一种面向认知网络模拟主用户攻击的协同感知优化方法与流程

本发明属于无线通信技术领域，具体涉及一种针对频谱短缺而使用的频谱感知的优化方法。

背景技术：

移动通信技术的发展为人们提供了越来越强大便捷的通信手段，正深刻地改变着人们的生产与生活方式。但是，随着全球范围内移动用户数的快速攀升，互联网业务的迅猛增长以及便携计算机设备的广泛使用，通信系统对无线频谱资源的需求也在不断增加。在自然的频谱资源有限的情况下，很多国家已将可分配的频谱资源分配完毕，留给新业务与新技术的频谱很少，甚至没有频谱资源可供分配。

传统技术可以在一定程度上提高频谱利用率和传输容量，但即便如此，频谱资源短缺的问题仍然没有得到真正有效的解决。在这种现状下，现有的静态频谱分配方案显然已经不能满足高速无线通信业务快速增长的需求，因此，需要开发新的技术为新的业务提供更多可用的频谱。认知无线电(cognitiveradio)能够择机利用主用户空闲的无线频谱资源，被认为是解决当前无线频谱短缺问题的有效技术。其核心思想是cr具有学习能力，能够与周围环境交互信息，以感知和利用该空间的可利用频谱，并限制和降低冲突的发生。

认知用户(cognitiveuser，cu)通过频谱感知来确定主用户(primaryuser，pu)是否正在占用授权频段，若检测结果显示pu未占用授权频段，则将此频段分配给其他用户使用。当仅使用单个认知用户cu来感知主用户pu是否占用授权频段时，多径衰落会使得检测结果不理想，从而导致判决结果出现错误。

技术实现要素：

本发明所要解决的技术问题是：认知无线电在感知和利用空间内可利用频谱的过程中，会出现判决结果错误的情况，感知精度不高。

为解决上述技术问题，本发明提供一种面向认知网络模拟主用户攻击的协同感知优化方法，协同频谱感知优化系统包括一个主用户(pu)、一个模拟主用户攻击者(puea)、m个认知用户(cu)和一个数据融合中心(fc)，包括以下步骤：

步骤a，以单个认知用户能量检测的虚警概率为约束条件，确定认知用户能量检测的判决阈值，所述虚警概率为主用户不存在而认知用户的检测结果为主用户存在的概率；

步骤b，推导出认知用户能量检测的检测概率以及漏检概率公式，并求得协同频谱感知优化系统全局平均错误概率公式，所述检测概率为主用户存在且认知用户的检测结果也为主用户存在的概率，所述漏检概率为主用户存在而认知用户的检测结果为主用户不存在的概率；

步骤c，利用k秩优化准则计算全局平均错误概率。

协同频谱感知优化系统的全局平均错误概率为检测信道错误概率与报告信道错误概率的叠加,其中：

检测信道错误概率包括虚警概率与漏检概率；

报告信道错误概率包括传输差错概率。

在步骤a中，以下四种情况分别为对应四种信道状态：

(a)s1假设：主用户与puea均不存在，仅存在噪声的情况；

(b)s2假设：仅存在主用户、噪声的情况；

(c)s3假设：仅存在puea用户、噪声的情况；

(d)s4假设：主用户、puea用户、噪声均存在的情况。

主用户与认知用户信号均服从高斯分布，噪声信号为加性高斯白噪声。

假设所有认知用户与主用户之间的信道环境都相同，认知用户通过能量检测接收到的信息均有相同的信噪比，则以上四种信道状态分别对应：

s1＝{f0，h0}

s2＝{f0，h1}

s3＝{f1，h0}

s4＝{f1，h1}#(1)

其中，f0表示puea不存在，f1表示puea存在，h0表示主用户不存在，h1表示主用户存在；若puea检测到主用户存在，则puea以概率α发起模拟主用户攻击，若puea未检测到主用户存在，则puea以概率β发起模拟主用户攻击；

虚警概率pfc表示主用户不存在但认知用户的检测结果显示主用户存在的概率，即pfc＝p(d1|h0)，由贝叶斯公式可得：

其中，d1表示认知用户能量检测的结果为主用户存在，d0表示认知用户能量检测的结果为主用户不存在，p(f0|h0)表示主用户不存在时puea也不存在的概率，p(f1|h0)表示主用户不存在时puea存在的概率，p(d1|f0,h0)为主用户与puea均不存在、但认知用户的检测结果为主用户存在的概率，即：

p(d1|f1,h0)表示主用户不存在、puea存在但认知用户检测结果为主用户存在的概率，即：

其中，t为积分变量，λc为认知用户能量检测的判决阈值；γe为puea在认知用户处的接收信噪比；表示背景噪声的方差；n为采样点数；其中，p(f0|h0)、p(f1|h0)的表达式分别为：

p(f0|h0)＝pfδ·(1-α)+(1-pfδ)·(1-β)(5)

p(f1|h0)＝pfδ·α+(1-pfδ)·β(6)

为puea对主用户进行检测时的虚警概率：

λδ为puea用户对主用户进行能量检的的判决阈值。

在步骤b中，将公式(5)、(6)代入公式(2)可得：

同理，检测概率表示主用户存在、且认知用户的检测结果也显示主用户存在的概率，p(f0|h1)表示主用户存在时puea不存在的概率，p(f1|h1)表示主用户存在时puea也存在的概率，即由贝叶斯公式可得：

p(d1|f0,h1)表示主用户存在、puea不存在、认知用户检测结果为主用户存在的概率，即：

p(d1|f1,h1)表示主用户存在、puea也存在、认知用户检测结果为主用户存在的概率，即：

p(f0|h1)、p(f1|h1)的表达式分别为：

p(f0|h1)＝pdδ·(1-α)+(1-pdδ)·(1-β)(12)

p(f1|h1)＝pdδ·α+(1-pdδ)·β(13)

γp为主用户在认知用户处的接收信噪比；

为puea对主用户进行能量检测时的检测概率：

其中,γδ为主用户在puea处的接收信噪比，将公式(10)、(11)代入公式(9)可得：

每一个认知用户在检测信道以及报告信道中产生的虚警错误概率与漏检错误概率分别为：

pfe＝pfc(1-pe)+(1-pfc)pe(16)

pme＝pm(1-pe)+(1-pm)pe(17)

其中，pe为认知用户向融合中心发送判决结果过程中的传输差错概率。

在步骤c中，使用k秩优化准则进行优化，k为完成判决所需要的认知用户数目，m为认知网络中所有认知用户的数目，则全局虚警错误概率pf(k,m)与全局漏检错误概率pm(k,m)分别为：

其中，pr(d1|h0)为主用户不存在但融合中心判决结果为主用户存在的概率、pr(d0|h1)为主用户存在但融合中心判决结果为主用户不存在的概率。

求得系统全局平均错误概率函数：

协同频谱感知优化系统全局平均错误概率对k求导可得：

当时可得：

两边取对数可得：

经过计算可得出k值，规定对k向后取整得到的数值即为系统所需要的认知用户的个数k^*：

将k^*代入系统全局平均错误概率中，即可求得k秩优化准则下的系统全局平均错误概率。

本发明所达到的有益效果：本发明的方法，与几种传统的方案进行直观的相比，使用协同频谱感知(cooperativespectrumsensing，css)来提高感知的精度，其中包括检测信道与报告信道。具体来说，每个cu通过能量检测的方式对观测到的授权频段进行二元判决，并将判决结果通过报告信道汇报给融合中心，最后融合中心通过k秩优化准则做出全局判决：当至少k个cu检测到pu信号时，融合中心判决结果为pu正在占用授权频段；若低于k个cu检测到pu信号时，融合中心判决结果为pu未占用授权频段。在此css模型的基础上，通过对k值的优化实现了全局平均错误概率的最小化。本发明通过对传统融合准则的优化，提高了认知网络频谱感知的精准度。

附图说明

图1为本发明实施例基于认知无线电技术的协同频谱感知系统模型图；

图2为图1中的实施例在不同信噪比γp下全局平均错误概率的matlab仿真图；

图3为不同信噪比γp下，采用算法搜索得到的最优k值解与k秩优化准则的对比；

图4为在不同信噪比γp环境下，k秩优化准则中k值的变化。

具体实施方式

下面将结合本发明中的附图，对本发明的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动条件下所获得的所有其它实施例，都属于本发明保护的范围。

本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段，还包括由以上技术特征任意组合所组成的技术方案。

实施例1

本发明提供一种面向认知网络模拟主用户攻击的协同感知优化方法，协同频谱感知优化系统包括一个主用户(pu)、一个模拟主用户攻击者(puea)、m个认知用户(cu)和一个数据融合中心(fc)，包括以下步骤：

步骤a，以单个认知用户能量检测的虚警概率为约束条件，确定认知用户能量检测的判决阈值，所述虚警概率为主用户不存在而认知用户的检测结果为主用户存在的概率；

步骤b，推导出认知用户能量检测的检测概率以及漏检概率公式，并求得协同频谱感知优化系统全局平均错误概率公式，所述检测概率为主用户存在且认知用户的检测结果也为主用户存在的概率，所述漏检概率为主用户存在而认知用户的检测结果为主用户不存在的概率；

步骤c，利用k秩优化准则计算全局平均错误概率；

协同频谱感知优化系统的全局平均错误概率为检测信道错误概率与报告信道错误概率的叠加，其中：

检测信道错误概率包括虚警概率与漏检概率；

报告信道错误概率包括传输差错概率。

在步骤a中，以下四种情况分别为对应四种信道状态：

(a)s1假设：主用户与puea均不存在，仅存在噪声的情况；

(b)s2假设：仅存在主用户、噪声的情况；

(c)s3假设：仅存在puea用户、噪声的情况；

(d)s4假设：主用户、puea用户、噪声均存在的情况。

主用户与认知用户信号均服从高斯分布，噪声信号为加性高斯白噪声。

假设所有认知用户与主用户之间的信道环境都相同，认知用户通过能量检测接收到的信息均有相同的信噪比，则以上四种信道状态分别对应：

s1＝{f0，h0}

s2＝{f0，h1}

s3＝{f1，h0}

s4＝{f1，h1}#(1)

其中，f0表示puea不存在，f1表示puea存在，h0表示主用户不存在，h1表示主用户存在；若puea检测到主用户存在，则puea以概率α发起模拟主用户攻击，若puea未检测到主用户存在，则puea以概率β发起模拟主用户攻击；

虚警概率pfc表示主用户不存在但认知用户的检测结果显示主用户存在的概率，即pfc＝p(d1|h0)，由贝叶斯公式可得：

其中，d1表示认知用户能量检测的结果为主用户存在，d0表示认知用户能量检测的结果为主用户不存在，p(f0|h0)表示主用户不存在时puea也不存在的概率，p(f1|h0)表示主用户不存在时puea存在的概率，p(d1|f0,h0)为主用户与puea均不存在、但认知用户的检测结果为主用户存在的概率，即：

p(d1|f1,h0)表示主用户不存在、puea存在但认知用户检测结果为主用户存在的概率，即：

其中，t为积分变量，λc为认知用户能量检测的判决阈值，γe为puea在认知用户处的接收信噪比；表示背景噪声的方差；n为采样点数；其中，p(f0|h0)、p(f1|h0)的表达式分别为：

p(f0|h0)＝pfδ·(1-α)+(1-pfδ)·(1-β)(5)

p(f1|h0)＝pfδ·α+(1-pfδ)·β(6)

为puea对主用户进行检测时的虚警概率：

λδ为puea用户对主用户进行能量检的的判决阈值。

在步骤b中，将公式(5)、(6)代入公式(2)可得：

同理，检测概率表示主用户存在、且认知用户的检测结果也显示主用户存在的概率，p(f0|h1)表示主用户存在时puea不存在的概率，p(f1|h1)表示主用户存在时puea也存在的概率，即由贝叶斯公式可得：

p(d1|f0,h1)表示主用户存在、puea不存在、认知用户检测结果为主用户存在的概率，即：

p(d1|f1,h1)表示主用户存在、puea也存在、认知用户检测结果为主用户存在的概率，即：

p(f0|h1)、p(f1|h1)的表达式分别为：

p(f0,h1)＝pdδ·(1-α)+(1-pdδ)·(1-β)(12)

p(f1,h1)＝pdδ·α+(1-pdδ)·β(13)

γp为主用户在认知用户处的接收信噪比；

为puea对主用户进行能量检测时的检测概率：

其中,γδ为主用户在puea处的接收信噪比，将公式(10)、(11)代入公式(9)可得：

每一个认知用户在检测信道以及报告信道中产生的虚警错误概率与漏检错误概率分别为：

pfe＝pfc(1-pe)+(1-pfc)pe(16)

pme＝pm(1-pe)+(1-pm)pe(17)

其中，pe为认知用户向融合中心发送判决结果过程中的传输差错概率。

在步骤c中，使用k秩优化准则进行优化，k为完成判决所需要的认知用户数目，m为认知网络中所有认知用户的数目，则全局虚警错误概率pf(k,m)与全局漏检错误概率pm(k,m)分别为：

其中，pr(d1|h0)为主用户不存在但融合中心判决结果为主用户存在的概率、pr(d0|h1)为主用户存在但融合中心判决结果为主用户不存在的概率。

求得系统全局平均错误概率函数：

本实施例在matlab仿真的过程中，γe与γδ均取值为0db，背景噪声采样点数n＝10，约束条件为puea对主用户的虚警概塞小于0.1，且认知用户对主用户的虚警概率也小于0.1。令α＝0.2，β＝0.7，pe＝0.01，根据公式(7)，将代入，可以求出puea对主用户进行能量检测的检测阈值λδ，将λδ代入公式(14)可以得到puea对主用户的检测概率接着将代入公式(8)可以求得认知用户对主用户进行能量检测的检测阈值λc；最后根据公式(15)可以求出认知用户对主用户的检测概率

图1为系统模型图。

如图2所示，在给定虚警概率的情况下，系统全局平均错误概率均随着信噪比γp的增加而减小。随着信噪比γp的增加，采用或准则的全局平均错误概率在超过0db后趋于0.34；采用与准则的全局平均错误概率在信噪比γp超过7db后趋于0.1；采用多数准则的全局评价错误概率在信噪比γp超过5db后趋于1.1×10^-4，采用k秩优化准则的全局平均错误概率在信噪比超过7db后趋于8.5×10^-6。

如图3通过算法搜索与k秩优化准则进行对比，两者曲线完全重合，证明了该算法的有效性。

如图4所示，m＝10，在采用k秩优化准则时，使得系统全局平均错误概率最小的k值随着信噪比的增加而呈阶梯状增加，当信噪比超过5db后，k一直等于7，这一变化规律与图1相符：信噪比γp超过5db后，k秩优化准则中的k值等于7，而多数准则中k取值为6，因此，采用k秩优化准则与采用多数准则时的全局平均错误概率较为接近。

实施例2

一种面向认知网络模拟主用户攻击的协同感知优化方法，协同频谱感知优化系统包括一个主用户(pu)、一个模拟主用户攻击者(puea)、m个认知用户(cu)和一个数据融合中心(fc)，包括以下步骤：

步骤a，以单个认知用户能量检测的虚警概率为约束条件，确定认知用户能量检测的判决阈值，所述虚警概率为主用户不存在而认知用户的检测结果为主用户存在的概率；

步骤b，推导出认知用户能量检测的检测概率以及漏检概率公式，并求得协同频谱感知优化系统全局平均错误概率公式，所述检测概率为主用户存在且认知用户的检测结果也为主用户存在的概率，所述漏检概率为主用户存在而认知用户的检测结果为主用户不存在的概率；

步骤c，利用k秩优化准则计算全局平均错误概率；

步骤d，利用迭代优化算法求得最优k值以最小化全局平均错误概率。

协同频谱感知优化系统全局平均错误概率对k求导可得：

当时可得：

两边取对数可得：

经过计算可得出k值，规定对k向后取整得到的数值即为系统所需要的认知用户的个数k^*：

将k^*代入系统全局平均错误概率中，即可求得k秩优化准则下的系统全局平均错误概率。

其它技术特征与实施例1相同。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。