基于大数据分析的频谱资源管控系统设计

兰 图

(中国电子科技集团公司第二十九研究所，四川 成都 610036)

随着信息技术的快速发展和无线通信设备的广泛应用，频谱资源变得越来越紧张[1]，面临着电磁环境恶化[2]和资源分配不均[3]的问题：一方面，有限的频谱资源难以满足各种通信设备的需求[4]；另一方面，大量的频谱利用效率低下，只有15%～85%[5]。针对这一问题，研究人员提出了认知无线电的概念，使用信息挖掘技术管理频谱资源[6]。然而，传统的信息挖掘方法和数据处理能力并不能充分、及时地挖掘出有用信息[7]。因此，目前广泛使用大数据分析技术来处理海量的频谱信息[9]。

大数据[10]是指大量数据或信息的生成、存储和处理(Big Data，BD)。在过去几年中，BD在商业和学术中受到了广泛的关注。频谱资源具有大数据的特点，即数据量大、类型多、数据价值大[11-16]。数据量大即频谱数据的规模从空域、频域和时域3个不同维度在不断增长，如文献[11]指出宁波地区的9座监测站在10分钟内采集的频谱信息就达到了GB量级；文献[12]算出100 km×100 km的空间网格内0～5 GHz的频谱数据达到302 PB。类型多即数据的来源[13](个人移动终端、专用检测设备和地理频谱数据库等)、产生时间(历史、实时和预测)和格式[14](结构化、半结构化和非结构化)变化多样。数据价值大[15]即挖掘出频谱信息有助于更合理的频谱分配并提高利用率。

本文针对频谱资源在空间、时间和频域上存在的高度相关性，提出了一种基于大数据分析的频谱资源管控系统，使用大数据分析技术提高频谱检测的效率，优化频谱检测的策略。

1 系统整体架构

本文设计的频谱资源管控系统由频谱监测与存储、数据分析处理和管控中心3个功能模块组成。采用分布式的数据采集架构采集频谱信息和GPS信息，并使用4G模块进行数据通信。针对频谱资源大量、多样的特点，本系统采用数据库存储海量的频谱资源。数据处理分析模块则使用基于大数据的分析技术预测下一次时刻频谱资源的使用情况，便于合理的检测可用信道、提高频谱检测的效率，优化频谱检测的策略。管控中心由用户管理模块、GPS定位模块和频谱查询与显示模块构成，用于管理不同等级用户的频谱使用权限。系统整体架构如图1所示。

图1 系统整体架构

1.1 频谱监测与存储模块

射频频谱监测的目的是测量和控制无线电发射参数，收集频谱占用信息，以及识别和定位有害干扰源。频谱监测是整个频谱资源管理系统的重要组成部分，实现有效的动态频谱分配需要适当的频谱管理方法，而这又需要有历史和现在的频谱占用信息。

频谱监控系统主要由连接软件定义无线电(Software-Defined Radio,SDR)的宽带天线构成，使用计算机控制其参数和操作，功能架构如图2所示。该系统只使用SDR的接收功能，通过测量接收功率和电场强度进行干扰分析，并使用带有Web界面的服务器存储接收到的数据，以便于后续数据分析。

图2 检测系统功能架构

1.2 基于大数据分析的频谱占用预测

频谱资源可以描述为一组环境参数和变量，通过实时、动态地操纵这些参数和变量可以调整频谱的占用情况。本文根据频谱资源的大数据特点，使用大数据分析方法预测频谱的占用情况，达到辅助频谱管控的目的。

频谱预测即根据频谱数据与其历史数据在时间维上的相关性，分析不同用户占用某一信道的可能性。本文用“1”表示频道被占用，用“0”表示频道空闲，使用大数据分析方法训练一段短时间内的频谱信息，并使用学习到的模型预测下一时刻的信道状态，其流程如图3所示。

图3 频谱预测流程

基于大数据分析的频谱预测可以提高频谱检测的效率，优化频谱检测的策略。传统基于顺序查找的检测策略要在如图4所示的信道中找到可用的信道，需要依次检测4个信道的使用情况。而基于大数据分析的方法，可以先预测得到下一时刻每个信道的占用情况，再检测空闲信道，故更简单、快捷。

图4 频谱检测示例

1.3 管控中心

管控中心由用户管理模块、终端控制管理模块和频谱查询与显示模块构成，用于管理不同等级用户的频谱使用权限。用户管理模块由用户登录和用户权限管理构成。用户登录用于管理用户的注册信息、用户名和密码等登录信息；用户权限管理则通过预设一个具有最大管理权限的超级管理员来限制普通用户对资源的访问权限。终端控制管理模块通过建立终端信息表来管理终端的基本信息。该模块具有终端通信功能，能实时接收终端的监测数据、设置终端参数和显示终端状态。频谱显示模块用于实时显示频谱监测终端采集的频谱信息，而终端查询模块通过设定不同的查询条件，如采集终端、采集时间和中心频率等条件，查询数据库中的历史频谱信息。

2 仿真测试与结果分析

本部分使用Windows搭建仿真测试环境，并使用MySQL数据库进行数据存储，使用Java实现管控中心的用户管理和频谱显示模块。

如图5分别给出了了监测设备和基于大数据分析的预测结果。可以看出，即使在很短时间内(只有115个时隙)，也能较好地预测信道的活动情况，具有较高的预测精度。使用如图5所示的频谱预测结果，可以进一步优化频谱监测的策略，以提高频谱监测效率。本文使用该系统进行仿真测试，频谱监测效率较传统方法提高了40%。

图5 检测结果与预测结果的比较

3 结束语

本文针对频谱资源匮乏、电磁环境恶化、分配不均及其在空间、时间和频域上存在的高度相关性的问题，提出了一种基于大数据分析的频谱资源管控系统。采用分布式的数据采集架构采集频谱信息和GPS信息，以提高频谱监测的精度，使用大数据分析技术预测下一次时刻频谱资源的使用情况，并使用管控中心管理不同等级用户的频谱使用权限，来合理分配频谱资源。

仿真测试结果表明，该系统能快速的检测可用信道、提高频谱监测的效率，优化频谱监测的策略。

[1] 张有志,丁峤,左鹏,等.一种卫星频谱监测系统的设计与实现[J].数字通信世界,2016(3):1-5.

[2] 李伊.基于认知无线传感器网络的能效优化频谱检测机制研究[J].湖南邮电职业技术学院学报, 2016,15(1):10-14.

[3] 于宏毅,程标,胡赟鹏,等.基于空域稀疏性的自适应频谱检测算法[J].电子与信息学报,2016,38(7):1703-1709.

[4] 龙敏,吴靓.认知无线电网络中安全的协作频谱检测算法[J]. 计算机工程与科学,2016,38(10):2045-2050.

[5] 李彤,苗成林,吕军.基于功率谱对消的时域相关认知跳频谱检测算法[J].兵工学报, 2017, 38(9):1754-1760.

[6] 赵季红,张艳平,曲桦,等.冲击噪声背景下基于KPCA和C-SVM的频谱检测算法[J].电视技术,2017,41(2):65-69.

[7] 马彬,包小敏,谢显中.认知无线网络中非理想频谱检测的切换[J].北京邮电大学学报,2016,39(4):13-18.

[8] 王赞,许晓荣,姚英彪.基于能量有效性的贝叶斯压缩感知宽带频谱检测[J].计算机工程,2016,42(3):125-129.

[9] 同诗扬,祁广云,衣淑娟.基于农业物联网的改进型双门限频谱检测算法研究[J].农机化研究,2016(1):53-56.

[10] 杜红,富爽,史国军,等.认知无线电中双阶段频谱检测算法研究[J].电视技术,2016,40(10):67-70.

[11] 吴迪,李智.基于1-bit压缩采样的快速频谱检测方法[J].广东通信技术,2016(1):36-40.

[12] 李欣.基于嵌入式平台的微型频谱监测仪器软件设计及实现[D].成都:电子科技大学,2016.

[13] 王继业,赵东艳,原义栋,等.电力无线专网中基于频谱检测的SDR技术[J].电子技术应用,2017,43(4):102-106.

[14] 李敏乐,毕大平,韩佳辉.基于形态学运算的子带频谱检测算法[J].探测与控制学报,2017,39(4):49-53.

[15] 夏伟,邱斌,丁风海,等.基于LabVIEW的频谱监测系统设计与实现[J].计算机测量与控制,2016,24(12):24-27.