CN104202106A - 移动场景中基于信任度的协作频谱感知方法 - Google Patents

Abstract

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0.1时，本发明能够获得0.99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。

Description

移动场景中基于信任度的协作频谱感知方法

技术领域

本发明涉及信息与通信技术领域，具体涉及一种认知无线电协作频谱感知方法。

背景技术

认知无线电是一种有效的可用于提高频谱资源利用率的技术。它可以通过动态频谱接入技术来解决目前无线通信中频谱资源紧张、频谱利用率低等问题。认知无线电是由Mitola最先提出的。其基本思想是：认知用户通过择机的方式接入授权用户频段或非授权用户频段从而提高频谱利用率。但前提是不对拥有频谱的授权用户或非授权用户产生有害干扰。因此频谱感知是认知无线电的基础和前提。

目前，单用户频谱感知技术主要包括能量检测、匹配滤波检测和循环平稳检测。这三种方法各有优劣。能量检测算法实现起来最为简单，应用也最广泛，无需任何主用户信号的先验信息，但是需要知道噪声功率，因此受到噪声不确定性因素的影响；匹配滤波法需要知道信道响应函数，且需要精确的时间同步技术；循环平稳检测算法检测率一般比较高，但是其一方面需要知道主用户信号的循环频率，另一方面计算复杂度高，不利于信道快速切换。单用户频谱感知的性能受到路径损耗和阴影效应的影响。路径损耗大多与感知用户与主用户间的位置有关系，而阴影效应主要由物体对主用户信号的物理阻挡而造成的。因此，对于多个认知用户以协作的方式共同决定主用户是否存在协作频谱感知算法的研究得到了众多研究人员的高度关注。协作频谱感知根据认知无线电网络中是否存在独立的融合中心，可以分为集中式频谱感知和分布式频谱感知。在集中式频谱感知中，需要一个独立的融合中心，每个认知用户将本地判决结果或信号的模拟量通过专用的控制信道传送至融合中心，融合中心通过数据融合做出最终的判决。目前大部分的研究都集中在此类型的协作感知上。在分布式频谱感知中，不设立独立的融合中心，各认知用户与其他用户交换共享彼此的本地判决结果或信号模拟量，最后根据各认知用户的融合信息得到最终判决结果。协作感知算法一般可分为：本地感知、感知信息传递和感知信息融合3个阶段。其中，感知信息融合是目前协作频谱感知的研究热点和难点。而也正是在这个步骤中协作的频谱感知方式给了恶意用户发出攻击的机会。

在认知网络中，恶意用户会通过伪造检测结果，上传虚假数据，促使融合中心得出错误的判决结果。为了避免这一问题，研究人员提出利用信任度的概念剔除认知网络中的恶意用户从而提升系统的检测性能。认知用户的信任度是建立在一段时间内这些认知用户的本地感知结果和整体感知结果的匹配度基础上的。信任度高的认知用户在数据融合中的被分配的加权系数就大。现存的基于信任度的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。因此不宜直接将传统的基于信任度的协作感知算法应用到移动场景中。这里的移动场景是指认知网络中的认知用户是移动的，而主用户是静止的。目前针对移动场景中的频谱检测的研究是非常有限的。本发明就是一种新的移动场景下的基于信任度的协作频谱感知方法。

发明内容

本发明是为了解决现有频谱感知方法以下问题：

(1)、无法精确剔除认知网络中的恶意用户同时保留可靠用户；

(2)、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；

(3)、没有考虑整个研究区域的接收信道状况差异性；

(4)、没有将认知用户的移动性这一无限网络固有属性考虑在内。

从而提供移动场景中的一种基于信任度的协作频谱感知方法。

移动场景中基于信任度的协作频谱感知方法，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r_i＝0，任一单元格c_j加权系数初值ω₀(c_j)＝1，任一单元格c_j累积可靠认知用户初值e₀(c_j)＝0，以及各任一单元格c_j累计可靠用户检测结果的平均值E₀(c_j)＝0；

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：

${\mathrm{\δ}}_k\left(u_i\right)=\frac{|Y_{i,k}^j-\mathrm{avg}{\left(Y_{i,k}^j\right)}_{i=1}^{N^{\′}}|}{\mathrm{std}{\left\{Y_{i,k}^j\right\}}_{i=1}^{N^{\′}}}---\left(1\right)$

计算在第k次检测后认知用户u_i对应的偏差函数δ_k(u_i)；

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u_i同在一个单元格c_j中的认知用户的个数；表示在单元格c_j中的认知用户u_i在第k次检测到的能量值；K为正整数；

步骤四、根据公式：

${\mathrm{\&Delta;}}_k\left(u_i\right)=\left\{\begin{array}{cc}4\&CenterDot;\tan (-\frac{{\mathrm{\&delta;}}_k\left(u_i\right)}{\max \left({\mathrm{\&delta;}}_k\left(u_i\right)\right)}\&CenterDot;\frac{\mathrm{\&pi;}}{3}),& {\mathrm{\&delta;}}_k\left(u_i\right)\&GreaterEqual;\max \left(\frac{{\mathrm{\&delta;}}_k\left(u_i\right)}{2}\right)\\ 1,& {\mathrm{\&delta;}}_k\left(u_i\right)<\max \left(\frac{{\mathrm{\&delta;}}_k\left(u_i\right)}{2}\right)\end{array}\right.---\left(2\right)$

计算在第k次检测后认知用户u_i相应的信任度增量Δ_k(u_i)；

步骤五、根据步骤四计算出的认知用户u_i的信任度增量Δ_k(u_i)，利用公式：

r_i＝r_i+Δ_k(u_i)  (3)

更新各认知用户信任度r_i；

步骤六、通过公式：

$r_i=\left\{\begin{array}{cc}{r}_{\max },& r_i>r_{\max }\\ r_i,& r_{\min }\&le;r_i\&le;r_{\max }\\ r_{\min },& r_i<r_{\min }\end{array}\right.---\left(4\right)$

更新认知用户u_i的信任度r_i；

其中：r_max是信任度设置上限，r_min是信任度设置下限，且r_min<0；设|r_min|>>|r_max|；

步骤七、根据步骤六计算出的各认知用户更新后的信任度r_i，将信任度低于预设门限λ₁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；λ₁<0；

步骤八、融合中心利用步骤二中的第k次检测结果，根据式(5)和式(6)更新e_k(c_j)和E_k(c_j)；

e_k(c_j)＝e_k-1(c_j)+e_j  (5)

$E_k\left(c_j\right)=\frac{E_{k-1}\left(c_j\right)\&times;e_{k-1}\left(c_j\right)+{\mathrm{\&Sigma;}}_{i=1}^{e_j}{Y}_{i,k}^j}{e_k\left(c_j\right)}---\left(6\right)$

其中：e_j代表在第k次检测时单元格c_j中的可靠认知用户个数；e_k(c_j)表示k次检测过后单元格c_j中的累计可靠认知用户的个数；E_k(c_j)则代表k次检测过后单元格c_j中累计可靠用户检测结果的平均值；

步骤九、根据公式：

${\mathrm{\&omega;}}_k\left(c_j\right)=L\&times;\frac{E_k\left(c_j\right)}{\underset{j}{\mathrm{\&Sigma;}}{E}_k\left(c_j\right)}---\left(7\right)$

计算单元格c_j在第k次检测后的加权系数ω_k(c_j)；

其中：L代表单元格的总个数；

步骤十、根据公式：

$U=\left\{\begin{array}{cc}{H}_{1\left(k\right)}& ({\mathrm{\&Sigma;}}_{i=1}^{N^{\&prime;\&prime;}}{\mathrm{\&omega;}}_k\left(c_j\right)\&CenterDot;{u_i}^{\&prime;\&prime;})\&GreaterEqual;{\mathrm{\&lambda;}}_2\\ H_{0\left(k\right)}& ({\mathrm{\&Sigma;}}_{i=1}^{N^{\&prime;\&prime;}}{\mathrm{\&omega;}}_k\left(c_j\right)\&CenterDot;{u_i}^{\&prime;\&prime;})<{\mathrm{\&lambda;}}_2\end{array}\right.---\left(8\right)$

计算加权目标函数并判定主用户信号是否存在；完成移动场景中基于信任度的协作频谱感知；

其中，U表示最终判决结果；H_1(k)和H_0(k)分别代表在第k次检测时主用户信号存在或不存在；λ₂是融合中心预设的判决门限；u_i″代表全部可靠用户的检测结果；N″为可靠用户的总个数。

将整个移动场景划分为若干个单元格的划分的依据是：将接收信道状况相似的地点归入同一个单元格。

本发明具有以下特点和显著进步：

1、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；

2、本发明在任何系统中，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；

3、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；

4、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；

5、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；

6、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；

7、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，本发明的检测性能越好；

8、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，那么恶意用户的偏差函数不一定大于可靠用户的偏差函数，TBSS-MU的检测效果就会大打折扣；

9、本发明给信任度设置上限r_max,r_max>0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r_min,r_min<0以防止信任度无限减小而造成的协议中存储信任度的缓冲区溢出。当信任度值过小，小至预设门限值λ₁以下时，判定该用户为恶意用户。进而除去该认知用户的检测结果，彻底消除恶意用户对系统检测性能的影响。为防止恶意用户快速累积信任度值，设|r_min|>>|r_max|；

10、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；

11、本发明预设阈值λ₁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

图1是区域为1000m×1000m的正方形区域，被划分为L＝9个相等大小的正方形单元格的示意图；

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；

图3是本发明的方法(A Trust-value-based Cooperative Spectrum Sensing Algorithm forCognitive Radio Networks with Mobile Secondary Users,TBSS-MU)、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N＝50,M＝10；N＝50,M＝15；N＝30,M＝6时的ROC曲线仿真示意图；

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P_d随认知用户平均运动速度大小变化的仿真示意图；

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P_f随认知用户平均运动速度大小变化的仿真示意图；

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P_e随认知用户平均运动速度大小变化的仿真示意图；

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时系统的检测概率P_d随恶意用户占用户总数比例变化的仿真示意图；

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P_f随恶意用户占用户总数比例变化的仿真示意图；

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P_e随恶意用户占用户总数比例变化的仿真示意图；

图10是本发明TBSS-MU方法和TBSS-MU-H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曲线对比仿真示意图。

图11是不同恶意用户数量的认知网络中本发明TBSS-MU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；

图12是不同感知时间情况下本发明TBSS-MU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。

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

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。

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。

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径损耗。

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。

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d_i,k的认知用户u_i接收到的主用户信号功率(dBm)可以表示为：

$P_{{\mathrm{\&gamma;}}_{i,k}}^j\left(\mathrm{dBm}\right)=P_t\left(\mathrm{dBm}\right)+K\left(\mathrm{dB}\right)-10{\mathrm{\&gamma;}}_j{\log }_{10}\left[\frac{d_{i,k}}{d_0}\right]-{\mathrm{\&psi;}}_{j_{\mathrm{dB}}}---\left(9\right)$

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；γ_j代表单元格c_j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1-10m；在室外环境下，d₀的典型取值范围则为10-100m。为单元格c_j中的阴影衰落(dB)。K值可由下式(10)近似获得：

K(dB)＝-20log₁₀(4πd₀)/λ  (10)

其中λ代表主用户信号的波长。

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。

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

$x_{i,k}^j=\left\{\begin{array}{cc}{n}_{i,k}^j,& H_{0\left(k\right)}\\ h_{i,k}^j{s}_{i,k}^j+n_{i,k}^j,& H_{1\left(k\right)}\end{array}\right.---\left(11\right)$

其中，表示单元格c_j中的认知用户u_i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。

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。那么在第k次检测，c_j中认知用户u_i检测到的能量值服从下面分布：

$Y_{i,k}^j~\left\{\begin{array}{cc}{\mathrm{\&chi;}}_{2\mathrm{TW}}^2& H_{0\left(k\right)}\\ {\mathrm{\&chi;}}_{2\mathrm{TW}}^2\left({2\mathrm{\&gamma;}}_{i,k}^j\right)& H_{1\left(k\right)}\end{array}\right.---\left(12\right)$

其中，是u_i接收信道的瞬时信噪比，主用户发送信号功率P_t，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。

对于融合中心预设门限λ₂，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(P_d)和虚警概率(P_f)分别为：

$P_d=P(Y_{i,k}^j>{\mathrm{\&lambda;}}_2|H_{1\left(k\right)})={\&Integral;}_x{Q}_m(\sqrt{{2\mathrm{\&gamma;}}_{i,k}^j},\sqrt{{\mathrm{\&lambda;}}_2})f_{{\mathrm{\&gamma;}}_{i,k}^j}\left(x\right)\mathrm{dx}---\left(13\right)$

$P_f=P\{Y_{i,k}^j>{\mathrm{\&lambda;}}_2|H_{0\left(k\right)}\}=\frac{\mathrm{\&Gamma;}(\mathrm{TW},{\mathrm{\&lambda;}}_2/2)}{\mathrm{\&Gamma;}\left(\mathrm{TW}\right)}---\left(14\right)$

其中：Q_m表示marqum函数，Γ表示gamma函数。由于在H_0(k)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，信道增益是不断变化的，那么检测概率会随瞬时信噪比变化。

那么每次检测的错误概率(P_e)为：

$\begin{array}{c}{P}_e=P_0\&times;P_f+P_1\&times;(1-P_d)\\ =P_0\&times;\frac{\mathrm{\&Gamma;}(\mathrm{TW},{\mathrm{\&lambda;}}_2/2)}{\mathrm{\&Gamma;}\left(\mathrm{TW}\right)}+P_1\&times;(1-{\&Integral;}_x{Q}_m(\sqrt{{2\mathrm{\&gamma;}}_{i,k}^j},\sqrt{{\mathrm{\&lambda;}}_2})f_{{\mathrm{\&gamma;}}_{i,k}^j}\left(x\right)\mathrm{dx})\end{array}---\left(15\right)$

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。

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。

假设恶意用户每次发出的攻击可描述为：

(1)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；

(2)当主用户存在时，发送比真实检测到的能量值更低的检测结果从而降低系统的检测概率；

(3)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Δ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。

如果某一个认知用户的信任度降低到系统预设的门限(λ₁(<0))以下，这个用户被认为是恶意用户，其上传结果则被剔除。

事实上，实际系统中的恶意用户可能只会发出上述攻击行为中的一种或几种。那么本申请考虑了最强的攻击模型，应对简单攻击时，该方法依然有效。

本发明的方法主要由如下两个部分组成：(1)认知用户信任度的计算及恶意用户的剔除；(2)单元格加权系数的计算。

首先介绍第(1)部分：本发明的方法利用信任度的概念计算每个认知用户的信任度，进而剔除其中的恶意用户。

与传统的硬判决系统中基于信任度的协作检测方法不同的是，本发明的方法中各认知用户上传到融合中心的是各自检测到的能量值，那么本地检测结果与最终判决结果之间将不再存在简单的是否一致的关系，根据两者是否一致来对信任度进行调整的策略将不再适用，而需要设置新的适用于本发明的方法的信任度调整方法。

调整方法可以有很多，但要满足下面基本原则：如果本地检测结果比较接近于本单元格中多数认知用户的能量检测结果，那么认为该认知用户此次检测结果可靠，增加其信任度；相反，则减少。

为了定量描述本地检测结果是否接近或偏离以及以何种程度接近或偏离本单元格中多数认知用户感知结果，本发明的方法定义了偏差函数δ_k(u_i)：

${\mathrm{\&delta;}}_k\left(u_i\right)=\left|\frac{Y_{i,k}^j-\mathrm{avg}{\left(Y_{i,k}^j\right)}_{i=1}^{N^{\&prime;}}}{\mathrm{std}{\left\{Y_{i,k}^j\right\}}_{i=1}^{N^{\&prime;}}}\right|---\left(16\right)$

其中：avg表示求平均值，而std则代表求标准差，N'表示本次检测时该用户所在单元格中认知用户的个数。

事实上，若仅以式(16)中的分子部分作为偏差函数就可以保证在同一个单元格中感知结果与多数认知用户感知结果相差更大的认知用户的偏差函数较该单元格其他用户更大。然而考虑到不同的单元格所处地理位置不同，接收信道状况也不同，因此不同单元格中各个认知用户检测结果差别较大，有时甚至相差几个数量级。

那么针对不同单元格，仅仅用检测结果的平均值与当前用户检测结果的差值无法在整个研究区域范围内准确合理地反映当前用户此次检测结果可靠与否。例如衰落程度强的单元格中的可靠用户的检测结果之间的差距要比衰落程度弱的单元格中可靠用户检测结果之差小得多，但不能说前者比后者更可靠。

式(16)除以标准差就是为了让分子和分母数量级一致，使偏差函数在整个研究的区域是可以比较的，从而确保在整个研究区域内，感知结果与多数感知结果相对偏差大的用户的偏差函数更大。

对于认知用户，假设在某次检测后信任度增量为Δ_k(u_i)。那么当偏差函数δ_k(u_i)较小时，即当前用户检测结果与本单元格中多数认知用户感知结果相差较小，则认为该节点本次检测结果较为可靠，令此时的信任度增量Δ_k(u_i)＝1，信任度值增加。而当偏差函数δ_k(u_i)较大时，则认为该用户本次检测结果不可靠，令此时的信任度增量Δ_k(u_i)<0，而且为了防止恶意用户累积信任度作为以后攻击的资本，采用重惩罚函数计算具体的信任度增量，即偏差函数越大，信任度增量的绝对值越大。满足这个要求的函数有很多，本发明的方法利用式(17)所示函数。

${\mathrm{\&Delta;}}_k\left(u_i\right)=\left\{\begin{array}{cc}4\&CenterDot;\tan (-\frac{{\mathrm{\&delta;}}_k\left(u_i\right)}{\max \left({\mathrm{\&delta;}}_k\left(u_i\right)\right)}\&CenterDot;\frac{\mathrm{\&pi;}}{3}),& {\mathrm{\&delta;}}_k\left(u_i\right)\&GreaterEqual;\max \left(\frac{{\mathrm{\&delta;}}_k\left(u_i\right)}{2}\right)\\ 1,& {\mathrm{\&delta;}}_k\left(u_i\right)<\max \left(\frac{{\mathrm{\&delta;}}_k\left(u_i\right)}{2}\right)\end{array}\right.---\left(17\right)$

至此，通过定义偏差函数以及相应的信任度增量函数，满足了前文叙述的信任度调整方法的基本原则。

下面介绍本发明方法的第(2)部分：单元格权值的计算。

利用每个单元格中的各可靠检测结果之和与系统中全部可靠检测结果之和的比值求单元格的位置信任度。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。综上所述，将TBSS-MU方法总结为表1。

表1

r_i＝r_i+Δ_k(u_i)  (20)

e_k(c_j)＝e_k-1(c_j)+e_j  (21)

其中：e_j代表在第k次检测时单元格c_j中的可靠认知用户个数。

$E_k\left(c_j\right)=\frac{E_{k-1}\left(c_j\right)\&times;e_{k-1}\left(c_j\right)+{\mathrm{\&Sigma;}}_{i=1}^{e_j}{Y}_{i,k}^j}{e_k\left(c_j\right)}---\left(22\right)$

其中：e_k(c_j)表示k次检测过后单元格c_j中的累计可靠认知用户的个数；E_k(c_j)则代表k次检测过后单元格c_j中累计可靠用户检测结果的平均值。

${\mathrm{\&omega;}}_k\left(c_j\right)=L\&times;E_k\left(c_j\right)/\left(\underset{j}{\mathrm{\&Sigma;}}{E}_k\left(c_j\right)\right)---\left(23\right)$

$U=\left\{\begin{array}{cc}{H}_{1\left(k\right)}& ({\mathrm{\&Sigma;}}_{i=1}^{N^{\&prime;\&prime;}}{\mathrm{\&omega;}}_k\left(c_j\right)\&CenterDot;{u_i}^{\&prime;\&prime;})\&GreaterEqual;{\mathrm{\&lambda;}}_2\\ H_{0\left(k\right)}& ({\mathrm{\&Sigma;}}_{i=1}^{N^{\&prime;\&prime;}}{\mathrm{\&omega;}}_k\left(c_j\right)\&CenterDot;{u_i}^{\&prime;\&prime;})<{\mathrm{\&lambda;}}_2\end{array}\right.---\left(24\right)$

其中：U表示最终判决结果；H_1(k)和H_0(k)分别代表在第k次检测时主用户信号存在或不存在；λ₂是融合中心预设的判决门限；u_i″代表全部可靠用户的检测结果；N″则为可靠用户的总个数。

另外，本发明的方法在使用中还有如下4个注意事项：

(1)、TBSS-MU方法使用的前提是只有少数的认知用户是恶意用户。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，那么恶意用户的偏差函数不一定大于可靠用户的偏差函数，TBSS-MU也就成为了无效的方法；

(2)、给信任度设置上限r_max,r_max>0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r_min,r_min<0以防止信任度无限减小而造成的协议中存储信任度的缓冲区溢出。当信任度值过小，小至预设门限值λ₁以下时，判定该用户为恶意用户。进而除去该认知用户的检测结果，彻底消除恶意用户对系统检测性能的影响。为防止恶意用户快速累积信任度值，设|r_min|>>|r_max|；

(3)、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；

(4)、λ₁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。

下面分析用户平均移动速度对TBSS-MU的方法检测性能的影响。在有限时间Δ_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u_i以速度在认知网络中运动，在Δ_t时间内运动距离可表示为：

对于在时间Δ_t中活动范围包含单元格c_j的认知用户u_i来说，用户u_i访问到的单元格平均个数为：

$\frac{S_{u_i}}{K_{u_i}\&times;{\mathrm{\&mu;}}_s}$

其中，μ_s是单元格的尺寸，而是一个和u_i移动模型相关的参数。在时间Δ_t中每个用户间隔时间T_s进行一次频谱检测，那么用户u_i在时间Δ_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u_i在单元格c_j内平均上传感知结果的个数为：

$\frac{{\mathrm{\&Delta;}}_t}{T_s}/\frac{S_{u_i}}{K_{u_i}\&times;{\mathrm{\&mu;}}_s}$

下面再从单元格c_j角度出发，在时间Δ_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：

$\frac{{\mathrm{\&Delta;}}_t}{T_s}\&times;N/L$

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Δ_t内单元格c_j内曾出现过的认知用户数量中第二部分为

$\frac{\frac{{\mathrm{\&Delta;}}_t}{T_s}\&times;N/L}{\frac{{\mathrm{\&Delta;}}_t}{T_s}/\frac{S_{u_i}}{K_{u_i}\&times;{\mathrm{\&mu;}}_s}}=\frac{N}{L}\&times;\frac{S_{u_i}}{K_{u_i}\&times;{\mathrm{\&mu;}}_s}=\frac{N}{L}\&times;\frac{{\mathrm{\&Delta;}}_t\&times;V_{u_i}}{K_{u_i}\&times;{\mathrm{\&mu;}}_s}---\left(25\right)$

那么时间Δ_t内单元格c_j内出现过的认知用户的总数为

$\frac{N}{L}\&times;(\frac{{\mathrm{\&Delta;}}_t\&times;V_{u_i}}{K_{u_i}\&times;{\mathrm{\&mu;}}_s}+1)---\left(26\right)$

上面的推导可以得出如下结论：对于认知用户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。

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N＝40,50,60三条线近似直线，斜率之比约为4：5：6，与纵轴交点分别约为4.4，5.6以及6.7。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。

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TBSS-MU方法检测性能的关系。

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。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c_j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c_j中可靠用户的信任度并提升了c_j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。

下面着重讨论这类攻击效果明显的单元格c_j。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c_j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。

以下，以具体的仿真实验验证本发明的效果：

在系统认知用户总数(N)以及恶意用户总数(M)分别为N＝50,M＝10；N＝50,M＝15；N＝30,M＝6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。

具体来说，ROC曲线图比较的是检测概率P_d与虚警概率P_f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。

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P_d、虚警概率P_f以及错误概率P_e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N＝50。

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P_d、虚警概率P_f以及错误概率P_e随恶意用户占用户总数比例变化的情况如图7至图9所示；

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TBSS-MU算法和TBSS-MU-H算法的ROC曲线对比如图10所示。

具体来说，ROC曲线图比较的是检测概率P_d与虚警概率P_f之间关系。其中：TBSS-MU-H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；

在不同恶意用户数量的认知网络中，本发明TBSS-MU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；

在不同感知时间情况下，本发明TBSS-MU算法的ROC曲线对比如图12所示。具体来说，ROC曲线图比较的是检测概率P_d与虚警概率P_f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TBSS-MU-H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；

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。

经上述仿真试验验证，本发明具有以下特点和显著进步：

1、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。

2、本发明在任何系统中，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。

3、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。

4、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。

5、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。

6、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。

7、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。

8、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，那么恶意用户的偏差函数不一定大于可靠用户的偏差函数，TBSS-MU的检测效果就会大打折扣。

9、本发明给信任度设置上限r_max,r_max>0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r_min,r_min<0以防止信任度无限减小而造成的协议中存储信任度的缓冲区溢出。当信任度值过小，小至预设门限值λ₁以下时，判定该用户为恶意用户。进而除去该认知用户的检测结果，彻底消除恶意用户对系统检测性能的影响。为防止恶意用户快速累积信任度值，设|r_min|>>|r_max|。

10、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。

11、本发明预设阈值λ₁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。

Claims (2)

1.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r_i＝0，任一单元格c_j加权系数初值ω₀(c_j)＝1，任一单元格c_j累积可靠认知用户初值e₀(c_j)＝0，以及各任一单元格c_j累计可靠用户检测结果的平均值E₀(c_j)＝0；

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：

${\mathrm{\&delta;}}_k\left(u_i\right)=\frac{|Y_{i,k}^j-\mathrm{avg}{\left(Y_{i,k}^j\right)}_{i=1}^{N^{\&prime;}}|}{\mathrm{std}{\left\{Y_{i,k}^j\right\}}_{i=1}^{N^{\&prime;}}}---\left(1\right)$

计算在第k次检测后认知用户u_i对应的偏差函数δ_k(u_i)；

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u_i同在一个单元格c_j中的认知用户的个数；表示在单元格c_j中的认知用户u_i在第k次检测到的能量值；K为正整数；

步骤四、根据公式：

${\mathrm{\&Delta;}}_k\left(u_i\right)=\left\{\begin{array}{cc}4\&CenterDot;\tan (-\frac{{\mathrm{\&delta;}}_k\left(u_i\right)}{\max \left({\mathrm{\&delta;}}_k\left(u_i\right)\right)}\&CenterDot;\frac{\mathrm{\&pi;}}{3}),& {\mathrm{\&delta;}}_k\left(u_i\right)\&GreaterEqual;\max \left(\frac{{\mathrm{\&delta;}}_k\left(u_i\right)}{2}\right)\\ 1,& {\mathrm{\&delta;}}_k\left(u_i\right)<\max \left(\frac{{\mathrm{\&delta;}}_k\left(u_i\right)}{2}\right)\end{array}\right.---\left(2\right)$

计算在第k次检测后认知用户u_i相应的信任度增量Δ_k(u_i)；

步骤五、根据步骤四计算出的认知用户u_i的信任度增量Δ_k(u_i)，利用公式：

r_i＝r_i+Δ_k(u_i)  (3)

更新各认知用户信任度r_i；

步骤六、通过公式：

$r_i=\left\{\begin{array}{cc}{r}_{\max },& r_i>r_{\max }\\ r_i,& r_{\min }\&le;r_i\&le;r_{\max }\\ r_{\min },& r_i<r_{\min }\end{array}\right.---\left(4\right)$

更新认知用户u_i的信任度r_i；

其中：r_max是信任度设置上限，r_min是信任度设置下限，且r_min<0；设|r_min|>>|r_max|；

步骤七、根据步骤六计算出的各认知用户更新后的信任度r_i，将信任度低于预设门限λ₁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；λ₁<0；

步骤八、融合中心利用步骤二中的第k次检测结果，根据式(5)和式(6)更新e_k(c_j)和E_k(c_j)；

e_k(c_j)＝e_k-1(c_j)+e_j  (5)

$E_k\left(c_j\right)=\frac{E_{k-1}\left(c_j\right)\&times;e_{k-1}\left(c_j\right)+{\mathrm{\&Sigma;}}_{i=1}^{e_j}{Y}_{i,k}^j}{e_k\left(c_j\right)}---\left(6\right)$

其中：e_j代表在第k次检测时单元格c_j中的可靠认知用户个数；e_k(c_j)表示k次检测过后单元格c_j中的累计可靠认知用户的个数；E_k(c_j)则代表k次检测过后单元格c_j中累计可靠用户检测结果的平均值；

步骤九、根据公式：

${\mathrm{\&omega;}}_k\left(c_j\right)=L\&times;\frac{E_k\left(c_j\right)}{\underset{j}{\mathrm{\&Sigma;}}{E}_k\left(c_j\right)}---\left(7\right)$

计算单元格c_j在第k次检测后的加权系数ω_k(c_j)；

其中：L代表单元格的总个数；

步骤十、根据公式：

$U=\left\{\begin{array}{cc}{H}_{1\left(k\right)}& ({\mathrm{\&Sigma;}}_{i=1}^{N^{\&prime;\&prime;}}{\mathrm{\&omega;}}_k\left(c_j\right)\&CenterDot;{u_i}^{\&prime;\&prime;})\&GreaterEqual;{\mathrm{\&lambda;}}_2\\ H_{0\left(k\right)}& ({\mathrm{\&Sigma;}}_{i=1}^{N^{\&prime;\&prime;}}{\mathrm{\&omega;}}_k\left(c_j\right)\&CenterDot;{u_i}^{\&prime;\&prime;})<{\mathrm{\&lambda;}}_2\end{array}\right.---\left(8\right)$

计算加权目标函数并判定主用户信号是否存在；完成移动场景中基于信任度的协作频谱感知；

其中，U表示最终判决结果；H_1(k)和H_0(k)分别代表在第k次检测时主用户信号存在或不存在；λ₂是融合中心预设的判决门限；u_i″代表全部可靠用户的检测结果；N″为可靠用户的总个数。

2.根据权利要求1所述的移动场景中基于信任度的协作频谱感知方法，其特征在于将整个移动场景划分为若干个单元格的划分的依据是：将接收信道状况相似的地点归入同一个单元格。