分布式方案Crowdsourcing-Based传感任务分配在认知无线电网络

文摘

频谱感知是认知无线电网络中一个重要问题。未经授权的用户可以访问授权无线频谱只有当授权无线频谱感知是闲置。由于智能手机和平板电脑等移动终端受人欢迎,光谱传感可以分配给这些移动智能终端,叫做众包的方法。基于众包的方法,本文研究了分布式方案分配频谱感知任务智能手机和平板电脑等移动终端。考虑到移动终端的位置可能会影响检测结果,精确传感效应函数是专为crowdsourcing-based传感任务分配。我们的目标是最大化传感效应函数,这个优化问题已被称作解决群体感知任务分配在认知无线电网络。这个问题很难被解决,因为这个问题复杂度的增加与移动终端的增长指数。已被称作分配群体感知任务,我们提出四个分布式算法不同的跃迁概率和使用马尔可夫链分析的近似差距提出方案。仿真结果评估我们提出算法的平均表现,验证算法的收敛性。

1。介绍

根据思科的报告,无线流量大幅增加了在过去的几年中,全球移动数据流量在2016年增长了63% (1]。无线流量的高速增长导致无线频谱。移动流量上升趋势,这是由于快速扩散的移动设备(如智能手机和平板电脑),将导致无线频谱短缺的问题迫在眉睫2]。然而,最近的一项研究表明,大部分的授权频谱,在现行政策下的固定频谱分配,实际上是利用差(3]。为了提高无线频谱利用率,认知无线电最近成为一个解决方案(4]。当授权无线频谱感知是闲置,认知无线电允许未经授权的用户访问无线频谱空闲授权说明。因此,无线频谱感知的前提是未经授权的用户使用无线频谱。

如今,移动终端,包括智能手机和平板电脑,很受欢迎。这些移动终端是聪明,他们可以感知无线频谱。因此,频谱感知任务可以分配给移动终端,即众包,一个新的传感方法赋予普通用户与他们的移动设备进行传感和聚合传感数据(5]。

本文基于众包的方法,我们提出了分布式算法分配移动终端频谱感知任务。移动终端在不同的位置有不同的感知结果相同的频道自阴影,多径衰落等问题可能会影响检测的结果。考虑到移动终端的位置,我们提出一个精确的传感效果crowdsourcing-based传感任务分配的函数。我们的目标是最大化传感效应函数,这个优化问题已被称作解决群体感知任务分配在认知无线电网络。因为这个问题的复杂性增加了指数增长的移动终端,这个问题很难解决。已被称作分配群体感知任务,我们提出四个分布式算法不同的跃迁概率和使用马尔可夫链分析的近似差距提出方案。提出的算法是分布式,方便每个移动终端单独执行算法。基于我们提出的算法的细节,复杂度低。因此,适合移动终端来实现分布式算法。

在本文中,我们研究crowdsourcing-based传感任务分配。总结了论文的主要贡献如下:(我)考虑的影响,移动终端的位置,我们提出一个准确的目标函数已被称作的群体感知任务分配。(2)已被称作很难分配群体感知任务的原因这个问题复杂度的增加呈指数增长的移动终端。因此,我们设计四个分布式算法不同的跃迁概率在认知无线电网络中解决这个问题。(3)使用马尔可夫链,我们分析的近似差距提出方案。(iv)仿真结果验证了算法的收敛性和表明,我们提出的算法达到最优感知效果。

剩下的纸是组织如下。节2介绍了相关文献。节3已被称作,我们制定了系统模型的群体感知任务分配。节4,我们提出四个分布式算法来解决遥感任务分配和使用马尔可夫链分析近似差距的计划。节5,该算法与仿真结果评估。最后,结论部分所示6。

2。相关工作

是否授权用户利用无线频谱决定频谱状态。因此,搜索空闲频谱,模型是必要的授权用户的活动(6]。然后,频谱感知。单个用户,经历的阴影,多路径衰落,以及其他问题,可能会获得一个错误的感知的结果。提高传感精度,提出了合作频谱感知多个用户(7]。

有一些关于合作频谱感知的相关工作。在宽带合作传感,用户,通过交换他们的压缩传感的结果,估计频谱州合作(8,9]。在[10),分配给多个用户的合作频谱感知,即crowdsourcing-based方法,提出了解决安全问题的假数据发起恶意移动用户。研究只有与单通道系统,而在多通道网络,通道遥感研究的分配最大化的质量监控(11- - - - - -14]。这些文献提出一个简单的目标函数的加权和一些二进制变量。在这些文献,没有预算限制。在[15),作者,考虑到有限的预算,提出了遥感任务分配通过选择移动用户和解决这个问题的一个子集贪婪算法和线性规划的舍入算法。

在所有提到的文献,集中式算法实现分配频谱感知。然而,该系统采用集中式算法并不健壮的中央节点时下降。此外,集中式系统不灵活的用户加入或者离开系统(16]。为了解决集中式算法的缺点,研究了空间频谱感知的问题在一个分布式的方式充分利用空间频谱机会(17]。使用随机几何,空间频谱感知的性能进行了分析。在[18),作者提出一种基于博弈论的分布式功率控制机制频道用户认知无线传感器网络的感知结果。微型操作系统(TinyOS),广泛应用于传感系统,被认为是最健壮和节能系统。在[19),作者提供了一个审查TinyOS设计范例,调度算法,编程模型,和其他特性。传感节点与TinyOS在不同的传感应用更加灵活。

光谱遥感相比,在最近的研究中,本文解决了在分布式传感任务分配方法的两个主要区别:(i)一个目标函数,考虑不同遥感结果各亚区,代表介绍了传感效果;(2)旨在实现更高的传感效果,四个分布式算法,用不同的跃迁概率,旨在解决传感任务分配的问题。

3所示。已被称作系统模型的群体感知任务分配

在本节中,我们描述了系统模型已被称作的群体感知任务分配。自阴影、多径衰落和其他问题可能会影响检测结果,移动终端在不同的位置有不同的感知结果相同的频道。考虑到移动终端的位置,我们提出一个精确的传感效果crowdsourcing-based传感任务分配的函数。

让表示数量的渠道,让表示系统中移动终端的数量。我们假设一个移动终端从所有只能选择一个频道频道。一个信道指配配置是一个向量表示每个移动终端的渠道选择;也就是说, ,在那里 表示所选通道的移动终端 。我们定义所有可行的集合的年代。给定一个信道指配配置 ,我们设计的传感效果如下。

一些问题可能影响检测结果的移动终端。在一个地区,移动终端可能会经历不同的阴影和多路径衰落传感过程中处于不同位置时的这个区域。因此,这些终端的感知结果是不同的,即使他们有相同的频道。考虑到位置的影响,我们可以将区域划分为若干亚区。移动终端在这些条件获得不同的感知结果,捕捉空间的多样性。假设亚区。移动终端的一个亚区 ,每个终端选择通道的感觉。如果一个通道由至少一个移动终端,感觉到我们使用吗 来表示。如果没有移动终端渠道 ,我们使用 来表示。随着通道我们可以感觉到在多个条件,使用吗表示感应条件的数量。然后我们可以获得 。传感效应可以用 。当等于一个更大的价值,感知结果更加有效。因此,如果= ,最大化传感效应。如果等于零,传感效应也是零。当很小,我们可以想象,传感效应较高的增长率吗增加。相反,当很大,传感效果是缓慢的增长率吗增加。

因此,给定一个信道指配配置 ,我们设计的传感效果功能通道如下:

根据(1),我们可以看到传感效应函数增加从零增加到 。当很小,传感效应函数增加更快的增长 。当很大,传感效应函数增加更慢的增长 。

图1已被称作描述的一个实例群体感知与任何一个信道指配配置任务分配 。假设系统中有三个渠道。在感应区域,我们认为有四种地形类型。移动终端在不同地形类型可能有不同的感知结果相同的频道。因此,传感区域可分为4个亚区。显然,传感区域可以分成更多的亚区当有地形类型。由于地形类型的影响,移动终端在不同条件时可获得不同的感知结果意义相同的频道。根据信道指配配置 ,每个移动终端分配通道的感觉。

让 表示所有渠道的传感效果功能与信道分配的配置 。获得优化传感系统的影响,我们的目标是最大化所有渠道的传感效果函数通过选择最优信道指配配置从 。因此,目标函数可以表示为

4所示。分布式算法

在系统中,可行集的大小非常大甚至更少的移动终端,自 ,在那里表示的渠道和数量表示移动终端的数量。因此,最大化的问题(2)是很难得到解决。在本节中,我们设计四个已被称作分布式算法来解决群体感知任务分配。然后我们使用马尔可夫链分析分布式算法的近似的差距。每个移动终端广播其感知结果代表其他终端的通道状态一点结果(0表示空闲状态,1表示忙碌的状态)。因此,信令开销很小,可以忽略。

4.1。分布式算法

最初,每一个移动终端选择一个通道随机。使用一个额外的报告,每个移动终端选择广播频道和其他移动终端的位置。当所有移动终端收到其他终端的选择渠道和职位,每个终端可以获得当前信道指配配置和计算独立。那么每个移动终端生成一个随机数在指数分布(20.),它的意思是平等的这是预定义的。

独立在移动终端生成随机数,他们倒计时随机数。当移动终端过期的倒计时,这移动终端(名为移动终端)随机选择其not-in-sensing渠道之一。然后移动终端可以切换到选择通道的概率吗或者呆在当前频道的概率 ,在那里如果移动终端代表一个新的通道配置切换到选择频道。

如果移动终端呆在当前频道,还有信道指配配置 。相反,如果移动终端切换到选择通道意义上,一个新的信道指配配置出现了。当移动终端切换到选择的通道,它生成一个随机数在指数分布和广播新的信道指配配置其他移动终端。在其他终端接收信道指配配置 ,他们可以计算出新的传感效应函数并继续他们目前倒计时过程。移动终端的倒计时过程结束时,终端可以根据新的计算转移概率 。

在这个实现中,转移概率是如此的重要,它将影响传感系统的影响。我们设计由四个不同的算法如下。

算法1。在这个算法中,转移概率被设计为 在哪里是一个积极的预定义的常数。该算法易于实现只取决于传感效应函数在当前信道指配配置 。和独立于传感效应下针对信道指配配置 。因此,移动终端开关选择频道的跃迁概率取决于当前信道指配配置 。

算法2。在这个算法中,转移概率被设计为 当传感效应函数针对信道指配配置下大于在当前信道指配配置 ,转移概率等于1。这意味着移动终端必须切换到选择的通道。当小于 ,可以获得基于转移概率(4)。

算法3。在这个算法中,转移概率被设计为 当大于 ,转移概率超过50%。这意味着移动终端更有可能切换到选择的通道。当小于 ,转移概率小于50%。这意味着移动终端更可能呆在当前频道。

算法4。在这个算法中,转移概率被设计为 当大于 ,转移概率等于1。这意味着移动终端必须切换到选择的通道。当小于 ,转移概率的计算方法是基于(6)。

在算法2- - - - - -4,转移概率取决于当前通道配置和针对信道指配配置 。因此,算法使用算法2- - - - - -4比,使用更复杂的算法1。

我们命名这个实现与四个不同的跃迁概率Wait-and-Selection (WS)算法。

每个移动终端执行Wait-and-Selection独立(WS)算法。分布式算法在算法描述1。

4.2。近似分析差距

我们定义近似的差距是最大的传感效果之间的差异在我们的算法和理论。马尔可夫链是用来描述系统中信道指配配置之间的过渡。基于平衡方程,马尔可夫链中的每一个状态的概率。然后我们可以使用状态概率计算近似差距。细节描述如下。

根据“Wait-and-Selection”算法,每个信道指配配置对应于一个状态。因此,设计的有限状态马尔可夫链。的状态数= ,与代表所有可行的集合的年代。每个信道指配配置可以从任何相邻状态可以基于一步过渡。

让表示数量的渠道,让表示系统中移动终端的数量。根据WS算法,每个移动终端数量下降后指数分布无记忆。因为每个移动终端计数率 当前状态下 ,的速率过程有机会离开状态是 。

倒计时过期后,移动终端选择它的一个not-in-sensing通道随机概率 。然后移动终端可以切换到选择信道转移概率设计的四个算法(3)- (6)。因此,从状态转移概率州倒计时过期后 。

然后,我们可以获得过渡率从国家州如下:

让平稳分布的状态 。由于必须满足细致平衡方程,我们得到

从(8),我们可以得到平稳分布的国家 。对于每个四个算法的转移概率,平稳分布的国家和其他人都是一样的。

平稳分布还表示时间的百分比,信道分配下的系统配置 。显然,它代表了最优解的问题表示如下: 在哪里是一个常数。

与平稳分布获得(9),最优值(10)是

上述分析表明,我们的分布式算法实现问题的最优值(10)。从(11),我们可以获得 在哪里描述了信道分配组的大小 。

从(12),我们可以获得近似的差距我们提出的算法如下:

因此,近似上界的差距

基于公式(14),近似差距时接近于零方法无穷。这说明我们的分布式算法方法最大化问题的最优值(2)的一个较大的值 。另一方面,近似比例的差距 。当远远大于 ,对结果的影响不大的分布式算法。在这种情况下,我们的分布式算法并不敏感和方法的最优价值最大化问题(2),即使并不大。

5。模拟

在本节中,我们提出的算法是通过模拟评估。一般的解决方案是派生算法通过运行1000次。仿真参数描述如下。传感区域半径100米的圆形区域。和传感地区也同样分为四个亚区。随机移动终端位于亚区。

让表示数量的渠道,让表示移动终端的数量。系统中有三个渠道。然后 。被设置为3。在表中1和2,我们设置 分别和20。很容易看到,最优信道指配配置可以实现每个通道时感觉到在所有四个亚区。根据公式(1),一个通道的最佳感应效果是1。因此,我们可以获得系统最优的传感效果3当系统中有三个渠道。作为从20到28岁,不等变化,表1和2显示传感效应后的近似差距我们Wait-and-Selection算法。如表所示1和2,我们可以看到,我们提出的算法采用的近似差距四个过渡概率会随着移动终端数量的增加。随着有更多的移动终端,将感觉到更多的条件。因此,近似差距减少增加,其大小小于gap的上界 ,在那里 = 。我们也看到,近似时差距较小比较大。这意味着我们的分布式算法方法最优感知效果的一个较大的值 。此外,该近似算法的差距1比其他三个算法。这意味着算法使用算法2- - - - - -4方法最优感知效果的成本增加了复杂性。

数据2和3描述的影响真正的差距比我们四个算法时 。在图2移动终端的数量= 12,通道的数量= 3。在图3,移动终端的数量等于30,通道的数量等于5。如数据所示2和3的差距比算法2- - - - - -4减少,增加,而算法的比例差距1不会改变,增加。的算法1,过渡率非常小,几乎不移动终端切换到其他渠道。因此,传感效果不会改变和比例的差距是稳定的。的算法2- - - - - -4,这意味着更大的是,我们分布式算法更准确。此外,我们可以看到,图的比例的差距3低于图吗2。这意味着不影响我们的分布式算法当有更多的渠道。

当系统中有三个频道( ),图4描绘了我们的算法和其他的差距集中算法如贪婪算法(15)和粒子群优化(PSO)算法,擅长优化问题(21]。如图4,我们的算法的近似差距小于集中式算法。和我们的算法的差距会随着移动终端数量的增加。这意味着我们的分布式算法有更好的性能比集中式算法。分布式算法使用算法2- - - - - -4有类似的性能优于算法采用算法是哪一个1。这意味着算法2- - - - - -4使移动终端切换到渠道获得更高的传感效果。

图5描述的影响系统的传感效果和分布式算法采用算法的收敛时间2。有五个渠道和30的移动终端系统。因此,最佳的传感效果五个。如图5传感效果接近最优值和收敛时间长 。另一方面,传感效应远非最优值和收敛时间短 。因此,该算法采用的算法2接近最优值和收敛时间增加增加。

数据6和7描述的影响的算法3和4,分别。也有五个渠道和30的移动终端系统。因此,最佳的传感效果五个。如数据所示6和7的传感效果算法3和4增加增加。更大的传感效应越高。我们还观察到收敛时间较长比较大。

通过对比数据5,6,7,我们可以观察到的传感效果算法2类似的算法4。和算法的感应效果3小于的算法2和4。原因是算法2和4使信道指配配置搬到有更高的概率如果新的配置对应于更高的传感效果。

6。结论

光谱遥感可以分配给移动智能终端,叫做众包的方法。本文已被称作研究群体感知任务分配最大化感知效果。考虑到移动终端的位置可能会影响检测结果,我们设计一个精确的传感效果crowdsourcing-based传感任务分配和目标函数最大化传感效应,这已被称作优化问题解决群体感知任务分配在认知无线电网络。解决干扰和多径的影响,我们设计目标函数考虑遥感结果受不同位置的影响。当用户定位在不同的地区,不同的传感过程可能受到影响。因此,遥感的结果可能是不同的。减少不同位置的影响,本文的目标函数,代表传感效应,设计基于位置感知的用户数量。数字越大,感应效果越高。因此,目标函数最大化意味着考虑干扰和多路径的影响。与上述文献实现集中式算法相比,分布式算法提出了不同的跃迁概率获得有限接近最佳的解决方案。 Simulation results show that our distributed algorithms approach the optimal sensing effect and validate the algorithm’s convergence. In the future, some related issues such as multipath should be studied in the cooperative spectrum sensing.

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究支持山东省自然科学基金的一部分,中国(没有。部分BS2015DX003),山东的关键研究和发展项目,中国(2017 ggx10142和2017 ggx10122号)。

引用

1. 思科,“思科视觉网络指数:全球移动数据流量预估更新”技术。众议员2016 - 2021年科技,思科视觉网络指数,2017年全球移动数据流量预测更新。视图:谷歌学术搜索
2. 联邦通信委员会(FCC),“移动宽带:额外的频谱的好处,”技术。代表,2010年。视图:谷歌学术搜索
3. 新美国基金会和共享频谱公司,杜邦环岛频谱利用率在高峰时段,http://newamerica.net/DownloadDocs/pdfs/DocFile1831.pdf。
4. j . Mitola g·马奎尔,“认知无线电:使软件无线电更个人。”IEEE个人通信十三至十八卷,4页,1999。视图:谷歌学术搜索
5. 郭,z . Wang z Yu et al .,“移动人群的传感和计算:审查的一个新兴人力传感模式,”ACM计算调查,48卷,不。1,第七条,2015。视图:出版商的网站|谷歌学术搜索
6. Saleem和m . h . Rehmani y”主要电台为认知无线电网络用户行为模型:一项调查,“网络和计算机应用》杂志上,43卷,硕士论文,2014页。视图:出版商的网站|谷歌学术搜索
7. t . Yucek h·亚斯兰,“调查认知无线电的频谱感知算法的应用,”IEEE通信调查教程,11卷,不。1,第130 - 116页,2009。视图:谷歌学术搜索
8. 曾f、c·李和z田,“分布式压缩在合作频谱感知认知网络的多次反射,”IEEE杂志在信号处理所选主题,5卷,不。1,37-48,2010页。视图:谷歌学术搜索
9. f .曾庆红,z田和c·李,“分布式压缩宽带频谱感知在合作种认知网络,”学报2010年IEEE国际会议交流,国际商会2010年,2010年5月。视图:出版商的网站|谷歌学术搜索
10. j . r . Zhang张、张y和c .张“安全crowdsourcing-based合作pectrum传感,”美国第32 IEEE计算机通讯大会上,IEEE 2013信息通信2013年4月,页2526 - 2534。视图:出版商的网站|谷歌学术搜索
11. p . Arora:夏,r .郑,”吉布斯采样器的方法为最优分布式多通道无线网络监控,”学报》第54届IEEE全球电信会议:“激励全球通讯”,GLOBECOM 2011,2011年12月。视图:出版商的网站|谷歌学术搜索
12. D.-H。胫骨和巴格奇美国”,优化监控框架多渠道multi-radio无线网状网络,”特设网络,11卷,不。3、926 - 943年,2013页。视图:出版商的网站|谷歌学术搜索
13. c·p·Arora Szepesvari, r .郑”顺序学习多通道无线网络,优化监控”IEEE INFOCOM学报》20112011年4月,页1152 - 1160。视图:出版商的网站|谷歌学术搜索
14. D.-H。巴格奇美国Shin,和c c。王”,在多通道分布式在线向最优信道指配监视无线网络,”《IEEE计算机通讯大会上,一家2012年2012年3月,页2626 - 2630。视图:出版商的网站|谷歌学术搜索
15. D.-H。Shin,美国他,j .张“大规模联合传感任务和部分波段分配频谱分析,”美国第34 IEEE计算机通信和网络年会,IEEE 2015信息通信,第441 - 433页,2015年。视图:出版商的网站|谷歌学术搜索
16. 刘s . c . m . Chen, z .邵和c·凯,“马尔可夫近似组合网络优化,电气和电子工程师学会交易信息理论卷,59号10日,6301 - 6327年,2013页。视图:出版商的网站|谷歌学术搜索|MathSciNet
17. t·h·陈,l . Liu Novlan, j . d . Matyjas b l Ng和j·张,“空间频谱Sensing-Based蜂窝网络设备间,“IEEE无线通信,15卷,不。11日,第7313 - 7299页,2016年。视图:出版商的网站|谷歌学术搜索
18. j .朱d江、美国Ba和y,“隐马尔可夫模型基于博弈论的功率控制机制与不完全信息认知无线传感器网络,”Neurocomputing卷,220年,第83 - 76页,2017年。视图:出版商的网站|谷歌学术搜索
19. m·阿姆·m·谢里夫·m·k·阿夫扎尔和s . w . Kim”TinyOS-new趋势,比较的观点,并支持遥感应用程序:一个评论,”IEEE传感器杂志,16卷,不。9日,第2889 - 2865页,2016年。视图:出版商的网站|谷歌学术搜索
20. 刘s . c . m . Chen, z .邵和c·凯,“马尔可夫近似组合网络优化”IEEE INFOCOM学报》2010,2010年3月。视图:出版商的网站|谷歌学术搜索
21. 进行j·肯尼迪和r·埃伯哈特,“粒子群优化”《IEEE国际会议上神经网络,页1942 - 1948,珀斯,澳大利亚,1995年12月。视图:谷歌学术搜索

版权

版权©2017 Linbo翟等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。