2019年6月第3期 现代导航 ·223· 协作频谱感知研究及其面临的问题和挑战 刘乐 （中国电子科技集团公司第二十研究所，西安 710068） 摘 要：频谱感知是认知无线网络（CRN）中的关键功能，其可以识别空闲频谱以提高频谱利用率且避免对授权用户产生有害干扰。然而，由于多径衰落，阴影，接收机不确定性等各种问题带来的重大挑战，导致授权用户的检测失败。利用协作频谱感知（CSS）技术可以最大限度地减少这些问题的影响，并通过利用空间分集来提高检测性能。本文首先介绍了认知无线网络和频谱感测技术的简要历史，然后对协作频谱感知进行了简要的研究，讨论了协作频谱感知的不同类型、技术、协作模型、特征比较，并分析了一些前期研究方案及其所面临的挑战。 关键词：认知无线电；主用户；CR用户；频谱感知；协作感知 中图分类号：TN925 文献标识码：A 文章编号：1674-7976-(2019)03-223-05

Cooperative Spectrum Sensing Research with Its Issues and Challenges LIU Le Abstract: Spectrum sensing is a key function in cognitive radio network (CRN) that can identify the free spectrum to

improve spectrum utilization and avoid harmful interference to licensed users. However, due to various challenges caused by multipath fading, shadowing, receiver uncertainty, etc., the detection of licensed users fails. Cooperative Spectrum Sensing (CSS) technology minimizes the impact of these issues and improves detection performance by exploiting spatial diversity. This paper first introduces the brief history of cognitive wireless networks and spectrum sensing technology, then conducts a brief study on cooperative spectrum sensing, discusses different types of cooperative spectrum sensing technology, cooperative models, feature comparison, and analyzes some related earlier works with involved challenges. Key words: Cognitive Radio; Primary User, CR User; Spectrum Sensing; Cooperative Sensing

0 引言 近年来，由于消费领域对无线服务的兴趣日益增长，无线电频谱的需求急剧增加，这反而推动了无线网络向高速数据网络的演进。无线电频谱本质上是一种有限的自然资源，其接入受美国联邦通信委员会（FCC）等政府机构的监管[1]。 但是，由于大部分频谱已经分配，因此要找到

收稿日期：2019-03-18。刘乐（1988.01-），陕西西安人，硕士研究生，主要研究方向为无线通信与信息处理。

空闲频段来部署新业务或增强现有业务就变得非常困难了。为了克服这种困境，人们设计了一种称为动态频谱接入（DSA）或认知无线网络（CRN）的新网络范例，以便为所有未授权用户/次用户提供高度可靠的通信，从而以有效的方式提高了可用频谱的利用率[2]。由此，次用户可以有效地利用已经分配给授权用户/主用户（PU）的可用频谱。 CRN的一个重要任务是能够确定空闲频谱，频谱感知功能使CR能够自适应的检测不断变化的频谱空洞，并尽快退出频段以避免对PU产生干扰。然而，如多径衰落、接收机不确定性、阴影效应等 ·224· 现代导航 2019年 问题可能会对检测性能产生相当大的影响[1]。

主用户发射机

次用户2

次用户3

次用户1主用户接收机

干扰

隐藏终端问题

多径衰落和阴影效应

图1 多径衰落、隐藏终端、阴影等问题对检测的影响 从图1中给出的例子可以很好地解释上述问题[3]。次用户1和次用户2处于主发射用户的传输范

围内，而次用户3在其传输范围外。由于房屋、大型建筑物等各种障碍，次用户1接收到的主用户信号历经多次衰落和阴影的影响，无法正确检测主用户信号，且次用户3也不能判断主用户信号的存在，这两类用户做出错误的判决后传输各自的数据，从而影响主用户接收机的接收，导致隐藏终端问题。由于存在空间分集，相比次用户1和次用户3，次用户2接收到更强的主用户信号，可以正确检测到主用户信号是否存在，如果同一网络中的所有CR用户之间存在共享和协作机制，则可以大大提高整个认知无线系统的检测性能。 因此，协作频谱感知（CSS）成为了这种隐藏终端问题的解决方法。本文重点研究协作频谱感知，第2节讨论了CSS的各种方法，第3节介绍了CSS中使用的几种协作模型，第4节讨论了一些重要研究挑战和存在的问题，并在第5节中总结了全文。 1 协作频谱感知 协作频谱感知的主要思想是通过对多个不同地理位置的CR用户的感知结果进行空间分集来提高感知性能。通过协作，CR用户可以共享它们的感知信息进行融合决策，这样比单一个体决策更加准确[2]。协作频谱感知的具体结构分类如图2所示。 1.1 集中式方法 在集中式方法中，认知无线系统的基站作为融合中心负责汇集来自CR用户的所有感知信息，并使用某种融合准则融合所有接收到的感知信息，然后判定主用户信号是否存在，并将决策广播给所有协作的CR用户[2] [3]。整个机制如图2所示。 主用户感知信道CR1CR2CR4CR3融合中心 图2 集中式方法 1.2 分布式方法

与集中式方法不同，在分布式方法中并不需要融合中心的建设，在这种情况下，CR用户之间进行检测信息的交流，并做出主用户存在与否的统一决策[3]。整个机制如图3所示。

主用户感知信道

CR1CR2CR4CR3 图3 分布式方法 1.3 基于中继的方法 在这种方法中，存在一个中央控制器来控制CR用户，但它们之间的通信是以分布式方式进行的[2][3]。每个CR用户都进行感知并通过上报信道将感知结果发送到融合中心，其中上报信道可能由于各种因素而变弱，从而一些CR用户不能向融合中心报告他们的感知信息，在这种情况下，上报信道更加稳定的用户可以作为中继来协助将感知结果转发到融合中心。

1.4 相关研究成果 在文献4中，作者提出了基于分簇的集中式协 第3期 刘乐：协作频谱感知研究及其面临的问题和挑战 ·225· 作感知方案，为了减少因衰落信道引发的上报错误，在每个分簇中利用用户选择式分集，从而改善了感知性能。 在文献5和6中提出了一种基于投票的高效集中式协作感知方案，该方案的重点是所有CR用户初始置信度的选择标准。在感知时间方面，得益于分簇的概念，并且相较广播方案节约了65％至95％的传输资源，因此其感知速度比广播的方式快。 在文献7中提出了一种半分布式协作感知方案，CR用户采用分布式方法而不是报告策略，并将感知结果发送到融合中心，从而降低了平均报告数据比特并使得上报信道带宽达到最小。与直接协作和非协作感知方法相比，在虚警概率小于0.1时检测概率增加到0.9。 在文献8中，提出了一种基于梯度的完全分布式协作感知方案，其使用了基于共识的新算法，相邻的次用户交换它们的感知信息以达到共识，这种方法显着降低了资源消耗，也减少了交换的信息量。 在文献9中，讨论了一个基于联盟的分布式协作感知方案，其中次用户自发组织互相独立的联盟，并在每个联盟内部应用集中式协作感知，该方案大大降低了报告本地感知结果的带宽需求。 在文献10中提出了基于中继的协作感知方案，在两个节点中，一个节点充当另一节点的中继。与非协作方法相比，该方案显示CR用户的灵活性提高了35％。但是，中继用户需要从主用户接收的信号功率比其他节点更大。文献11在文献10的基础上进行了改进，由那些没有从主用户接收到足够强信号的节点充当中继，明显增加了灵活性性增益。 在文献12中提出了另一种基于中继的协作感知方案，其中具有高信噪比（SNR）的CR用户成为中继，其任务是将其感知结果发送到主用户的可判定区域边界上的中继，这种方法有效地降低了漏检概率然而增加了检测时间。 表1列举了协作感知中检测主用户信号的不同算法，包括其功能、优点和缺点[1] [2] [3]。 2 协作模型 在协作感知中使用建模主要是为了分析CR用户的协作行为并优化检测性能，几种协作模式分析如下。 表1 几种协作感知检测信号算法对比 协作感知算法 基本功能 优点 缺点

能量检测不需要主用户信号的先验知识和结构

•感应时间较短 •功耗低 •实施复杂性低

•判决门限取决于SNR的变化 •在存在噪声不确定性的情况下性能较差

匹配滤波器检测

需要主用户信号先验知识，以获得更好的检测性能

•感知时间较短 •感知性能良好 •检测精度高

•由于接收机使用了各种算法，因此需要较大的功耗和时间

循环平稳特征检测

•需要主用户信号的先验知识 •可以有效对抗噪声不确定性 •可以利用接收信号特征的周期性

•可以在低SNR环境中检测信号 •可以对信号进行调制方式的区分

•感知时间和功耗很大 •无法检测通信类型，因此降低了认知无线网络的灵活性

在博弈论中，协作模型基于将每个CR用户视为玩家，将整个协作模型视为一盘游戏。在文献13中，利用博弈论模型提出了一种新的协作频谱预测方案，并通过协作提高了次用户的预测精度。在文献14中，利用博弈论提出了建立最优联盟以及联盟动态选择的算法，该模型有效控制了上报时间和资源消耗，并提高了感知性能。 并行融合模型主要包括分布式检测和数据融合，文献15和16中使用随机分布的传感器监测频谱并将其感知结果上报给融合中心，融合中心再通过数据融合技术进行融合并做出全局决策。 在文献17中，通过几种机器学习技术，将信道划分为占用或空闲。将每个CR用户能量特征作为样本并用来训练学习模型，这些样本信息进一步决定信道是占用或空闲。 粒子群优化（PSO）的灵感来自于鸟类迁徙和鱼类训练，许多研究人员使用这种技术来提高CR用户在协作感知中的检测能力。在文献18中，粒子群优化用于改善协作模型的检测性能，并且与遗传算法相比具有更短的计算时间。 在频谱感知中，可以利用随机矩阵理论（RMT）