基于HMM信道预测的认知无线网络能效优化研究*

邓冬梅，韩 宾，李金夫

0 引 言

随着无线通信技术的蓬勃发展和新兴移动终端设备的广泛使用，频谱资源日益稀缺。认知无线电技术（Cognitive Radio，CR）的发展为解决传统频谱分配模式下的资源稀缺问题带来了新的发展契机[1]。在认知无线电Overlay频谱共享模式下，主用户（Primary User，PU）具有优先频谱使用权。认知用户（Secondary User，SU）利用频谱感知技术发现“频谱空洞”，在不影响主用户正常通信的前提下，伺机接入并使用信道[2]，从而有效提高频谱利用率。同时，受科学技术发展、环境保护需求及运营开销控制的共同驱使，“绿色通信”理念在无线通信领域应运而生，能量效率（Energy Efficiency，EE）已成为未来无线通信系统的另一个重要指标[3]。多数认知无线网络中的认知用户是由电池供电的移动设备，因此使认知用户付出最小能量代价获得最大通信收益，对延长认知用户的工作寿命、维护认知无线网络通信稳定性具有重要意义。

频谱感知、数据传输、频谱切换及硬件消耗是认知用户的主要耗能部分。使认知用户更加稳健有效地感知和接入空闲信道，是有效降低信道感知阶段能耗的关键。信道有效接入和数据传输时间与SU的吞吐量息息相关，因此如何平衡网络的吞吐量和能量消耗问题引起了广泛关注。文献[4]研究了认知无线网络最佳检测时间和功率分配策略的设计问题，以最大限度提高认知无线网络能效。文献[5]利用连续时间马尔科夫理论对认知用户的频谱感知和接入过程联合建模，提出了一种基于跨层设计的能量有效优化算法，通过联合优化感知时间和接入概率，达到了提升认知用户能量有效性的目的。文献[6]在保证吞吐量最大化的前提下，提出了一种最佳检测时间和功率分配的联合优化，以达到降低网络能量消耗、提升能量效率的目的。文献[7]提出一种频谱预测和频谱分割的吞吐量优化方法，结合频谱分割将主用户的频谱划分为两个子频带，然后在一个子频带中加入频谱预测功能，进而提高认知用户的吞吐量。文献[8]在频谱感知前加入频谱预测时隙，利用BP神经网络算法进行信道预测，在预测为空闲的信道中选择信道进行频谱感知，避免浪费频谱感知能量，从而提高能量效率。

现有的工作多数在于单方面的从提升网络吞吐量或者通过功率控制的角度上提升CRN的能量效率，鲜少考虑到信道感知的准确性对SU能量效率构成的直接影响。本文在此基础上开展基于HMM信道预测的认知无线网络能量效率优化研究，通过改进SU帧结构，使信道预测不再牺牲信道感知和数据传输阶段的时间。建立HMM模型，利用信道感知历史信息，对主用户信道状态进行预测，并根据预测结果进行信道最优选择，从而保证SU信道接入的准确性，降低能量开销，同时提高网络吞吐量，有效提升网络能量效率。

1 系统模型

1.1 网络模型

假设在CRN中具有N个PU，1对SU。每个PU独享一条带宽为B的信道，每个信道在频谱上不连续且PU在每个信道上的行为相互独立。因此，该CRN中信道状态可用集合Cn=(0,1)，1≤n≤N表示。“0”代表信道空闲，“1”代表信道忙碌。本文通过改变信道数量N和通信强度ρ来模拟网络环境的变化。假设PU的平均到达时间间隔服从参数为α的泊松分布，信道的平均到达时间间隔服从参数为β二次分布[9]，因此该模型下的网络信道空闲概率为：

信道状态为忙碌的概率可以用式（2）表示。同时，信道状态为忙碌的概率P(H1)也反映了CRN的通信强度ρ。ρ越大，主用户对信道的占用就越频繁。

某一时隙下，当SU成功接入信道时，则可以在该时隙下完全使用该信道；当SU并未成功接入信道，则时隙下SU的吞吐量为0。结合香农公式可将本文通信模型下某一时隙中SU的吞吐量表示为：

式中，SNRs表示认知用户接收到其他认知用户的信噪比。同时，本文定义能效优化目标能量效率为：

1.2 SU模型

传统SU模型中，SU执行“信道感知及接入-数据传输”两个阶段的操作。为了避免对PU造成干扰，SU的信道感知准确性成为直接影响CRN性能的关键。相对于传统SU盲目性随机感知，在SU进行感知之前，增加下一时隙信道状态预测功能的改进型SU能加强信道感知的目标性，有效提高信道接入效率。

然而，信道预测的时间必然会影响信道总的感知时间和信息传输时间。考虑到在当前时隙中信道感知一旦结束就已经可以进行下一时隙的信道状态预测，本文对现有模型下的带预测功能的SU帧结构进行调整，使得信道预测可以和信息传输同步进行。此结构下，信道预测时间仅对能量消耗计算造成影响，而不会压缩信道感知总时间和信息传输时间。

三种SU的帧结构如图1所示。假设单个时隙长度固定为T，单位时隙内频谱感知耗能、频谱切换耗能、数据传输耗能及信道状态预测分别为Ps、Pc、Pt及Pp，其中频谱感知总时间由总的单次感知时间τs和总的信道切换时间τc构成，即存在时间关系式：

图1 三种SU的帧结构

1.2.1 传统SU模型

令xn,j代表第j时隙中信道n上的主用户的信道占用状态,xn,j∈{0,1}分别表示主用户对信道的使用状态为非占用和占用，{j|1≤j≤M}。yj代表第j时隙中SU的信道占用状态，yj∈{0,1}分别表示认知用户不占用/占用信道进行传输。本模型中，SU的接入方式采用随机感知方式。若感知信道为主用户占用状态，则切换信道再次进行感知，Nj代表第j时隙中SU的信道感知次数。当在最大感知次数Nmax限制下寻找到空闲信道，则接入并进行传输；否则，放弃本时隙的信息传输。因此，该模型下的认知无限网络的平均单时隙下的吞吐量、能量消耗及能量效率三个指标可以表示如下。

吞吐量：

能量消耗：

能量效率：

1.2.2 改进带预测功能的SU模型

本模型中，上一时隙感知结束后，便可预测下一时隙信道n上的PU状态，从而在下一时隙感知前，SU可以根据信道预测结果有针对性地选择预测状态为空闲的信道进行优先感知。若当前使用信道预测结果为空闲，则当前使用信道在下一时隙中具有最高优先感知权，以使信道不至在时隙间来回切换，有助于有效降低信道切换率，大大减少切换开销。考虑到频谱预测会存在一定的预测误差，错误预测概率为，则信道预测为空闲的概率为：

信道预测结果为占用的概率为：

随着技术的不断发展，SU接收机对信道状态的感知能力逐渐提高，本模型中假设信道感知为理想感知。令Pn,j表示第j时隙下信道n上的PU的预测状态，Pn,j∈(0,1)，则某单个信道的下一时隙状态预测结果和感知结果存在以下4种可能，如表1所示。

表1 信道预测-感知结果的概率分布

该模型能有效规避传统SU模型中随机选择信道进行感知方式下的盲目性，减少感知次数、信道切换次数，降低感知阶段的能量消耗，同时可以增加信息传输时间，改善网络吞吐量，有效提高SU的能量效率。该模型下的认知无限网络吞吐量、能量消耗及能量效率三个指标可以表示如下：

吞吐量：

能量消耗：

能量效率：

1.3 HMM预测

如图2所示，HMM模型是一个主要由两部分组成的双重随机过程，一般用Λ=(A,B,π)进行表示[10]。一部分描述真实状态转移过程的隐马尔科夫链，用转移概率矩阵A表示，π为系统状态初始概率矩阵；另一部分描述隐状态与观察状态O之间关系的一般随机过程，用观测概率矩阵B来描述[11]。

图2 HMM

本文将PU信道状态作为HMM的隐藏状态，将SU接收机进行的信道感知结果作为隐藏状态的观测值。用qj表示时隙j时的主用户信道状态。qj∈(0,1)分别表示信道空闲/占用。两个状态之间的转移服从马尔科夫链，则其状态转移概率为aij=P(qt+1=j|qt=i)，表示第t时隙中主用户状态为i，t+1时隙中主用户状态为j的概率。因此，此时状

用观察值Ot作为认知用户接收机在时隙t时信道感知的结果，则T个时隙内感知产生的观察序列为O=(O1,O2,O3…OT)。因此，在主用户信道状态i的情况下，认知用户感知到Ot的概率为bij=P(Ot=j|qt=i)，则观察

定义初始状态概率πi=P(q1=i)表示首次感知时PU信道处于状态i的概率，则初始状态概率矩阵为程如图3所示。

图3 HMM预测流程

2 仿真结果与分析

本节通过仿真实验评估认知无线网络模型采用传统随机接入模式、BPNN预测模型和HMM预测模型性能。所有实验在MATLAB R2012b中实现，运行在2.4 GHz CPU和2 GB内存上。本文仿真实验参考IEEE 802.22标准中的典型值设置相关仿真参数[12]，如表2所示，其中τP取值与预测算法息息相关。由式（13）可知，信道感知次数直接影响频谱感知阶段的能量消耗，而频谱接入的成功与否直接影响SU的吞吐量。因此，平均能量效率η´与信道感知次数、SU对信道的有效占用状态息息相关。假设认知无线网络为理想无线通信环境，认知无线网络环境由PU通信强度和认知无线网络信道数量两个参数表征，且SU接收机对频谱的感知结果为理想感知。仿真参照第2节中的网络模型对PU活动建模。假设PU在各信道上的活动相互独立。

表2 仿真参数设置

首先对传统随机接入模式、BPNN预测模型及HMM预测模型的无线网络，在不同信道数量下的能量效率进行仿真，通信强度ρ=0.5。如图4所示，随着无线网络环境的变化，三种模式下的网络能量效率随之波动。由于信道预测部分本身的能量消耗，在网络信道相对空闲较多的情况下，传统随机接入模式的能量效率更高；当网络可选择信道数目增加，预测模型显出优势，明显高于传统接入模式。综上，HMM预测模型的无线网络平均单时隙能量效率高于BPNN预测模型的无线网络。

图4 能量效率与信道数量的关系

其次，对传统随机接入模式、BPNN预测模型及HMM预测模型的无线网络，在不同的通信强度下的吞吐量、能量消耗及能量效率进行仿真，信道数量N=5。图5、图6分别给出了当信道数量一定情况下，平均单时隙能量消耗与通信强度ρ之间的关系和平均单时隙吞吐量与通信强度ρ之间的关系。可以看出，随着通信强度的增大，PU对信道的占用情况越来越频繁，SU能接入信道的机会逐渐减少，SU能进行数据传输的机会也逐渐减少。无线网络的平均单时隙能量消耗和吞吐量，均随着通信强度的增大而持续降低。但是，带预测功能的无线网络的两个参数远远高于传统随机接入模型，其中HMM预测模型的能量消耗和吞吐量均略高于BPNN预测模型。

图5 能量消耗与通信强度的关系

图6 吞吐量与通信强度的关系

最后，图7给出了信道数量一定的情况下，归一化能量效率与通信强度ρ之间的关系。随着通信强度的增加，传统随机接入模型下的认知无线网络的能量效率呈逐步下滑趋势，而带预测模型的认知无线网络由于SU总能根据预测结果优先感知预测结果为空闲信道，有效减少了信道感知次数，提高了信道的有效接入概率，从而其能量效率的下滑趋势相对较为缓慢。仿真证明，HMM预测模型的信道预测准确率达到91.7%，同比BPNN预测高了2.7个百分点。因而，同比BPNN预测模型，HMM预测模型下的认知无线网络能量效率更高。

图7 能量效率与通信强度ρ的关系

3 结 语

本文针对Overlay频谱共享模式下的认知无线网络能量优化问题，利用隐马尔可夫模型建立信道预测-择优感知-接入机制，降低了信道感知阶段的冗余能量消耗，提升了信道接入准确率和网络吞吐量。数值分析与仿真结果说明，在多信道认知无线网络中，随着PU对信道的使用率提高，带预测功能的接入模式能量效率升高。提升信道预测精准度，可以有效降低网络中的冗余能量消耗，达到提升网络能量效率的目的。

[1] Mitola J I,Maguire G Q.Cognitive Radio:Making Software Radios More Personal[J].IEEE Pers Commun,1999,6(04):13-18.

[2] Atzarakis N.Research Approaches on Energyaware Cognitive Radio Networks and Cloud Based Infrastructures[J].Computer Science,2015(07):24-31.

[3] XUE Min-hong,WANG Jing,WANG Cheng-xiang,et al.Cognitive Radio in 5G:A Perspective on Energyspectral Efficiency Trade-off[J].IEEE Communications Magazine,2014,52(07):46-53.

[4] Park S,Kim H,Hong D.Cognitive Radio Networks with Energy Harvesting[J].IEEE Transactions on Wireless Co mmunications,2013,12(03):1386-1397.

[5] 刘洋,崔颖,李鸥.认知无线电网络中基于跨层设计的能效优化算法[J].信号处理,2014,30(04):384-389.LIU Yang,CUI Ying,LI Ou.Energy Efficiency Optimization Algorithm Based on Cross-Layer Design in Cognitive Radio Networks[J].Signal Processing,2014,30(04):384-389.

[6] Li S,Xiao S,Zhang M,et al.Power Saving and Improving the Throughput of Spectrum Sharing in Wideband Cognitive Radio Networks[J].Journal of Communications& Networks,2015,17(04):394-405.

[7] 李红,齐丽娜.基于频谱预测和频谱分割的吞吐量优化[J].南京邮电大学学报:自然科学版,2016,36(02):60-64.LI Hong,QI Li-na.Optimization of Throughput Based on Spectrum Prediction and Spectrum Segmentation [J].Journal of Nanjing University of Posts and Telecommunications(Natural Science Edition),2016,36(02):60-64.

[8] 杨健,赵杭生,陈曦等.认知无线网络中频谱预测的能量有效性设计[J].解放军理工大学学报:自然科学版,2015(02):103-108.YANG Jian,ZHAO Hang-sheng,CHEN Xi,et al.Energyefficient Design of Spectrum Prediction in Cognitive Radio Networks[J].Journal of PLA University of Science and Technology(Natural Science Edition),2015(02):103-108.

[9] Xing X,Jing T,Cheng W,et al.Spectrum Prediction in Cognitive Radio Networks[J].IEEE Wireless Communicat ions,2013,20(02):90-96.

[10] Lin G,Cheng Y,Jiang H.A HMM-Based Spectrum Access Method Used for HF Communication[C].International Symposium on Computational Intelligence and Design IEEE,2015:426-431.

[11] 林刚,程云鹏,江汉等.短波信道估计中的三状态HMM性能分析[J].通信技术,2016,49(03):286-292.LI Gang,CHENG Yun-peng,JIANG Han,et al.Performance Analysis of Three-State HMM in HF Channel Estimarion[J].Communications Technology,2016,49(03):286-292.

[12] IEEE 802.22 workgroup.IEEE 802.22 Standara[EB/OL].(2014-05-30)[2017-11-01].http://www.ieee802.org/22/.