本发明属于认知异构网络技术领域,尤其涉及一种基于协作频谱感知和干扰约束的认知异构网络功率分配方法。
背景技术:
未来的无线通信系统是一种开放式、异构化的无线网络通信系统,能够支持用户有机融合个人喜好和网络性能等因素来动态接入最合适的无线网络。由于现有的异构网络业务数量增长快、使用效率低,在大量用户共享带宽情况下,对于实时多媒体通信(例如高清视频传输)的高吞吐量要求,带宽限制问题十分严重,为了满足网络运营商在无线资源利用和管理上的效率,研究专家提出了认知网络异构网络的概念,利用认知无线电的频谱感知能力使用户能够选择合适的网络接入,减少接入网络出现冲突受限的概率,提升资源利用效率。一种认知异构网络中基于克隆选择算法的动态频谱分配算法,该算法以网络效益最大化为目标,考虑接入网的频谱需求,并在该算法中设计了一种新的能够同时考虑接入网频谱需求和多粒度信道频谱资源的抗体整数编码方式,提高了频谱使用效率,但吞吐量需求提升时网络的数据速率无法满足。一种基于效用最大的多小区异构网络调度和功率控制方法,该算法通过用户与不同网络的基站关联后,再给基站分配功率值,从而使用户的接入会得到最大的效用,但对于频谱利用率的提升并不明显。一种基于集群的异构认知无线网络协作频谱感知分配策略算法,该算法采用分簇的方法来划分多个簇网络,通过同一簇中所有次用户单元进行协作频谱感知来获取主用户的信道状态,接着采用贪婪的启发式算法与多项式计算找到最理想的分配策略,虽然协同感知的方式可以提高频谱检测准确率,降低对主用户的干扰,但网络消耗了更多的能量。qos约束下的异构网络能量感知竞争功率分配算法,该算法采用纳什均衡和自分式规划方法,在目标速率需求下结合分布式电源分配方案最大限度地提高了网络的能源效率和吞吐量,但无法解决频谱检测准确率较低的问题。
综上所述,现有技术存在的问题是:目前的异构无线网络的空闲信道检测准确率低,频谱利用效率不高;在限制次用户的发射功率,降低对主用户的干扰程度的同时如何提高异构网络吞吐量的问题。
技术实现要素:
针对现有技术存在的问题,本发明提供了一种基于协作频谱感知和干扰约束的认知异构网络功率分配方法。
本发明是这样实现的,一种基于协作频谱感知和干扰约束的认知异构网络功率分配方法,所述基于协作频谱感知和干扰约束的认知异构网络功率分配方法的认知异构网络系统模型采用多个中心次用户节点协助其他节点进行频谱感知,csu协作其他psu节点进行频谱感知,并引入了能量检测阈值,在提高空闲信道检测准确率的同时节省检测能耗;采用最大化数据速率和功率约束条件的优化方程,在干扰功率的限制约束下为节点分配最佳的发射功率,降低干扰程度并优化网络吞吐量;
所述能量检测阈值表示为:
所述csu节点分配的最佳发射功率为:
所述psu节点分配的最佳发射功率
进一步,采用csu协作其他psu节点进行频谱感知,psu节点i需要接入一个授权信道j,t作为时隙长度,
对于信道未被pu占用的情况,
节点i进行频谱感知的能量消耗量表示为:
在
ρz(i)表示psu节点i检测到信道被主用户占用的准确率:
et表示能量检测阈值:
基于csu协作频谱感知下检测到信道被主用户占用的准确率:
其中g表示csu节点的数量。
进一步,确定csu和psu的发射功率约束条件包括:
在网络中csu节点i的最大发射功率为
其中j表示信道,lc表示csu节点的信道组,lp表示psu节点的信道组;
网络中pu节点的数量为m,用
传输持续时间为t,csu节点传输时隙ti的约束条件为:
进一步,所述csu节点的最佳发射功率分配方法包括:
将最佳发射功率分配问题配制为方程组:
其中ncsu表示csu节点的集合;
引入因子
接着令ti=eq,ξ=ep,并将其代入,通过目标函数的自然对数得到:
通过求出的p值可以得到最小化的ξ,推导出最大的βi值,再根据
进一步,所述psu节点的最佳发射功率分配方法包括:
psu节点z基于最大化数据速率和功率约束条件的优化方程为:
若
xz、yz是分别对应于csu节点和psu节点的发射功率的拉格朗日乘子;
采用一种次梯度更新方法来更新xz、yz:
当更新至目标函数
本发明的另一目的在于提供一种应用所述基于协作频谱感知和干扰约束的认知异构网络功率分配方法的认知异构网络。
本发明的优点及积极效果为:采用本发明的异构网络功率分配方法,相比较基于集群的协作频谱感知分配策略算法和基于qos约束的能量感知竞争功率分配算法,异构网络的吞吐量可以分别提升3.4%和1.5%,平均频谱利用率可以分别提高9.3%和7.4%。
附图说明
图1是本发明实施例提供的基于协作频谱感知和干扰约束的认知异构网络功率分配方法流程图。
图2是本发明实施例提供的频谱利用率示意图。
图3是本发明实施例提供的数据平均传输速率示意图。
图4是本发明实施例提供的网络吞吐量示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
如图1所示,本发明实施例提供的基于协作频谱感知和干扰约束的认知异构网络功率分配方法包括以下步骤:
s101:认知异构网络系统模型采用多个中心次用户(centersecondaryusers,csu)节点协助其他节点进行频谱感知,并引入了能量检测阈值,在提高空闲信道检测准确率的同时节省检测能耗;
s102:采用最大化数据速率的联合优化方程,在干扰功率的限制约束下为节点分配最佳的发射功率,降低干扰程度并优化网络吞吐量。
本发明采用多个节点协作频谱感知的方法来提高空闲信道检测的准确率,但不需要全部次用户节点共同参与,节省检测能耗。对最大化数据速率的求解转化为了一个凸优化问题,并制定了干扰约束条件,通过拉格朗日函数来得到最优解。
1基于协作频谱感知的认知异构网络系统模型
假设异构无线网络由基础网络和多个次级网络组成。基础网络由主用户节(primaryusers,pus)点与通信基站构成,次级网络由通信基站和次用户(secondaryusers,sus)节点构成。在k个次级网络中,存在k个次用户节点担任认知基站,它们属于中心sus,简称csu,作用是协助其他su节点进行频谱感知和转发数据,而次级网络中的其他su称为分布式su,简称psu,csu与psu之间互相通信。在认知异构网络中,将可用频谱被分成k个正交频谱信道,并且所有用户都可以在多个信道同时传输。每个pu具有一个特定授权信道,su可以采取机会接入的方式在不影响pu的条件下接入授权信道。
在认知异构网络中,多个节点进行协作频谱感知可以提高空闲信道检测的准确率,但过多节点参与频谱感知会带来一定的能量损失,在本发明系统中,采用csu协作其他psu节点进行频谱感知,在提高检测准确度的同时使用于频谱感知的能耗得到控制。假设psu节点i需要接入一个授权信道j,t作为时隙长度,
对于信道未被pu占用的情况,
节点i进行频谱感知的能量消耗量表示为:
在
假设ρz(i)表示psu节点i检测到信道被主用户占用的准确率:
et表示能量检测阈值:
基于csu协作频谱感知下检测到信道被主用户占用的准确率:
其中g表示csu节点的数量。
为了减少su节点和pu节点在发送数据时对其他节点带来的干扰,需要确定一个csu和psu的发射功率约束条件。
在网络中假设csu节点i的最大发射功率为
其中j表示信道,lc表示csu节点的信道组,lp表示psu节点的信道组。
假设网络中pu节点的数量为m,用
假设传输持续时间为t,csu节点传输时隙ti的约束条件为:
2基于最大化数据速率及功率约束的发射功率分配算法
2.1csu节点的最佳发射功率分配方法
csu节点i在其传输时隙ti内会采用tdma的方式接入空闲信道,并且在下行链路会以速率
其中ωi表示与csu的功率相关联的拉格朗日乘子。
为了最大限度地发挥csu节点的可实现数据速率,提高网络吞吐量,需要优化csu节点的发射功率,基于最大发射功率约束和干扰功率约束,可以将最佳发射功率分配问题配制为方程组:
其中ncsu表示csu节点的集合。
由于该优化问题是一个凸优化问题,因此它满足kkt(karush-kuhn-tucker)条件,公式()的拉格朗日函数可以表示为:
ωi和γi是分别与式(f1)、式(f2)相关联的拉格朗日乘子。
引入因子
接着本发明令ti=eq,ξ=ep,并将其代入到公式(15),通过目标函数的自然对数可以得到:
通过求出的p值可以得到最小化的ξ,根据公式(15)推导出最大的βi值,再根据
2.2psu节点的最佳发射功率分配方法
对于psu节点,与csu节点相同,都是基于最大化数据速率和功率约束条件来进行最佳发射功率分配,由于psu共享所有信道,且psu之间是一种独立关系,因此本发明采用了非合作博弈的方法来解决psu节点的功率分配问题。用
其中npsu表示psu节点的集合,yj,z表示psu节点z的信道矩阵,
若
在该方程中xz、yz是分别对应于csu节点和psu节点的发射功率的拉格朗日乘子。
为了在pu允许的最大干扰电平的约束条件下最大化
当更新至目标函数
下面结合实验对本发明的应用效果作详细的描述。
1实验仿真结果及分析
在实验部分,本发明采用了ns2网络仿真器搭建仿真场景,对算法进行编程仿真。对于取得的仿真结果,主要采用对比分析的方法来体现本发明算法的性能。所采用的对比算法为:文献[shis,liangn,gux.aresourceallocationmethodofheterogeneouswirelesscognitivenetworksbasedonconvexoptimizationtheory[c]//instrumentationandmeasurement,computer,communicationandcontrol(imccc),2014fourthinternationalconferenceon.ieee,2014:139-144.]中zhang提出的基于集群的协作频谱感知分配策略算法,文献[cheny,leiq,yuanx.resourceallocationbasedondynamichybridoverlay/underlayforheterogeneousservicesofcognitiveradionetworks[j].wirelesspersonalcommunications,2014,79(3):1647-1664.]中bacci提出的基于qos约束的能量感知竞争功率分配算法。所搭建的异构网络场景包括了3个csu节点,5个psu节点以及1个pu节点,仿真范围100m×100m,csu节点和psu节点的最大干扰功率为0.1w。信道矩阵遵循瑞利分布,并彼此独立。路径损耗指数为2,服从均值为0方差为4的高斯分布,噪声功率为10-5w/hz,以下的实验结果若未特别说明,均为100次独立实验结果的均值。
在图2的实验中,本发明通过逐渐增加psu节点的数量来得到算法频谱利用率的变化情况。从图中的数据可以看出,随着psu节点数量的增加,算法的频率利用率逐渐提升,psu节点数量的增多使得频谱资源的竞争加大,网络中存在的空闲频谱变少。本发明算法在psu节点数量逐渐增加的情况下,频谱利用率可以达到92.0%,而文献[shis,liangn,gux.aresourceallocationmethodofheterogeneouswirelesscognitivenetworksbasedonconvexoptimizationtheory[c]//instrumentationandmeasurement,computer,communicationandcontrol(imccc),2014fourthinternationalconferenceon.ieee,2014:139-144.]算法的频谱利用率最高才达到82.5%,文献[cheny,leiq,yuanx.resourceallocationbasedondynamichybridoverlay/underlayforheterogeneousservicesofcognitiveradionetworks[j].wirelesspersonalcommunications,2014,79(3):1647-1664.]算法的频谱率最高则达到了83.6%。由于本发明采用了结合csu节点的协作频谱感知算法,在检测空闲信道上具有更高的准确率,并且能量检测阈值的设定节省了频谱感知的能耗。
图3显示了在psu节点数量逐渐增多的情况下算法的数据传输速率情况,由图中的数据分布情况来看,算法的数据传输速率随着psu数量的增多而逐渐降低,这是由于psu节点数量的增多导致了信道占用的竞争加剧,而psu节点的增多带来了更多的互相干扰情况,更多的数据碰撞使得重传次数增多,影响了数据的平均传输效率。从图中可以看出,虽然数据传输速率受到psu节点数量增多的影响,但本发明算法的数据传输速率受到影响的程度相比文献[shis,liangn,gux.aresourceallocationmethodofheterogeneouswirelesscognitivenetworksbasedonconvexoptimizationtheory[c]//instrumentationandmeasurement,computer,communicationandcontrol(imccc),2014fourthinternationalconferenceon.ieee,2014:139-144.]和文献[cheny,leiq,yuanx.resourceallocationbasedondynamichybridoverlay/underlayforheterogeneousservicesofcognitiveradionetworks[j].wirelesspersonalcommunications,2014,79(3):1647-1664.]要较小,其中本发明算法的数据传输速率最后保持在2.3kbps,而文献[shis,liangn,gux.aresourceallocationmethodofheterogeneouswirelesscognitivenetworksbasedonconvexoptimizationtheory[c]//instrumentationandmeasurement,computer,communicationandcontrol(imccc),2014fourthinternationalconferenceon.ieee,2014:139-144.]和文献[cheny,leiq,yuanx.resourceallocationbasedondynamichybridoverlay/underlayforheterogeneousservicesofcognitiveradionetworks[j].wirelesspersonalcommunications,2014,79(3):1647-1664.]算法则分别为1.6kpbs和1.4kpbs。由于本发明算法采用了最大化数据速率的优化方程,在干扰约束的条件下可以为节点分配一个最大的传输速率,并且算法对干扰电平的有效约束可以减少数据碰撞的概率,减少数据包重传次数。
图4显示了在psu节点数量增多的情况下网络吞吐量的变化情况。从图中可以看出,随着psu节点数量的增多,网络吞吐量逐渐提升。从图4的数据结果来看,本发明算法的平均网络吞吐量相比文献[shis,liangn,gux.aresourceallocationmethodofheterogeneouswirelesscognitivenetworksbasedonconvexoptimizationtheory[c]//instrumentationandmeasurement,computer,communicationandcontrol(imccc),2014fourthinternationalconferenceon.ieee,2014:139-144.]和文献[cheny,leiq,yuanx.resourceallocationbasedondynamichybridoverlay/underlayforheterogeneousservicesofcognitiveradionetworks[j].wirelesspersonalcommunications,2014,79(3):1647-1664.]分别提升了3.4%和1.5%。这是由于本发明所采用的功率分配算法在干扰约束的条件下可以最大化数据传输速率,通过更高的数据速率提高网络的吞吐量,并且减少干扰情况使得传输效率提升,单位时间内基站的流量达到率提升。
本发明通过对异构无线网络空闲信道检测及功率分配问题的研究,本发明提出了一种基于协作频谱感知和干扰约束的功率分配算法。针对节点在频谱感知上的准确度及能耗问题,本发明通过中心次用户节点协作其他次用户节点进行频谱感知,在提高频谱感知准确率的同时约束协作节点数量,减少能耗。为了提高网络吞吐量,采取了一种最佳发射功率分配算法,在干扰功率约束的条件下最大化数据传输速率。在实验仿真过程中,通过对比分析的方法,验证了本发明算法在提高频谱利用率、提升网络吞吐量上的有效性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。