余琪琦,王中豪,張福來,祝長鴻,覃團發(fā)

(廣西大學a.計算機與電子信息學院;b.廣西多媒體通信與網絡技術重點實驗室,南寧 530004)

0 引 言

近年來,無人機(Unmanned Aerial Vehicle,UAV)吸引了各種商業(yè)和工業(yè)應用的廣泛興趣,其與無線移動網絡的集成有望提高頻譜使用效率,可以為未來通信網絡中的許多挑戰(zhàn)提供創(chuàng)新的解決方案[1]。UAV可以快速靈活地部署在空中,執(zhí)行可靠的傳輸且能顯著降低路徑損耗的影響,為不在地面網絡覆蓋范圍內的用戶提供無線服務,其未來的趨勢則是由多UAV組成UAV網絡協(xié)同地完成更復雜的任務。然而,在UAV網絡中大量無線設備共存導致頻譜資源短缺,這已成為UAV通信中較為嚴重的問題,傳統(tǒng)的靜態(tài)頻譜分配策略已無法有效應對。因此,需要通過動態(tài)共享頻譜資源來尋求新的高效的解決辦法。

認知無線電(Cognitive Radio,CR)是未來無線網絡中機會利用無線電頻譜資源的關鍵技術,它可以解決頻譜稀缺和頻譜效率低下問題。在認知無線電網絡(Cognitive Radio Network,CRN)中,次級用戶(Secondary User,SU)可以在主用戶(Primary User,PU)未使用其頻段時訪問空閑頻段,利用這些頻段傳輸數(shù)據(jù)[2]。UAV網絡中頻譜稀缺問題同樣可以通過訪問可用空閑頻段來解決,即無人機認知網絡(Cognitive UAV Network,CUAVN)。CUAVN的核心任務是尋找頻譜空白區(qū)域,通過頻譜感知獲取可用頻譜信息。近年來頻譜感知的研究主要分為單節(jié)點頻譜感知(Single Node Spectrum Sensing,SNSS)和協(xié)作頻譜感知(Cooperative Spectrum Sensing,CSS)。在SNSS中,每個SU感知PU頻段并進行局域決策。最常見的SNSS方法包括能量檢測、匹配濾波器檢測和循環(huán)平穩(wěn)特征檢測。但是,SNSS的檢測性能通常會受到陰影、衰落和時變等因素的影響,而在CSS中可以克服這些因素的影響。多個SU共享各自的局部感知信息,以獲得更可靠的感知結果。CSS方案分為集中式和分布式兩種:在前者中,所有由SU觀察到的結果都傳輸至融合中心(Fusion Center,FC),考慮到UAV網絡具有節(jié)點移動、網絡拓撲動態(tài)變化、鏈路不穩(wěn)定等特點,且在實際約束下很難收集到全部數(shù)據(jù),因此集中式不適用于UAV網絡;在后者中,相鄰的SU是在沒有FC的情況下交換感知信息進行協(xié)作決策。本文主要研究基于CUAVN的分布式協(xié)同頻譜感知(Distributed Cooperative Spectrum Sensing,DCSS)。

文獻[3]研究了CUAVN的平均吞吐量,UAV作為SU提高網絡覆蓋率和頻譜效率(Spectrum Efficiency,SE),并利用UAV軌跡和資源分配的聯(lián)合優(yōu)化設計,在信道干擾和時間約束下實現(xiàn)平均吞吐量最大化。文獻[4]通過優(yōu)化感知時間、UAV數(shù)量和判決門限來提高UAV次級認知網絡的SE。文獻[5]提出了一種包含一個領航UAV和一組跟隨UAV的CUAVN模型,跟隨UAV采集數(shù)據(jù)后將數(shù)據(jù)傳送給領航UAV,通過調整感知時間和飛行軌跡實現(xiàn)CUAVN的吞吐量最大化。為提高協(xié)作感知網絡的吞吐量,文獻[6]提出了聯(lián)合優(yōu)化感知時間和數(shù)據(jù)融合準則,文獻[7]則提出了聯(lián)合優(yōu)化感知時間和功率控制。文獻[8]也是通過優(yōu)化感知時間和傳輸功率來提高基于UAV的CRN系統(tǒng)的能源效率(Energy Efficiency,EE)。文獻[9]同時考慮了UAV網絡的SE和EE優(yōu)化問題,由于空閑頻段隨時間和空間變化,因此提出了基于主發(fā)射器和UAV位置信息聯(lián)合優(yōu)化UAV發(fā)射功率、感知時間和感知閾值,進一步提高SE和EE的性能。文獻[10]研究了CRN中的分布式頻譜感知(Distributed Spectrum Sensing,DSS),提出了一種新的共識算法,提供一種分布式最優(yōu)權重設計,該設計的傳感性能有了明顯的提高,且其性能可與集中式加權組合方案相媲美,但此方案未考慮到信息交換時延問題。文獻[11]提出了一種基于最小生成樹的分簇CSS改進算法,以減少分簇過程中的時延。

在CUAVN中,融合時長與感知信息交換次數(shù)密切相關,對檢測性能影響較大。因此,對于傳統(tǒng)的分布式系統(tǒng),當節(jié)點數(shù)量較大時通常需要進行大量的信息交換才能得到一致的結果,這大大降低了CUAVN的頻譜感知性能。本文研究基于聚類的分級分布式UAV的CSS,以提高CUAVN的感知性能。

1 系統(tǒng)模型

傳統(tǒng)的DSS需要進行大量交換才能得到一致結果。為解決數(shù)據(jù)融合帶來的時延問題,需要一種新的分布式架構,且該方案滿足完全式分布要求。

圖1 基于聚類的UAV感知系統(tǒng)模型

由圖2可見,感知時長t由單個UAV感知持續(xù)時間、簇內融合持續(xù)時間和簇間融合持續(xù)時間組成。在感知過程中,每個UAV先進行能量檢測,然后采用分級融合方案。在實際認知環(huán)境下,認知用戶可能會處于移動狀態(tài),認知用戶的移動性會對用戶間的協(xié)作檢測產生影響。CR用戶速度越大,檢測性能越差。若移動CR用戶與靜止CR用戶進行協(xié)作感知,移動CR用戶速度增大,與靜止CR用戶的協(xié)作檢測性能逐漸降低。若全部CR用戶都在移動,協(xié)作檢測性能相比移動CR用戶與靜止CR用戶協(xié)作感知方案更差。因此,為了保證頻譜感知的檢測性能和穩(wěn)定性,UAV在感知過程中采用懸停方式。UAV在每次懸停過程中包含三個階段:第一階段是每個UAV采用能量檢測算法感知PU的信號強度;第二階段中每個CL內進行簇內分布式融合;第三階段是從每個簇中選取一個UAV作為簇頭進行簇間的分布式融合,表示為CU={cu1,cu2,…,cuk},CU?U。在時間t內UAV為懸停狀態(tài),且位置坐標表示為(xi,yi,zi),第i個UAV到PU的距離為di。

圖2 頻譜感知時間模型

1.1 能量檢測模型

由于能量檢測較容易實現(xiàn),且不需要PU的先驗信息,本文采用能量檢測來測量PU信號。第i個UAV接收到的信號表示為

(1)

第i個SU在N個樣本的檢測間隔內總統(tǒng)計量為

(2)

在H0假設下,檢測統(tǒng)計量服從中心X2分布;在H1假設下,檢測統(tǒng)計量服從非中心X2分布。當取樣點N足夠大時,根據(jù)中心極限定理可以得到Yi近似服從正態(tài)分布:

(3)

(4)

將檢測統(tǒng)計量Yi與檢測門限λ相比,若Yi≥λ,則表示PU存在,否則PU不存在。單節(jié)點虛警概率和檢測概率表示為

(5)

(6)

由恒虛警檢測原理得

(7)

(8)

式中:Q函數(shù)表示標準正態(tài)分布的互補累計分布函數(shù),

(9)

1.2 信息融合算法

CSS分為集中式和分布式:前者是對PU信號進行感知后,將感知信息發(fā)送至FC,FC進行集中式信息融合;后者不存在FC,而是通過成員節(jié)點之間進行信息交換,從而達到信息一致。

集中式信息融合表達式如下:

(10)

(11)

(12)

虛警概率和檢測概率表示為

(13)

(14)

基于一致性收斂的分布式信息融合是各個認知用戶進行各自的頻譜感知,獲得各自測量值Yi,之后將各自的感知信息與其相連的鄰居節(jié)點進行數(shù)據(jù)交換。分布式信息融合表達式如下:

(15)

每個節(jié)點根據(jù)接收到的信號強度進行感知測量,然后利用自己的感知信息與相連鄰居的感知信息進行交換融合,迭代更新自己的感知數(shù)據(jù)。若網絡是連通的,隨著迭代次數(shù)增加,感知信息在網絡中擴散,最終網絡中每個節(jié)點將得到一個一致性收斂結果,即最終的融合結果。

2 算法設計

圖3 分級分布式融合方案流程

2.1 K-means聚類算法

K-means算法是最常用的聚類算法,本文選用該算法來對UAV進行分簇,并在考慮本方案的情況上對其進行一定的改進。一方面,使用K-means聚類算法按照位置來進行劃分,距離靠近的劃分至一個簇中,距離越近小組內成員通信質量越好。另一方面,根據(jù)已知UAV數(shù)量設定K個簇,可以保證簇內成員數(shù)量稍微可控,每個簇中信息融合時間差異不會很大,且每個簇內的數(shù)目不大于M/K。算法簡要概括如下:在給定K值,隨機選出K個初始聚類中心點的情況下,把每個點分到離其最近中心點所代表的簇中,若簇內的數(shù)量大于最大值,將最遠節(jié)點移除,重新加入至其他最近中心點所在簇;所有節(jié)點分配完畢之后,根據(jù)簇內的所有節(jié)點重新計算該簇的中心點(取平均值),然后再迭代進行分配節(jié)點和更新聚類中心點的步驟,直至聚類中心點的變化很小或者達到指定的迭代次數(shù)。算法步驟如下:

輸入:認知UAV三維空間位置坐標xi,yi,zi,期望分簇數(shù)K

輸出:各簇中成員節(jié)點,簇頭,聚類中心

1從數(shù)據(jù)中隨機挑選K個對象作為初始聚類中心。

2計算其余UAV到聚類中心的距離,分別將其加入距離最近的簇中。

3若某簇數(shù)量大于最大值,將距離最遠的UAV移除,并加入其他距離最近的不飽和簇中,至該簇數(shù)量符合要求。

4重新計算每個聚類中心。

此時的老砍頭，應該不在家里，有可能跟什么人見面，告訴對方，秀容川死了，也可能與哪個相好約會，正摟著對方說笑呢。

5計算標準測度函數(shù),達到標準或達到最大迭代次數(shù),則停止,否則重復2～4步。

7選取每個簇中平穩(wěn)參數(shù)最大的UAV作為簇頭。

2.2 兩級分布式融合方法

在信息融合階段,提出了兩級分布式融合方案,第一階段為簇內融合階段,第二階段為簇間融合階段,兩個階段都是在節(jié)點之間進行一致性信息融合。第一階段為

(16)

第一融合階段每個簇的收斂值為

(17)

(18)

第二階段與第一階段相似:

(19)

式中:k=1,2,…,K。

第二融合階段每個簇的收斂值為

(20)

(21)

式中:ωl=ψkφk,i。

得到的最終融合結果的公式(21)與集中式融合公式(10)相同?？梢钥闯鲈跊]有FC的情況下,同樣可以得到一個具有全局信息的分布式結果。最后,將最終的收斂結果與檢測閾值進行比較,得到最終決策:

(22)

3 仿真與分析

本節(jié)使用Matlab平臺進行仿真,驗證兩級分布式頻譜感知算法性能。由于DCSS在認知UAV網絡中性能研究還不夠深入,因此,將本方案與典型的未分級DSS進行比較。

假設所有UAV在感知階段都是靜態(tài)的,且具有獨立的衰落效應。設置單個UAV感知信息時間為20 μs,UAV最大移動速度為36 km/h,μ1=0.6,μ2=0.4。為研究在信號特別微弱的情況下無人機網絡通過協(xié)作感知提升感知性能,讓感知結果更準確,使用3組不同的數(shù)據(jù)進行對照,選用-18 dB,-15 dB,-12 dB作為接收 PU信號平均信噪比。在仿真中主要考慮高斯衰落信道,每個UAV分別產生PU信號能量的測量值Yi。在融合階段,每個UAV設置初始值xi(0)=Yi,使用融合算法進行迭代融合,直到收斂后達到最終共識。在DCSS中,一致性算法的收斂性至關重要,其收斂時間決定了CRN感知能力的敏捷性。接收PU信號平均信噪比為-15 dB,UAV之間通過一致性算法進行信息融合。分級融合是將20個UAV節(jié)點分為3簇,在簇內先進行融合得到3個簇內的融合結果,然后將3個結果再進行第二次融合,得到收斂結果如圖4所示,表明兩種方法最終都收斂至一個值。未分組算法在100次迭代數(shù)內,所有UAV之間xi的差異小于0.1 dB,說明對于全局統(tǒng)計量已經達成共識。而圖4(b)表示分組后第二次融合在10次迭代數(shù)內,全局統(tǒng)計量已達成共識,UAV節(jié)點更少,收斂速度更快。

圖4 融合結果對比

單個無人機感知信息時間設置為20 μs,簇間和簇內信息融合時間由信息交換次數(shù)決定。在一致性融合算法中,信息交換次數(shù)與參與分布式融合的認知用戶有關。一般來說,認知用戶越多,信息交換次數(shù)越多。本文對UAV進行分簇,依據(jù)分簇后認知用戶數(shù)量小于總體數(shù)量,從而達到減少時延的作用。假設融合時間與迭代次數(shù)成正比關系,迭代次數(shù)越少,融合時間越短。由圖5可見,未分簇融合時間明顯大于分簇后融合時間。為進行比較,本文主要考慮檢測概率和虛警概率作為性能指標。其中,檢測概率是當PU實際存在時判定PU存在的概率,虛警概率是當PU實際不存在判斷PU存在的概率。檢測概率越大會導致虛警概率越大,從而增加對PU的干擾。虛警概率低下會導致檢測概率較低,頻譜利用率也會降低。在高斯信道條件下,本文比較了分級與未分級的情況,并且比較了分布式最優(yōu)權重融合等增益融合以及傳統(tǒng)權重融合。

圖5 迭代次數(shù)對比

圖6(a)中參數(shù)設置為20個UAV,平均接收SNR為-18 dB,分簇情況下分為3個簇。分級模式在傳統(tǒng)權重融合和等增益融合時優(yōu)于不分級模式。在最優(yōu)權重融合模式時,性能幾乎相同。當虛警概率為0.1時,最優(yōu)權重融合模式檢測概率為0.95,而等增益檢測概率為0.25。在三種模式中,等增益融合性能較差。圖6(b)中參數(shù)設置為20個UAV,接收平均信噪比為-12 dB,分級情況下同分為3個簇。與圖6相同,分級模式在傳統(tǒng)權重融合和等增益融合時優(yōu)于不分級模式。在最優(yōu)權重融合模式時,性能幾乎相同。所提出的分級分布式融合方法與未分級分布式融合方法相比較優(yōu)。

接下來評估所提分級分布式加權組合方案在不同網絡規(guī)模下的性能。在圖7給出了不同網絡規(guī)模不同融合方式的檢測性能曲線。在相同的高斯信道條件下,分別采用30個和50個UAV節(jié)點的UAV網絡進行性能評估,設置相同的平均接收信噪比-15 dB。在虛警概率較低的情況下,特別是在UAV節(jié)點較多時,體現(xiàn)了加權的優(yōu)勢。觀察到不同網絡規(guī)模下最優(yōu)權值融合模式取得最好性能,當虛警概率設置在0.01～0.1之間時就可達到0.9以上的檢測概率。隨著網絡規(guī)模的增大,檢測概率也隨之增大,且分級分布式融合優(yōu)于未分級分布式融合。

(a)UAV數(shù)量為30

4 結束語

本文提出了一種用于CUAVN的分級分布式頻譜感知方案,該方案基于K-means聚類算法和一致性融合算法。當權重因子為SNR或者等增益進行共識時,分級分布式融合方案優(yōu)于未分級分布式融合方案;當權重因子為最優(yōu)權重情況下,分級分布式融合方案與未分級融合方案相當。提出的分級分布式融合方案中,每個簇先同時進行分布式信息融合,然后在簇間進行第二次分布式信息融合,從而減少信息融合時延,提高認知UAV網絡的頻譜感知性能。仿真結果表明,該方案提高了CUAVN的感知性能。

在未來工作中,可以通過機器學習對迭代狀態(tài)進行預測,減少迭代時間從而減少感知時間,進一步提高CUAVN的感知性能。此外,本文研究的是單一UAV種類場景,暫未研究多種聯(lián)合場景的跨層設計,今后可深入研究多種類混合使用場景。