CN105916154B - 一种基于非协作博弈的认知无线网络动态频谱共享方法 - Google Patents

Abstract

本发明公开了一种认知无线网络中的动态频谱共享方法。为了提高当前无线网络中的频谱利用率并降低系统频谱共享过程中的通信开销，本发明结合博弈论将频谱共享过程分两步完成。首先，无线网络中所有的频谱供应商基于已有的法定频谱资源租售部分空闲频谱资源给认知无线频谱供应商；然后，认知无线频谱供应商汇集所有空闲频谱资源并将其以拍卖的形式供应给认知用户。对于该频谱租赁市场，采用非协作博弈论来模型化整个频谱共享过程，提出相应的策略更新算法以获得纳什均衡策略并保证其收敛性。经过计算机仿真验证，本发明所提频谱共享方案可以有效提高系统的整体收益并降低频谱共享过程中的通信开销。

Description

一种基于非协作博弈的认知无线网络动态频谱共享方法

技术领域

本发明属于认知无线通信技术领域，具体涉及一种有效降低认知无线系统频谱共享过程中通信开销的方法。

背景技术

随着移动无线通信技术产业的飞速发展，人们对无线频谱资源的需求日益增长，导致当前频谱资源异常稀缺。但是，根据美国联邦通信委员会(U.S.FederalCommunications Commission,FCC)的报告，随着时域和空域的变化，无线频谱资源的利用率仅为15％-85％。报告显示，频谱资源并非真实稀缺，我们完全可以通过新的技术手段来提高当前频谱的利用率并满足日益增长的频谱需求量。在此背景下，认知无线电技术(Cognitive radio,CR)应运而生。该技术可以有效地解决当前频谱资源的稀缺与人们对频谱资源需求量日益增长的矛盾状况，它允许一部分认知用户通过频谱检测机会式地接入空闲频谱资源实现数据的传输并提高频谱利用率。

动态频谱共享是认知无线电中一项关键的技术环节，有效的动态频谱共享方案可以使得认知用户接入法定频谱资源实现自身的传输并对主用户产生尽可能小的干扰，例如频谱叠加方案(Overlay scheme)。此外，众所周知，在无线网络环境中博弈论是实现资源共享和分配的有效的数学工具和技术手段。特别是对于有一定信息识别和处理能力的认知无线电终端，采用博弈论作为处理工具可以有效地为其做出决策判断并获得冲突环境下的均衡策略。

发明内容

为了提高无线通信网络中的频谱利用率并降低频谱共享过程中的通信开销，本发明提供了一种基于非协作博弈的认知无线网络动态频谱共享方法，是一种动态的分两步完成的频谱共享方案。该方案结合非协作博弈论模型化了整个频谱共享过程并获得了相应的纳什均衡策略。仿真结果验证了该方案的有效性和优越性，并保证其收敛性。

本发明的技术方案为：在当前无线网络环境中部署认知无线电接入点(即认知无线电频谱供应商Secondary service provider,SSP)，该SSP是频谱共享过程的中转点，其将从法定频谱供应商(Primary service providers,PSPs)租赁得到的空闲频谱以拍卖的形式出租给无线网络中的认知用户(Secondary users,SUs)。认知用户可在所获得的频谱上实现其自身的无线传输以提高网络系统的频谱利用率。

本发明方案具体包括以下步骤：

1)认知无线网络中的SSP通过专用控制信道向所有的PSPs广播频谱需求信息：

其中B_i是SSP对第i个PSP的最大频谱需求，D_i是SSP对第i个PSP的实际频谱需求量，p_i是第i个PSP的租赁价格，α_i是频谱需求量对价格的敏感度，ν_ik指的是从第k个PSP变到第i个PSP租赁频谱的指示因子；

2)各PSP收到以上频谱需求信息后，依据如下定义的效用函数来确定使自身利益最大化的频谱租赁价格；

其中，v₁，v₂指的是收益和成本的正权重因子，N_i，W_i指的是第i个PSP所服务的主用户的数量以及法定频谱供应量；其中分别是第i个PSP内主用户的频谱需求量和无线传输效率；

3)SSP根据各PSPs的频谱出售价格计算其相应的频谱供应信息，并将所获得的空闲频谱碎片汇聚，将该频谱资源在认知用户市场进行拍卖；

4)所有次用户依据如下定义的效用函数对该频谱资源进行价格投标，以使得各认知用户自身利益最大化；

u_j＝rev_jk_js_j-w_j

其中w_j＝β+c_j，β是虚拟价格控制因子，所述虚拟价格控制因子能够用来维持整个租赁市场的交易平衡；rev_j，k_j分别是第j个认知用户单位传输速率的收益和平均传输速率；s_j是第j个认知用户的频谱供应量；c_j是第j个认知用户的竞标价格；

5)SSP收集来自所有认知用户的价格竞标信息，并按照如下分配策略分配相应的频谱资源给各认知用户，至此完成整个频谱共享过程；

进一步的，所述步骤2)中，采用如下算法来获得PSPs端的博弈均衡策略(纳什均衡Nash equilibrium,NE)：

其中，p_i[t]指的是第i个PSP第t次迭代时刻的策略；指的是第t次迭代时刻第i个PSP的效用；γ_i指的是第i个PSP更新策略的学习速率；显然，每个PSP只需要与SSP交互p_i[t]+θ和p_i[t]-θ这两条信息就能够计算并逼近其边际利益。采用这样一个技巧可以有效地降低PSP端的计算开销。

进一步的，所述步骤4)中，采用如下算法来获得SUs端的NE均衡策略：

其中，c_j[t]指的是第j个认知用户SU(Secondary user,SU)第t次迭代时刻的策略；u_j(C[t])指的是第j个SU在第t时刻的效用值；γ_j是第j个SU更新策略的学习速率；显然，每个SU只需要与SSP交互c_j[t]+θ和c_j[t]-θ这两条信息就能够计算并逼近其边际利益。采用这样一个技巧可以有效地降低终端用户的计算开销。

此外，分析所提算法的雅克比矩阵，可以调整算法的学习速率以保证所提算法的稳定性和收敛性。例如，对于拥有两个PSPs的租赁市场，具体方法如下：

其中

该雅克比矩阵的特征值如下

选取合适的学习速率γ₁和γ₂使得e₁和e₂处于单位复平面内以保证算法的收敛性。

有益效果：本发明公开了一种认知无线网络中的动态频谱共享方法。为了提高当前无线网络中的频谱利用率并降低系统频谱共享过程中的通信开销，本发明结合博弈论将频谱共享过程分两步完成。首先，无线网络中所有的频谱供应商基于已有的法定频谱资源租售部分空闲频谱资源给认知无线频谱供应商；然后，认知无线频谱供应商汇集所有空闲频谱资源并将其以拍卖的形式供应给认知用户。对于该频谱租赁市场，采用非协作博弈论来模型化整个频谱共享过程，提出相应的策略更新算法以获得纳什均衡策略并保证其收敛性。经过计算机仿真验证，本发明所提频谱共享方案可以有效提高系统的整体收益并降低频谱共享过程中的通信开销。

附图说明

图1认知无线网络频谱共享模型示意图；

图2本发明的实例流程图；

图3PSPs频谱出租价格迭代过程；

图4PSPs的纳什均衡策略随的变化曲线；

图5SUs的频谱租赁价格迭代过程；

图6SUs的纳什均衡策略随r₃的变化曲线；

图7不同方案下系统总体收益对比示意图。

具体实施方式

为了更详细地介绍本发明的技术内容，特举具体实例并配合附图说明如下。本实例建立了真实的认知无线网络系统模型，如图1所示。在这样一个认知无线网络中我们部署了3个拥有法定频谱资源的PSPs，每个PSP拥有频谱1带宽为W_i＝10Mhz(i＝1,2,3)，服务的主用户(PUs)的数量分别为(N₁＝2,N₂＝3,N₃＝4)。SSP对各PSPs的最大频谱需求分别为B₁＝4Mhz,B₂＝5Mhz,B₃＝6Mhz。SSP所服务的三个认知用户的接收信干燥比分别为r₁＝10dB,r₂＝12dB,r₃＝14dB。SUs单位传输速率所获得的收益rev_j＝20(j＝1,2,3)。假设无线传输的误比特率BER^tar为1e-4。

基于该系统模型，定义第i个PSP的效用函数如下：

其中上式的前两项分别表示服务认知用户以及主用户所获得的收益，右边一项指的是由于频谱共享对主用户(Primary users,PUs)的服务质量造成损失的代价函数。其中W_i和N_i分别是第i个PSP的法定可用频谱以及服务的主用户数量。v₁，v₂指的是收益和成本函数的正权重因子，分别是第i个PSP内主用户的频谱需求量和无线传输效率。

SSP对第i个PSP的频谱需求量定义为PSPs租售频谱的价格函数：

D_i＝B_i-α_ip_i+Σ_k≠iv_ikp_k

其中B_i是SSP对第i个PSP的最大频谱需求，D_i是SSP对第i个PSP的实际频谱需求量，p_i是第i个PSP的租赁价格，α_i是频谱需求量对价格的敏感度，ν_ik指的是从第k个PSP变到第i个PSP租赁频谱的指示因子。

将SUs的效用函数定义为在所获得的空闲频谱上传输所获得的收益减去竞标频谱所耗费的成本：

u_j＝rev_jk_js_j-w_j

其中rev_j，k_j分别是第j个认知用户单位传输速率的收益和平均传输速率。s_j是第j个认知用户的频谱供应量。c_j是第j个认知用户的竞标价格。w_j＝β+c_j，β是虚拟价格控制因子，它可以用来维持整个租赁市场的交易平衡。即：

通过竞拍，SSP通过如下策略对SU_s进行频谱分配：

为了使得频谱共享市场上的PSP端获得租售频谱的纳什均衡策略，采用如下算法进行策略更新：

其中，p_i[t]指的是第i个PSP第t次迭代时刻的策略。指的是第t次迭代时刻第i个PSP的效用。γ_i指的是第i个PSP更新策略的学习速率。

SUs端采用如下算法进行策略更新并获得频谱竞拍的纳什均衡策略：

其中，c_j[t]指的是第j个SU第t次迭代时刻的策略。u_j(C[t])指的是第j个SU在第t时刻的效用值。γ_j是第j个SU更新策略的学习速率。

此外，我们通过分析策略更新函数的雅克比矩阵并调整其学习速率因子保证所提算法的收敛性。例如，对于拥有两个PSPs的租赁市场，具体方法如下：

其中

该雅克比矩阵的特征值如下

选取合适的学习速率γ₁和γ₂使得e₁和e₂处于单位复平面内以保证算法的收敛性。

图2为系统实施案例的流程图，该流程图表明此频谱共享方法分两步完成，首先各PSPs根据SSP的频谱需求以非协作的方式进行频谱定价并租售频谱，然后SSP将所获得的频谱碎片汇聚并以拍卖的方式将频谱分享给相应的认知用户。图3显示所设计的非协作频谱共享方法较之协作方式的频谱共享方法可以有效地降低法定频谱的定价并以较快的速度收敛到纳什均衡的价格策略。图4是实施案例中PSPs的纳什均衡价格随着主用户频谱需求变化的结果示意图，如图所示，不管是协作还是非协作方法，PSPs的纳什均衡价格都随着主用户额定频谱需求量的增大而增大，但是非协作方法所获得的纳什均衡价格策略始终要低于协作方法所获得的结果，依据SSP的频谱需求函数，较低的频谱定价可以刺激PSPs租售更多的空闲频谱并间接为认知用户提供更好的服务。图5显示了SUs租赁频谱的价格迭代过程，可见所设计的非协作方法与传统方案(不使用虚拟价格控制因子)相比较有着更快的收敛速度以及更低的纳什均衡价格策略(降低了频谱共享的成本)。图6显示了实施案例中，假设某一个认知用户的接收信干噪比变得越来越高(信道条件越来越好)，那么它竞标频谱的成本也会越来越高，与此同时另外两个认知用户的竞标成本会有所降低。图7显示了相应方案下网络系统的总体收益示意图，我们可以直观的看到当PSPs以及SUs都采用非协作的方式，系统可以获得较高的收益，该收益仅次于当PSPs采用非协作方式而SUs采用协作方式所获得的收益。但是，如果SUs采用协作的方式，SSP将会将所获得的频谱资源全部分享给信道条件最好的认知用户，别的认知用户将一无所有。所以当PSPs以及SUs都采用非协作方式时既可以获得较高的网络收益有可以保证频谱共享的公平性。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (4)

1.一种基于非协作博弈的认知无线网络动态频谱共享方法，其特征在于，包括如下步骤：

1)认知无线网络中的认知服务提供商SSP通过专用控制信道向所有的主用户服务提供商PSPs广播频谱需求信息：

其中，D_i是SSP对第i个PSP的实际频谱需求量，p_i是第i个PSP的租赁价格，α_i是频谱需求量对价格的敏感度，v_ik指的是从第k个PSP变到第i个PSP租赁频谱的指示因子，B_i是SSP对第i个PSP的最大频谱需求；

2)各PSP收到以上频谱需求信息后，依据如下定义的效用函数来确定使自身利益最大化的频谱租赁价格：

其中，v₁，v₂指的是收益和成本的正权重因子，N_i，W_i指的是第i个PSP所服务的主用户的数量以及法定频谱供应量；B_i ^req,k_i ^(p)分别是第i个PSP内法定用户的频谱需求量和无线传输效率；

具体方法如下：

其中，p_i[t]指的是第i个PSP第t次迭代时刻的策略，指的是第t次迭代时刻第i个PSP的效用，γ_i指的是第i个PSP更新策略的学习速率，每个PSP只需要与SSP交互p_i[t]+θ和p_i[t]-θ这两条信息就能够计算并逼近其边际利益；

3)SSP根据各PSPs的频谱出售价格计算其相应的频谱供应信息，并将所获得的空闲频谱碎片汇聚，将该频谱资源在次用户市场进行拍卖；

4)所有次用户依据如下定义的效用函数对该频谱资源进行价格投标，以使得各认知用户自身利益最大化：

u_j＝rev_jk_js_j-w_j

其中w_j＝β+c_j，β是虚拟价格控制因子，所述虚拟价格控制因子能够用来维持整个租赁市场的交易平衡；rev_j，k_j分别是第j个认知用户单位传输速率的收益和平均传输速率；s_j是第j个认知用户的频谱供应量；c_j是第j个认知用户的竞标价格；

5)SSP收集来自所有认知用户的价格竞标信息，并按照如下分配策略分配相应的频谱资源给各认知用户，至此完成整个频谱共享过程；

2.根据权利要求1中所述的频谱共享方法，其特征在于，所述步骤4)的具体方法如下：

其中，c_j[t]指的是第j个认知用户第t次迭代时刻的策略，指的是第j个认知用户在第t时刻的效用值，γ_j是第j个认知用户更新策略的学习速率，每个认知用户只需要与SSP交互c_j[t]+θ和c_j[t]-θ这两条信息就能够计算并逼近其边际利益。

3.根据权利要求1或2中所述的频谱共享方法，其特征在于，分析权利要求1或2中迭代算法的雅克比矩阵并使其特征值处于单位复平面内。

4.根据权利要求3中所述的频谱共享方法，其特征在于，对于拥有两个PSPs的出售市场，具体方法如下：

其中

该雅克比矩阵的特征值如下：

选取合适的学习速率γ₁和γ₂使得e₁和e₂处于单位复平面内以保证算法的收敛性。