多用户协同抗干扰系统及动态频谱协同抗干扰方法与流程

本发明属于无线通信抗干扰技术领域，特别是一种多用户协同抗干扰系统以及基于分布式多模学习的动态频谱协同抗干扰方法。

背景技术：

干扰攻击对无线通信网络的威胁是非常严重的，通常是通过发射电磁干扰信号影响用频设备的合法通信。此外，随着无线通信的迅速发展，用频设备数目呈爆炸式增长，导致频谱资源逐渐紧缺，网络中通常存在多个用频设备同时通信，相互之间造成严重的同频互扰。因此，对无线通信网络而言，需要同时应对外部恶意干扰和内部同频互扰两大挑战。

从内部协同的角度来看，部分研究者采用基于博弈论的方法协调内部用频冲突。例如，将分布式信道接入问题建模为非合作博弈，并采用随机学习自动机方法实现信道冲突避免关注用户间的干扰(同频互扰)消除(m.zandi,m.donganda.grami,“distributedstochasticlearningandadaptationtoprimarytrafficfordynamicspectrumaccess,”ieeetrans.wirelesscommun.,vol.15,no.3,pp.1675-1688,march2016.)。又比如：引入有效容量，并提出多智体学习算法优化系统可达有效容量(y.xu,j.wang,q.wu,j.zheng,l.shen,anda.anpalagan,“dynamicspectrumaccessintime-varyingenvironment:distributedlearningbeyondexpectationoptimization,”ieeetrans.commun.,vol.65,no.12,pp.5305-5318,2017.)。然而，上述文献通常假设环境是静态的，而没有考虑干扰的动态变化。

从外部对抗的角度来看，部分研究者采用斯坦伯格博弈对通信抗干扰问题进行建模(l.jia,y.xu,y.sun,s.fenganda.anpalagan,“stackelberggameapproachesforanti-jammingdefenceinwirelessnetworks,”ieeewirelesscommun.,vol.25,no.6,pp.120-128,2018.)。此外，还有部分研究者考虑干扰观测误差对用户抗干扰通信性能的影响(l.xiao,t.chen,j.liu,andh.dai,“anti-jammingtransmissionstackelberggamewithobservationerrors,”ieeecommun.lett.,vol.19,no.6,pp.949-952,jun.2015.)。然而，上述文献通常假设用户可以获取干扰的效用函数或干扰行为特征，而这些信息在对抗环境中通常难以直接获得。

将现有方法用于解决多用户协同抗干扰问题，主要存在以下挑战：1、用户的信道选择会随时间动态变化，造成严重同频互扰，系统内部用频协调难；2、系统外部恶意干扰的存在加剧了系统的冲突水平，针对系统内部的优化方法通常无法适应于动态变化的干扰环境。

技术实现要素：

本发明的目的在于提供一种模型完备、物理意义清晰、能够协调同频互扰并避免外部恶意干扰信号的动态频谱协同抗干扰方法。本发明同时考虑内部用频决策的动态变化和外部恶意干扰的动态变化，引入情景知觉的理念，对每种干扰信号，用户均维持一组特定的信道接入策略表。此外，采用博弈论对动态频谱协同抗干扰问题进行建模，结合分布式学习算法求解用户的信道接入策略。

实现本发明目的的技术解决方案为：一种多用户协同抗干扰系统，包括一个分布式无线网络，由若干个数据采集设备和用频设备组成，用户集合设为每一个用户表示距离相近的一个用频终端设备和一个数据采集设备，可用信道集合为假设n>m。

进一步，本发明的多用户协同抗干扰系统，为传输自身数据，所有用频设备竞争接入m条可用信道；假设系统中存在一个额外的公共控制信道，用频设备能够通过该公共控制信道与邻居交互信息；若超过两个用户选择同一信道进行通信，则这些用户可共享该同一信道；当用户n工作于可用信道m上时，用户可达期望传输速率unm为：

其中，δjm表示干扰机是否干扰可用信道m，0表示未干扰，1表示干扰；b为信道带宽；am表示用户n的邻居中选择了可用信道m的用户数量；pn为用户n的传输功率，dn为用户n发射机到接收机的距离，α为路径衰落系数，σ²为信道的噪声功率。

进一步，本发明的多用户协同抗干扰系统，假设每个用户在每个时隙只能选择一个信道进行传输，干扰也只能在每个时隙攻击一个信道，则用户n的可达传输速率un表示为：

其中，δnm表示用户n是否选择信道m进行通信，在该模型中，超过两个邻居用户选择同一个可用信道将会使得网络性能下降，则该网络的优化目标为：

进一步，本发明的多用户协同抗干扰系统，采用局部互利博弈对分布式抗干扰信道接入问题进行建模，并解决分布式决策优化；该博弈模型表示为其中表示干扰机；εn为用户n的邻居用户集；an是用户n的所有策略组合，且an∈an是用户n的一种可用信道选择策略；aj是干扰机的所有可能策略，并且aj∈aj是干扰机的一种干扰策略；

在局部互利博弈中，用un表示用户n的效用函数，如下式所示：

其中，是用户n的邻居用户的可用信道选择策略；uk表示用户k的可达传输速率，ak表示用户k的信道选择策略，表示用户k的邻居用户的信道选择策略；在该博弈中，各用户的目标为un为用户n的可达传输速率；用户n的效用函数为自身满意度与其邻居用户的满意度之和，用户不仅需要优化自身满意度，同时需要考虑受其影响的邻居用户的满意度，邻居间需要进行满意度信息交互。

进一步，本发明的多用户协同抗干扰系统，对于干扰机的一种干扰策略aj，当且仅当没有任何用户单方面改变可用信道策略能够提高其效用函数时，可用信道策略组合是纯策略纳什均衡，其中表示达到纯策略纳什均衡时用户n的信道选择策略：

其中，代表从集合an中移除元素的集合，a-n＝{a1,...,an-1,an+1,...,an}表示除n外的其他用户的决策；

此外，若存在一个势能函数φe:a1×...×an→r，使得对任意用户任意策略an∈an和a′n∈an，下列等式成立：

un(an,a-n,aj)-un(a′n,a-n,aj)＝φe(an,a-n,aj)-φe(a′n,a-n,aj)

则该博弈称为精确势能博弈，一个精确势能博弈中任意用户单方面改变策略导致的效用函数变化量和势能函数的变化量一样；其中a′n是用户n的信道选择策略，是区别于an的其他策略。

进一步，本发明的多用户协同抗干扰系统，对于干扰机的一种干扰策略aj，所提抗干扰局部互利博弈是一个精确势能博弈，且至少存在一个博弈的纯策略纳什均衡；此外，全网用户满意度最大化问题的最优解是该博弈的纯策略纳什均衡；

首先构造如下势能函数φ1(an,a-n,aj)：

该势能函数即为全网用户吞吐量函数之和；当用户n的某一个信道接入策略从信道m改为m′时，表明an变为了a′n，此时，单方面改变信道接入策略导致的效用函数变化量为：

其中是指区别于的其他策略；注意到用户n信道决策的改变只影响其邻居集合εn内的用户，因此，当an变为a′n时，对于所有非用户n的邻居用户，有如下关系：

其中ui表示用户i的效用函数，ai表示用户i的信道选择策略，表示用户i的邻居的其他策略，表示用户i的邻居的策略；这里的用户i不是用户n的邻居用户；

势能函数的改变量为：

由势能博弈的定义知，所提抗干扰局部互利博弈是一个精确势能博弈，且全网用户吞吐量最大化问题的最优解即为该博弈的纯策略纳什均衡。

一种基于多用户协同抗干扰系统的动态频谱协同抗干扰方法，包括以下步骤：

步骤1、设置仿真起始-终止时间，设置用户数目、可用信道数目，初始化用户对所有推荐信号的信道接入策略表其中，pn是一个概率向量矢量，pn＝{pn1,...,pns,...,pns}，t表示时隙，s表示第s种可用信道接入决策策略；

步骤2、循环：在t时隙开始，用户观测当前被恶意干扰的信道，确定推荐信号状态aj(t)，并判断控制信道是否被干扰；

步骤3、每个用户n按照信道接入策略表中对应的信道接入概率向量pn(aj(t))接入信道，每个用户n按照信道接入策略表中对应的信道接入概率向量pn(aj(t))接入信道；

步骤4、随机挑选多个互不相邻的用户进行信道接入策略更新；如果用户n被选中，则与其邻居集εn中的邻居进行信息交互，之后计算当前时隙用户所有可选动作的效用值，即之后，根据如下规则更新信道接入概率：

其中，β>0是算法学习速度参数，表明集合an中的动作；

步骤5、将更新后的信道接入概率储存到相应用户的可用信道接入策略表中；

步骤6、循环步骤2～5，直至达到最大迭代次数，算法结束。

一种基于多用户协同抗干扰系统的动态频谱协同抗干扰方法，用户在每个时隙开始首先观测干扰信号，并将干扰信号作为推荐信号；根据推荐信号状态，各用户选择接入策略表中对应的可用信道接入策略进行接入；将抗干扰局部互利博弈中的信道选择问题扩展到混合策略的形式；当干扰策略为aj时，记p(aj)＝(p1(aj),...,pn(aj),...,pn(aj))为当前干扰状态下的混合接入策略，其中为用户n的信道选择概率向量，具体地，pns(aj)为用户n选择第s种可用信道接入决策的概率，|an|表示用户的所有可能信道接入策略数。之后，用户进行通信传输，并根据通信回报获取反馈。最后，根据反馈更新对应接入策略表中的信道选择概率。

本发明对于每一种干扰策略aj，该博弈均至少存在一个纯策略ne。实际上，随着软件无线电技术的不断发展，干扰攻击逐渐呈现出灵巧多变的特点，因此，干扰机通常可动态调整干扰信道。为应对干扰攻击的动态变化，我们引入干扰利用的思想与相关均衡。针对每一种干扰状态所用用户n均记录并维持对应干扰状态的信道接入策略表；并且当下一次干扰状态aj出现时，继续调整用户的信道选择，直至最终达成博弈的纯策略纳什均衡。

与现有技术相比，本发明的显著优点在于：(1)采用“内部协同，外部对抗”的协同抗干扰模型，在该模型下设计了基于分布式多模学习的抗干扰信道接入算法以协调内部互扰并对抗外部恶意干扰；(2)模型完备，物理意义清晰，可适应于大规模用频设备协同抗干扰场景。

附图说明

图1是本发明中多用户协同抗干扰系统的结构示意图。

图2是本发明中收敛时间的累积分布曲线。

图3是信道数为3时本发明所提算法与随机选择算法中关于网络吞吐量对比图。

图4是信道数为5时本发明所提算法与随机选择算法中关于网络吞吐量对比图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

本发明为一种基于分布式多模学习的动态频谱协同抗干扰方法，旨在解决干扰动态变化的条件下的多用频设备分布式抗干扰信道接入问题。网络内用户可通过宽带频谱感知当前干扰信号所处频段，采用分布式学习调整信道接入策略。具体方法为：首先通信方观测干扰信号，并将干扰信号作为“推荐信号”；各用户根据推荐信号与对应的信道接入概率，挑选信道进行数据传输，并与邻居节点进行信息交互确定通信回报；之后，根据通信回报更新信道接入策略表对应的信道接入概率。

结合图1，一种多用户协同抗干扰系统，包括一个分布式无线网络，由若干个数据采集设备和用频设备组成，用户集合设为每一个用户表示距离相近的一个用频终端设备和一个数据采集设备，可用信道集合为假设n>m。

本发明的多用户协同抗干扰系统，为传输自身数据，所有用频设备竞争接入m条可用信道；假设系统中存在一个额外的公共控制信道，用频设备能够通过该公共控制信道与邻居交互信息；若超过两个用户选择同一信道进行通信，则这些用户可共享该同一信道；当用户n工作于可用信道m上时，用户可达期望传输速率unm为：

其中，δjm表示干扰机是否干扰可用信道m，0表示未干扰，1表示干扰；b为信道带宽；am表示用户n的邻居中选择了可用信道m的用户数量；pn为用户n的传输功率，dn为用户n发射机到接收机的距离，α为路径衰落系数，σ²为信道的噪声功率。

本发明的多用户协同抗干扰系统，假设每个用户在每个时隙只能选择一个信道进行传输，干扰也只能在每个时隙攻击一个信道，则用户n的可达传输速率un表示为：

其中，δnm表示用户n是否选择信道m进行通信，在该模型中，超过两个邻居用户选择同一个可用信道将会使得网络性能下降，则该网络的优化目标为：

本发明的多用户协同抗干扰系统，采用局部互利博弈对分布式抗干扰信道接入问题进行建模，并解决分布式决策优化；该博弈模型表示为其中表示干扰机；εn为用户n的邻居用户集；an是用户n的所有策略组合，且an∈an是用户n的一种可用信道选择策略；aj是干扰机的所有可能策略，并且aj∈aj是干扰机的一种干扰策略；

在局部互利博弈中，用un表示用户n的效用函数，如下式所示：

其中，是用户n的邻居用户的可用信道选择策略；uk表示用户k的可达传输速率，ak表示用户k的信道选择策略，表示用户k的邻居用户的信道选择策略；在该博弈中，各用户的目标为un为用户n的可达传输速率；用户n的效用函数为自身满意度与其邻居用户的满意度之和，用户不仅需要优化自身满意度，同时需要考虑受其影响的邻居用户的满意度，邻居间需要进行满意度信息交互。

本发明的多用户协同抗干扰系统，对于干扰机的一种干扰策略aj，当且仅当没有任何用户单方面改变可用信道策略能够提高其效用函数时，可用信道策略组合是纯策略纳什均衡，其中表示达到纯策略纳什均衡时用户n的信道选择策略：

其中，代表从集合an中移除元素的集合，a-n＝{a1,...,an-1,an+1,...,an}表示除n外的其他用户的决策；

此外，若存在一个势能函数φe:a1×...×an→r，使得对任意用户任意策略an∈an和a′n∈an，下列等式成立：

un(an,a-n,aj)-un(a′n,a-n,aj)＝φe(an,a-n,aj)-φe(a′n,a-n,aj)

则该博弈称为精确势能博弈，一个精确势能博弈中任意用户单方面改变策略导致的效用函数变化量和势能函数的变化量一样；其中a′n是用户n的信道选择策略，是区别于an的其他策略。

本发明的多用户协同抗干扰系统，对于干扰机的一种干扰策略aj，所提抗干扰局部互利博弈是一个精确势能博弈，且至少存在一个博弈的纯策略纳什均衡；此外，全网用户满意度最大化问题的最优解是该博弈的纯策略纳什均衡；

首先构造如下势能函数φ1(an,a-n,aj)：

该势能函数即为全网用户吞吐量函数之和；当用户n的某一个信道接入策略从信道m改为m′时，表明an变为了a′n，此时，单方面改变信道接入策略导致的效用函数变化量为：

其中是指区别于的其他策略；注意到用户n信道决策的改变只影响其邻居集合εn内的用户，因此，当an变为a′n时，对于所有非用户n的邻居用户，有如下关系：

其中ui表示用户i的效用函数，ai表示用户i的信道选择策略，表示用户i的邻居的其他策略，表示用户i的邻居的策略；这里的用户i不是用户n的邻居用户；

势能函数的改变量为：

由势能博弈的定义知，所提抗干扰局部互利博弈是一个精确势能博弈，且全网用户吞吐量最大化问题的最优解即为该博弈的纯策略纳什均衡。

一种基于多用户协同抗干扰系统的动态频谱协同抗干扰方法，包括以下步骤：

步骤1、设置仿真起始-终止时间，设置用户数目、可用信道数目，初始化用户对所有推荐信号的信道接入策略表其中，pn是一个概率向量矢量，pn＝{pn1,...,pns,...,pns}，t表示时隙，s表示第s种可用信道接入决策策略；

步骤2、循环：在t时隙开始，用户观测当前被恶意干扰的信道，确定推荐信号状态aj(t)，并判断控制信道是否被干扰；

步骤3、每个用户n按照信道接入策略表中对应的信道接入概率向量pn(aj(t))接入信道，每个用户n按照信道接入策略表中对应的信道接入概率向量pn(aj(t))接入信道；

步骤4、随机挑选多个互不相邻的用户进行信道接入策略更新；如果用户n被选中，则与其邻居集εn中的邻居进行信息交互，之后计算当前时隙用户所有可选动作的效用值，

即之后，根据如下规则更新信道接入概率：

其中，β>0是算法学习速度参数，表明集合an中的动作；

步骤5、将更新后的信道接入概率储存到相应用户的可用信道接入策略表中；

步骤6、循环步骤2～5，直至达到最大迭代次数，算法结束。

本发明的动态频谱协同抗干扰方法，用户在每个时隙开始首先观测干扰信号，并将干扰信号作为推荐信号；根据推荐信号状态，各用户选择接入策略表中对应的可用信道接入策略进行接入；将抗干扰局部互利博弈中的信道选择问题扩展到混合策略的形式；当干扰策略为aj时，记p(aj)＝(p1(aj),...,pn(aj),...,pn(aj))为当前干扰状态下的混合接入策略，其中为用户n的信道选择概率向量，具体地，pns(aj)为用户n选择第s种可用信道接入决策的概率，|an|表示用户的所有可能信道接入策略数。之后，用户进行通信传输，并根据通信回报获取反馈。最后，根据反馈更新对应接入策略表中的信道选择概率。

实施例1

本发明的实施例1具体描述如下：系统仿真采用matlab语言，参数设定不影响一般性。该实施例验证所提模型与方法的有效性，参数设置为，该网络由10个用户组成，10个用户分布于范围的区域内，每个用户的收-发信机间距离为200m，干扰距离门限设置为400m。网络拓扑如图4所示。可用信道设为3，用户数为10。此外，信道带宽设为1mhz，每个用户的发送功率为0.01w，路径衰落因子设为3，背景噪声为-80dbm。

仿真对比了在扫频干扰下的算法收敛性能，从图2中可以看出，所提算法收敛速度比较快；此外，随着可用信道数的增加，网内用户的用频冲突程度下降，有更多的信道资源可供使用，因而网络整体的收敛速度有所提高。

在信道数为3的条件下，对比了不同算法的吞吐量性能，从图3中可以看出，相较于随机选择算法，所提算法能够极大提升网络吞吐量；通过多模随机学习，用户存储在不同干扰信号条件下的信道选择策略，可有效适应干扰的动态变化，实现网内用频冲突的避免与网外恶意干扰信号的躲避。

实施例2

本发明的实施例2具体描述如下：系统仿真采用matlab语言，参数设定不影响一般性。该实施例验证所提模型与方法的有效性，参数设置为，该网络由10个用户组成，10个用户分布于范围的区域内，每个用户的收-发信机间距离为200m，干扰距离门限设置为400m。网络拓扑如图4所示。可用信道设为5，用户数为10。此外，信道带宽设为1mhz，每个用户的发送功率为0.01w，路径衰落因子设为3，背景噪声为-80dbm。

在信道数为5的条件下，对比了不同算法的吞吐量性能，从图4中可以看出，相较于随机选择算法，所提算法能够极大提升网络吞吐量；此外，可以看到，相比于实施例1，当信道数增加时，网络的整体吞吐量也相应增加。

综上所述，本发明提出的基于分布式多模学习的动态频谱协同抗干扰方法，通过优化自身数据传输和邻居优化传输，可有效提高网络在动态干扰条件下的吞吐量。