基于信任簇的協作壓縮頻譜感知新算法

摘 要： 頻譜感知是實施認知無線電CR的關鍵問題。一些惡意用戶篡改數據，降低了頻譜感知性能。為此，提出面向惡意用戶環境的基于信任簇的壓縮頻譜感知TCCSS算法。先利用最大似然ML估計簇離主級用戶的距離，并與預設的門限值比較，尋找到信任簇。然后，依據信任簇提供的信息，使用壓縮頻譜感知算法對信道狀態進行檢測。仿真結果表明，提出的TCCSS算法能夠有效地應對惡意用戶的環境，準確地檢測惡意用戶，同時保持高的頻譜檢測率。

關鍵詞： 認知無線電； 頻譜感知； 惡意用戶； 攻擊； 最大似然估計

中圖分類號： TN911.23?34； TPT393 文獻標識碼： A 文章編號： 1004?373X（2016）19?0037?05

Abstract： The spectrum sensing is an important problem to implement the cognitive radio （CR） networks. Some malicious users tamper the data， which will reduce the performance of spectrum sensing. Therefore， the trustful cluster?based compressed spectrum sensing （TCCSS） algorithm oriented to the malicious users environment is proposed. The maximum likelihood （ML） is used to estimate the distance between the cluster and primary user， and the distance is compared with the preset threshold to search the trusted cluster. And then the compressed spectrum sensing algorithm is used to detect the channel condition according to the information provided by trustful cluster. The simulation results show that the proposed TCCSS algorithm can deal with the malicious user environment effectively， detect the malicious users accurately， and maintain the high spectrum detection rate.

Keywords： cognitive ratio； spectrum sensing； malicious user； attack； maximum likelihood estimation

0 引 言

隨著無線頻譜資源日益緊張，認知無線電CR（Cognitive Radio）技術受到廣泛關注。頻譜感知是CR網絡中最關鍵的技術之一。如果不能正確地感知頻譜，將損害主級系統的性能。每個次級用戶SU（Secondary User）周期地感測頻譜，如果信道沒有被主級用戶PU（Primary User）使用，SU就占用該信道。此外，當PU開始利用信道傳輸信息時，SU必須釋放信道。

目前，許多研究學者密切關注頻譜感知技術。作者提出了在頻譜感知過程中估計時空檢測性能[1]。文獻[2]考慮了認知無線電的休眠模式，提出了頻譜感知過程中最小化能量消耗的方案。此外，為了提高檢測性能，文獻[3]提出了基于相關檢測算法。

然而，陰影衰落和多徑影響降低了用戶的感知性能。解決此問題的有效方法之一就是多個次級用戶SU進行協作感知。目前，協作感知已得到廣泛研究[4?5]。但是，目前這些方案并沒有考慮到惡意用戶的攻擊問題，一旦遭遇惡意用戶，頻譜的檢測性能將急劇下降。 目前主要有以下兩類攻擊：

（1） 惡意用戶操縱感測數據，從而誤導融合中心作出關于信道是否占用的錯誤決定。這類攻擊稱為頻譜感測數據SSDA（Spectrum Sensing Data Attack）攻擊[6?9]。

文獻[6]利用簡單的基于能量檢測的方案挖掘惡意用戶。文獻[7]提出一個權值序列概率模型。將誤報數據的次級用戶SU稱為攻擊者。誤報的數據越多，權值系數越小，文獻[8]提出了基于迭代狀態估計的魯棒協作感知模型。先估計用戶的狀態，然后用迭代算法挖掘惡意用戶。此外，文獻[9]中將鄰近用戶劃分成簇，將簇內用戶的信號RSS發送至同一個基站。

（2） 攻擊者偽造主級用戶PU的一些重要特性，并把被篡改的數據發送給其他次級用戶，這類攻擊稱為主級用戶仿真攻擊PUEA（PU Emulation attack）[10?14]。文獻[10]提出了NA（Neighbor Assisted）頻譜感知方案。每個SU先單獨地進行頻譜感知，并將感知的數據發送給鄰居。仿真結果證實該方案能夠防御PUEA攻擊。

此外，文獻[11]利用馬可夫不等式（Markov inequa?lity）提出了分析PUEA的模型。文獻[12]利用SU離主級用戶以及惡意用戶的距離信息檢測PUEA攻擊。文獻[13]提出基于名譽的簇算法濾出惡意用戶。簇算法是基于用戶的歷史感測數據。文獻[14]針對衰落的無線環境，利用Neyman?Pearson復合假設檢驗和序貫概率比檢驗法SPRT（Sequential Probability Ratio Test）檢驗PUEA攻擊。

為此，本文提出了一個有效防御SSDF和PUEA攻擊TCCSS（Trustful cluster?based Compressed Spectrum Sensing）算法。通過TCCSS算法可以減少發送于融合中心的原始數據（Raw Data），提高檢測惡意用戶的準確性。先將次級用戶SU進行簇劃分，然后利用每個簇離主級用戶間的距離估計主級用戶發射的功率。

在TCCSS算法中，假定[NT]個協作次級用戶，并形成[NC]個簇。在每段頻譜感知階段，簇將其簇內用戶的感測信息發送至融合中心。基于簇[i]（[i=1，2，…，NC]）信息，融合中心利用最大似然估計ML（Maximum Likelihood）估計簇[i]離主級用戶的距離。將真實距離與估計的距離差值稱為簇[i]的距離誤差。當簇的距離誤差小于預設的門限值時，該簇就認為不含惡意用戶的簇，并稱為信任簇。一旦找到了信任簇，其他簇就停止給融合中心發送消息，融合中心就利用信任簇提供的信息對信道狀態進行判斷。仿真結果顯示提出的方案在惡意用戶存在的環境下，能夠有效地提高檢測性能。

1 系統模型

假定在半徑為[R]的區域內，有[NT]個次級用戶SU，一個融合中心。[NT]個次級用戶SU形成[NC]個簇。簇的形成是基于用戶離主級用戶的距離信息。離主級用戶的距離相近用戶就形成一個簇。簇的形成算法不是本文的重點，在此不再敘述。每個簇內有[N]個用戶，系統模型如圖1所示。假定簇和主級用戶PU的位置信息已知，其可通過geo?location數據庫獲取[15]。此外，本文考慮兩類用戶，即信任用戶和惡意用戶（攻擊者）。攻擊者屬于SSDA或PUEA攻擊。

假定系統中有[M]個惡意用戶，且[M]<[NC]。這就保證至少有一個簇內沒有惡意用戶，即至少存在一個信任簇。

在每個頻譜感知階段，用戶測量接收主級用戶發送的信號功率。由于能量檢測實施簡單[16]，本文引用能量檢測進行頻譜感知。假定每個簇按固定的順序向融合中心發送信息。即在本輪感知階段，簇[i]向融合中心發送信息，那么在下一輪感知階段，仍是簇[i]向融合中心發送信息。融合中心利用這些信息估計簇的狀態。然后，將距離誤差與門限值進行比較，判斷簇內是否存在惡意用戶。

假定做出判斷耗時[t] s。因此，如果融合中心認為有惡意用戶，那么它將等待[t]s。然后，第二個簇再向融合中心發送它的感測數據。如果第二個簇內也含有惡意用戶，融合中心再等待[t]s，之后，第三個簇再向融合中心發送感測數據。這個過程一直進行，直到融合中心找到一個不含有惡意用戶的簇，即找到了一個信任簇。一旦找到一個信任簇，融合中心就向其余的簇發送一個消息No_Mes，通知它們不要再向它發送信息。然后，融合中心就利用與信任簇提供的信息，使用基于壓縮感知信息信道能量觀測的協作頻譜感知SSAMP（Simultaneous Sparsity Adaptive Matching Pursuit）算法[17]對信道頻段進行判斷，其是否被占用。

2 攻擊檢測分析

2.2 交互的原始信息量

本節分析由融合中心所接收到用于尋找信任簇的原始數據，證明在本文提出的方案中，交互的原始數據是非常少的。

假定惡意用戶均勻分布。因此，用戶是惡意用戶的概率為[P=MNT]。那么[1-P]就為用戶是信任用戶的概率。根據之前分析，融合中心一直接收信息，直到找到一個信任用戶。因此，定義概率[Ptr]，其表示融合中心找到一個信任用戶的概率。

3 數值分析

本節建立仿真對提出的模型進行性能分析。假定在半徑為1 km的區域，融合中心位于區域中心。融合中心與主級用戶相距4 km。參考距離[d0]=20 m，[σ2ω=][-5 ]dB。主級用戶SU的發射功率為10 kW，路徑損耗指數[α=4]。此外，[δxi，][δyi]分別在[0，1，][-1，1]區域內隨機選擇。每次仿真獨立重復10 000次，取平均值作為最終數據。

3.1 與融合中心交互的信息量[R]

本次仿真主要考慮提出的TCCSS算法融合中心與信任簇交互的原始信息量[R，]其反映了算法的系統開銷。考慮[N=5，M=4，]將TCCSS算法與文獻[8]中的算法進行比較，仿真結果如圖3所示。

從圖3可知，提出的TCCSS算法的交互信息量遠小于文獻[8]采用的算法，平均值至少降低了60%。另外，從圖3可知，TCCSS算法的交互的信息量[R]基本上不隨用戶數變化，在整個用戶數變化的范圍內，保持較穩定的值，說明TCCSS算法有較強的魯棒性。

3.2 誤檢測率

本次實驗考查TCCSS算法對惡意用戶的檢測性能。用誤檢測率表征該性能，誤檢測率越高，檢測性越差。

首先分析誤檢測率隨門限值[η]的變化情況。用戶數[NT]從40，50，60變化。簇數[NC=10]，惡意用戶數[M=][NC-1]=9。仿真結果如圖4所示。從圖4可知，TCCSS算法對惡意用戶的檢測率隨著用戶數[NT]的增加而上升，原因在于[NT]增大，提高了檢測難度。此外，隨著門限值[η]的增大，誤檢測率也隨之增加，主要因為[η]的增加，提高了惡意用戶被誤認為信任用戶的概率。

圖5為TCCSS算法的誤檢測率隨惡意用戶數[M]的變化情況，并與文獻[12]中的算法進行比較，其中[NT]=60，[NC=10]。從圖5可知，與文獻[12]算法相比，提出的TCCSS算法的誤檢測率得到有效降低。此外，TCCSS算法的誤檢測率基本上不隨惡意用戶數變化，均保持在0.05左右，充分說明提出的算法能夠有效應對惡意用戶的攻擊。

3.3 檢測頻譜的概率

仿真實驗過程將提出的TCCSS算法與非合作式基于追蹤壓縮算法（BP算法）[18]和MBCS算法[19]進行比較。

考查檢測率信噪比從-20～20 dB變化的情況，三個算法的檢測率如圖6所示。從圖6可知，提出的TCCSS算法的檢測率明顯優于BP算法和MBCS算法。當信噪比大于0時，檢測率趨于1。

4 結 語

本文提出了面向惡意用戶環境基于信任簇的壓縮頻譜感知TCCSS算法。TCCSS算法在惡意用戶環境下實施頻譜檢測。先利用最大似然估計計算簇離主級用戶的距離，然后再利用距離信息找到一個信任簇。然后融合中心利用信任簇的信息對頻譜進行能量檢測，對信道狀態進行判決。仿真結果表明，提出的TCCSS算法對惡意用戶環境具有魯棒性，對惡意用戶的誤檢測率約為0.05。同時保持高的頻譜檢測率。

參考文獻

[1] DING G R， WANG J L， WU Q H， et al， Spectrum sensing in opportunity?heterogeneous cognitive sensor networks： how to coo?perate [J]. IEEE sensors journal， 2013， 13（11）： 4247?4255.

[2] MALEKI S， PANDHARIPANDE A， LEUS G. Energy?efficient distributed spectrum sensing for cognitive sensor networks [J]. IEEE sensors journal， 2011， 11（3）： 565?573.

[3] SHARMA R K， WALLACE J W. Correlation?based sensing for cognitive radio networks： bounds and experimental assessment [J]. IEEE sensors journal， 2011， 11（3）： 657?666.

[4] NGUYEN?THANH N， KOO I. Optimal truncated ordered sequential cooperative spectrum sensing in cognitive radio [J]. IEEE sensors journal， 2013， 13（11）： 4188?4195.

[5] 卞荔，朱琦.基于數據融合的協作頻譜感知算法[J].南京郵電大學學報，2009，29（2）：73?80.

[6] KALIGINEEDI P， KHABBAZIAN M， BHARGAVA V K. Secure cooperative sensing techniques for cognitive radio systems [C]// Proceedings of 2008 IEEE International Conference on Communications. Beijing， China： IEEE， 2008： 3406?3410.

[7] 岳文靜，陳志，鄭寶玉，等.基于可靠次用戶信息的協作頻譜感知算法研究[J].電子與信息學報，2012，34（5）：1208?1214.

[8] MIN A W， KIM K H， SHIN K G. Robust cooperative sensing via state estimation in cognitive radio networks [C]// Procee?dings of 2011 IEEE Symposium on New Frontiers in Dynamic Spectrum Access Networks. Aachen： IEEE， 2011： 185?196.

[9] MIN A W， SHIN K G， HU X. Attack?tolerant distributed sen?sing for dynamic spectrum access networks [C]// Proceedings of 17th IEEE International Conference on Network Protocols. Princeton： IEEE， 2009： 294?303.

[10] JIN Z， ANAND S， SUBBALAKSHMI K P. Neat： a neighbor assisted spectrum decision protocol for resilience against primary user emulation attacks [EB/OL]. [2010?12?04]. http：//www.stevens.edu/suba.

[11] ALAHMADI A， ABDELHAKIM M. Defense against primary user emulation attacks in cognitive radio networks using advanced encryption standard [J]. IEEE transactions on information forensics and security， 2014， 9（5）： 12?21.

[12] CHEN R， PARK J M. Ensuring trustworthy spectrum sensing in cognitive radio network [C]// Proceedings of 2006 1st IEEE Workshop on Networking Technologies for Software Defined Radio Networks. Reston： IEEE， 2006： 110?119.

[13] HYDER C S， GREBUR B， XIAO L. Defense against spectrum sensing data falsification attacks in cognitive radio networks [C]// Proceedings of 7th International Conference on Security and Privacy in Communication Networks. London： Springer?Verlag， 2011： 154?171.

[14] JIN Z， ANAND S， SUBBALAKSHMI K P. Mitigating primary user emulation attacks in dynamic spectrum access networks using hypothesis testing [J]. ACM SIGMOBILE mobile compu?ting communications review， 2009， 13（2）： 74?85.

[15] BARBIROLI M， CARCIOFI C， GUIDUCCI D， et al. White spaces potentially available in Italian scenarios based on the geo?location database approach [C]// Proceedings of 2012 IEEE International Symposium on Dynamic Spectrum Access Networks. Bellevue： IEEE， 2012： 416?421.

[16] SOFOTASIOS P C， FIKADU M K， HO?VAN K， et al. Energy detection sensing of unknown signals over Weibull fading channels [C]// Proceedings of 2013 International Conference on Advanced Technologies for Communications. Ho Chi Minh City： IEEE， 2013： 414?419.

[17] 顧彬，楊震，胡海峰.基于壓縮感知信道能量觀測的協作頻譜感知算法[J].電子與信息學報，2012，34（1）：14?20.

[18] 張正浩，裴昌幸，陳南，等.寬帶認知無線電網絡分布協作壓縮頻譜感知算法[J].西安交通大學學報，2011，45（4）：67?74.

[19] 汪振興，楊濤，胡波.基于互信息的分布式貝葉斯壓縮感知[J].中國科學技術大學學報，2009，39（10）：1045?1051.