带你了解频谱预测技术

摘  要

      频谱预测，是一种很有前景的技术，通过对已知/测量到的频谱占用率统计数据分析，有效地利用它们之间的内在相关性来推断无线电频谱的已占用/空闲状态。近年来，频谱预测在认知无线电网络（CRNs）中得到了广泛的应用，如自适应频谱感知、预测频谱移动性、动态频谱访问和智能拓扑控制等。在这篇文章中，我们介绍了频谱预测的基本内容和最新进展。我们总结了主要的频谱预测技术，举例说明了它们的应用，并提出了相关的开放性研究挑战。

绪论

频谱短缺与频谱利用率不足之间的矛盾促使了动态频谱接入（DSA）或机会频谱接入（OSA）[1]的出现，而被公认为实现DSA/OSA 概念的关键技术之一就是认知无线电（CR）[2] 。从概念开始，CR就被设计成通过学习并最终适应不断变化的无线电环境进行自主重构[3]。

CR实现的第一步是捕获频谱演化的相关信息。频谱感知、频谱分配决策、频谱共享和频谱移动性的频谱管理框架中，频谱感知的任务是感知其占用率和捕获主用户（PU）的特征[4]。然而，在实际的传感过程中，不可避免地会出现传感速度快、能耗大、传感范围有限等问题，这些都阻碍了CR的高效运行。产生这些问题的主要原因是每个CR只能在其工作位置感知当前的无线电环境，而不知道未感知的波段或位置以及频谱域活动的未来趋势[5]。这不可避免地浪费了关于时隙、频带、地理位置等之间谱状态演化的宝贵信息。

频谱预测被认为是频谱感知的一种有效补充技术，用于获取频谱演化的相关信息和识别频谱空缺。简单地说，频谱感知使用各种信号检测方法以被动的方式确定频谱状态。相比之下，频谱预测是一种很有前途的技术，它可以通过有效利用频谱占用率之间的内在关联，以主动的方式从已知的/测量的频谱占用率统计数据中推断无线电频谱的已占用/空闲状态。幸运的是, 其他一些领域的应用, 如大气中[6]、网络流量[7]和人口流动[8], 推理/预测技术（包括流行的大数据技术[9]）提供了发现数据中隐藏的使用模式的潜在技术，并成功地维持了经济的稳定、预测天气情况等。同样, 光谱预测也是一种很有前途的技术，可用于提前获取宝贵的未知频谱占用信息，以及通过在时频-空间-域内快速选择最佳信道和扩大传感范围来提高CRs的性能[10]。因此，越来越多的研究者开始关注使用或开发有效的CRs预测技术。初步结果表明，跨时间-频率-空间维度的频谱预测算法可以使CRs具有准确的预测能力。频谱预测功能是CR架构的核心，在通信技术与人工智能相结合的领域中发挥作用。

从历史上看，对CRNs的频谱预测仅依靠较少的文献进行了一个简短的综述，主要集中在时间范围上。值得注意的是，频谱预测也与频谱占用测量[11]和主要用户活动建模[13]等方面相关。简单地说，主要用户活动模型使用数学或理论表达式来模拟底层的PU活动，而频谱预测算法使用机器学习或数据挖掘方法来根据现有的历史数据预测或推断未来或未知的PU活动。关于主要用户活动[13]的频谱模型对于理论性能分析或模拟数据生成非常有用。然而，它们不能直接用于预测。

认知无线电网络中预测的必要性

静态频谱分配策略如图 1（a）所示。很明显，大部分频谱在时间和/或空间上仍未充分利用/未利用。但由于近年来移动设备的普及，对带宽的需求不断增加，使得动态频谱接入成为管理频谱资源的较好选择。

CR是实现动态频谱接入的关键技术，它能够投机取巧的利用未使用/未充分利用的频谱（频谱空隙）的潜力。CR技术的说明如图1（b）所示。由此不难看出，当CR用户允许使用频谱孔时，CR可以显著提高整体频谱利用率。一个CR网络通常涉及两种类型的用户：主要用户（PUs，他们是频谱的现有授权用户）和CR用户（也称为次要用户，他们试图有机会访问未使用的许可频谱，只要对 PUs 的有害干扰是有限的。）

图 2 所示CR功能的操作可以描述如下。

图 1(a) 静态频谱分配策略；(b) 认知无线电技术。图片来源[12]

CR是一种技术，可以让次级用户发现和访问许可频带中的频谱空隙。CR技术主要有四个功能，如图2所示。CR用户按顺序感知频谱频带，并在频谱感知阶段将所有发现的频谱空隙组成频谱池，在频谱决策阶段 从频谱池中选择一个信道用于自己的传输。为了提高信道容量，只要频谱共享不引起传输冲突，CR用户可以通过适当的频谱共享策略与其他CR用户共享可用的信道。此外，当PUs需要时，CR用户必须根据频谱移动策略疏散其占用的信道，以保证PUs的优先级和保护PU传输。

透过使用这四项功能，CR用户可以有机会利用未使用的授权频谱进行他们自己的通讯。然而，人们发现了一些阻碍CR网络容量提高的缺点：

1. 感知宽带频谱会导致不可忽略的时间延迟 [14]。

2. 基于实时感知结果的频谱决策由于频谱感知和频谱决策引入的时延而降低了频谱利用效率 [15]。

3. 在频谱共享中，CR用户可以在不同的时间以不同的带宽需求和服务质量（QoS）)要求加入。为突发的异构CR服务请求分配适当的频谱频带会导致相当大的时间延迟，从而导致传统的频谱共享策略效率低下。

基于载波感知多址（CSMA）的传统频谱移动策略往往会导致传输冲 突，因为直到检测到PU的出现时，CR用户才会疏散其占用的信道[16]。

图 2认知无线电的操作功能。图片来源[12]

为了克服这些缺点，基于预测的技术得到了广泛的研究。在基于预测的频谱感知中[14]，CR用户可以跳过一些预测繁忙信道的传感任务，从而减少感知时间和能量消耗。在基于预测的频谱决策中[16]，CR用户根据空闲概率、空闲持续时间等特性预测信道质量，然后选择高质量的信道进行感知和访问，以提高动态频谱访问效率。在基于预测的频谱迁移率[17]中，CR用户预测PUs出现时间，并在PU传输开始之前清空信道。据我们所知，文献中还未讨论过基于预测的频谱共享。然而，很明显，基于预测的频谱共享模型的存在可以帮助预测 CR用户在时间、空间和频域上的请求，在CR请求到来之前预先分配频谱频带，实现有效的频谱共享。这样可以更好地利用信道容量，降低响应延迟。

这些基于预测的方法都表明预测是改善CR网络性能的有效方法。在下一节中，我们将总结最典型的预测技术及其在CR网络中的应用。

典型的预测技术

在本节中，我们将介绍几种预测技术及其在CR网络中的应用。先介绍常用的预测方法——神经网络，然后介绍基于贝叶斯推理的预测、基于滑动平均的预测。

3.1 基于多层感知器神经网络的预测

多层感知器（MLP）是一种前馈人工神经网络模型，它将一组输入数据映射到一组适当的输出。在基于MLP的预测中[18]，输入数据是历史观测值，输出数据是对未来状态的预测。

如图3所示，一个MLP包含有向图中的三个或多个节点层（输入层和输出层带有一个或多个隐藏层）。一层中的每个节点与下一层中的每个节点都有一定的权重相连接。不包括输入层的节点，每个节点都是一个神经元（或计算单元），计算输入的加权和，并通过非线性激活函数Γ(·)转换这些总和。

MLP神经网络预测的主要挑战是模型的训练，即改变图的连接权值。训练过程可以描述如下：

1. 处理每一个观测值并产生相应的输出。

2. 计算每个输出中的误差与期望值的比较。

3. 通过最小化整个输出中的错误来调整连接权重。训练过程结束后，可以通过提供最新的观测值作为MLP模型的输入进行预测。

Tumuluru 等人将基于MLP的预测方法应用于CR网络的频谱感知[17]。在他们的方法中，每个CR用户通过使用基于MLP的预测器来预测未来的通道状态，并只感知那些被预测为空闲的通道。这种有针对性的频谱感知可以降低CR用户的能耗。

图 3多层感知器神经网络：(a) 一个神经网络模型示例；(b) 神经元的计算过程。图片来源[12]

3.2 基于贝叶斯推理的预测

贝叶斯推理（BIF）是一种推理方法，当了解到额外的证据数据时，贝叶斯规则用来更新假设的概率分布。

在CR网络中，在考虑任何数据之前，CR用户可以通过实验主观评价计算每个系统参数θ的先验概率分布（也称为先验），用P(θ)表示。通过n个时隙频谱传感，收集了一些观察数据X = {x1, x2, · · · , xn}。然后，CR用户计算参数 θ 的似然函数，用L(θ|X)表示，作为给定该参数的观测数据的 概率。也就是说，L(θ|X) = P (X|θ)。在获得先验概率分布和似然函数后，BIF可以得到以数据X = {x1, x2, · · · , xn}为条件的系统参数θ的后验概率分布。在基于BIF的预测中，CR用户首先根据贝叶斯规则得到后验概率分布P (θ|X), 然后利用推导出的后验量对要观察的数据进行预测。

3.3 基于滑动平均的预测

基于滑动平均（MA）的预测[19]通常用于预测一系列值的趋势。考虑一个长度为 N 的历史序列；一个k阶MA预测器预测序列的下一个值作为序列中最后k个值的平均值。为了增强最近观测值对预测结果的影响，可以实现基于MA的预测的升级版本——指数MA（EMA）预测，其中指数递减的加权因子应用于较早的观测值。

在[14]中，利用基于EMA的预测来提高频谱感知性能。每个CR用户收集通道的历史能量等级作为观察，并通过基于EMA的预测器预测未来的能量等级。然后，CR用户跳过那些预测能量等级高于预置阈值（被认为是由 PUs占据的）的通道。通过这种方法，可以减少整个频谱感知的时间和能量消耗。

开放问题和研究挑战

在本节中，我们讨论了认知无线电网络中预测方法的发展需要研究的几个开放问题和研究挑战。

频谱共享预测：据我们所知，还没有提出频谱共享的预测方法。本研究的难点在于CR用户活动的预测。由于CR用户的异构性和CR通信的不确定性，很难在时间、空间和频率域上预测CR用户的服务请求。因此，很难通过预测来协调 CR 用户之间的频谱共享。

长期预测：正如我们前面所观察到的，大多数现有的研究仅仅关注于预测下一个时隙的系统状态。由于误差累积问题，长期预测的准确性具有挑战性。

PU活动图预测：单个域 (时间、空间或频率) 的预测只能向CR用户提供系统未来状态的单边信息。如果我们能够预测PU活跃图，它提供了关于PU占用频谱、它们的物理位置和传输能力的信息，那么CR用户和PU肯定会受益于更有效地利用频谱资源。然而，这是一项困难的任务，因为所有的预测方法都需要历史观测，这意味着需要扩展频谱感知来构建历史PU活跃图才能进行预测。

总结

频谱预测是一种很有前途的实现认知无线电功能的方法。在CR网络中，人们对各种预测技术和应用进行了广泛的研究。但设计基于预测的频谱共享方法，提供长期准确的频谱预测，设计PU活动图预测方案仍需努力。

参考文献

1. F. C. Commission et al., “Notice of proposed rule making and order,” ET Docket no. 03-222, 2003.

2. J. MITOLA III, “Cognitive radio: An integrated agent architecture for software defined radio,” PhD Dissertation, KTH, 2000.

3. S. Haykin, “Cognitive radio: brain-empowered wireless communications,” IEEE journal on selected areas in communications, vol. 23, no. 2, pp. 201–220, 2005.

4. I. F. Akyildiz, W.-Y. Lee, M. C. Vuran, and S. Mohanty, “A survey on spectrum management in cognitive radio networks,” IEEE Communications magazine, vol. 46, no. 4, pp. 40–48, 2008.

5. G. Ding, J. Wang, Q. Wu, Y.-D. Yao, F. Song, and T. A. Tsiftsis, “Cellular-basestation-assisted device-to-device communications in tv white space,” IEEE Journal on Selected Areas in Communications, vol. 34, no. 1, pp. 107–121, 2015.

6. R. Kleeman, A. J. Majda, and I. Timofeyev, “Quantifying predictability in a model with statistical features of the atmosphere,” Proceedings of the National Academy of Sciences, vol. 99, no. 24, pp. 15 291–15 296, 2002.

7. R. Li, Z. Zhao, X. Zhou, J. Palicot, and H. Zhang, “The prediction analysis of cellular radio access network traffic: From entropy theory to networking practice,” IEEE Communications Magazine, vol. 52, no. 6, pp. 234–240, 2014.

8. C. Song, Z. Qu, N. Blumm, and A.-L. Barabási, “Limits of predictability in human mobility,” Science, vol. 327, no. 5968, pp. 1018–1021, 2010.

9. J. Manyika, M. Chui, B. Brown, J. Bughin, R. Dobbs, C. Roxburgh, A. Hung Byers et al., Big data: The next frontier for innovation, competition, and productivity. McKinsey Global Institute, 2011.

10. R. Tandra, S. M. Mishra, and A. Sahai, “What is a spectrum hole and what does it take to recognize one?” Proceedings of the IEEE, vol. 97, no. 5, pp. 824–848, 2009.

11. M. Höyhtyä, A. Mämmelä, M. Eskola, M. Matinmikko, J. Kalliovaara, J. Ojaniemi, J. Suutala, R. Ekman, R. Bacchus, and D. Roberson, “Spectrum occupancy measurements: A survey and use of interference maps,” IEEE Communications Surveys & Tutorials, vol. 18, no. 4, pp. 2386–2414, 2016.

12. Xing X ,  Jing T ,  Cheng W , et al. Spectrum prediction in cognitive radio networks[J]. IEEE Wireless Communications, 2013, 20(2):90-96.

13.Y. Saleem and M. H. Rehmani, “Primary radio user activity models for cognitive radio networks: A survey,” Journal of Network and Computer Applications, vol. 43, pp. 1–16, 2014.

14. Z. Lin, X. Jiang, L. Huang, and Y. Yao, “A energy prediction based spectrum sensing approach for cognitive radio networks,” in 2009 5th International Conference on Wireless Communications, Networking and Mobile Computing. IEEE, 2009, pp. 1–4.

15. Z. Chen, N. Guo, Z. Hu, and R. C. Qiu, “Channel state prediction in cognitive radio, part ii: Single-user prediction,” in 2011 Proceedings of IEEE Southeastcon. IEEE, 2011, pp. 50–54.

16. I. A. Akbar and W. H. Tranter, “Dynamic spectrum allocation in cognitive radio using hidden markov models: Poisson distributed case,” in Proceedings 2007 IEEE SoutheastCon. IEEE, 2007, pp. 196–201.

17. Z. Wen, T. Luo, W. Xiang, S. Majhi, and Y. Ma, “Autoregressive spectrum hole prediction model for cognitive radio systems,” in ICC Workshops-2008 IEEE International Conference on Communications Workshops. IEEE, 2008, pp. 154–157.

18. V. K. Tumuluru, P. Wang, and D. Niyato, “Channel status prediction for cognitive radio networks,” Wireless Communications and Mobile Computing, vol. 12, no. 10, pp. 862–874, 2012.

19. İ. Bütün, A. Ç. Talay, D. T. Altilar, M. Khalid, and R. Sankar, “Impact of mobility prediction on the performance of cognitive radio networks,” in 2010 Wireless Telecommunications Symposium (WTS). IEEE, 2010, pp. 1–5

中国保密协会

科学技术分会

长按扫码关注我们

作者：王浚哲

责编：蔡北平

2020年精彩文章

TOP5回顾

近期精彩

文章回顾