一种适用于多天线认知无线网络的异步跳频序列设计方法与流程

本发明属于通讯技术领域，尤其涉及一种适用于认知无线网络的基于频率跳变的控制信息交互机制设计。

背景技术：

为了在不干扰授权网络通信的前提下灵活利用授权网络的空闲频谱资源进行通信，认知无线网络需要具备一套高效可靠的控制信息交互机制，以实现在认知节点之间交互包括频谱感知结果、网络拓扑、时钟同步和通信资源预约等各类型控制信息。而基于频率跳变的控制信息交互方式能够通过不断地改变认知节点交互控制信息的通信频段(或信道)，灵活而快速地寻找到未被授权网络占用的空闲通信频段(或信道)，因而能较好地对抗授权用户通信所造成的干扰。

在基于频率跳变的控制信息交互过程中，只有当两个认知节点a和b实现了跳频汇聚，即节点a的至少一根天线和节点b的至少一个根天线在同一个时隙内跳到同一个信道上，它们才能获得交互控制信息的机会。为此，每个认知节点均需要对其配置的每根天线设置一个跳频序列，而该节点对其所有天线所设置的跳频序列就构成了一个跳频序列集合。当全网所有认知节点均基于同一准则生成其跳频序列集合，那么根据该准则所能生成的所有跳频序列集合就构成了一个跳频系统。如果每个认知节点均从同一跳频系统中独立地随机选择其跳频序列集合，那么不同的认知节点对在同一时隙内可以在不同信道上实现跳频汇聚，从而有效避免基于单个固定控制信道交互控制信息所导致的控制信道流量饱和问题。因此，跳频系统设计就成为影响基于跳频汇聚的认知无线网络控制信息交互性能的关键性因素。

通常，衡量一个跳频系统性能优劣的性能参数包括：

汇聚度(degreeofrendezvous，简称dor)，即该跳频系统中任意两个跳频序列集合可以实现汇聚的信道总个数。当dor值越大，则基于跳频汇聚的控制信息交互具备更强的可靠性和抗授权用户干扰能力。

最大汇聚时间间隔(maximumtime-to-rendezvous，简称mttr)，即该跳频系统中任意两个跳频序列集合实现连续两次汇聚的最大时间间隔。当mttr值越小，则基于跳频汇聚的控制信息交互具备更短的最大交互时延，而控制信息交互的性能就越好。

通常，上述两个性能参数之间存在一定程度的折中。例如，当一个时钟异步跳频系统(即该跳频系统中任意两个跳频序列之间可能具备任意大的起始时间差异)的dor越大，那么它的mttr就会相应变大。因此，时钟异步跳频系统优化所面临的一个经典问题是，对于一个给定的dor值，如何最小化该跳频系统的mttr值。目前已知，当一个时钟异步跳频系统的dor＝m时，如果每个跳频序列集合所包含的跳频序列个数r＝1，那么该跳频系统mttr的理论下界值是m；否则，如果r>m^0.5，那么该跳频系统可以实现最小的mttr值，即mttr＝1。另一方面，当dor＝m和2≤r≤m^0.5时，如何降低时钟异步跳频系统的mttr值就成为一个亟待解决的问题。这一问题的物理意义在于，当每个认知节点配置的天线数r满足2≤r≤m^0.5时，如何缩短任意两个时钟异步认知节点之间连续两次交互控制信息的最大时间间隔。

技术实现要素：

本发明的目的在于为多天线认知无线网络设计一种适用于控制信息交互的跳频序列生成方法，在确保任意两个具备相同天线数r∈[2,m^0.5]的认知节点能在任意时钟差异条件下在所有m个信道上实现跳频汇聚的同时，有效降低它们实现连续两次汇聚所需的最大时间间隔(即mttr值)，从而在汇聚信道个数和节点天线数给定的限制条件下起到缩短多天线认知无线网络控制信息交互所经历的最大时延的有益效果。

为便于阐述和理解本发明技术方案，首先对本发明所使涉及的基本概念和原理进行简单介绍：

定义1.如果集合zn＝{0,1,…,n-1}的一个k元素子集a＝{a0,a1,…,ak-1}满足如下条件，即对于任意非零整数d∈zn均存在至少一个有序元素对(ai,aj)满足ai∈a，aj∈a和d＝ai-ajmodulon，那么集合a就被称为一个(n,k)-松弛循环差集或简称为(n,k)-差集，其中zn表示对所有整数取模n所构成的集合。

特别地，由于所有的(n,k)-差集都需要满足条件n≤k²-k+1或者其等效条件k>n^0.5，因此，当参数k尽可能地逼近n^0.5时，相应的(n,k)-差集通常被进一步称之为(n,k)-最小差集。

定义2.对一个k元素集合执行距离为r∈[0,n-1]的旋转可以得到一个k元素集合，即

对于任意n≥2来说，(n,k)-差集总是存在的，并有如下两个推论成立：

推论1.如果一个k元素集合是(n,k)-差集，那么其旋转集合也是一个(n,k)-差集。

推论2.对于(n,k)-差集a来说，总有rj∈[0,n-1]成立。

定义3.如果一个mk元素集合可以被划分为m个互不相交的(n,k)-差集，那么集合u被称为一个m维不相交(n,k)-差集组合或简称为一个(m,n,k)-udds。如果每个(n,k)-差集都是一个(n,k)-最小差集，那么集合u会被进一步称为一个m维不相交(n,k)-最小差集组合或简称为一个(m,n,k)-udmds。当m逼近其上限值时，(m,n,k)-udmds会被进一步称为一个最大(m,n,k)-udmds。

推论3.如果一个mk元素集合是一个(m,n,k)-udds，那么集合也构成一个(m,n,k)-udds。

本发明的技术方案为：

对于一个给定的节点天线数r(≥2)、一个给定的汇聚信道数m(≥r)、以及一个给定的可以通过如下步骤为每个具备r根天线的认知节点生成其异步跳频序列集合：

s1、对多天线认知无线网络的m个可汇聚信道进行编号，编号记作：0,1,…,m,…,m-1；对每个认知节点的r根天线进行编号，编号记作：0,1,…,r,…,r-1；对每根天线执行的周期性跳频序列在每个周期内的n个时隙进行编号，编号记作：0,1,…,t,…,n-1；对由划分出来的个互不相交的(n,k)-ds分别标记为a0,a1,…,ac,…,初始化天线编号r＝0和g0＝0。

s2、在每个n时隙周期的每个时隙t∈[0,n-1]内，如果t∈rot(ac,gr)，其中那么每个认知节点的天线0需要跳跃到信道m＝c上；否则，该认知节点的天线0需要跳跃到任意一个信道上。

s3、当任意两个认知节点的时钟差异d＝1,2,…,n-1个时隙时，初始化它们在天线0上的汇聚时隙集合ω0,d和在天线0,1,…,r上的汇聚时隙集合ωd均为并采用如下步骤初始化当时钟差异为d个时隙时两个认知节点在天线0,1,…,r上的最大汇聚时间间隔mttrd：

s31、如果集合ωd只包含一个整数，那么初始化mttrd＝n；否则，将集合ωd包含的所有整数从小到大进行排序，初始化mttrd为该升序列中所有相邻整数之间模n差值的最大值。

s4、设置mttrmax＝max{mttr1,mttr2,…,mttrn-1}。令d*代表生成最大汇聚时间间隔mttrmax的任意两个认知节点之间的时钟差异，令α和β分别为在基于集合ωd*所生成的升序列中满足α-β＝mttrmaxmodulon两个相邻整数，以及设置l为满足β∈ωl,d*的天线编号。更新r＝r+1，并设置

s5、如果r<r-1，那么跳到s6；否则，跳到s8。

s6、在每个n时隙周期的每个时隙t∈[0,n-1]内，如果t∈rot(ac,gr)，其中那么每个认知节点的天线r需要跳跃到信道上；否则，该认知节点的天线r需要跳跃到一个任意选择的信道上。

s7、对于d＝1,2,…,n-1，设置更新ωd＝ωd∪ωr,d，将集合ωd包含的所有整数从小到大进行排序，设置mttrd为该升序列中所有相邻整数之间模n差值的最大值。在执行完上述设置和更新后，返回s4。

s8、在每个n时隙周期的每个时隙t∈[0,n-1]内，如果t∈rot(ac,gr)，其中c∈[0,(m-1modulor)]，那么每个认知节点的天线r-1需要跳跃到信道上；否则，该认知节点的天线r-1需要跳跃到一个任意选择的信道上。

s9、结束算法执行，并输出分别适用于r根天线的r个跳频序列。

本发明的有益效果是：

根据(n,k)-ds的旋转闭合特性(即推论2)，当任意两个配置了r根天线的认知节点均采用本发明所设计的跳频序列集合时，无论它们的跳频起始时刻差异有多大，它们的天线r∈[0,r-2]均可以在个信道(即信道)上实现汇聚，而它们的天线r-1均可以在(mmodulor)个信道(即信道上实现汇聚。因此，本发明所设计的跳频系统能确保认知无线网络的任意两个时钟异步认知节点在每个n时隙周期内在所有m个信道(即信道0,1,…,m-1)上实现跳频汇聚。

另一方面，根据s6和s8可知，构造天线r∈[1,r-1]跳频序列所基于的个互不相交(n,k)-ds，即rot(a0,gr),rot(a1,gr),…,是由构造天线0跳频序列所基于的个互不相交(n,k)-ds，即a0,a1,…,分别旋转一定的非零距离gr而生成的。而对s4的重复迭代执行会导致生成任意两根不同天线i∈[0,r-1]和天线j∈[0,r-1]，其中i≠j，的跳频序列所采用的旋转距离gr通常是不同的。因此采用了本发明跳频序列集合的任意两个认知节点在天线i上的汇聚时隙与它们在天线j上的汇聚时隙也通常不是完全一样的。这一发生在不同天线上的跳频汇聚时隙差异可以有效降低任意两个认知节点连续两次跳频汇聚的最大时间间隔，从而起到缩短多天线认知无线网络控制信息交互所经历的最大时延的有益效果。

最后，本发明所设计的跳频序列集合生成方法适用于多天线认知无线网络基于跳频汇聚的控制信息交互过程中关于节点天线数r(≥2)和汇聚信道数m(≥r)的任意组合，特别是r∈[2,m^0.5]的这一特殊组合。

附图说明

图1是在认知无线网络汇聚信道个数为m(＝9)和每个认知节点配置了r(＝3)根天线的情况下，基于本发明所设计的时钟异步跳频序列集合。

图2是在时钟差异为1个时隙的情况下，两个认知节点选择图1中的跳频序列集合时的跳频汇聚示意图。图中每个双箭头代表两个认知节点在箭头所指信道上实现的一次汇聚。

图3是在节点天线数r＝3的情况下，本发明和两种现有多天线跳频汇聚方法所生成的跳频序列的最大汇聚时间间隔随认知节点汇聚信道数变化的对比曲线。

图4是在汇聚信道数m＝16的情况下，本发明和两种现有多天线跳频汇聚方法所生成的跳频序列的最大汇聚时间间隔随认知节点天线数变化的对比曲线。

具体实施方式

下面结合附图对本发明进行说明。

给定认知无线网络中每个认知节点配置的天线数为r＝3，它们需要汇聚的信道数为m＝9，以及一个可以被划分为3个互不相交(15,5)-ds，即和的(3,15,5)-uddsa。本发明会通过如下步骤为每个具备3根天线的认知节点生成其异步跳频序列集合：

s1、对认知无线网络的m＝9个可汇聚信道进行编号，编号记作：0,1,…,m,…,8；对每个认知节点的r＝3根天线进行编号，编号记作：0,1,2；对每根天线执行的周期性跳频序列在每个周期内的n＝15个时隙进行编号，编号记作：0,1,…,14；对由(3,15,5)-uddsa划分出来的个互不相交的(n,k)-ds分别标记为a0＝{0,1,2,6,9},a1＝{4,5,8,10,12}和a2＝{3,7,11,13,14}。初始化天线编号r＝0和g0＝0。

s2、在每个15时隙周期的每个时隙t∈[0,14]内，由于rot(a0,g0)＝{0,1,2,6,9}，因此每个认知节点的天线0需要在时隙0,1,2,6,9跳跃至信道0上。类似地，每个认知节点的天线0需要在时隙4,5,6,10,12跳跃至信道1上，而在时隙3,7,11,13,14跳跃至信道2上。

s3、当两个认知节点时钟差异d＝1,2,…,14个时隙时，初始化2n个汇聚时隙集合ω0,1＝ω1＝{a0∩rot(a0,1)}∪{a1∩rot(a1,1)}∪{a2∩rot(a2,1)}＝{1,2}∪{5}∪{14}＝{1,2,5,14}，ω0,2＝ω2＝{a0∩rot(a0,2)}∪{a1∩rot(a1,2)}∪{a2∩rot(a2,2)}＝{2}∪{10,12}∪{13}＝{2,10,12,13}，……，ω0,14＝ω14＝{a0∩rot(a0,14)}∪{a1∩rot(a1,14)}∪{a2∩rot(a2,14)}＝{0,1}∪{4}∪{13}＝{0,1,4,13}。

基于ω1,ω1,……,ω14，步骤s31进一步初始化时钟差异为1个时隙时两个认知节点在天线0,1,…,r上的最大汇聚时间间隔mttr1＝9，时钟差异为2个时隙时在天线0,1,…,r上的最大汇聚时间间隔mttr2＝8，……，时钟差异为14个时隙时在天线0,1,…,r上的最大汇聚时间间隔mttr14＝9。

s4、由步骤s3结果可得mttrmax＝max{mttr1,mttr2,…,mttr14}＝9，d*＝1，α＝14，β＝5，以及l＝0。更新r＝r+1＝1，并设置

s5、由于r<r-1＝2，因此跳到s6。

s6、在每个15时隙周期的每个时隙t∈[0,14]内，由于rot(a0,g1)＝{4,5,6,10,13}，因此每个认知节点的天线1需要在时隙4,5,6,10,13跳跃至信道3上。类似地，每个认知节点的天线1需要在时隙1,8,9,12,14跳跃至信道4上，而在时隙0,2,3,7,11跳跃至信道5上。

s7、对于d＝1,2,…,14，设置更新ω1＝ω1∪ω1,1＝{1,2,3,5,6,9,14}，ω2＝ω2∪ω1,2＝{1,2,6,10,12,13,14}，……，ω14＝ω14∪ω1,14＝{0,1,2,4,5,8,13}，将集合ωd包含的所有整数从小到大进行排序，并且设置mttr1＝5，mttr2＝4，……，mttr14＝5。在执行完上述设置和更新后，返回s4’。

s4’、由步骤s7结果可得mttrmax＝max{mttr1,mttr2,…,mttr14}＝5，d*＝1，α＝14，β＝9，以及l＝1。更新r＝r+1＝2，并设置

s5’、由于r＝r-1＝2，因此跳到s8。

s8、在每个15时隙周期的每个时隙t∈[0,n-1]内，由于rot(a0,g2)＝{0,6,7,8,12}，因此每个认知节点的天线2需要在时隙0,6,7,8,12跳跃至信道6上。类似地，每个认知节点的天线2需要在时隙1,3,10,11,14跳跃至信道7上，而在时隙2,4,5,9,13跳跃至信道8上。

s9、结束算法执行，并输出分别适用于3根天线的3个跳频序列。

图1画出了根据上述步骤所生成的跳频序列集合的3个跳频序列，每个跳频序列的周期长度均为15个时隙。根据(15,5)-ds的旋转闭合特性，当任意两个配置了3根天线的认知节点均采用该跳频序列集合时，无论它们的跳频起始时刻差异有多大，它们的每根天线r∈[0,2]均可以在3个信道(即信道3r,3r+1,3r+2)上实现汇聚，而它们就可以在每个15时隙周期内在所有9个信道上均实现跳频汇聚。

图2是在时钟差异为6个时隙的情况下，两个认知节点选择图1所示跳频序列集合时的跳频汇聚示意图。由图可知，这两个认知节点可以在前一跳频序列集合的时隙6,10,12,13,14,15,16,17,19上实现汇聚。此时它们的最大汇聚时间间隔mttr达到最大值4。

图3给出了在认知节点天线数r＝3和汇聚信道数m＝3,6,9,12,15,18的情况下，本发明所设计的跳频序列与现有多天线跳频汇聚方法，即rps(l.yu,h.liu,y.leung,x.chu,andz.lin,“multipleradiosforfastrendezvousincognitiveradionetworks,”ieeetrans.mobilecomp.,vol.14,no.9,pp.1917-1931,september2015)和mss(b.yang,w.liang,m.zheng,andy.c.liang,“fullydistributedchannel-hoppingalgorithmsforrendezvoussetupincognitivemulti-radionetworks,”ieeetrans.vehi.tech.,vol.65,no.10,pp.8629-8643,october2016)，所设计的跳频序列在最大汇聚时间间隔这一性能指标上的对比曲线。可以看出，随着汇聚信道数的增加，这三种方法所生成的跳频序列的最大汇聚时间间隔均将逐渐增大。与rps和mss相比，本发明方法可以获得更小的最大汇聚时间间隔。

图4给出了在汇聚信道数m＝16的情况下，上述三种多天线跳频汇聚方法所生成的跳频序列的最大汇聚时间间隔随着认知节点天线数的增加而相应变化的对比曲线。可以看出，随着认知节点天线数的增加，这三种方法所生成的跳频序列的最大汇聚时间间隔都将逐渐减小，并趋于稳定值。在节点天线数从2变化至5的过程中，与rps和mss相比，本发明设计的跳频序列可以获得更小的最大汇聚时间间隔。