Nâng cao hiệu quả cảm biến phổ cho mạng vô tuyến nhận thức sử dụng thuật toán dơi

Bài viết này đề xuất SDF dựa trên thuật toán dơi (Bat Algorithm- BA) và so sánh với SDF dựa trên giải thuật di truyền (Genetic Algroithm–GA). Kết quả mô phỏng cho thấy việc sử dụng BA cho xác suất phát hiện cao hơn với tốc độ hội tụ và thời gian thực hiện tốt hơn khi sử dụng GA.

NÂNG CAO HIỆU QUẢ CẢM BIẾN PHỔ CHO MẠNG

VÔ TUYẾN NHẬN THỨC SỬ DỤNG THUẬT TOÁN DƠI

Nguyễn Viết Tuyến1*, Hoàng Mạnh Kha1, Nguyễn Hải Dương2, Võ Kim2

Tóm tắt: Cảm biến phổ (Spectrum Sensing- SS) đóng vai trò quan trọng mạng vô

tuyến nhận thức (Cognitive Radio Network– CRN) nhằm mục đích tái sử dụng dải tần khi không được sử dụng Phương pháp cảm biến phổ hợp tác (Cooperative Spectrum Sensing – CSS) đã được đề xuất để xác định sự tồn tại của người dùng chính (Primary User – PU) Phương pháp CSS xác định sự tồn tại của PU được thực hiện dựa trên quyết định cứng (Hard Decision Fusion – HDF) và quyết định mềm (Soft Decision Fusion – SDF) Bài báo này đề xuất SDF dựa trên thuật toán dơi (Bat Algorithm- BA) và so sánh với SDF dựa trên giải thuật di truyền (Genetic Algroithm –GA) Kết quả mô phỏng cho thấy việc sử dụng BA cho xác suất phát hiện cao hơn với tốc độ hội tụ và thời gian thực hiện tốt hơn khi sử dụng GA

Từ khóa: Truyền thông không dây, Vô tuyến nhận thức, Cảm biến phổ, Thuật toán dơi

1 ĐẶT VẤN ĐỀ

Với sự phát triển của các dịch vụ và ứng dụng không dây, nhu cầu truy cập phổ tần tăng lên đáng kể Trong thực tế, các dải tần hầu như đã được cấp phát, vì thế đây là một thách thức đối với sự phát triển của truyền thông không dây Tuy nhiên, kết quả khảo sát bởi FCC (Federal Communications Commission) [6] và SSC (Shared Spectrum Company) [5], đã chỉ ra rằng hầu hết các phổ tần đã được phân bổ hoặc là không sử dụng hoặc ít sử dụng, hiệu suất sử dụng chỉ từ 15% - 85%, đặc biệt dải trên 3Ghz rất ít sử dụng Tại Việt Nam, một số nhà nghiên cứu đã tiến hành khảo sát tình hình sử dụng phổ tại thành phố Hồ Chí Minh và Long An trong dải từ 30MHz đến 3Ghz [2], theo khảo sát này, tại thành phố

Hồ Chí Minh hiệu suất sử dụng phổ trung bình khoảng 13,74%

Các nghiên cứu đã chỉ ra rằng việc khan hiếm phổ tần trong truyền thông không dây là

do việc phân bổ phổ tần cố định kém hiệu quả Để tận dụng tốt nhất băng tần đã được cấp phát, CRN đã được đề xuất bởi Mitola [1] CRN là công nghệ mạng không dây cho phép

sử dụng phổ một cách linh hoạt, truy nhập phổ động (Dynamic Spectrum Access – DSA) tại các băng tần đã được cấp phép tạm thời không sử dụng (gọi là hố phổ hay khoảng trắng) đã cấp cho các người dùng chính PU Để tránh gây nhiễu cho hệ thống sơ cấp, người dùng thứ cấp (Secondary User – SU) chỉ được phép truy cập phổ ở những khoảng thời gian và vị trí đặc biệt nào đó và phải chuyển sang dải tần khác bất kể khi nào PU sử dụng dải tần đó Việc xác định các hố phổ để có cơ hội truy cập được gọi là cảm biến phổ (Spectrum Sensing – SS) SS phải hiệu quả và tin cậy để tránh gây nhiễu cho các PU đang tồn tại Các SU có thể thực hiện SS một cách riêng lẻ bằng việc sử dụng các kỹ thuật SS như phát hiện năng lượng (Energy Detection – ED), sử dụng bộ lọc kết hợp (Matched Filter – MF), phát hiện dựa trên đặc tính dừng của tín hiệu (Cyclostationary Feature Detection- CFD) Tuy nhiên, việc thực hiện SS dùng các nút đơn lẻ chịu ảnh hưởng nặng

nề của môi trường truyền dẫn như hiện tượng pha đinh đa đường, bóng che, Doppler dẫn đến các tín hiệu mạnh cũng có thể bị suy giảm trầm trọng Để khắc phục điều này, CSS đã được đề xuất [7] Trong CSS, các SU có thể hợp tác với nhau để cảm biến phổ, tạo ra các mạng nhiều SU phân tập không gian, thông tin cảm biến từ các SU được tập hợp tại nút trung tâm, nút này được gọi là nút quyết định (Fusion Center – FC), FC sẽ xác định có sự tồn tại tín hiệu của PU hay không Hiện nay, FC quyết định dựa trên hai kỹ thuật là quyết định cứng HDF [3], [4] hoặc quyết định mềm SDF [8], [11] Hiệu quả phát hiện dùng SDF tốt hơn so với dùng HDF [10] Với kỹ thuật SDF hiệu quả cảm biến phổ phụ thuộc vào

việc chọn các bộ véc tơ trọng số Trong [8], [11] lần lượt sử dụng kỹ thuật kết hợp với tỉ lệ cực đại (Maximal Ratio Combination - MRC) và kỹ thuật kết hợp đồng độ lợi (Equal Gain Combining - EGC) để xác định bộ véc tơ trọng số nhằm cực đại hóa xác suất phát hiện Để xác định véc tơ trọng số tối ưu, [10], [14], [15] đề xuất sử dụng thuật toán di truyền GA và

đã chỉ ra việc dùng GA đem lại kết quả tốt hơn so với MRC và EGC Tuy nhiên, khi sử dụng GA nếu không gian tìm kiếm lớn tốc độ hội tụ của thuật toán chậm [13] Bài báo này

đề xuất sử dụng thuật toán dơi (Bat Algorithm - BA) để cực đại hóa xác suất phát hiện PU thông qua xác định véc tơ trọng số tối ưu trong CSS và so sánh với đề xuất sử dụng GA Phần còn lại của bài báo được trình bày như sau Mô hình của hệ thống và CSS dựa trên SDF sử dụng thuật toán dơi được trình bày ở mục 2 Kết quả mô phỏng và các phân tích đánh giá kiểm chứng được trình bày ở mục 3 và cuối cùng các kết luận sẽ được rút ra

ở mục 4

2 MÔ HÌNH HỆ THỐNG 2.1 Hệ thống CSS dựa trên SDF tổng quát

Sơ đồ khối hệ thống CSS dựa trên SDF được thể hiện trên hình 1 Số lượng SU là M, các SU này hoạt động như các trạm chuyển tiếp theo phương thức khuếch đại và chuyển tiếp (Amplify and Forward – AF) để gửi thông tin cảm biến đến FC Sự tồn tại của PU được FC quyết định dựa trên bộ véc tơ trọng số và thông tin gửi tới từ các SU Công thức

mô tả tín hiệu thu được tại các SU riêng lẻ được minh họa bằng giả thuyết nhị phân:

0 1



Hình 1 Mô hình hệ thống CSS dựa trên SDF

Trong hình 1 và công thức (1): Ho và H1 lần lượt là giả thuyết không tồn tại và tồn tại tín hiệu do PU truyền; Xi[n] là mẫu tín hiệu nhận được thứ n tại SU thứ i với i = 1, 2, ,

M, n = 1, 2, , N, N số mẫu tín hiệu nhận được trong chu kì cảm biến; gi và hi lần lượt là

hệ số khuếch đại kênh truyền thứ i của kênh PU – SU và các kênh SU- FC được giả thiết

là không đổi trong quá trình cảm biến; S[n] là tín hiệu truyền thứ n của PU và giả thiết các tín hiệu này phân bố độc lập đồng nhất ngẫu nhiên Gauss với trung bình bằng không, phương sai là S2; Wi[n] là nhiễu Gauss trắng cộng (Additive White Gaussian Noise - AWGN) với trung bình bằng không và phương sai là W2

i

 Tất cả các biến và các mẫu tín

PU

SU 1

SU 2

SU M

+

+

+

2 1

1 [ ]

N





2 2

1 [ ]

N





2

1 [ ]

N M





x

x

x

+ Decision making

.

W 1

W 2

g M

g 1

g 2

X 1 [n]

X 2 [n]

X M [n]

h 1

h 2

h M

+

+

+

n 1

n 2

Y 1 [n]

Y 2 [n]

Y M [n]

Z 1

Z 2

Z M

w 1

w 2

w M

Z

.

FUSION CENTER (FC)

hiệu nhận được tại các SU riêng lẻ được nhóm lần lượt thành hai véc tơ

[ , , , M]T

M

X  X X X (T là toán tử chuyển vị); ni là nhiễu AWGN của các kênh SU – FC với giả thiết không tương quan về mặt không gian và có trung bình bằng không, phương sai là i2, và được nhóm lại thành véc tơ

[ , , , M]T

Trong trường hợp giá trị xác suất cảnh báo sai Pf mong muốn được định trước, xác suất phát hiện Pd được tính theo công thức sau [12]:

0

1

1

s

(w)







f

H

H

(2)

Trong đó, Q(x) là hàm Marcum,

2 2

1 ( )

2

t x







  ; Es là năng lượng tín hiệu

1

N

n

S n



M

T

g   g g g 

0

2

H

Ndiag  diag 

1

2

H Ndiag  diag  E diag g diag 

Kí hiệu diag (.) là ma trận đường chéo

Trong bài báo này, chúng tôi đề xuất sử dụng thuật toán dơi (Bat Algorithm – BA) nhằm xác định bộ véc tơ trọng số w   w , w , , w1 2 MT để cực đại hóa xác suất phát hiện Pd theo công thức (2) Để giảm không gian tìm kiếm, các trọng số phải thỏa mãn điều

kiện 0 < wi 1và i

1







M

i

2.2 Hệ thống CSS dựa trên BA-SDF

2.2.1 Thuật toán dơi

BA là thuật toán mới về tối ưu trí tuệ bầy đàn được đề xuất bởi Xin-She Yang năm

2010 [13] Thuật toán này dựa trên đặc tính tự nhiên của con dơi: cảm nhận khoảng cách bằng việc định vị bằng tiếng vọng (echolocation) và chúng cũng “biết” phân biệt giữa thức

ăn và chướng ngại vật; các con dơi bay ngẫu nhiên với tốc độ vi tại vị trí wi với tần số

min max

,



i

f f f , chúng có thể tự động điều chỉnh tần số xung phát ra, tốc độ phát xung

  0,1

r  và cường độ A  [ Amin, A0] tùy thuộc vào khoảng cách tới mục tiêu Khi dơi tiến tới càng gần mục tiêu thì r tăng dần và A giảm dần

Trong thuật toán BA mỗi con dơi ảo trong không gian tìm kiếm d chiều được định nghĩa bằng các tham số: vị trí wk i , tốc độ v i k , tần số fi, cường độ A i k và tốc độ xung phát ra r i k Các tham số vị trí, vận tốc, tần số sau các bước lặp k được cập nhật như sau:

f  f  f  f  (3)

1 1

est

i

Trong đó: i   0,1 là một véc tơ ngẫu

nhiên phân bố đều, wbest là vị trí toàn cục tốt

nhất (nghiệm), khoảng tần số  fmin, fmax phụ

thuộc vào kích thước miền của lĩnh vực xem xét

và ban đầu mỗi con dơi sẽ lấy ngẫu nhiên một

tần số trong khoảng tần đang xét Trong mỗi thế

hệ, một số cá thể dơi được cập nhật theo vị trí

cục bộ tốt nhất như sau:

( )

Với  là một số ngẫu nhiên trong khoảng

  1,1 , A( )k là giá trị trung bình của các A i k

đến thời điểm hiện tại Cường độ A i k1

và tốc

độ xung r i k1

được cập nhật sau mỗi lần lặp

theo công thức:

Trong đó, 0 < α < 1, γ là một hằng số dương

2.2.2 Thuật toán dơi áp dụng cho hệ thống CSS

(BA-SDF)

Mục tiêu của bài báo là tìm giá trị lớn nhất

có thể của xác suất phát hiệnPd(w)theo công

thức (2) Việc xác định bộ véc tơ trọng số

 1 2 

(w)

d

P đạt giá trị cực đại sử dụng BA được thực

hiện như lưu đồ thuật toán hình 2 Ban đầu thiết

lập số vòng lặp k = 0, tần số xung ri = 0.5,

cường độ Ai = 0.5, tần số fi = 0Qx1 (ma trận

không, Q hàng, 1 cột), [fmin, fmax] = [0, 2], số

lượng cá thể Q và số vòng lặp cực đại kmax được

lựa chọn tùy theo số lượng SU

3 KẾT QUẢ MÔ PHỎNG VÀ THẢO LUẬN

Để đánh giá hiệu quả của hệ thống đề xuất

chúng tôi sử dụng mô phỏng Monte Carlo để

xác định xác suất phát hiện, vẽ đường cong đặc

1

k

Thiết lập các tham số ban đầu: Q,

k, fmin, fmax,k max , v i , f i , A i , r i

Tạo ngẫu nhiên bộ trọng số wi

Xây dựng hàm mục tiêu P(w i ) theo công thức (2)

Tính hàm mục tiêu và tìm P best ứng với w best

Bắt đầu

Trọng số được cập nhật theo công thức (6)

Cập nhật P best =P new-best ,

w best =w new-best

Kết thúc

Tạo các tham số mới theo công thức (3),(4),(5)

Tính hàm mục tiêu và tìm P new-best ứng với w new-best

k=k+1

Thay đổi r i và A i theo công thức

(7)

Rand(0,1)>ri

Tạo ngẫu nhiên bộ trọng số w i

Đ

Đ

Đ

S

S S

Hình 2 Lưu đồ thuật toán BA-SDF

tính nhận (Receiver Operating Characteristics – ROC) mô tả quan hệ giữa xác suất phát hiện và xác suất cảnh báo sai và so sánh với hệ thống sử dụng thuật toán GA (GA-SDF)

Mô hình hệ thống được sử dụng để đánh giá như hình 1 với các tham số mô phỏng như bảng 1 Tham số của GA-SDF được lấy theo [15], các tham số này theo [15] là tham số tối

ưu của GA

Bảng 1 Các tham số mô phỏng

Thuật toán

Các tham số

Công suất truyền của một mẫu

tín hiệu

1dBm

Công suất nhiễu kênh SU- PU

( W2

i

1dBm

Công suất nhiễu kênh SU- FC

(i2)

1dBm

SNR tại các

SU cho một

mẫu

M = 6 [−3.4, −4.7, −3.1, −4.9, −8.6, −3.5] dB

M = 10 [−3.4, −4.7, −3.1, −4.9, −8.6, −3.5, -7.9, -7.3, -8.5,

-9.9 ] dB M= 15 [−3.4, −4.7, −3.1, −4.9, −8.6, −3.5, -7.9, -7.3, -8.5,

-9.9, -8.7, -9.2, -10, -10.1, -10.5] dB

M = 20

[−3.4, −4.7, −3.1, −4.9, −8.6, −3.5, -7.9, -7.3, -8.5, -9.9, -8.7, -9.2, -10, -10.1, -10.5 -8.7, -9.2, -10,

-10.1, -10.5] dB

Ghi chú: x là tham số không tồn tại

Hình 3 là ROC của hệ thống

GA-SDF và BA-GA-SDF với M = 6 và số

vòng lặp là 10000 Kết quả trên hình

3 thể hiện khi số vòng lặp đủ lớn cả

hai thuật toán GA và BA đều hội tụ

về một kết quả tương tự nhau Tuy

nhiên trong CRN thời gian cảm biến

phổ là một tham số quan trọng, thời

gian nay càng nhỏ càng tốt Hình 4

minh họa xác suất phát hiện Pd của

trung bình 50 lần mô phỏng với số

vòng lặp là 500, Pf = 0.2, M = 6 Kết

quả trên hình 4 cho thấy GA-SDF

vẫn chưa hội tụ, trong khi BA-SDF

sau khoảng 40 lần lặp đã hội tụ Độ

phức tạp của thuật toán GA-SDF và

BA-SDF đều phụ thuộc vào số vòng

lặp để hội tụ, số lượng SU, số các thể Hình 3 ROC của GA-SDF và BA-SDF

Q và có bậc là O(k.M.Q), do đó BA-SDF sẽ cần ít thời gian xử lý hơn so với GA-SDF khi cần Pd đạt đến giá trị lớn nhất

Hình 5 so sánh ROC của BA-SDF

và GA-SDF khi số lượng SU là 20 với

cùng số vòng lặp là 40 Theo chuẩn

IEEE 802.22, kỹ thuật SS cần đạt Pf 

0.1, bảng 2 là giá trị Pd của BA-SDF

và GA-SDF, tương ứng với các giá trị

của Pf trong khoảng tử 0.01 đến 0.1 và

d d BA SDF d GA SDF

quả trên hình 5 và bảng 2 thể hiện hiệu

quả cảm biến phổ của hệ thống CSS

dựa trên BA-SDF tốt hơn GA-SDF với

xác suất phát hiện Pd trong dải Pf 

0.1 cao hơn trung bình xấp xỉ 2.5%

Ảnh hưởng của số lượng SU trong hệ thống CSS dựa trên BA–SDF được thể hiện trên hình 6 ứng với số lượng SU lần lượt là M = 6, 10, 15,

20 Kết quả mô phỏng cho thấy khi số lượng SU tăng, hiệu quả cảm biến phổ tăng đáng kể Lưu ý rằng, tỉ số tín hiệu trên tạp âm (Signal to Noise Ratio - SNR) của các SU mới thêm vào là nhỏ so với các SU đang tồn tại trong hệ thống (bảng 1) Điều này thể hiện rằng mặc dù thông tin về kênh truyền của các SU (mới thêm vào) gửi đến FC là hạn chế, nhưng các SU này vẫn đóng góp rõ rệt vào việc cải thiện độ chính xác của kết quả cảm biến phổ

Hình 5 So sánh ROC của BA-SDF

và GA-SDF với số lượng SU là 20

Hình 6 ROC của BA-SDF với số lượng

SU thay đổi

4 KẾT LUẬN

Hình 4 Tốc độ hội tụ của BA-SDF và GA-SDF Bảng 2 Giá trị P d với P f  0.1

P f

P d

(BA-SDF)

P d (GA-SDF) P d

0.01 0.7142 0.6729 0.0413

0.02 0.7830 0.7484 0.0346

0.03 0.8213 0.7926 0.0287

0.04 0.8470 0.8215 0.0255

0.05 0.8661 0.8408 0.0253

0.06 0.8810 0.8591 0.0219

0.07 0.8931 0.8726 0.0205

0.08 0.9031 0.8854 0.0177

0.09 0.9116 0.8941 0.0175

0.1 0.9190 0.9028 0.0162

Xác định bộ trọng số để tối đa hóa xác suất phát hiện trong thời gian ngắn là một thách thức không nhỏ khi nghiên cứu về CSS Bài báo đã đề xuất sử dụng BA để xác định bộ trọng số quan trọng này Kết quả của bài báo đã chứng minh rằng việc sử dụng BA cho hệ thống CSS dựa trên SDF cho kết quả tốt hơn việc dùng GA do có tốc độ hội tụ về giá trị tối ưu nhanh hơn

Trong quá trình mô phỏng các tham số đường truyền như công suất nhiễu, hệ số khuếch đại kênh truyền đều được giả định biết trước và cố định Tuy nhiên, trong thực tế các tham số này thường thay đổi Trong các nghiên cứu sau, chúng tôi sẽ tập trung nghiên cứu sâu thêm để ước lượng các tham số này

TÀI LIỆU THAM KHẢO

[1] J Mitola “Cognitive radio for exible mobile multimedia communications” IEEE

International Workshop on Mobile Multimedia Communications, pages 3-10, 1999 [2] Vo Nguyen Quoc Bao, Le Quoc Cuong, Le Quang Phu, Tran Dinh Thuan, Nguyen

Thien Quy, Lam Minh Trung, “Vietnam Spectrum Occupancy Measurements and Analysis for Cognitive Radio Applications”, 2011 International Conference on

Advanced Technologies for Communications (ATC 2011)

[3] Ganesan, G and Y G Li, “Cooperative spectrum sensing in cognitive radio, Part : Two usernetworks,” IEEE Trans on Wireless Communications, Vol 6, No 6, 2007 [4] Zhang, W., R K Mallik, and K Ben Letaief, “Cooperative spectrum sensing optimization incognitive radio networks,” Proc IEEE Int Conf Comm., p 3411, 2008 [5] FCC Spectrum Policy Task Force “Report of the spectrum efficiency working group Technical report”, November 2002

[6] Shared Spectrum Company “General survey of radio frequency bands: 30 MHz to 3GHz” Technical report, August, 2010

[7] Ghasemi, A.; Sousa, E.S., "Collaborative spectrum sensing for opportunistic access

in fading environments,"First IEEE International Symposium on New Frontiers in

Dynamic Spectrum Access Networks, DySPAN,pp 131-136, 2005

[8] Srinivas Nallagonda, Kumar Bandari, Sanjay Dhar Roy, “Sumit KunduPerformance

of Cooperative Spectrum Sensing with Soft Data Fusion Schemes in Fading Channels”, Annual IEEE India Conference (INDICON), 2013

[9] Shen, B and K S Kwak, “Soft combination schemes for cooperative spectrum sensing incognitive radio networks,” ETRI Journal, Vol 31, 263–270, 2009

[10].El-Saleh, A A., M Ismail, and M A M Ali, “Genetic algorithm-assisted soft fusion-basedlinear cooperative spectrum sensing,” IEICE Electronics Express, Vol 8,

1527–1533, 2011

[11].S Bin Shen, "Deflection coefficient maximization criterion based optimal cooperative spectrum sensing," Int J Electron Commun (AEÜ), vol 64, p.819–827, 2010 [12].Zhi Quan, Shuguang Cui, Sayed, A.H., "Optimal Linear Cooperation for Spectrum Sensing in Cognitive Radio Networks," Selected Topics in Signal Processing, IEEE

Journal of, vol.2, no I, pp.28,40, Feb 2008

[13] Xin-She Yang, “Bat algorithm: literature review and applications”, Int J

Bio-Inspired Computation, Vol 5, No 3, pp 141–149 , 2013

[14] Payal Mishra, Neelam Dewangan, “Performance Analysis of Spectrum Sensing using

GA and Bacteria Foraging Optimization in Cognitive Radio”, IEEE WiSPNET

conference, 2016

[15] Hossain, Md Kamal, Ayman A El-Saleh, and Mahamod Ismail, "A comparison between binary and continuous genetic algorithm for collaborative spectrum optimization in cognitive radio network." Research and Development (SCOReD),

2011 IEEE Student Conference on IEEE, 2011

ABSTRACT

EFFICIENT SPECTRUM SENSING FOR COGNITIVE RADIO NETWORK

USING BAT ALGORITHM

Cognitive Radio (CR) technology aims to reuse the underutilized frequency spectrum where Spectrum Sensing (SS) plays important role in CR to detect and utilize unoccupied channels of licensed frequency bands Several Cooperative Spectrum Sensing (CSS) techniques have been proposed to determine the existence

of Primary User (PU) In CSS, the existence of PU is determined based on Hard Decision Fusion (HDF) and Soft Decision Fusion (SDF) methods In this paper a SDF based on CSS employing Bat Algorithm (BA) is proposed The simulation results show that the use of BA achieves greater detection probability with faster convergence and shorter processing time comparing to genetic algorithm (GA) based CSS

Keywords: Wireless Communication, Cognitive Radio, Spectrum Sensing, Bat Algorithm

Nhận bài ngày 30 tháng 4 năm 2017 Hoàn thiện ngày 12 tháng 7 năm 2017 Chấp nhận đăng ngày 18 tháng 8 năm 2017

Địa chỉ: 1Khoa Điện tử - Trường Đại học Công nghiệp Hà Nội;

2

Khoa Vô tuyến điện tử - Học viện Kỹ thuật quân sự

*

Email: nvtuyen@haui.edu.vn