基于HMM信道預測的認知無線網絡能效優化研究*

鄧冬梅，韓 賓，李金夫

0 引 言

隨著無線通信技術的蓬勃發展和新興移動終端設備的廣泛使用，頻譜資源日益稀缺。認知無線電技術（Cognitive Radio，CR）的發展為解決傳統頻譜分配模式下的資源稀缺問題帶來了新的發展契機[1]。在認知無線電Overlay頻譜共享模式下，主用戶（Primary User，PU）具有優先頻譜使用權。認知用戶（Secondary User，SU）利用頻譜感知技術發現“頻譜空洞”，在不影響主用戶正常通信的前提下，伺機接入并使用信道[2]，從而有效提高頻譜利用率。同時，受科學技術發展、環境保護需求及運營開銷控制的共同驅使，“綠色通信”理念在無線通信領域應運而生，能量效率（Energy Efficiency，EE）已成為未來無線通信系統的另一個重要指標[3]。多數認知無線網絡中的認知用戶是由電池供電的移動設備，因此使認知用戶付出最小能量代價獲得最大通信收益，對延長認知用戶的工作壽命、維護認知無線網絡通信穩定性具有重要意義。

頻譜感知、數據傳輸、頻譜切換及硬件消耗是認知用戶的主要耗能部分。使認知用戶更加穩健有效地感知和接入空閑信道，是有效降低信道感知階段能耗的關鍵。信道有效接入和數據傳輸時間與SU的吞吐量息息相關，因此如何平衡網絡的吞吐量和能量消耗問題引起了廣泛關注。文獻[4]研究了認知無線網絡最佳檢測時間和功率分配策略的設計問題，以最大限度提高認知無線網絡能效。文獻[5]利用連續時間馬爾科夫理論對認知用戶的頻譜感知和接入過程聯合建模，提出了一種基于跨層設計的能量有效優化算法，通過聯合優化感知時間和接入概率，達到了提升認知用戶能量有效性的目的。文獻[6]在保證吞吐量最大化的前提下，提出了一種最佳檢測時間和功率分配的聯合優化，以達到降低網絡能量消耗、提升能量效率的目的。文獻[7]提出一種頻譜預測和頻譜分割的吞吐量優化方法，結合頻譜分割將主用戶的頻譜劃分為兩個子頻帶，然后在一個子頻帶中加入頻譜預測功能，進而提高認知用戶的吞吐量。文獻[8]在頻譜感知前加入頻譜預測時隙，利用BP神經網絡算法進行信道預測，在預測為空閑的信道中選擇信道進行頻譜感知，避免浪費頻譜感知能量，從而提高能量效率。

現有的工作多數在于單方面的從提升網絡吞吐量或者通過功率控制的角度上提升CRN的能量效率，鮮少考慮到信道感知的準確性對SU能量效率構成的直接影響。本文在此基礎上開展基于HMM信道預測的認知無線網絡能量效率優化研究，通過改進SU幀結構，使信道預測不再犧牲信道感知和數據傳輸階段的時間。建立HMM模型，利用信道感知歷史信息，對主用戶信道狀態進行預測，并根據預測結果進行信道最優選擇，從而保證SU信道接入的準確性，降低能量開銷，同時提高網絡吞吐量，有效提升網絡能量效率。

1 系統模型

1.1 網絡模型

假設在CRN中具有N個PU，1對SU。每個PU獨享一條帶寬為B的信道，每個信道在頻譜上不連續且PU在每個信道上的行為相互獨立。因此，該CRN中信道狀態可用集合Cn=(0,1)，1≤n≤N表示。“0”代表信道空閑，“1”代表信道忙碌。本文通過改變信道數量N和通信強度ρ來模擬網絡環境的變化。假設PU的平均到達時間間隔服從參數為α的泊松分布，信道的平均到達時間間隔服從參數為β二次分布[9]，因此該模型下的網絡信道空閑概率為：

信道狀態為忙碌的概率可以用式（2）表示。同時，信道狀態為忙碌的概率P(H1)也反映了CRN的通信強度ρ。ρ越大，主用戶對信道的占用就越頻繁。

某一時隙下，當SU成功接入信道時，則可以在該時隙下完全使用該信道；當SU并未成功接入信道，則時隙下SU的吞吐量為0。結合香農公式可將本文通信模型下某一時隙中SU的吞吐量表示為：

式中，SNRs表示認知用戶接收到其他認知用戶的信噪比。同時，本文定義能效優化目標能量效率為：

1.2 SU模型

傳統SU模型中，SU執行“信道感知及接入-數據傳輸”兩個階段的操作。為了避免對PU造成干擾，SU的信道感知準確性成為直接影響CRN性能的關鍵。相對于傳統SU盲目性隨機感知，在SU進行感知之前，增加下一時隙信道狀態預測功能的改進型SU能加強信道感知的目標性，有效提高信道接入效率。

然而，信道預測的時間必然會影響信道總的感知時間和信息傳輸時間。考慮到在當前時隙中信道感知一旦結束就已經可以進行下一時隙的信道狀態預測，本文對現有模型下的帶預測功能的SU幀結構進行調整，使得信道預測可以和信息傳輸同步進行。此結構下，信道預測時間僅對能量消耗計算造成影響，而不會壓縮信道感知總時間和信息傳輸時間。

三種SU的幀結構如圖1所示。假設單個時隙長度固定為T，單位時隙內頻譜感知耗能、頻譜切換耗能、數據傳輸耗能及信道狀態預測分別為Ps、Pc、Pt及Pp，其中頻譜感知總時間由總的單次感知時間τs和總的信道切換時間τc構成，即存在時間關系式：

圖1 三種SU的幀結構

1.2.1 傳統SU模型

令xn,j代表第j時隙中信道n上的主用戶的信道占用狀態,xn,j∈{0,1}分別表示主用戶對信道的使用狀態為非占用和占用，{j|1≤j≤M}。yj代表第j時隙中SU的信道占用狀態，yj∈{0,1}分別表示認知用戶不占用/占用信道進行傳輸。本模型中，SU的接入方式采用隨機感知方式。若感知信道為主用戶占用狀態，則切換信道再次進行感知，Nj代表第j時隙中SU的信道感知次數。當在最大感知次數Nmax限制下尋找到空閑信道，則接入并進行傳輸；否則，放棄本時隙的信息傳輸。因此，該模型下的認知無限網絡的平均單時隙下的吞吐量、能量消耗及能量效率三個指標可以表示如下。

吞吐量：

能量消耗：

能量效率：

1.2.2 改進帶預測功能的SU模型

本模型中，上一時隙感知結束后，便可預測下一時隙信道n上的PU狀態，從而在下一時隙感知前，SU可以根據信道預測結果有針對性地選擇預測狀態為空閑的信道進行優先感知。若當前使用信道預測結果為空閑，則當前使用信道在下一時隙中具有最高優先感知權，以使信道不至在時隙間來回切換，有助于有效降低信道切換率，大大減少切換開銷。考慮到頻譜預測會存在一定的預測誤差，錯誤預測概率為，則信道預測為空閑的概率為：

信道預測結果為占用的概率為：

隨著技術的不斷發展，SU接收機對信道狀態的感知能力逐漸提高，本模型中假設信道感知為理想感知。令Pn,j表示第j時隙下信道n上的PU的預測狀態，Pn,j∈(0,1)，則某單個信道的下一時隙狀態預測結果和感知結果存在以下4種可能，如表1所示。

表1 信道預測-感知結果的概率分布

該模型能有效規避傳統SU模型中隨機選擇信道進行感知方式下的盲目性，減少感知次數、信道切換次數，降低感知階段的能量消耗，同時可以增加信息傳輸時間，改善網絡吞吐量，有效提高SU的能量效率。該模型下的認知無限網絡吞吐量、能量消耗及能量效率三個指標可以表示如下：

吞吐量：

能量消耗：

能量效率：

1.3 HMM預測

如圖2所示，HMM模型是一個主要由兩部分組成的雙重隨機過程，一般用Λ=(A,B,π)進行表示[10]。一部分描述真實狀態轉移過程的隱馬爾科夫鏈，用轉移概率矩陣A表示，π為系統狀態初始概率矩陣；另一部分描述隱狀態與觀察狀態O之間關系的一般隨機過程，用觀測概率矩陣B來描述[11]。

圖2 HMM

本文將PU信道狀態作為HMM的隱藏狀態，將SU接收機進行的信道感知結果作為隱藏狀態的觀測值。用qj表示時隙j時的主用戶信道狀態。qj∈(0,1)分別表示信道空閑/占用。兩個狀態之間的轉移服從馬爾科夫鏈，則其狀態轉移概率為aij=P(qt+1=j|qt=i)，表示第t時隙中主用戶狀態為i，t+1時隙中主用戶狀態為j的概率。因此，此時狀

用觀察值Ot作為認知用戶接收機在時隙t時信道感知的結果，則T個時隙內感知產生的觀察序列為O=(O1,O2,O3…OT)。因此，在主用戶信道狀態i的情況下，認知用戶感知到Ot的概率為bij=P(Ot=j|qt=i)，則觀察

定義初始狀態概率πi=P(q1=i)表示首次感知時PU信道處于狀態i的概率，則初始狀態概率矩陣為程如圖3所示。

圖3 HMM預測流程

2 仿真結果與分析

本節通過仿真實驗評估認知無線網絡模型采用傳統隨機接入模式、BPNN預測模型和HMM預測模型性能。所有實驗在MATLAB R2012b中實現，運行在2.4 GHz CPU和2 GB內存上。本文仿真實驗參考IEEE 802.22標準中的典型值設置相關仿真參數[12]，如表2所示，其中τP取值與預測算法息息相關。由式（13）可知，信道感知次數直接影響頻譜感知階段的能量消耗，而頻譜接入的成功與否直接影響SU的吞吐量。因此，平均能量效率η′與信道感知次數、SU對信道的有效占用狀態息息相關。假設認知無線網絡為理想無線通信環境，認知無線網絡環境由PU通信強度和認知無線網絡信道數量兩個參數表征，且SU接收機對頻譜的感知結果為理想感知。仿真參照第2節中的網絡模型對PU活動建模。假設PU在各信道上的活動相互獨立。

表2 仿真參數設置

首先對傳統隨機接入模式、BPNN預測模型及HMM預測模型的無線網絡，在不同信道數量下的能量效率進行仿真，通信強度ρ=0.5。如圖4所示，隨著無線網絡環境的變化，三種模式下的網絡能量效率隨之波動。由于信道預測部分本身的能量消耗，在網絡信道相對空閑較多的情況下，傳統隨機接入模式的能量效率更高；當網絡可選擇信道數目增加，預測模型顯出優勢，明顯高于傳統接入模式。綜上，HMM預測模型的無線網絡平均單時隙能量效率高于BPNN預測模型的無線網絡。

圖4 能量效率與信道數量的關系

其次，對傳統隨機接入模式、BPNN預測模型及HMM預測模型的無線網絡，在不同的通信強度下的吞吐量、能量消耗及能量效率進行仿真，信道數量N=5。圖5、圖6分別給出了當信道數量一定情況下，平均單時隙能量消耗與通信強度ρ之間的關系和平均單時隙吞吐量與通信強度ρ之間的關系。可以看出，隨著通信強度的增大，PU對信道的占用情況越來越頻繁，SU能接入信道的機會逐漸減少，SU能進行數據傳輸的機會也逐漸減少。無線網絡的平均單時隙能量消耗和吞吐量，均隨著通信強度的增大而持續降低。但是，帶預測功能的無線網絡的兩個參數遠遠高于傳統隨機接入模型，其中HMM預測模型的能量消耗和吞吐量均略高于BPNN預測模型。

圖5 能量消耗與通信強度的關系

圖6 吞吐量與通信強度的關系

最后，圖7給出了信道數量一定的情況下，歸一化能量效率與通信強度ρ之間的關系。隨著通信強度的增加，傳統隨機接入模型下的認知無線網絡的能量效率呈逐步下滑趨勢，而帶預測模型的認知無線網絡由于SU總能根據預測結果優先感知預測結果為空閑信道，有效減少了信道感知次數，提高了信道的有效接入概率，從而其能量效率的下滑趨勢相對較為緩慢。仿真證明，HMM預測模型的信道預測準確率達到91.7%，同比BPNN預測高了2.7個百分點。因而，同比BPNN預測模型，HMM預測模型下的認知無線網絡能量效率更高。

圖7 能量效率與通信強度ρ的關系

3 結 語

本文針對Overlay頻譜共享模式下的認知無線網絡能量優化問題，利用隱馬爾可夫模型建立信道預測-擇優感知-接入機制，降低了信道感知階段的冗余能量消耗，提升了信道接入準確率和網絡吞吐量。數值分析與仿真結果說明，在多信道認知無線網絡中，隨著PU對信道的使用率提高，帶預測功能的接入模式能量效率升高。提升信道預測精準度，可以有效降低網絡中的冗余能量消耗，達到提升網絡能量效率的目的。

[1] Mitola J I,Maguire G Q.Cognitive Radio:Making Software Radios More Personal[J].IEEE Pers Commun,1999,6(04):13-18.

[2] Atzarakis N.Research Approaches on Energyaware Cognitive Radio Networks and Cloud Based Infrastructures[J].Computer Science,2015(07):24-31.

[3] XUE Min-hong,WANG Jing,WANG Cheng-xiang,et al.Cognitive Radio in 5G:A Perspective on Energyspectral Efficiency Trade-off[J].IEEE Communications Magazine,2014,52(07):46-53.

[4] Park S,Kim H,Hong D.Cognitive Radio Networks with Energy Harvesting[J].IEEE Transactions on Wireless Co mmunications,2013,12(03):1386-1397.

[5] 劉洋,崔穎,李鷗.認知無線電網絡中基于跨層設計的能效優化算法[J].信號處理,2014,30(04):384-389.LIU Yang,CUI Ying,LI Ou.Energy Efficiency Optimization Algorithm Based on Cross-Layer Design in Cognitive Radio Networks[J].Signal Processing,2014,30(04):384-389.

[6] Li S,Xiao S,Zhang M,et al.Power Saving and Improving the Throughput of Spectrum Sharing in Wideband Cognitive Radio Networks[J].Journal of Communications& Networks,2015,17(04):394-405.

[7] 李紅,齊麗娜.基于頻譜預測和頻譜分割的吞吐量優化[J].南京郵電大學學報:自然科學版,2016,36(02):60-64.LI Hong,QI Li-na.Optimization of Throughput Based on Spectrum Prediction and Spectrum Segmentation [J].Journal of Nanjing University of Posts and Telecommunications(Natural Science Edition),2016,36(02):60-64.

[8] 楊健,趙杭生,陳曦等.認知無線網絡中頻譜預測的能量有效性設計[J].解放軍理工大學學報:自然科學版,2015(02):103-108.YANG Jian,ZHAO Hang-sheng,CHEN Xi,et al.Energyefficient Design of Spectrum Prediction in Cognitive Radio Networks[J].Journal of PLA University of Science and Technology(Natural Science Edition),2015(02):103-108.

[9] Xing X,Jing T,Cheng W,et al.Spectrum Prediction in Cognitive Radio Networks[J].IEEE Wireless Communicat ions,2013,20(02):90-96.

[10] Lin G,Cheng Y,Jiang H.A HMM-Based Spectrum Access Method Used for HF Communication[C].International Symposium on Computational Intelligence and Design IEEE,2015:426-431.

[11] 林剛,程云鵬,江漢等.短波信道估計中的三狀態HMM性能分析[J].通信技術,2016,49(03):286-292.LI Gang,CHENG Yun-peng,JIANG Han,et al.Performance Analysis of Three-State HMM in HF Channel Estimarion[J].Communications Technology,2016,49(03):286-292.

[12] IEEE 802.22 workgroup.IEEE 802.22 Standara[EB/OL].(2014-05-30)[2017-11-01].http://www.ieee802.org/22/.