 2598-2607. doi: 10.1109/TII.2018.2797096

    CrossRef Google Scholar

    [8] WANG C, SONGT C, WU J, et al. Energy-Efficient Cooperative Spectrum Sensing for Hybrid Spectrum Sharing Cognitive Radio Networks[C]//2018 IEEE Wireless Communications and Networking Conference(WCNC). Barcelona: IEEE, 2018.

    Google Scholar

    [9] ALHAMAD R, BOUJEMAA H. Cooperative Spectrum Sensing with Relay Selection[J]. Telecommunication Systems, 2018, 68(4): 631-642. doi: 10.1007/s11235-017-0413-1

    CrossRef Google Scholar

    [10] PENG J W, HAN Z R, TAO K, et al. Hybrid Spectrum Handoff Scheme of Imperfect Sensing in Cognitive Radio Networks[J]. Recent Patents on Engineering, 2019, 13(4): 364-373. doi: 10.2174/1872212112666181025161710

    CrossRef Google Scholar

    [11] WANG X, EKIN S, SERPEDIN E. Joint Spectrum Sensing and Resource Allocation in Multi-Band-Multi-User Cognitive Radio Networks[J]. IEEE Transactions on Communications, 2018, 66(8): 3281-3293. doi: 10.1109/TCOMM.2018.2807432

    CrossRef Google Scholar

    [12] SHAGHLUF N, GULLIVER T A. Spectrum and Energy Efficiency of Cooperative Spectrum Prediction in Cognitive Radio Networks[J]. Wireless Networks, 2019, 25(6): 3265-3274. doi: 10.1007/s11276-018-1720-5

    CrossRef Google Scholar

    [13] ANSERE J A, HAN G J, WANG H, et al. A Reliable Energy Efficient Dynamic Spectrum Sensing for Cognitive Radio IoT Networks[J]. IEEE Internet of Things Journal, 2019, 6(4): 6748-6759. doi: 10.1109/JIOT.2019.2911109

    CrossRef Google Scholar

  • 加载中
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

Figures(4)

Article Metrics

Article views(1552) PDF downloads(195) Cited by(0)

Access History

Other Articles By Authors

Dynamic Collaborative Spectrum Sensing and Splitting Algorithms in Cognitive Radio Internet of Things Network

Abstract: Aiming at the problem of high energy consumption and scarce Spectrum resources of sensor nodes in the cognitive radio Internet of things(CR-IoT) network, a Dynamic Collaborative Spectrum Sensing and Splitting(DCSSS) algorithm has beenproposed. In this algorithm, two-way information exchange technology is usedto enhance spectrum sensing time, and merge technology adoptedto realize mutual cooperation between Secondary Users(SUs). In order to reduce the spectral sensing time at low SNR, spectrum splitting technology is adopted, and each SU makes decisions on channel selection and routing at predetermined time. Experimental results show that the proposed algorithm has higher throughput, lower energy consumption and better channel utilization compared with the existing mechanism.

  • 物联网(Internet of Things, IoT)是一个提供大量连接到智能设备和传感器的基于通信协议的网络[1], 因为设备对有限的无线频谱的竞争,物联网网络要求更多的频谱信道. 新兴认知无线电物联网(CR-IoT)网络是一个配备有认知无线电功能的专用ad hoc分布式物联网网络,由大量空间分布的具有认知能力的自组织传感器节点组成,CR-IoT网络通过提高受限无线电频谱资源,在频谱受限的情况下最大化IoT网络的频谱信道利用率[2-3]. 认知无线电(Cognitive Radio, CR)功能,如信道感知和交换消耗了传感器节点大量的能量,而传感器节点均由电池供电[4]. 因此,应仔细考虑如何进入机会频谱信道[5], 最大化CR-IoT网络的能源效率.

    近年来,动态频谱接入技术,如协同频谱共享(Cooperative Spectrum Sharing, CSS)和机会频谱共享(Opportunity spectrum sharing, OSS)已被证明能够提高CR网络能源效率和频谱效率. 文献[6]提出一种反对异步信道间频谱感知的具有前瞻性的跳频动态频谱访问方案,减少主要用户(Primary User, PU)同频干扰,以最大限度地降低通道切换持续时间开销,提高SU的吞吐量. 文献[7]提出了一个鲁棒的优化协作频谱感知机制(Collaborative Spectrum Sensing Optimization, CSSO), 多用户可以合作以最小化信道感知时间. 文献[8]提出一种新型的基于能量探测的节能混合频谱感知方法,改善了CR传感器的网络性能. 文献[9]提出了中继OSS方案,提高能源效率和频谱效率. 在一个不完全信道状态信息场景下,该方案可以有效地提高了无干扰SU的检测时间. 文献[10]针对CR网络中误报、漏检等不完善感知导致的不准确频谱切换问题,提出了一种混合频谱切换方案,能更好地实现CR网络中主用户和认知用户之间的频谱共享,解决频谱稀缺问题. 针对物联网网络连接多种设备,可用频谱不足,频繁的设备连接故障,以及高能量消耗问题,文献[11]研究了CR-IoT网络,从而提高了频谱管理效率. 为了有效优化物联网网络资源,文献[12]提出CR和IoT用于连接设备的功率控制机制,为工业自动化系统提供了一种经济有效的方法,提高了协同频谱效率. 文献[13]提出了一种基于信道能量重构的动态压缩宽带频谱感知算法(Dynamic Compressive Spectrum Sensing Based on Channel Energy Reconstruction, DCSER), 降低了认知物联网网络能耗,并证明了在高的不确定噪声情况下,可以显著提升检测性能的概率,同时减少误报概率.

    现有的研究工作大多是综合研究如何优化CR-IoT网络的服务质量(Quality of Service, QoS)性能,如减少传输范围和最大化网络容量等,很少致力于提高CR-IoT网络的能效,特别是频谱信道感知和转换的能耗. 因此,最大限度地减少频谱感知时间,同时提高CR-IoT网络的数据吞吐量和能源效率十分必要. 本文在研究现有认知无线电物联网频谱分配算法的基础上,提出了一种动态协作频谱感知和分割(Dynamic Collaborative Spectrum Sensing and Splitting, DCSSS)算法,最小化低信噪比下二级用户(SU)访问主用户(PU)空闲通道的频谱感知时间,避免SU和PU之间干扰的同时,最大化CR-IoT网络中的信道利用率,降低了能耗.

1.   研究背景
  • 在典型的物联网网络中,考虑CR传感器节点均匀分布的集合. 假设节点使用分层数据采集和分簇方法来定期探测其所在区域,并向sink或者目的节点汇报. 采集数据被分成两个步骤传输到sink: 簇成员(Cluster Member, CM)节点通过时分多址(Time Division Multiple Access, TDMA)将数据直接发送到簇头(Cluster Head, CH); 簇头对感知到的数据进行汇总并基于TDMA方法直接转发到sink.

    假设有m个不同的数据授权信道L={L1, …, Lm}, 使用带宽范围为B={B1, …, Bm}. 在CR网络中,SU作为传感器节点来检测空闲的授权频谱,并借机访问可用的m个信道进行数据发送. 为了模拟PU产生的流量,将数学函数设置为活动/被动固定随机过程,其中活动表示PU占据信道,被动意味着信道是可用的或者闲置的. 用WmKm表示指数随机变量,分别具有统计平均值wmkm, 用来描述每个信道Lm的空闲时间和占用时间. 由于恒定的信道衰落,在频谱感知中存在不可避免的误差. 假设SU具有相同的信道条件,使用协同频谱感知技术来提高可用授权信道的检测精度. 当PU不在场时,信道可用;当PU在场时,就会被占用. 频谱感知表现为二进制,具有假设检验H1H0. $P_{a}^{m}$表示活动信道被占用的概率, $P_{p}^{m}$表示被动信道空闲的概率,分别由下式得到

    其中,H1, mH0, m分别表示可用授权信道被占用和空闲的假设. 采用能量检测谱法确定空闲信道,取输出功率的平均值,并将其与预先设定的阈值进行比较,判断PU在或者不在. 假设Ej为能量检测因子,不需要源节点的先验信息,可感知占用周期Dm内可用的频谱信道. 设Pdm, j表示正确检测占用信道概率,Pfm, j表示确定信道是空闲的误报概率

    其中,δm表示检测阈值,Cm表示Lm的统计假设检验. 因此,误检的概率为

    为了提高Lm的SU占用周期,Ej的检测概率为

    其中,φ为感知周期,fs为采样频率,σm2为高斯噪声的方差,γm, j为能量探测器Ej在信道上接收到的平均信噪比,Q(·)为标准的高斯分布函数. 为了提高Lm的SU占用周期,Ej的误报概率为

    为了提高信道感知精度,CR传感器节点必须协同工作,CH才能达到良好的频谱决策. 假设有一组传感器节点Z被协作分配到感知频谱信道. 估计感知频谱信道的协同检测概率 $F_{d}^{m}$和协同错误警报概率 $F_{f}^{m}$分别为

    匹配协同误检概率 $F_{M}^{m}=1-F_{d}^{m}$. 为了实现频谱感知精度,且避免来自SU的干扰,设置预定义的PU阈值为Ft. 因此,定义约束传感器节点集Z的约束条件为

    给定Ej的信号传输功率Pj, 则通过Lm传输的高斯噪声功率为σm2, 信道传输链路j与它的目的地传感器节点i之间的平均信道增益为 $h_{j, i, m}^{2}$, 根据香农信道容量得到传感器节点的传输速率为

    协同检测技术可以减少检测过程中由噪声引起的误差,这可以有效节省带宽开销,提高感知精度. CR传感器节点通过中间节点随机传输数据到目的节点. 节点基于预定的路由度量决定发送包的路由. 节点使用路由如带宽、跳数、能量消耗等路由机制,选择可靠的传输路由. 传输1 bit数据的任意链路(i, j)的QoS准则为

    其中,N为数据包中CR传感器节点的个数,R为传输速率,P为源节点的传输功率,Lp是数据包的长度,Pr(αij)是SU成功感知数据的概率,与链路αij向目的地发送数据位得到的信噪比(Signal Noise Ratio, SNR)有关. 考虑到链路上每bit能耗,Ψij作为路由准则计算路由开销. 在传输通道中,假设有l个节点索引,其中l < N, 允许多个SU通过不同的信道同时进行传输,以避免同频干扰. SNR测量了从源节点i到目的节点j的传输链路质量为

    其中,Gij表示源节点i到目标节点j的链路增益,σ2表示收到的高斯噪声,其中f(i, j)为节点i和节点j之间的特征干扰函数$f(i, j)=\left\{\begin{array}{l}1, \text { 节点 } i, j \text { 使用同一发射信道 } \\ 0, \text { 其他 }\end{array}\right.$ .

    分配给同频率信道的CR节点的传输功率会影响它们的链路质量. 假设CR节点调整传输功率提高链接质量,允许其他SU使用相同的信道,达到一个目标SNR. 为了维护目标SNR, 节点选择发送信道实现干扰最小化.

  • 考虑第i个CR传感器节点,感知可用的授权信道. CR传感器节点的能耗通常涉及动态频谱感知、切换数据传输和接收的能耗. 同时,CR传感器节点的连接需要消耗大量的能量来连接无线电并转换至可用的信道. 基于传统的能量模型,发送数据的能量消耗Ei可以表示为

    其中,Pc是电路能耗,ti是数据传输时间.

    电路能耗表示为

    其中,Pi表示传输能耗,负责电路功耗,ϕ表示功率放大器的效率,其大小取决于射频功率放大器. 将式(14)代入式(13), 则数据传输的能耗为

    活动传感器节点N的总能耗ET

    为了改进能耗,SU使用频谱感知策略优化其感知时间. 多个SU采用协同感知技术来提高感知精度,以增加传输吞吐量. 因此,减少SU的感知时间可以最小化CR-IoT网络的能耗.

2.   动态协作频谱感知和分割算法
  • 本文提出一个能量有效的动态频谱感知和分割算法,用于SU感知可用的授权信道. 假设:

    1) SU是均匀分布的.

    2) SU周期性地向邻居SU广播消息.

    3) SU生成连续的数据流并随机发送.

    4) 基于路由机制,SU选择了能耗较少的路由进行数据传输.

  • SU充当CR传感器节点,形成具有CH的簇. 在源和目标节点处,信道的状态信息(Channel State Information, CSI)被同时用于提高动态频谱系统中可靠的消息传输和高数据速率. 因此,SU应用完美CSI可以在较低信噪比系统的信道感知中提供显著的增益. 每个带射频收发器的节点连接到至少一个CH, 通过邻近的节点处理和广播数据到达目的地. 节点在传输范围内实现密集部署,避免干扰和冲突. 多个SU协作感知授权信道的可用性,同时降低感知时间,最小化端到端数据传输引起的能量消耗.

    在低信噪比的情况下,SU检测信道频谱效率较低. 为了应对这一挑战,提出一种双向信息交换的算法,增强频谱感知时间. 该算法允许SU在PU间随机发送繁忙的信道音,动态监听并找到一个空闲信道. 当SU想要发送数据,算法工作如下:SU通过控制信道发送随机请求消息. PU识别随机请求消息并发送请求确认消息至SU. SU根据式(11)选择每比特能量最高的授权信道,并定期与邻居节点交换感知信息. 为保证数据传输的可靠性,SU记录它发送的每个包并保存发送的包计时器. 此外,该算法加强了SU间的信息交流与合作.

  • 由于信道噪声不确定性和空间相关干扰的影响,协作单元SU因为感知相同的信道频带会遇到同信道干扰. 为了提高抗干扰能力,减少低信噪比时频谱感知时间,本文提出一种动态频谱分割算法,该算法中每个SU在信道选择和定时发送阶段做出决定,保证传输吞吐量的需求. 首先构造一个二维图,将信道划分为子信道,以贪婪的方式最大化SU的局部感知. 假定在不同的SNR下,参与的SU是独立且同分布的. 之后构造一个最小距离校验二元矩阵G0Gk-1, 以增强在低信噪比情况下频谱感知的性能. 令p: {1, ⋯, v}→{1, ⋯, w}表示满射映射,其中vw. 该算法保证了可变信道在每个边缘信道之间动态检测并连接新的信道. 因此,信道分割之后边缘的数量得到了很好的维护,每个边缘在连接的可变信道上持续冲突. 值得注意的是,该频谱分割算法没有限制SU的操作在一个单一的频谱,它能够自适应地最小化低信噪比下的干扰和频谱感知时间,进一步增强了网络中的能源效率.

3.   实验结果与分析
  • 将本文算法与文献[7]中的CSSO进行比较,由于多个SU协同减少感知时间,提高了频谱效率;和文献[13]的DCSER比较,在噪声不确定性下降低了能耗.图 1显示SU数量不同时,随着SU占用信道数量的变化,聚合SU吞吐量的变化.

    图 1中可以看出,SU占用的信道数量越多,平均吞吐量越小,因为信道数量增加最大化了信道干扰,引起丢包率增加. 从单条曲线看出,当SU捕获的信道数量增加时,吞吐量稳步上升,而到了某个时刻,吞吐量就开始下降. 因为当被SU捕获的最优通道的值增加,它使总吞吐量最大,从而使可用的聚合带宽更大,但另一方面被SU捕获的通道数量增加到一定值,通过信道感知超时和重复确认丢失的数据包也随之增加,又会降低SU的总吞吐量. 图 2显示检测率性能随信噪比的变化情况.

    图 2所示,本文提出的DCSSS算法检测概率性能优于其他两种算法. 在低信噪比条件下,信噪比指数增加,协同检测概率越高,对PU信道的保护越好. 此外,当误报率高时,SU不太可能访问已占用的PU信道,因此PU信道内的干扰和冲突就会减少. 图 3展示了权衡检测概率和误报概率的受试者工作特征(Receiver Operating Characteristic, ROC)曲线.

    图 3中看出,本文算法具有较高的PU检测概率. 当存在噪声的可能性时,本文所提出的算法误报率低,误检性能好. 这证明了集群间数据传输的健壮性,并可降低能耗. 当SU试图检测空间空闲信道时,可以正确地检测可用和空闲的信道用于频谱感知,实现高效信道利用率. 图 4为不同丢包率下集群间数据传输的能耗.

    图 4中看出,能耗随着丢包率的增加而增加,这是因为集群只依赖空闲的数据传输通道. 与DCSER和CSSO算法相比,本文所提算法在数据传输中具有较低的能耗,这是因为在空闲的授权信道,DCSSS算法可以传输数据进行信道感知和切换,最小化了能耗. DCSER和CSSO算法消耗较高能量主要是由其较高的信道干扰比率及频繁的包端到端传输延迟所致.

4.   结语
  • 本文研究了动态频谱感知技术,最大限度地降低分簇CR-IoT网络中传感器节点的能耗. 提出了双向信息交换顺序算法,在数据传输中实现可靠的节能动态频谱感知技术,达到最佳的能源效率. 实验结果表明,本文算法可以最大限度地降低在数据传输中传感器节点的能耗,达到较高的吞吐量. 未来,我们将研究可重复充电的CR-IoT网络,使能源效率可以得到进一步改善.

Figure (4)  Reference (13)

Catalog

    /

    DownLoad:  Full-Size Img  PowerPoint
    Return
    Return