基于遗传算法的恶意用户认知物联网软决策融合方案

摘要

事物互联网（物联网）是一种用于连接各种异构网络的新具有挑战性的范式。自引入以来，许多研究人员一直在研究如何有效地利用和管理IOT应用程序的频谱资源。物联网设备数量的爆炸性增加朝向未来关联的社会加速，但产生高系统复杂性。认知无线电（CR）技术也是未来无线通信的有希望的候选者。CR通过动态频谱接入为二次用户（SUS）提供了访问许可频谱带的机会，而不会通过在访问可用频谱频带之前执行频谱感测而在不干扰主用户。然而，多径效应可以降低单个苏的传感能力。因此，为了更精确的感测，利用多个协作感测用户有助于。合作频谱感测中的主要问题是在融合中心（FC）中从多径影响的SUS和恶意用户接收不准确的感测信息。在本文中，我们提出了一种基于遗传算法的软判定融合方案，以确定针对SUS'感测信息的最佳加权系数矢量。加权系数矢量进一步用于FC的软决策规则，以便制定全球决定。 Through extensive simulations, the effectiveness of the proposed scheme is evaluated compared with other conventional schemes.

1.介绍

过去30年来支持从1G到4G LTE-Advanced Wireless网络的应用设备的增长，无线通信网络具有巨大进展[1]．每代都发挥了作用，以提高数据速率，可靠性，延迟等。在过去几年中，随时随地与其他设备连接每个设备是无线通信网络中的一个大挑战。在一系列演变中，5G将提供意外贡献，向频谱管理，公共安全，能效，高数据速率，低延迟等方面提供大的阶梯，[2- - - - - -4]．未来的5G无线系统在地平线上，而物联网（物联网）将采用中心阶段，因为IOT设备预计将形成这5G网络范式的主要部分[5]．

物联网最初是由阿什顿提出的，他引入了一场技术革命，将异构网络置于物联网的单一保护伞之下[6，它极大地改变了各个行业的格局[7]．物联网是一个具有技术、社会和经济影响的有前景的主题;可以假定，物联网在不久的将来会对日常生活产生强烈而有意义的影响，如自动化、即兴学习、物流、智能交通和电子保健[8，9]．从技术上讲，范式最集中的领域是计算、通信和连通性。其中，连通性和频谱管理是比较具有挑战性和备受关注的问题。到2020年，将有超过500亿台无线设备被连接，所有这些设备都将需要大量的频谱资源[10.];作者在[11.]论证了认知能力的重要性，即没有综合的认知能力，物联网就像一头笨拙的剑龙:只有肌肉，没有大脑。今天，我们已经有十多种无线技术在使用:WiFi、蓝牙、ZigBee、NFC、LTE、早期的3G标准、卫星服务等等。由于这些无线网络的扩散和用户数量的爆炸性增长，频谱短缺问题被提出并变得更加严重。频谱资源的静态分配和管理不能有效地满足无线设备和应用的需求。在静态分配的情况下，有些频段可能会严重超载，而另一些频段很少被使用。联邦通信委员会(FCC)一直在考虑采用认知无线电(CR)技术更灵活和全面地利用频谱资源，允许次要用户(SUs)利用主用户(PUs)没有使用的免费频谱孔[12.]．在CR网络（CRNS）中，有效的频谱传感和报告是强制性的，以避免对合法脓的干扰[13.，14.]．

在CRN中，由于PU拥有访问频谱的权限，所以su产生的干扰水平必须限制在一定的水平。在文献中，SUs采用了不同类型的传感探测器，如匹配滤波器检测器(MFD)、循环平稳检测器、特征检测器和能量检测器(ED) [15.，16.]．虽然MFD具有优越的性能，但它需要对PU通道的先验知识，这使其难以实现。与之相反，ED由于其简单的硬件要求和较低的复杂性而易于实现。在分布式感知环境中，由于多径衰落、阴影和接收机不确定性等无线信道效应，单个感知用户提供的感知信息不能被信任。因此，采用协同频谱感知(CSS)技术来克服这些问题是更加可行的[17.]．

传感用户之间的合作可以以集中或分布式方式实现。在分布式CSS中，个人用户可以在没有融合中心（FC）的情况下彼此共享感测信息，而在集中式CSS中，融合中心（FC）收集来自个别用户的传感报告，以便进行适当的最终决定[18.，19.]．融合中心（FC）的本地感测报告的组合被分为软和硬决策融合方案。硬判决融合（HDF）方案，如逻辑和，逻辑或者和投票，允许每个用户采取本地决定并向FC发送二进制决策结果[20.，21.]．HDF的好处是在向FC报告时传输能量的最优化，但它不能完全准确地估计PU的状态[22.]．在软决策融合(SDF)中，如最大增益合并(MGC)、等增益合并(EGC)和基于发散的融合(KL)技术，SUs感知PU的信道上的能量统计并将能量统计转发给FC，在FC中进行最终的信道估计[23.- - - - - -26.]．

CSS导致高检测概率，最小误报警报导致FC的误差概率降低。同时，CRN非常容易受到安全威胁的影响。安全威胁是一个重要的部分，它扰乱了底层网络基础架构的正常运行[27.，28.]．在CRN中研究了各种严重降低CSS性能的攻击。典型的攻击有拜占庭用户攻击、干扰攻击和主用户仿真攻击(PUEA) [29.- - - - - -33.]．Byzantine用户攻击是一种频谱感知数据伪造(SSDF)攻击，恶意用户(MUs)向FC报告虚假信息。SSDF攻击严重降低了频谱感知的可靠性和频谱利用率。SSDF攻击总是yes，总是no和随机攻击。在[30.]，作者通过利用孤立SSDF异常值Z-测试;通过Q-Out--u-Of-M Q-Out-um Scheme来缓解SSDF攻击。同样，在[31.]，作者利用线性加权组合方案来消除SSDF攻击对最终感知决策的影响。此外，还引入了一种自适应的信誉评估机制来区分恶意用户和合法用户。传统的干扰攻击目标是将恶意信号注入某一工作频带，使其干扰所期望的信号[32.]．Puea通过伪装为PU来阻止获得许可用户的频谱，以便合法脓液无法成功访问自己的频谱[33.]．

CSS中的一些启发式方法可能导致最佳的全球决定。其中，一种遗传算法（GA），其是通过演进激励的一类计算算法，是通过采用生物启发方法来找到最佳解决方案的良好候选者[34.，35.]．在[36.，作者强调和讨论了遗传算法技术可以应用于无线网络的各种应用和问题。在[35.，37.]，研究了在集中式CRN中，利用遗传算法优化特定SU的检测和虚警概率。

在本文中，我们评估CSS在CRNS中的MUS存在下的性能。我们考虑了几种不同的MUS操作标准：始终是（ay），总是没有（AO），总是对比（AO），以及随机对比（RO）。合作用户被认为位于不同的地理位置和经验独立的瑞利褪色。因此，几乎不可能处理所有传感信息。在本文中，我们利用了GA方法来确定最佳加权系数矢量。一旦通过所提出的基于GA的SDF方案找到最佳加权系数向量，就在FC处的SDF中进一步利用加权载体以进行最终的全局决定。为此，我们采用每个感测用户的能量检测器，其中观察到的能量与由所提出的基于GA的SDF方案确定的自适应阈值进行比较。通过广泛的模拟，表明所提出的基于GA的SDF方案比传统计数（投票）-HDF，MGC-SDF和KL-SDF方案更好地检测和误差性能。

本文的其余部分安排如下。节2，提出了本文所考虑的系统模型。节3.，提出并详细讨论了一种基于遗传算法的SDF方案。节4，与传统方案相比，通过广泛的模拟评估所提出的方案。最后，在一节中绘制了结论性言论5．

2.系统模型

我们考虑了一个合作频谱感测场景，包括PU，普通SUS，恶意SUS（MUS）和FC，如图所示1．所有su都进行频谱感知，以确定PU在网络中是否存在。

一开始，每个SU执行自己的本地感知。局部感知可以表示为对网络中PU的存在或不存在的二进制假设检验，并被测量为 在哪里当没有pu活跃时表示假设表示通道上PU处于活动状态时的假设。是收到的信号用户在时间槽。用于检测的样本总数为 ，在哪里B是使用的带宽和是感觉的时间段。我们假设是足够大的值，使得信号的感测能量遵循高斯分布。在(1)，表示之间的频道增益用户和PU。同样的,是个具有零均值和方差的PU信号的样本被视为独立且相同分布的（i.i.d.）高斯随机变量 ，也就是说, ． 表示附加的白色高斯噪声（AWGN）用户，它遵循均值和方差为零的高斯分布 ，也就是说, ．

总感应能量由“user to the FC”表示为 在哪里是在FC上收到的信号报告用户在时间槽。在这里,是发射功率的用户,是频道增益用户和FC，以及是一个零均值和方差的awgn ，也就是说, ．

3.提出的协作频谱传感和软判决融合方案

在本节中，我们详细描述了在MUs存在的情况下所提出的协作光谱感知(CSS)方案，以及所提出的基于遗传算法的确定最优加权系数向量的SDF方案。

3．1．提出的协同频谱感知方案

采用加权SDF的CSS方案如图所示2．图中，FC接收PU通道的感知统计信息用户包括普通SUs和MUs。根据MU的运行标准，不管PU通道的实际状态如何，AY MU都会向FC报告更高的能量统计数据，就好像PU通道总是忙一样[29.]．因此，如果CSS中存在AY mu，将会严重降低从端系统的数据速率。相比之下，AN MU向FC报告的能量统计值低于PU的实际通道情况，从而导致对合法PU的干扰。同样，由于AO MU总是向FC反馈相反的能量统计信息，因此辅助系统的数据速率降低，对合法PU产生干扰。最后，一个RO MU概率地作为一个具有概率的AO MU运行p作为概率的正常su（1 - p）。合作赛在图中的作用2类似于接收和转发PU通道统计到FC的协同继电器。因此，FC基于使用从多个SUS收集的信道感测统计的线性加权的SDF方法对PU信道状态进行全局决定。

为了米合作SUS，在FC上观察到的最终测试统计量表示为 在哪里是否将加权因子分配给感测能量用户。自感知报告以来为了用户是高斯分布的，最终的测试统计量也是高斯分布的[37.]． 在哪里和方差是在下面和假设的假设用户等同于的用户和 ，分别。

在(4) - (7)，是否需要对权重系数向量进行优化，以确定合适的阈值最大限度地减少感测误差概率。

的协方差矩阵和假设是给出的 在哪里是矩阵的对角化运算。最后，FC处的检测概率和虚警概率表示为

让我们假设 ，在哪里漏检概率是多少 ，因此，总误差概率被确定为

在(10.)，值得注意的是，误差概率高度依赖于权重系数向量 ．因此，最佳阈值为满足高检测、最小误报、低错误概率的要求，需要确定，然后代入(10.）。在拟议的CSS计划中，选择进行这样的和为了降低搜索空间和计算复杂性。

3.2。提出基于GA的SDF计划

GA是一种生物启发方法，广泛用于搜索各种科学和工程问题的优化解决方案。它被称为染色体作为向给定问题编码候选解决方案的二进制符号的串[34.，38.]．

在我们提出的基于遗传算法的SDF方案中，遗传算法试图找到一组最优的加权系数向量，用于组合所有合作用户收到的感知报告。在一个随机归一化系数向量集合中，可以选择误差概率低的向量作为最优向量集合，然后利用该向量对SDF进行全局决策。

建议的基于GA的SDF计划包括以下五个步骤：第1步：初始人口 初始时考虑染色体总数。该算法用随机生成的初始总体进行初始化包含的染色体基因,也就是说, ，归一化在0到1的范围内。步骤2:粒子的适应度每个系数向量的适宜性是通过测量它们的适合度得分来确定的: ．人口按照健身测量的升序排序。步骤3:交叉和突变具有最小误差概率的染色体从顶部选择为母体染色体。在这项工作中随机选择交叉点，在父母中的轨迹之前和之后改变子句以形成孩子的再现。然后，对所选加权系数向量进行随机突变操作。步骤4:新增人口按照步骤2确定子群体的适合度，结果按照适合度的升序排序。对新建立的群体进行交叉和变异操作。第5步：停止标准

如果适应度函数(即最小值)，遗传算法开始重复步骤2 ）没有实现，或者迭代的次数没有完成。

算法中详细说明了所提出的基于遗传算法的SDF方案的可实现算法1，所提出的方案的整体流程图如图所示3.．

4.数值结果和分析

在本节中，我们提供了与其他传统方案相比的所提出的基于GA的SDF方案的数值结果。在我们的仿真环境中，CRN中的SUS数量调整为10和14个用户。在整个SUS中，四个用户分别被选为AY，A，AO和RO QU。在结果中，SNR值从30 dB变为0 dB。感测间隔设置为1ms，具有270至335个样本。将SUS放置在不同的SNR的不同位置，每个位置，每个位置独立地感测PU通道。交叉点在1到1的范围内随机选择 ．所提出的基于GA的SDF方案找到了最佳系数矢量，其进一步用于在FC处对SDF进行全局决定。

通过仿真评估了所提出的基于ga的SDF方案的性能，并将结果与传统的计数hdf、MGC-SDF和KL-SDF方案进行了比较。我们考虑了三种不同的情况。在场景1中，我们展示了在固定的SUs数目下变化信噪比的误差概率。在场景2中，我们讨论了不同数量的SUs的误差概率。最后，在场景3中，我们给出了在−21.5 dB和−13.5 dB两个固定信噪比下，不同数量的SUs的误差概率。数值结果和分析的参数汇总在表中1．

4.1。场景1

在第一个场景中，我们固定了su的数量和感知时间，而信噪比值从−30 dB变化到0 dB。提出的基于遗传算法的SDF方案的性能从错误概率的角度进行了评估。在图中4，当网络中不存在MU时，我们将提出的基于ga的SDF方案与count-HDF、MGC-SDF和KL-SDF方案进行比较。从图中可以明显看出4所提出的基于GA的SDF方案在误差概率方面优于其他方案。在图中5，相同的参数被认为是评估所提出的基于GA的SDF方案，但在网络中存在低SNR的MUS之外。可以观察到，随着网络中的MUS的存在，所提出的方案的误差概率小于其他方案的误差概率。当网络中存在MU时，其他方案受到严重影响。同样地，当高SNR中存在肌肉时，如图所示6而本文提出的基于遗传算法的SDF方案能够缓解FC处MUs的影响。

4.2。场景2

在第二种情况下，我们考虑固定的感知时间持续时间和信噪比值(例如，−21.5 dB和−13.5 dB)以及从10到22的不同SUs数量。根据网络中MU的存在情况，我们评估了所提出的基于ga的SDF方案的性能:(i)没有MU， (ii)低信噪比时的MU， (iii)高信噪比时的MU。数字7表示了当网络中不存在MU时，不同数量的su的错误概率。结果表明，误差概率随着单元数的增加而减小。原因很明显，使用CSS，检测概率增加，虚警概率降低，从而可以降低错误概率。当平均信噪比在−21.5 dB到−13.5 dB之间时，所提出的基于遗传算法的SDF方案的误差概率显著降低。传统的计数hdf和MGC-SDF方案在整个信噪比区域内都表现出很高的误差率。

数字8显示了在较低信噪比的情况下存在比正常单元数更小的单元数时的误差概率。在图中，传统的count-HDF和MGC-SDF方案的误差概率并没有迅速下降，这与我们提出的基于ga的SDF方案不同。同样,图9显示了在较高信噪比的情况下存在均值的误差概率。我们还考虑两个平均信噪比值−21.5 dB和−13.5 dB。与传统的计数hdf、MGC-SDF和KL-SDF方案相比，所提出的基于ga的SDF方案随着SUs数量的增加，误差概率下降得更快。

4.3。场景3

在最后一个场景中，当SUS和SNR值的数量固定时，感测时间持续时间从270到335变化。数字10.- - - - - -12.显示所提出的基于GA的SDF方案的误差概率与常规方案相比，当没有MU存在时，在低SNR处存在MU，分别在高SNR处存在。

在图中10.，结果表明，所提出的基于GA的SDF方案实现了最低误差概率。由于平均SNR从-21.5 db增加到-13.5 dB，误差概率进一步减少。基本上，随着感测样本的数量增加，所有方案的误差概率都略微减少。如图所示11.当MUS存在于低SNR时，传统的计数HDF和MGC-SDF方案不会陡峭地降低误差概率，而提出的基于GA的SDF和KL-SDF方案仍然会这样做。当平均SNR从-21.5 dB增加到-13.5dB时，呈现误差概率的显着降低。在该图中，显示Count-HDF方案在MUS存在下实现了最差的误差性能。在图中12.采集高信噪比传感器传输的传感报告。从图中可以看出，随着平均信噪比从−21.5 dB增加到−13.5 dB，传统MGC-SDF方案的误差概率显著降低。然而，由于所提出的基于ga的SDF方案即使在高信噪比下也能缓解MUs的影响，因此它提供了最好的误码性能，但与传统的KL-SDF方案仍有一定的性能差距，在传统方案中取得了最好的性能。

结论

认知无线电(CR)和物联网(IoT)技术的融合似乎将改变未来的5G，并超越无线网络。CR技术具有通过协同感知有效利用光谱的潜力。然而，由于无线衰落效应和网络中恶意用户(MUs)的存在导致的感知信息不准确会显著影响感知性能。本文提出了一种基于遗传算法(GA)的软决策融合(SDF)方案，以确定最优系数向量来组合来自多个次级用户(SUs)的感知报告。所提出的基于遗传算法的SDF方案得到的加权系数向量具有高检测率、低虚警率和低错误概率。通过大量的仿真，通过考虑单元数、平均信噪比和感知时间，评估了所提方案的有效性。结果表明，即使CR网络中存在MU，基于ga的SDF方案的性能也明显优于传统的count-HDF、MGC-SDF、KL-SDF方案。

数据可用性

用于支持本研究结果的数据包括在文章中。

信息披露

本文报道的工作是在2019年韩国理工大学的休假期间进行的。

的利益冲突

作者声明没有利益冲突。

致谢

在IITP（IITP-2019-2018-0-01426）的ITRC（信息技术研究中心）支持计划（IITP-2019-2018-0-01426）由IITP（信息研究所和信息研究所和通信技术规划和评估）部分由韩国政府（MSIT）资助的国家研究基金会（NRF）（2019年第2019章2019亿毫升）。J. Kim的工作教授于2019年在韩国理工大学的休假年度进行。

参考

1. A. Agarwal，G. Misra和K. Agarwal，“5^TH.一代移动网络——关键概念、网络架构和挑战，”美国电气电子工程杂志，第3卷，第4卷。2, pp. 22-28, 2015。查看在：谷歌学者
2. T. Q. Duong和N.S.VO，“无线通信和网络5G及以后，”移动网络和应用，卷。24，不。2，pp。443-446,2019。查看在：出版商网站|谷歌学者
3. B.0.P. Lin，F. J. Lin和L.-P。董，“5G移动宽带在IOT，大数据，云和SDN发展中的作用，”通信和网络第8卷第2期。1，页9-21,2016。查看在：出版商网站|谷歌学者
4. R.Chávez-Santiago，M.Szydełko，A.Kliks等，“5G：无线通信的融合”，无线个人通信，第83卷，第2期。3, pp. 1617-1642, 2015。查看在：出版商网站|谷歌学者
5. W. ejaz，A.Anpalagan，M.A.Imran等，“物联网（物联网）5G无线通信”IEEE访问，第4卷，第10310-10314页，2016。查看在：出版商网站|谷歌学者
6. k·阿什顿“物联网”:在现实世界中，事物比想法更重要，施普林格，柏林，德国，2009。
7. F. a . Awin, Y. M. Alginahi, E. a . Raheem, K. Tepe，《基于认知无线电的物联网技术问题:一项调查》，IEEE访问，卷。7，pp。97887-97908,2019。查看在：出版商网站|谷歌学者
8. S. Chatterjee，R. Mukherjee，S. Ghosh，D. Gosh，S. Gosh和A. Mukherjee，“事物互联网和认知式无线电话 - 问题和挑战”IEEE国际光电与应用光学会议论文集2017年11月，印度加尔各答。查看在：出版商网站|谷歌学者
9. A. A. Khan, M. H. Rehmani和A. Rachedi，“认知无线电什么时候遇到物联网?”“在IEEE国际无线通信与计算会议论文集，帕福斯，塞浦路斯，2016年9月。查看在：出版商网站|谷歌学者
10. a . Al-Fuqaha, M. Guizani, M. Mohammadi, M. Aledhari, M. Ayyash，“物联网:使能技术、协议和应用的调查”IEEE通信调查和教程，卷。17，不。4，pp。2347-2376,2015。查看在：出版商网站|谷歌学者
11. 吴强、丁刚、徐勇等，“认知物联网:一种超越连接的新范式”，IEEE的东西互联网，卷。1，不。2，pp。129-143,2014。查看在：出版商网站|谷歌学者
12. FCC，“关于制定规则和命令的建议通知”，技术代表，FCC，华盛顿特区，美国，2003，报告编号03-222。查看在：谷歌学者
13. Y. Arjoune和N. Kaabouch，“认知无线电网络中的频谱感知:最新进展、新挑战和未来研究方向”，传感器，卷。19，没有。1，p。126,2019。查看在：出版商网站|谷歌学者
14. M. S. Khan, J. Kim, E. H. Lee, S. M. Kim，“认知无线电网络中物联网特征的一种高效的基于争用窗口的报道”，无线通信和移动计算，卷。2019年，第8475020,9页，9页，2019年。查看在：出版商网站|谷歌学者
15. A. Ranjan, Anurag和B. Singh，“基于能量检测的认知无线电频谱感知的设计和分析”，载于IEEE信号与信息处理国际会议论文集，Nanded，印度，2016年10月。查看在：出版商网站|谷歌学者
16. I. Ilyas, S. Paul, A. Rahman，和R. K. Kundu，“基于循环平稳检测的认知频谱感知的比较评估”，在IEEE年度普遍存器计算，电子产品和移动通信会议（UEMCON）的诉讼程序，纽约，纽约，美国，2016年10月。查看在：出版商网站|谷歌学者
17. I. F. Akilidz, B. F. Lo, R. Balakrishnan，“认知无线电网络中的合作频谱感知:综述”，物理通信，卷。4，不。1，pp。40-62,2011。查看在：谷歌学者
18. D. Cabric, S. M. Mishra和R. W. Brodersen，“认知无线电频谱感知的实施问题”第三十八届阿西洛马尔信号、系统和计算机会议记录2004年11月，美国加州太平洋格罗夫。查看在：出版商网站|谷歌学者
19. R. Tandra和A. Sahai，“噪声不确定性下低信噪比检测的基本限制”无线网络、通信和移动计算国际会议论文集，毛伊岛，嗨，美国，2005年6月。查看在：出版商网站|谷歌学者
20. D.-J.Lee，“认知无线电网络中协同频谱感应的自适应随机访问”，无线通信的IEEE交易第14卷，第2期。2, pp. 831-840, 2015。查看在：出版商网站|谷歌学者
21. He y, S. Member, J. Xue, T. Ratnarajah, and S. Member， " On cooperative spectrum sensing performance in random cognitive radio networks， "IEEE系统杂志，卷。99，pp。1-12,2016。查看在：谷歌学者
22. D. B. Teguig, B. Scheers, V. Le Nir，“认知无线电网络中协作频谱感知的数据融合方案”，载于军事通信和信息系统会议的诉讼程序2012年10月，澳大利亚堪培拉。查看在：谷歌学者
23. D. Hamza, S. Aissa, G. Aniba, S. Member，和G. Aniba，“认知无线电网络中协作频谱感知的等增益组合”，无线通信的IEEE交易第13卷，没有。8，pp。4334-4345,2014。查看在：出版商网站|谷歌学者
24. R. Biswas，J.Wu和X. du，“缓解了认知无线电网络中伪造攻击的频谱传感数据，”IEEE交流国际会议的诉讼程序（ICC）中国青岛，中国，2019年5月。查看在：出版商网站|谷歌学者
25. M. S. Khan和I. Koo，“认知无线电网络中hausdorff距离对恶意用户不利影响的缓解”，信息与通信融合工程学报第13卷，没有。2, pp. 74-80, 2015。查看在：出版商网站|谷歌学者
26. (1)“一种基于kullbak -leibler散度的协同频谱感知方法”，Ieice交易通信，卷。E95-B，没有。4，pp。1286-1290,2012。查看在：出版商网站|谷歌学者
27. M. Jenani，《网络安全的挑战》国际高级网络和应用杂志第8卷第2期。5，pp。120-123,2017。查看在：谷歌学者
28. i。s。Turbin，“移动认知无线电网络的安全威胁”IEEE East-West设计与测试研讨会（EWDTS）的诉讼程序，喀山，俄罗斯，2018年9月。查看在：出版商网站|谷歌学者
29. M. S. Khan, M. Jibran, I. Koo, S. M. Kim和J. Kim，“认知无线电网络中对付恶意用户的双重自适应方法”无线通信和移动计算，第2350964条，9页，2019年。查看在：出版商网站|谷歌学者
30. I. Ngomane，M.Velempini和S.V.Dlamini，“检测认知无线电临时网络中的频谱传感数据伪造攻击”IEEE信息通信技术与学会学报，南非德班，2018年5月。查看在：出版商网站|谷歌学者
31. R. WAN，L. Ding，N. Xiong和X. Zhou，“缓解战略对认知无线电传感器网络的频谱传感数据伪造攻击”，“国际分布式传感器网络，第15卷，第2期。9日,2019年。查看在：出版商网站|谷歌学者
32. H. A. B. Salmeh, S. Almajali, M. Ayyash和H. Elgala，“物联网认知无线电网络中的频谱分配延迟了受到干扰攻击的敏感应用”IEEE物联网，第5卷，第4卷。3，页1904-1913,2018。查看在：出版商网站|谷歌学者
33. 研究所。林,彭译葶。Wen和W. A. Sethares，“针对物联网应用PUEA攻击的基于两层设备的认证协议，”IEEE网络信号与信息处理汇刊，卷。4，不。1，pp。33-47,2018。查看在：出版商网站|谷歌学者
34. U. Mehboob，J.Qadir，S. Ali和A. Vasilakos，无线网络中的遗传算法：技术，应用和问题，卷。20，没有。6，Springer，柏林，德国，2016年。
35. S.Bhattacharjee，P.DAS，S. Mandal和B. Sardar，“使用GA的认知无线电网络中的错误警报概率的优化”，“2015 IEEE第二届信息系统最新趋势国际会议论文集(ReTIS)2015年7月，印度加尔各答。查看在：出版商网站|谷歌学者
36. M. akbarari和M. Ghanbarisabagh，“一种新的基于进化的认知无线电网络协作频谱感知机制”，无线个人通信，第79卷，第2期。2, pp. 1017-1030, 2014。查看在：出版商网站|谷歌学者
37. M. Akbari，M. R. MANESH，A. A. A. El-Saleh和M. Ismail，“使用粒子群优化改进了基于软融合的合作频谱感测”IEICE电子表达，卷。9，没有。6，第436-442,2012。查看在：出版商网站|谷歌学者
38. 全志，崔绍伟，A. H. Sayed，“认知无线电网络中频谱感知的最优线性合作”，IEEE在信号处理中所选主题杂志，第2卷，第2卷。1, 28-40页，2008。查看在：出版商网站|谷歌学者

版权

版权所有©2020 Muhammad Sajjad Khan等人。这是分布下的开放式访问文章知识共享署名许可如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。