《移动场景中基于信任度的协作频谱感知方法.pdf》由会员分享，可在线阅读，更多相关《移动场景中基于信任度的协作频谱感知方法.pdf（22页珍藏版）》请在专利查询网上搜索。
1、10申请公布号CN104202106A43申请公布日20141210CN104202106A21申请号201410503638722申请日20140926H04B17/0020060171申请人哈尔滨工业大学地址150001黑龙江省哈尔滨市南岗区西大直街92号72发明人贾敏王欣玉郭庆顾学迈王雪张光宇王世龙74专利代理机构哈尔滨市松花江专利商标事务所23109代理人岳泉清54发明名称移动场景中基于信任度的协作频谱感知方法57摘要移动场景中基于信任度的协作频谱感知方法，涉及信息与通信技术领域。是为解决认知用户移动的场景中网络内可能存在恶意用户攻击的问题提出的。本方法利用信任度的概念，先将整个研究区。
2、域划分为若干小的单元格，然后在每个单元格中通过比较其中各认知用户上传检测结果，独立更新这些认知用户的信任度并以此为依据剔除其中的恶意用户，进而计算每个单元格的加权系数。经过仿真验证，确定本发明的方法能够得到良好的系统检测性能。在存在50个认知用户且其中15个为恶意用户的网络中，系统虚警概率为01时，本发明能够获得099的系统检测概率。本发明针对认知用户移动而主用户静止的场景，用于克服系统内恶意用户的恶意攻击。51INTCL权利要求书2页说明书13页附图6页19中华人民共和国国家知识产权局12发明专利申请权利要求书2页说明书13页附图6页10申请公布号CN104202106ACN10420210。
3、6A1/2页21移动场景中基于信任度的协作频谱感知方法，其特征是它由以下步骤实现步骤一、将整个移动场景划分为若干个单元格，设各认知用户的信任度初值RI0，任一单元格CJ加权系数初值0CJ1，任一单元格CJ累积可靠认知用户初值E0CJ0，以及各任一单元格CJ累计可靠用户检测结果的平均值E0CJ0；步骤二、各个认知用户独立进行能量检测，并将各自检测到的能量值以及其当前所属单元格序号发送至融合中心；步骤三、利用公式计算在第K次检测后认知用户UI对应的偏差函数KUI；其中AVG和STD分别代表求均值和求标准差；N代表在第K次检测时与认知用户UI同在一个单元格CJ中的认知用户的个数；表示在单元格CJ中的。
4、认知用户UI在第K次检测到的能量值；K为正整数；步骤四、根据公式计算在第K次检测后认知用户UI相应的信任度增量KUI；步骤五、根据步骤四计算出的认知用户UI的信任度增量KUI，利用公式RIRIKUI3更新各认知用户信任度RI；步骤六、通过公式更新认知用户UI的信任度RI；其中RMAX是信任度设置上限，RMIN是信任度设置下限，且RMIN|RMAX|；步骤七、根据步骤六计算出的各认知用户更新后的信任度RI，将信任度低于预设门限1的认知用户判定为恶意用户，并将其检测结果从融合中心剔除；1|RMAX|；0028步骤七、根据步骤六计算出的各认知用户更新后的信任度RI，将信任度低于预设门限1的认知用户判。
5、定为恶意用户，并将其检测结果从融合中心剔除；10以防止恶意用户累积信任度作为以后攻击的资本。给信任度设置下限RMIN,RMIN|RMAX|；005210、本发明为了防止个别单元格占据绝对主导作用情况的发生，各个单元格的加权系数不能无限增大。本发明将各单元格加权系数的总和设为单元格数L；005311、本发明预设阈值1用于判定恶意用户，将其设置为绝对值较小的负数是为了保证那些具有绝对值很小的负数信任度的认知用户不会被马上剔除，因为在检测的初始阶段，一些可靠的用户可能由于外界干扰等因素短时间内提供不正确的检测结果，其信任度可能为负值。附图说明0054图1是区域为1000M1000M的正方形区域，被划。
6、分为L9个相等大小的正方形单元格的示意图；0055图2是认知用户总数N分别为40、50以及60情况下，在时间20S中每个单元格内平均出现的认知用户个数随用户平均运动速度的变化关系仿真示意图；0056图3是本发明的方法ATRUSTVALUEBASEDCOOPERATIVESPECTRUMSENSINGALGORITHMFORCOGNITIVERADIONETWORKSWITHMOBILESECONDARYUSERS,TBSSMU、LRMI算法和传统基于信任度的协作感知算法CTBSS在系统认知用户总数N以及恶意用户总数M分别为N50,M10；N50,M15；N30,M6时的ROC曲线仿真示意图；0。
7、057图4是本发明的方法在系统中恶意用户数量M分别为5、10、15和20时系统的检测概率PD随认知用户平均运动速度大小变化的仿真示意图；0058图5是本发明的方法在系统中恶意用户数量M分别为5、10、15和20时系统的虚警概率PF随认知用户平均运动速度大小变化的仿真示意图；说明书CN104202106A5/13页80059图6是本发明的方法在系统中恶意用户数量M分别为5、10、15和20时系统的错误概率PE随认知用户平均运动速度大小变化的仿真示意图；0060图7是本发明的方法在系统中认知用户平均移动速度的大小分别为0M/S、20M/S、40M/S、60M/S、80M/S以及100M/S时系统的。
8、检测概率PD随恶意用户占用户总数比例变化的仿真示意图；0061图8是本发明的方法在系统中认知用户平均移动速度的大小分别为0M/S、20M/S、40M/S、60M/S、80M/S以及100M/S时系统的虚警概率PF随恶意用户占用户总数比例变化的仿真示意图；0062图9是本发明的方法在系统中认知用户平均移动速度的大小分别为0M/S、20M/S、40M/S、60M/S、80M/S以及100M/S时系统的错误概率PE随恶意用户占用户总数比例变化的仿真示意图；0063图10是本发明TBSSMU方法和TBSSMUH算法在系统中有50个认知用户，其中分别有5个、10个和15个为恶意用户时的ROC曲线对比仿真。
9、示意图。0064图11是不同恶意用户数量的认知网络中本发明TBSSMU方法没有剔除的恶意用户个数随感知时间的变化仿真示意图。设系统中的认知用户数量为50，其中15个为恶意用户；0065图12是不同感知时间情况下本发明TBSSMU算法的ROC曲线对比仿真示意图。设系统中的认知用户数量为50，其中15个为恶意用户。0066图13是恶意用户数量分别为5个、10个和15个时，系统检测概率与恶意攻击强度增量函数标准差之间的关系曲线仿真示意图。设系统中共有50个认知用户。具体实施方式0067具体实施方式一、结合图1至图9说明本具体实施方式，由于整个研究区域内各点对应的接收信道状况相差较大，那么不同位置的用。
10、户实际检测结果的差别也是较大的。传统基于信任度的协作感知算法通过判定上传的检测结果与系统中多数用户上传结果相差较大的用户为恶意用户的方法来剔除系统中的恶意用户。因此，在移动场景中这类传统的算法不能准确地将可靠用户和恶意用户区别开来。0068针对这一矛盾，我们将整个研究区域划分为若干个小的单元格，使得每个单元格中的各点具有相似的信道状况以及相似的实际检测能量值。那么通过在每个单元格中独立寻找检测结果与该单元格中多数检测结果相差较大的用户并降低其信任度就可以避免这个问题。0069考虑图1所示的协作感知认知网络模型。包括1个静止的主用户，N个移动的认知用户，其中有M个恶意用户，以及1个融合中心。将研。
11、究区域划分为L个大小相等的正方形单元格，每个单元格有独一无二的序号，通过定位技术每一个认知用户都能够得到自己所属单元格序号，假设各单元格中各点接收信道状况相似。每一个单元格都经历阴影衰落并存在路径损耗。单元格划分的依据就是每个单元格中的各点都具有相近的阴影衰落及路说明书CN104202106A6/13页9径损耗。0070在图1中，将整个区域划分为大小相等的正方形单元格，但是本发明的方法在任何形状任何尺寸的单元格中都适用。因此研究的区域可以根据实际情况划分为任意数量任意大小的单元格。各个认知用户将检测到的能量值和所属单元格序号传到融合中心，假设这些能量值和单元格序号在传输过程中不存在错误。融合中。
12、心判定主用户是否存在。假设各个单元格接收到的噪声功率近似相等，而接收到的主用户信号功率与实际信道状况相关。0071本发明的方法使用的模型考虑了阴影效应和路径损耗问题，那么距离主用户距离DI,K的认知用户UI接收到的主用户信号功率DBM可以表示为00720073其中K表示一个由传输特性以及天线特性决定的无单位常量；D0是相对于天线远场的距离；J代表单元格CJ的路径损耗指数，取决于实际信号的传播环境；而K表示第K次检测。在室内环境下，D0的典型取值范围为110M；在室外环境下，D0的典型取值范围则为10100M。为单元格CJ中的阴影衰落DB。K值可由下式10近似获得0074KDB20LOG104D。
13、0/100075其中代表主用户信号的波长。0076本发明的方法选择能量检测法作为每个认知用户的检测方法，因为能量检测实现简单，无需任何先验信息。认知用户需要能够准确的判断某个频段是否可用，必须对是否有主用户存在作出正确的判决。0077若在某个频段内没有主用户，则认知用户可以使用该频段，否则找寻别的可用频段。因此频谱检测模型可以定义为如下简单的二元假设检验问题00780079其中，表示单元格CJ中的认知用户UI在第K次检测时接收的信号，为此时主用户发送的信号，表示此时环境噪声，表示此时无线信道的增益。0080假设主用户信号的频带宽度为W。在每次检测时，每个认知用户采样M个点，每次采样时间为T。那。
14、么在第K次检测，CJ中认知用户UI检测到的能量值服从下面分布00810082其中，是UI接收信道的瞬时信噪比，主用户发送信号功率PT，信道增益为和表示自由度为2TW的卡方分布和自由度为2TW的非中心卡方分布。说明书CN104202106A7/13页100083对于融合中心预设门限2，当时，融合中心判定主用户信号是存在的，否则，判定不存在。因此，对于检测结果每次检测的检测概率PD和虚警概率PF分别为008400850086其中QM表示MARQUM函数，表示GAMMA函数。由于在H0K假设下是没有主用户信号存在的，所以虚警概率与SNR无关。因为每次检测时每个信道受阴影衰落或路径损耗影响大小不同，信。
15、道增益是不断变化的，那么检测概率会随瞬时信噪比变化。0087那么每次检测的错误概率PE为00880089由衰落引起的感知结果的不确定性可以通过多用户协作频谱检测减弱其影响。一般来说，协作式频谱感知算法的合并准则包括两种，软合并准则和硬合并准则。本发明的方法利用软合并准则，因为其检测性能要远远好于硬合并准则。0090本发明的方法是在一种攻击能力极强的模型下研究的。该模型中的恶意用户不仅发送错误的能量检测结果，还发送错的位置信息。0091假设恶意用户每次发出的攻击可描述为00921当主用户不存在时，发送比真实检测到的能量值更高的检测结果从而增加系统的虚警概率；00932当主用户存在时，发送比真实检。
16、测到的能量值更低的检测结果从而降低系统的检测概率；00943发送错误的单元格序号。恶意用户每次攻击选取的恶意攻击强度增量是随机选取的。假设每一个恶意用户都是独立发出攻击的，而且每一次的攻击都是独立的。0095如果某一个认知用户的信任度降低到系统预设的门限10以防止恶意用户累积信任度作为以后攻击的资本。给信任度设置下限RMIN,RMIN|RMAX|；01253、为防止个别单元格占据绝对主导作用情况的发生，各个单元格的加权系数不能无限增大。本发明的方法将各单元格加权系数的总和设为单元格数L；01264、1为预设的阈值，用于判定恶意用户。将其设置为绝对值较小的负数是为了保证那些具有绝对值很小的负数信。
17、任度的认知用户不会被马上剔除。因为在检测的初始阶段，一些可靠的用户可能由于外界干扰等因素短时间内提供不正确的检测结果，其信任度可能为负值。0127下面分析用户平均移动速度对TBSSMU的方法检测性能的影响。在有限时间T内，每个单元格中曾出现过的认知用户包含两个部分，静止状态时的初值N/L以及因移动引起其他认知用户进入此单元格的部分。只需讨论后者。开始移动后，假设用户UI以速度在认知网络中运动，在T时间内运动距离可表示为0128对于在时间T中活动范围包含单元格CJ的认知用户UI来说，用户UI访问到的单元格平均个数为01290130其中，S是单元格的尺寸，而是一个和UI移动模型相关的参数。在时间T。
18、中每个用户间隔时间TS进行一次频谱检测，那么用户UI在时间T内一共进行次频谱检测过程，即上传给融合中心个感知结果。因此用户UI在单元格CJ内平均上传感知结果的个数为01310132下面再从单元格CJ角度出发，在时间T内，全部N个认知用户共能发出个感知结果，那么每个单元格中发出的感知结果个数为说明书CN104202106A1311/13页1401330134在系统模型确定时，每个单元格中发出的感知结果个数为一个确定的恒值。所以时间T内单元格CJ内曾出现过的认知用户数量中第二部分为01350136那么时间T内单元格CJ内出现过的认知用户的总数为01370138上面的推导可以得出如下结论对于认知用户。
19、平均移动速度更大的移动场景，单位时间内认知用户通过的单元格个数更多，在每个单元格中停留的时间更短。由于每次检测间隔时间一定，本文设为1S，那么每个用户在每个单元格中进行的检测次数更少。而每个单元格中单位时间内曾出现的认知用户总数更多。那么每个认知用户在一个单元格内进行信任度更新的次数更少，而单位时间内每个单元格中更多的用户进行了信任度的更新过程。0139图2的仿真结果能够很好地印证这个结论。图2仿真出了N分别为40、50以及60情况下，在时间20S中每个单元格内平均出现的认知用户个数随用户平均运动速度的变化关系。图2和式26的推导结果相吻合。观察图2，发现N40,50,60三条线近似直线，斜率。
20、之比约为456，与纵轴交点分别约为44，56以及67。N越大的线代表的单位时间每个单元格中出现过的认知用户个数随用户平均移动速度变化越快。另外，无论N值为多少，单位时间每个单元格中出现过的认知用户个数都随着用户平均移动速度增加而增大。这些都能从式26得出。0140在以上推导的基础上，现分析认知用户平均移动速度与本发明TBSSMU方法检测性能的关系。0141在前面叙述的攻击模型下，每个恶意用户上传随机的单元格序号，那么其伪造的上传结果就相当于是从各个单元格中轮流上传到融合中心的。对于全部恶意用户来说，所有的伪造检测结果便相当于是从各个单元格中一同上传的。即恶意用户的攻击均匀分布在各个单元格中了。。
21、然而由于每个单元格所在位置不同，接收信道的状况便不同，其中的用户实际检测到的能量值就有了差别。那么即使每个单元格中的恶意伪造检测结果集合等效，其与每个单元格中用户实际检测结果差别有大有小。即相同的恶意攻击在不同的单元格中表现出来的攻击效果是不同的。单元格中实际检测结果与恶意攻击结果集合差距更大的单元格被攻击的效果更为明显。在这样的单元格CJ中，由于恶意攻击结果与实际结果相差较大，计算出来的单元格检测结果平均值以及标准差都与实际不符，就可能造成错误地降低CJ中可靠用户的信任度并提升了CJ中恶意用户的信任度。这样就会因错误剔除了可靠用户却保留了恶意用户的感知结果而一方面使计算出来的单元格权值不再准。
22、确，另一方面使计算的加权目标函数不再准确，而降低本发明的方法的检测性能。说明书CN104202106A1412/13页150142下面着重讨论这类攻击效果明显的单元格CJ。对于平均移动速度更大的移动场景来说，单位时间内在遭受强烈攻击的CJ中每个用户错误更新信任度的次数更少，错误更新了信任度的用户数量更多。等效为将原本集中在某几个用户上的错误更新信任度的现象分散到更多认知用户上去，而每个认知用户错误更新信任度幅度降低。而且，恶意用户平均移动速度更大会使遭受剧烈恶意攻击的单元格变动更快，就进一步将错误更新信任度的现象分散开到更多用户上去。随着平均移动速度的增加，这种分散的作用越来越大，每个用户错误。
23、更新的幅度较小，认知用户可以通过移出该单元格后一段很少的时间内上传可靠或伪造检测结果来获得真实的信任度。这样因正确辨别可靠用户和恶意用户的感知结果而一方面使计算出来的单元格权值更加准确，另一方面使计算的加权目标函数更加准确，而提升本发明的方法的检测性能。即随着认知用户的平均移动速度增加，系统的检测性能会逐渐提升。0143以下，以具体的仿真实验验证本发明的效果0144在系统认知用户总数N以及恶意用户总数M分别为N50,M10；N50,M15；N30,M6时，LRMI算法和传统基于信任度的协作感知算法CTBSS的ROC曲线对比如图3所示。0145具体来说，ROC曲线图比较的是检测概率PD与虚警概率。
24、PF之间关系。CTBSS实际上是一类根据一段时间内每个用户本地感知结果和整体感知结果匹配度大小来更新用户信任度并以此剔除系统中恶意用户的算法的总称。本部分为了控制变量，设其偏差函数、信任度增量函数与本发明的方法一致。0146在系统中恶意用户数量M分别为5、10、15和20时，本方法的检测概率PD、虚警概率PF以及错误概率PE随认知用户平均运动速度大小变化的情况如图4至6所示，假设N50。0147在系统中认知用户平均移动速度的大小分别为0M/S、20M/S、40M/S、60M/S、80M/S以及100M/S时系统的检测概率PD、虚警概率PF以及错误概率PE随恶意用户占用户总数比例变化的情况如图7。
25、至图9所示；0148在系统中有50个认知用户，其中分别有5个、10个和15个为恶意用户时，本发明TBSSMU算法和TBSSMUH算法的ROC曲线对比如图10所示。0149具体来说，ROC曲线图比较的是检测概率PD与虚警概率PF之间关系。其中TBSSMUH表示系统中不存在恶意用户时利用本发明的单元格加权系数计算方法计算加权目标函数后进行最终判决的方法；0150在不同恶意用户数量的认知网络中，本发明TBSSMU方法没有剔除的恶意用户个数随感知时间的变化情况如图11所示，设系统中的认知用户数量为50，其中15个为恶意用户；0151在不同感知时间情况下，本发明TBSSMU算法的ROC曲线对比如图12所。
26、示。具体来说，ROC曲线图比较的是检测概率PD与虚警概率PF之间关系。设系统中的认知用户数量为50，其中15个为恶意用户。其中TBSSMUH表示系统中不存在恶意用户时利用本发明的单元格加权系数计算方法计算加权目标函数后进行最终判决的方法；0152在恶意用户数量分别为5个、10个和15个时，系统检测概率与恶意攻击强度增量说明书CN104202106A1513/13页16函数标准差之间的关系曲线如图13所示，假设系统中共有50个认知用户。0153经上述仿真试验验证，本发明具有以下特点和显著进步01541、本发明中每个认知用户使用能量检测法进行本地频谱感知，实现简单且无需任何先验信息。01552、本。
27、发明在任何系统中，针对任何形式的主用户信号都有效。即本发明有着极宽的适用范围。01563、本发明能够适用于任意形状任意大小的研究区间，且研究的区间可以划分为任意个数任意形状任意大小的单元格。01574、本发明能够有效抵抗认知网络中个别恶意认知用户的攻击。01585、本发明将研究区域划分为若干个单元格，在每个单元格中独立剔除恶意用户，从而克服了用于抵抗恶意攻击的传统基于信任度的协作频谱感知算法总是将处于深衰落或具有较大路径损耗的可靠用户过度惩罚而造成无法准确判定某一个用户是恶意用户还是可靠用户的缺点。01596、本发明将所研究区域的接收信道的差异性考虑在内，为检测到的能量值更大的单元格分配更大的。
28、加权系数。那么在主用户信号存在时，可以为检测到能量值更大的，信道状况更好的单元格分配更大的权值，使得加权目标函数更大，系统检测概率更高；主用户信号不存在时，由于各单元格接收到的噪声功率近似相等，计算所得权值近似相等，系统虚警概率几乎不会变化。这样就在系统虚警概率一定情况下提升了系统检测概率，提高了系统检测性能。01607、本发明将认知用户的移动性这一无线网络的固有属性考虑在内，并通过公式推导发现认知用户移动速度越大，本发明算法的检测性能越好。01618、本发明使用的前提是系统中的认知用户中只有少数是恶意用户。若恶意用户所占比例过大，在每个单元格中计算得出的感知结果平均值便不再准确，那么恶意用户。
29、的偏差函数不一定大于可靠用户的偏差函数，TBSSMU的检测效果就会大打折扣。01629、本发明给信任度设置上限RMAX,RMAX0以防止恶意用户累积信任度作为以后攻击的资本。给信任度设置下限RMIN,RMIN|RMAX|。016310、本发明为了防止个别单元格占据绝对主导作用情况的发生，各个单元格的加权系数不能无限增大。本发明算法将各单元格加权系数的总和设为单元格数L。016411、本发明预设阈值1用于判定恶意用户。将其设置为绝对值较小的负数是为了保证那些具有绝对值很小的负数信任度的认知用户不会被马上剔除。因为在检测的初始阶段，一些可靠的用户可能由于外界干扰等因素短时间内提供不正确的检测结果，其信任度可能为负值。说明书CN104202106A161/6页17图1说明书附图CN104202106A172/6页18图2图3说明书附图CN104202106A183/6页19图4图5图6说明书附图CN104202106A194/6页20图7图8图9说明书附图CN104202106A205/6页21图10图11说明书附图CN104202106A216/6页22图12图13说明书附图CN104202106A22。