认知无线网络中基于H无穷滤波理论的协作频谱感知方法

摘要

一种认知无线网络中基于H无穷滤波理论的协作频谱感知方法，步骤如下：针对认知用户进行本地频谱检测，然后将感知数据及本地感知结果发送给数据融合中心；数据融合中心根据每个认知用户发送来的感知数据构建信道增益的状态空间模型，并使用H无穷滤波方法估计每个认知用户对应的信道阴影衰落增益的变化情况；利用每个认知用户对应的信道阴影衰落增益估计值计算测试统计量；将该测试统计量与给定的阈值比较，确定哪些认知用户存在拜占庭式网络攻击行为；将存在攻击行为的认知用户数据和本地感知结果在数据融合中心进行删除；数据融合中心利用或(OR)融合准则对认知用户的本地频谱感知结果进行决策融合，得到协作频谱感知结果。本方法能够更好地实现对授权用户的协作频谱感知。

说明书

技术领域

本发明涉及一种应用于认知无线网络中的协作频谱感知方法，该方法基于H 无穷滤波理论，不仅能够实现对授权用户的频谱检测，而且可以有效识别和消除 认知用户中的拜占庭式攻击。

背景技术

随着世界学者对于认知无线电技术的广泛研究，认知无线通信网络以其对于 频谱资源的智能化高效利用，将逐渐成为未来通信技术发展的主要方向。由于为 了能够为无线通信设备和新的通信业务智能高效地分配日益紧张的频谱资源，认 知无线网络中的认知用户必须能够协作地对无线通信系统进行频谱感知，以找到 空闲的信道。因此，协作频谱感知是未来认知无线通信网络的核心和关键技术之 一。

协作频谱感知技术的实现，是通过大量的认知用户对认知无线通信网络中的 授权用户进行频谱检测，然后，将检测数据或结果发送给附近的数据融合中心(可 以由基站负责)。数据融合中心通过分析各个认知用户传来的频谱感知报告，最 终做出是否存在空闲信道的决策。如果认知用户向数据融合中心发送的是频谱感 知数据(通常为感知信号强度)，则数据融合中心不仅可以做出频谱感知的最终决 策，也可以进行相应的数据分析，以实现对授权用户的定位或是对存在攻击行为 认知用户的识别等功能；相反，如果认知用户发出的是本地频谱感知结果，则数 据融合中心只能完成对频谱的最终检测。为了增强协作频谱感知的功能，本发明 属于前一种方法。

已有的协作频谱感知方法虽然可以实现对某一频段的频谱检测，但其频谱感 知性能容易受到认知用户中拜占庭式网络攻击的影响。当个别认知用户向数据融 合中心发起拜占庭式网络攻击时，其报告的本地频谱感知数据将会严重影响数据 融合中心对频谱资源使用情况的分析。因此，必须使用一种对拜占庭式攻击具有 较高鲁棒性的协作频谱感知方法来识别和消除这种攻击，进而才能得到更为准确 的频谱感知结果。

发明内容

本文提出一种基于H无穷滤波理论的协作频谱感知方法，该方法可以应用于 认知无线通信网络中，实现对无线通信系统的频谱感知以及对拜占庭式网络攻击 的识别和消除。

本发明的目的是通过下述技术方案实现的：

认知无线网络中基于H无穷滤波理论的协作频谱感知方法，具体步骤如下：

(1)认知无线网络中R个认知用户进行本地频谱检测：

认知用户通过天线接收某一频段内的无线信号。因此，第r个认知用户对应 的基带等效离散时间接收信号可以表示为：

x_r[n]＝s[n]+v_r[n]，n＝1,2,...,M

式中s[n]表示授权用户经过信道传输的无线信号采样值，v_r[n]表示相应的噪 声采样值，M为接收信号的采样点数；

对于每一个认知用户，计算其接收信号的对应的功率谱估计值X_r[n]：

$X_r\left[n\right]=\frac{1}{N}{\left|\underset{k=1}{\overset{M}{\Sigma }}{x}_r\right[k\left]e^{-j2\mathrm{\pi nk}}\right|}^2,n=\mathrm{1,2},...,N_f$

然后，计算X_r[n]的峰度统计量S_X，即

$S_X=\frac{1/N_f\underset{n=1}{\overset{N_f}{\Sigma }}{\left(X_r\right[n]-\mu )}^3}{{(1/N_f\underset{n=1}{\overset{N_f}{\Sigma }}{\left(X_r\right[n]-\mu )}^2)}^{3/2}}$

式中，μ为X_r[n]的均值。进而，可以计算得到非高斯性测度测试统计量 $T_X=S_X^2;$

根据给定的虚警概率P_f，通过反复试验可以得到频谱检测阈值τ。将测试统 计量T_X与检测阈值τ进行比较，如果T_X大于τ，说明授权用户信号存在，反之， 表明授权用户不存在。至此，每个认知用户都可以计算得到相应的本地频谱检测 结果{D_r,r＝1,2,...,R}。D_r＝1表示第r个认知用户检测到授权用户存在；D_r＝0表示 第r个认知用户检测到授权用户不存在。然后，每个认知用户将感知数据(即， 接收信号强度)和本地检测结果发送给数据融合中心；

(2)数据融合中心根据每个认知用户发送来的感知数据，建立信道增益的状 态空间模型：

假设第r个认知用户发送来的N个时刻的感知信号强度表示为：

P_r[n]＝P₀+γ10log(d₀)-γ10log(d_r[n])+h_r[n]+w_r[n]，n＝1,2,...,N；

式中，γ表示无线信道的路径衰落系数，d₀为参考距离，P₀为参考距离d₀对 应的接收信号强度，d_r[n]为时刻n第r个认知用户与授权用户之间的距离，h_r[n] 表示时刻n第r个认知用户与授权用户之间的信道阴影衰落增益，w_r[n]表示环境 噪声。该方程也可以称为是信道阴影衰落增益的观测方程；

假设信道阴影衰落增益的状态变化可以用一阶自回归模型来表示，即

h_r[n]＝ah_r[n-1]+v_r[n]，n＝1,2,...,N；

式中，a为模型系数，v_r[n]为模型驱动噪声。至此，以上两个公式给出了第 r个认知用户与授权用户之间的信道阴影衰落增益的状态空间模型；

(3)根据步骤(2)中建立的信道阴影衰落增益的状态空间模型，利用如下H 无穷滤波准则，对h_r[n]进行迭代估计

$\sup \{J=\frac{\underset{n=1}{\overset{N}{\Sigma }}{\left|h_r\right[n]-{\hat{h}}_r[n\left]\right|}^2}{{\left|h_r\right[1]-{\hat{h}}_r[1\left]\right|}_{Q_0^{-1}}^2+\underset{n=1}{\overset{N}{\Sigma }}\{{\left|w_r\right[n\left]\right|}_{W^{-1}}^2+{\left|v_r\right[n\left]\right|}_{V^{-1}}^2\}}\}\le {\gamma }^2;$

式中，为信道阴影衰落增益h_r[n]的估计值，W>0，V>0，γ 为给定的噪声水平界限。上述H无穷滤波等价于如下所示极小极大优化问题

$\underset{{\hat{h}}_r\left[n\right]}{\min }\underset{w_r\left[n\right],v_r\left[n\right],{\hat{h}}_r\left[n\right]}{\max }J=-\frac{1}{2}{\gamma }^2{\left|h_r\right[1]-{\hat{h}}_r|}_{Q_0^{-1}}^2+\frac{1}{2}[\underset{n=1}{\overset{N}{\Sigma }}{\left|h_r\right[n]-{\hat{h}}_r[n\left]\right|}^2-{\gamma }^2\left(\right\{{\left|w_r\left(n\right)\right|}_{W^{-1}}^2+{\left|v_r\right[n\left]\right|}_{V^{-1}}^2\left\}\right)]$

通过求解该优化问题，可以得到信道阴影衰落增益的迭代估计为：

${\hat{h}}_r\left[n\right]=a{\hat{h}}_r[n-1]+H\left[n\right]\left[P_r\right[n]-P_0-\lambda 10\log \left(d_0\right)-\lambda 10\log \left(d_r\right[n\left]\right)-{\hat{h}}_r[n-1\left]\right]$

式中H[n]＝aP[n](V+P[n])^-1，P^-1[n]＝[a(P^-1[n]+V^-1)^-1a+W]^-1-γ^-2；

(4)对于认知无线网络中的R个认知用户，数据融合中心通过估计得到的每 个认知用户对应的信道阴影衰落增益在N个时刻内的变化情况，检测存在 拜占庭攻击行为的认知用户。该检测准则对应的信道阴影衰落增益变化测试量为

$T_A={({\left|{\hat{h}}_r\right[n]-{\hat{h}}_r[n-1\left]\right|}^2-{\left|{\hat{h}}_r\right[n-1]-{\hat{h}}_r[n-2\left]\right|}^2)}^2$

通过该准则可以看出，T_A反应了信道阴影衰落增益在短时间内的变化程度。 由于实际的信道在短时间内阴影衰落增益不会产生较大的突变，因此当T_A大于给 定阈值时，则认定第r个认知用户存在拜占庭攻击行为，该阈值可以通过反复试 验获得；

(5)在数据融合中心，将存在拜占庭式攻击行为的认知用户对应的本地频谱 感知结果进行删除；

(6)在数据融合中心，根据步骤(3)中的H无穷滤波结果以及步骤(4)中的认 知用户攻击行为的识别结果，数据融合中心对剩余的认知用户本地频谱感知结果 进行或(OR)决策融合，得到最终的授权用户协作频谱感知结果。

本发明的优点是，提出了一种基于H无穷滤波理论的协作频谱感知方法。传 统的协作频谱感知方法无法识别和删除存在拜占庭式攻击行为的认知用户，导致 最终的频谱感知结果不准确。与之不同的是，本发明在进行协作频谱感知的同时， 利用H无穷滤波器对认知用户的感知数据和结果进行筛查，通过信道增益的剧烈 变化识别出拜占庭式的网络攻击行为，进而将存在攻击行为的认知用户数据删 除。在此基础上，使用或准则对认知用户的本地频谱感知结果进行决策融合，最 终得到准确的协作频谱感知结果。

附图说明

图1是本方法的流程图。

图2显示了当虚警概率等于1％时，有10％认知用户存在攻击行为时，本方法 在不同平均信噪比环境下的协作频谱感知性能。

具体实施方式

下面结合附图及具体实例，对本发明的具体实施过程给予详细的说明。

(1)如图1所示，认知无线网络中的认知用户通过天线接收某一频段内的无 线信号。因此，第r个认知用户对应的基带等效离散时间接收信号可以表示为

x_r[n]＝s[n]+v_r[n]，n＝1,2,...,M；

式中s[n]表示授权用户经过信道传输的无线信号采样值，v_r[n]表示相应的噪 声采样值，M为接收信号的采样点数；

对于每一个认知用户，计算其接收信号的对应的功率谱估计值X_r[n]；

$X_r\left[n\right]=\frac{1}{N}{\left|\underset{k=1}{\overset{M}{\Sigma }}{x}_r\right[k\left]e^{-j2\mathrm{\pi nk}}\right|}^2,n=\mathrm{1,2},...,N_f$

然后，计算X_r[n]的峰度统计量S_X，即

$S_X=\frac{1/N_f\underset{n=1}{\overset{N_f}{\Sigma }}{\left(X_r\right[n]-\mu )}^3}{{(1/N_f\underset{n=1}{\overset{N_f}{\Sigma }}{\left(X_r\right[n]-\mu )}^2)}^{3/2}}$

式中，μ为X_r[n]的均值。进而，可以计算得到非高斯性测度测试统计量 $T_X=S_X^2;$

根据给定的虚警概率P_f，通过反复试验可以得到频谱检测阈值τ。将测试统 计量T_X与检测阈值τ进行比较，如果T_X大于τ，说明授权用户信号存在，反之， 表明授权用户不存在。至此，每个认知用户都可以计算得到相应的本地频谱检测 结果{D_r,r＝1,2,...,R}。D_r＝1表示第r个认知用户检测到授权用户存在；D_r＝0表示 第r个认知用户检测到授权用户不存在。然后，每个认知用户将感知数据(即， 接收信号强度)和本地检测结果发送给数据融合中心。

(2)数据融合中心根据每个认知用户发送来的感知数据，建立信道增益的状 态空间模型。假设第r个认知用户发送来的N个时刻的感知信号强度表示为

P_r[n]＝P₀+γ10log(d₀)-γ10log(d_r[n])+h_r[n]+w_r[n]，n＝1,2,...,N

式中，γ表示无线信道的路径衰落系数，d₀为参考距离，P₀为参考距离d₀对应的 接收信号强度，d_r[n]为时刻n第r个认知用户与授权用户之间的距离，h_r[n]表示 时刻n第r个认知用户与授权用户之间的信道阴影衰落增益，w_r[n]表示环境噪 声。该方程也可以称为是信道阴影衰落增益的观测方程。

假设信道阴影衰落增益的状态变化可以用一阶自回归模型来表示，即

h_r[n]＝ah_r[n-1]+v_r[n]，n＝1,2,...,N；

式中，a为模型系数，v_r[n]为模型驱动噪声。至此，以上两个公式给出了第r个 认知用户与授权用户之间的信道阴影衰落增益的状态空间模型。

(3)根据步骤(2)中建立的信道阴影衰落增益的状态空间模型，利用如下H无 穷滤波准则，对h_r[n]进行迭代估计

$\sup \{J=\frac{\underset{n=1}{\overset{N}{\Sigma }}{\left|h_r\right[n]-{\hat{h}}_r[n\left]\right|}^2}{{\left|h_r\right[1]-{\hat{h}}_r[1\left]\right|}_{Q_0^{-1}}^2+\underset{n=1}{\overset{N}{\Sigma }}\{{\left|w_r\right[n\left]\right|}_{W^{-1}}^2+{\left|v_r\right[n\left]\right|}_{V^{-1}}^2\}}\}\le {\gamma }^2$

式中，为信道阴影衰落增益h_r[n]的估计值，W>0，V>0，γ为给 定的噪声水平界限。上述H无穷滤波等价于如下所示极小极大优化问题

$\underset{{\hat{h}}_r\left[n\right]}{\min }\underset{w_r\left[n\right],v_r\left[n\right],{\hat{h}}_r\left[n\right]}{\max }J=-\frac{1}{2}{\gamma }^2{\left|h_r\right[1]-{\hat{h}}_r|}_{Q_0^{-1}}^2+\frac{1}{2}[\underset{n=1}{\overset{N}{\Sigma }}{\left|h_r\right[n]-{\hat{h}}_r[n\left]\right|}^2-{\gamma }^2\left(\right\{{\left|w_r\left(n\right)\right|}_{W^{-1}}^2+{\left|v_r\right[n\left]\right|}_{V^{-1}}^2\left\}\right)]$

通过求解该优化问题，可以得到信道阴影衰落增益的迭代估计为

${\hat{h}}_r\left[n\right]=a{\hat{h}}_r[n-1]+H\left[n\right]\left[P_r\right[n]-P_0-\lambda 10\log \left(d_0\right)-\lambda 10\log \left(d_r\right[n\left]\right)-{\hat{h}}_r[n-1\left]\right]$

式中H[n]＝aP[n](V+P[n])^-1，P^-1[n]＝[a(P^-1[n]+V^-1)^-1a+W]^-1-γ^-2。

(4)对于认知无线网络中的R个认知用户，数据融合中心通过估计得到的每 个认知用户对应的信道阴影衰落增益在N个时刻内的变化情况，检测存在 拜占庭攻击行为的认知用户。该检测准则对应的信道阴影衰落增益变化测试量为

$T_A={({\left|{\hat{h}}_r\right[n]-{\hat{h}}_r[n-1\left]\right|}^2-{\left|{\hat{h}}_r\right[n-1]-{\hat{h}}_r[n-2\left]\right|}^2)}^2$

通过该准则可以看出，T_A反应了信道阴影衰落增益在短时间内的变化程度。 由于实际的信道在短时间内阴影衰落增益不会产生较大的突变，因此当T_A大于给 定阈值时，可以认定第r个认知用户存在拜占庭攻击行为，该阈值可以通过反复 试验获得。

(5)在数据融合中心，将存在拜占庭式攻击行为的认知用户对应的本地频谱 感知结果进行删除。

(6)在数据融合中心，根据步骤(3)中的H无穷滤波结果以及步骤(4)中的认 知用户攻击行为的识别结果，数据融合中心对剩余的认知用户本地频谱感知结果 进行或(OR)决策融合，得到最终的授权用户协作频谱感知结果。