CN110753350B - 一种面向网络业务特征的认知网络动态接入方法 - Google Patents

Abstract

该发明公开了一种面向网络业务特征的认知网络动态接入方法，属于无线通信网络技术领域，特别涉及面向网络业务特征的认知网络动态接入。本发明提出的方法可以通过传输半径尽可能接近每个符合网络业务特征的从用户的最大传输半径去传输数据包，因而拥有更大的可用时间比率和更大的覆盖范围，且拥有更大的信道效用和更好的网络连接性。本发明方法利用对数正态分布来表征认知网络中的主用户行为，并使用机会频谱接入来获得信道的感知状态。通过控制从用户的传输半径，使主用户和从用户同时利用该信道，从而提高信道效用。在未来的工作中，将考虑网络流量变化和用户行为的影响，并在大规模真实无线网络中实施本发明提出的方法。

Description

一种面向网络业务特征的认知网络动态接入方法

技术领域

本发明是属于无线通信网络技术领域，特别涉及面向网络业务特征的认知网络动态接入。

背景技术

随着多媒体和物联网技术的发展，智能课程，智能学校和家庭智能学习等技术增强型学习应用受到了工业界和学术界的更多关注。基于普遍的无线通信技术，通过认知网络动态接入方法的有效分析对开发智能学校或个人在家中学习的应用而言非常重要。当前网络业务特征下的无线网络遭遇到频谱资源缺乏的问题，并且更多的设备需要接入无线网络

由于传统无线电频谱资源的固定分配策略，当前频谱资源的效用很低，因而基于认知网络动态接入受到广泛关注，并成为克服这一问题的重要途径。然而，对于无线网络进行有效和可行的动态接入，特别是面向网络业务特征的情况，网络性能还有一定的改进空间。

在面向网络业务特征的情况下，通常用户间对信道的使用会存在影响，部分用户的传输半径会发生变化，需要通过计算该用户使用该信道的空闲概率来判断并优化这一问题。同时还要通过动态调整尽可能最大化网络吞吐量和信道效用。

目前，已有研究人员提出了基于社会关系和信道条件的新信道分配，利用半定规划寻求其分配方法的最优解，以及贝叶斯非参数学习的重复频谱拍卖，这些方法客观提升了网络性能，但考虑的都是简单且理想状态的动态接入，即没有考虑符合网络业务特征的多个主用户和从用户并存时用户的相互影响。目前也有方法解决多跳网状网络中协作机会路由的选择和优先级问题且改进了吞吐量，且在动态频谱分配问题中有所建树，但由于在实际网络业务特征的情况下，用户间存在互相干扰的问题，进而部分用户的传输半径会发生变化。而且，信道的效用是网络通信中的一个重要指标，诸如信息论和次级合作进行频谱租赁以及认知网络中的多跳协作路由方法中的信道效用目前并不理想。本发明提出一种面向网络业务特征的认知网络动态接入方法，可有效改善面向网络业务特征情况中的上述问题。

发明内容

由于在实际网络业务特征的情况下，用户间存在互相干扰的问题，进而部分用户的传输半径会发生变化；而且，信道的效用是网络通信中的一个重要指标，诸如信息论和次级合作进行频谱租赁以及认知网络中的多跳协作路由方法中的信道效用目前并不理想。本发明一种面向网络业务特征的认知网络动态接入方法，可有效改善高动态网络业务特征情况中的上述问题。

本发明的技术方案为一种面向网络业务特征的认知网络动态接入方法，该方法包括以下步骤：

步骤1：设系统中有：

a对主用户{{p₁₁,p₁₂},{p₂₁,p₂₂},...,{p_a1,p_a2}}和z个从用户s＝{s₁,s₂,...,s_z}，系统中有a个信道，并且每个信道都可以被从用户使用；

步骤2：生成从用户s_i使用信道n的空闲概率以及最大回报的期望，其中n＝1,2,...,a；

使用对数正态分布来表征主用户的空闲状态，从而得到从用户感知和传输后的信道n的空闲概率，进一步设定奖励效用函数，确定用户使用信道n的空闲概率阈值；

步骤3：判断主用户p_n是否在时刻t使用信道n，当主用户p_n在时刻t使用信道n并且某个从用户也使用信道n时U_n,t＝1，转到步骤4；当主用户p_n在时刻t不使用信道n时并且某个从用户使用信道n，可以以最大覆盖半径发送数据，其表示为U_n,t＝0，转到步骤7；

步骤4：根据主用户的约束，当主用户p_n同时使用信道n时，计算出从用户s_i向从用户s_j在信道n上的最大传输功率

为

其中，

表示主用户p_n在t时刻使用信道n的概率，

表示主用户与从用户之间的距离，

表示在信道n上的主用户对之间的距离，

表示主用户p_n在信道n上的传输功率，K表示从用户的数量；

步骤5：根据从用户s_i的最小传输功率计算从用户s_i到从用户s_j使用信道n的最小传输功率为

其中，

表示时刻t从用户s_j使用信道n接收到的信号比值，N₀表示噪声功率，

表示从用户s_i与从用户s_j之间的距离，z表示从用户的数量；

步骤6：由

可知当U_n,t＝0时，主用户p_n在时刻t不使用信道n；因此，在时刻t的从用户s_i的传输半径独立于主用户并且它保持最大传输半径为

其中，

表示从用户s_i使用信道n向从用户s_j发送数据的最大传输距离，

表示时刻t主用户和从用户p_n使用信道n时彼此间的距离比值，

表示主用户p_n到从用户s_j的距离，α_n,i,j表示主用户发送端，次用户发送端和次用户接收端形成的角度；

步骤7：计算从用户s_i使用信道n的最大传输距离，即

其中，

表示在t时刻从用户s_i使用信道n发送数据的最大传输距离，

表示在t时刻从用户s_i在信道n上发送数据到从用户s_j的传输距离，

表示从用户在信道n上发送数据的最大传输距离，U_n,t表示主用户p_n在t时刻使用信道n的状态，0表示主用户p_n在t时刻没有使用信道n，1表示主用户p_n在t时刻正在使用信道n；

步骤8：计算所有信道的从用户s_i的最大传输半径

其中，N表示信道的数据；

步骤9：计算时刻t不同信道的所有从用户的最大传输半径矩阵Tr^t；

步骤10：计算所有时刻所有信道的所有从用户的最大传输半径Tr＝[Tr¹,Tr²,...,Tr^I]，其中I表示最大时刻，选择传输半径最大的一个或多个信道进行数据传输。

进一步的，所述步骤2的具体步骤为：

步骤2.1：由于网络流量具有重尾特性，采用对数正态分布表征主用户的空闲状态，公式如下：

其中，p(t)表示主用户空闲状态的分布函数，变量t表示主用户从忙碌状态变为空闲状态的时刻，μ和δ分别表示关于变量t的对数整体分布的均值和方差，ln(·)表示自然对数函数；

步骤2.2：如果信道n在t时刻是空闲的，则在从用户检测或发送数据之后信道n仍然空闲的概率为

其中，

表示信道n在t时刻是空闲状态，从用户感知信道以后信道n仍是空闲状态的概率；

表示信道n在t时刻是空闲状态，从用户在传输数据以后信道n仍是空闲状态的概率，T_S表示从用户的感知信道状态的持续时间，T_K表示从用户的传输数据的持续时间；公式(2)表示根据从用户的不同感知结果获得信道状态概率

并且可以计算得到Pr(δ^S＝I)和Pr(δ^S＝B)的概率，其中

表示从用户在t时刻的状态概率，Pr(δ^S＝I)表示从用户侦测到信道空闲的概率，Pr(δ^S＝B)表示从用户侦测到信道忙碌的概率；

步骤2.3：根据贝叶斯理论，在执行持续时间为T_S的感知过程之后，计算信道n的空闲概率和忙碌概率分别为

其中，

表示信道n空闲的概率，

表示信道n忙碌的概率，Pr(δ^S＝I)表示从用户侦测到信道空闲的概率，Pr(δ^S＝B)表示从用户侦测到信道忙碌的概率，P_d表示从用户正确侦测信道状态的概率，P_f表示从用户侦测信道状态的误报概率，p_t表示主用户的空闲概率；

步骤2.4：在执行时间长为T_K的持续数据传输后，计算信道n空闲概率

和忙碌概率

分别为：

其中，g₀表示从用户与主用户不冲突时接收到NACK信号的条件概率，g₁表示从用户与主用户冲突时接收到NACK信号的条件概率，Pr(δ^T＝A)表示从用户成功发送数据并接收从接收端反馈的ACK信号的概率分布，Pr(δ^T＝NA)表示从用户发送数据失败并接收从接收端反馈的NACK信号的概率分布；ACK表示返回确认信号，NACK表示错误则返回不确认信号；

步骤2.5：假如主用户的空闲概率p_t，在从用户的最后一个时长为T_K的数据传输之后，主用户仍为空闲的概率是

其中

表示从用户传输数据之后的状态概率；因此，从用户成功发送数据并接收到从接收端反馈的ACK信号的概率是：

其中γ₀表示当从用户不与主用户冲突时接收NACK的条件概率，γ₁表示当从用户与主用户冲突时接收NACK的条件概率；

步骤2.6：设置奖励效用函数可表示为：

其中，R表示奖励因子，C表示惩罚因子，b_t(p_t)表示从用户成功发送数据并接收从接收端反馈的ACK信号的概率，c_t(p_t)表示从用户在传输数据时与主用户发生冲突的概率，p_t表示主用户的空闲概率，a表示从用户检测到信道状态，δ^T表示从用户的传输数据的状态，δ^S表示从用户感知到的信道状态，T_K表示从用户的传输数据的持续时间。当从用户成功传输数据后，从用户将获得奖励；当与从用户传输数据时与主用户发生冲突时，从用户将受到惩罚；当从用户不传输数据时，效用值为0；

步骤2.7：将E(t,p)定义为从用户在t时刻最大理想效用函数：

E(t,p)＝max{L(t,p_t,M(t,p_t))} (6)

其中，p表示在t时刻从用户获得最大效用值时的p_t值，并且满足L(t,p_t)和M(t,p_t)；

其中，E(t+T_S,p_t)表示从用户感知信道状态后的最大理想效用值，r_t(p_t,δ^S)表示从用户在感知信道后的回报效用，Pr(δ^T＝A)表示从用户成功发送数据并接收从接收端反馈的ACK信号的概率分布，Pr(δ^T＝NA)表示从用户发送数据失败并接收从接收端反馈的NACK信号的概率分布，E(t+T_K,p_t)表示从用户传输完数据以后的最大理想效用值，r_t(p_t,δ^T)表示从用户在传输完数据后的回报效用；

如果效用值L(t,p)≤M(t,p)，则计算获得用户的最大理想效用函数E(t,p)，以及获得最大效用时的概率p，然后返回步骤2.1进行下一个时刻t的最大效用以及概率的计算。

本发明的有益效果：本发明提出一种面向网络业务特征的认知网络动态接入方法，在复杂状态下根据网络流量感知信道状态，并考虑了信道的空闲状态，提高了信道效用。本发明表现出更好的感知性能，具有更大的传输概率。本发明提出的方法可以通过传输半径尽可能接近每个符合网络业务特征的从用户的最大传输半径去传输数据包，因而拥有更大的可用时间比率和更大的覆盖范围，且拥有更大的信道效用和更好的网络连接性。本发明方法利用对数正态分布来表征认知网络中的主用户行为，并使用机会频谱接入来获得信道的感知状态。通过控制从用户的传输半径，使主用户和从用户同时利用该信道，从而提高信道效用。在未来的工作中，将考虑网络流量变化和用户行为的影响，并在大规模真实无线网络中实施本发明提出的方法。

附图说明

图1为本发明一种面向网络业务特征的认知网络动态接入方法的总流程图；

图2为本发明的系统模型，其中主用户是{p₁₁,p₁₂,p₂₁,p₂₂}，从用户是{s₁,s₂,...,s₁₁}，主用户对{p₁₁,p₁₂}使用信道1，主用户对{p₂₁,p₂₂}使用信道2。为了构建从源节点s₁到目的节点s₈的路径，获得可能的转发路径s1→s3→s4→s6→s10→s11→s8。

图3为感知或传输过程后的信道空闲概率，(a)表示了在从用户在信道感知持续时间T_S之后，信道空闲的概率随着时间流逝而减小。(b)示出了在从用户执行数据发送过程持续时间T_K之后，信道空闲的概率随着时间的推移而减小。

图4为对数正态分布的不同方差对传输概率的影响。

图5为不同感知持续时间T_S传输概率的影响。

图6为从用户信道的可用时间与总时间的比率。

图7为当存在不同的冲突阈值和不同的从用户规模时每个节点的平均传输半径。

图8为针对不同从用户规模的每个从用户的传输半径与最大传输半径的比率。

图9为算法中不同最大传输半径对网络能耗的影响，(a)为MCDA(MultipleChannel Dynamic Access algorithm)算法，(b)为SEDA(Single channel-based ExtendedDynamic Access algorithm)算法。

图10为在不同规模的从用户和不同的最大传输半径下两种算法的信道效用。

图11为在不同的最大传输半径下两种算法的可用信道数。

图12为两种算法在不同最大传输半径下的网络连接。

具体实施方式

下面结合附图对本发明的实施方式作详细的说明。

图1为本发明一种面向网络业务特征的认知网络动态接入方法总流程图。

在步骤一中，选择初始信道n和从用户的发送节点s_i，建立如图2所示的系统模型。

在步骤二中，首先初始化Pareto参数k和b，以及参数γ₀,γ₁,P_d,P_f,T_K,T_S,I_max，其中γ₀表示当从用户不与主用户冲突时接收NACK的条件概率，γ₁表示当从用户与主用户冲突时接收NACK的条件概率，P_d表示从用户正确侦测信道状态的概率，P_f表示从用户侦测信道状态的误报概率，T_S表示从用户的感知持续时间，T_K表示从用户的传输持续时间，I_max表示仿真验证过程的总持续时间。由于网络流量满足重尾性质，使用对数正态分布来表征主用户的空闲状态，公式如下

其中，μ和δ分别表示关于变量t的对数整体分布的均值和方差，ln(·)表示自然对数函数；式(1)表示对数正态分布。

定义t表示主用户从忙碌状态变为空闲状态的时间。如果信道n在t时刻空闲，则在检测或发送从用户的数据之后信道n仍然空闲的概率

其中，

表示信道n在t时刻是空闲状态，从用户感知信道以后信道n仍是空闲状态的概率；

表示信道n在t时刻是空闲状态，从用户在传输数据以后信道n仍是空闲状态的概率，T_S表示从用户的感知信道状态的持续时间，T_K表示从用户的传输数据的持续时间。公式(2)表示根据从用户的不同感知结果获得信道状态概率

并且可以计算得到Pr(δ^S＝I)和Pr(δ^S＝B)的概率，其中，

表示从用户在t时刻的状态概率，Pr(δ^S＝I)表示从用户侦测到信道空闲的概率，Pr(δ^S＝B)表示从用户侦测到信道忙碌的概率；

根据贝叶斯理论，在对T_S进行感知之后，可以获得信道n的空闲和忙碌概率，分别为

和

同样地，在执行时间长为T_K的持续数据传输后，计算信道n空闲概率

和和忙碌概率

分别为：

其中，g₀表示从用户与主用户不冲突时接收到NACK信号的条件概率，g₁表示从用户与主用户冲突时接收到NACK信号的条件概率，Pr(δ^T＝A)表示从用户成功发送数据并接收从接收端反馈的ACK信号的概率分布，Pr(δ^T＝NA)表示从用户发送数据失败并接收从接收端反馈的NACK信号的概率分布

如果信道的空闲概率是p_t，则在数据传输最后一个T_K之后，主用户仍然空闲的概率是

因此，从用户成功发送数据并接收从接收端反馈的ACK信号的概率是

奖励效用函数可表示为：

当成功传输数据后，从用户将获得奖励；当与主用户发生冲突时，从用户将受到惩罚。当从用户不传输数据时，效用值为0。

将E(t,p)定义为从用户在时间t的最大理想效用函数：

E(t,p)＝max{L(t,p_t,M(t,p_t))} (6)

其中，p表示在时间t满足最大效用值的p_t的值，并且满足L(t,p_t)和M(t,p_t)

如果效用值L(t,p_t)≤M(t,p_t)，则计算E(t,p)，并保存p，然后进行下一个时刻t的计算以增加空闲概率。

上述流程即为本发明提出的感知传输算法。

通过该算法和上述推导式，可生成从用户使用信道n的空闲概率。

在步骤三中，需要确定信道是否可用，如果在t时刻

则相应的信道为此时可用，其中

表示信道空闲概率平均值。如果在t时刻cp＜cp^*，此时相应的信道可用，其中cp表示从用户发送数据时的理论碰撞概率，cp^*表示阈值碰撞概率。cp满足以下方程

cp＝Pr(δ^S＝I)×Pr(δ^T＝NA) (8)

其中，Pr(·)表示概率函数。

根据感知传输方法和信道的可用信息，可以得到主用户p_n在时刻t使用的信道情况，表示为U_n,t。当主用户p_n在时刻t使用信道n并且某个从用户也使用信道n时，必须以有限的传输半径发送数据，其表示为U_n,t＝1当主用户p_n不使用信道n时在时刻t并且某个从用户使用信道n，可以以最大覆盖半径发送数据，其表示为U_n,t＝0。

如若U_n,t＝1，表示从用户发送数据并且具有受限制的传输半径。进入步骤105。

通常，从用户的接收功率可以表示为

其中

和

表示时刻t节点的发送功率和接收功率，δ是链路的衰减因子。节点接收的SNIR超过给定阈值，可以认为节点能够成功接收传输的数据。节点成功接收数据的概率表示为

μ＝Pr{SINR≥Θ}＝μ_SNR×μ_SIR (9)

其中，Pr{·}是概率函数，Θ表示SINR的阈值，μ_SNR和μ_SIR分别表示节点接收的SNR(Signal to Noise Ratio)和SINR(Signal to Interference plus Noise Ratio)，μ_SNR表示节点只有噪声影响时能成功接收数据的概率，μ_SIR是节点仅受干扰的影响时成功接收数据的概率，并且有μ≤1、μ_SNR≤1和μ_SIR≤1。对于时刻t和影响因子ζ，式(9)可转换为

其中，

表示时刻t的源节点的发射功率，

表示时刻t的干扰节点的发射功率，N₀表示噪声功率，L_I,R表示从干扰节点到目的节点的物理距离。当μ大于其阈值ε时，主用户和从用户的接收端可以正确地接收信息。

当U_n,t＝0时，从用户发送数据并且有最大传输半径，进入步骤108。

此时，主用户尚未发送数据，因此从用户的发送功率主要是为了克服噪声的影响。如果主用户的最大传输功率是P_s，即μ_s＝μ_SNR≥ε_s，当没有干扰时，可以如下获得从用户的最大传输功率：

在步骤四中，根据主用户的约束，当从用户s_i和主用户p_n同时使用信道n时，从用户s_i的最大传输功率可以表示为：

可根据公式(12)计算从用户使用信道n的最大传输功率。

在步骤五中，就从用户的约束而言，从用户s_i的最小传输功率为

可根据公式(13)计算从用户s_i到从用户s_j使用信道n的最小传输功率。

在步骤六中，由

可以得到如下式：

公式(14)可以进一步转换为

其中，α_n,i,j表示主用户发送端到从用户发送端和从用户接收端形成的角度，即∠(p_n-s_i-s_j)，sin(·)²代表函数sin(·)的平方，

表示从用户s_i使用信道n向次用s_j发送数据的时刻t的最大传输距离。为了避免对主用户产生干扰，将从用户s_i的最大传输距离定义如下：

当U_n,t＝0时，主用户p_n在时刻t不使用信道n。因此，在时刻t的从用户s_i的传输半径独立于主用户并且它保持最大传输半径R。

根据式(14)和(15)，可以计算从用户s_i到从用户s_j使用信道n的最大传输半径。

在步骤七中，整理上述等式可得：

其中，j∈{1,2,...,i-1,i+1,...,K}。

根据该式，可计算从用户s_i使用信道n的最大传输半径。

在步骤八中，根据公式(17)，可以获得如下在时刻t关于所有信道的从用户s_i的最大传输半径：

并根据该式计算所有信道的从用户s_i的最大传输半径。

在步骤九中，根据公式(18)，可以在时刻t获得使用不同信道的所有从用户的最大传输半径矩阵Tr^t

其中，N表示信道的数据。根据公式(19)根据该式可以计算t时刻所有信道的所有从用户的最大传输半径。

在步骤十中，根据公式(19)，可以获得在所有时刻使用相同的信道从用户的最大传输半径Tr，如下所示

Tr＝[Tr¹,Tr²,...,Tr^I] (20)

进而计算所有时刻所有信道的所有从用户的最大传输半径，其中I表示最大时刻。流程结束。

具体实施例

在实际仿真过程中，为了更好地说明该算法的优点，本发明的模拟场景包括网络中的20对符合网络业务特征的主用户(即20个能够由从用户使用的信道)、不同规模的从用户，以及利用从源节点到目的节点的多跳通信。参数包括惩罚因子C＝20，奖励因子R＝1，感知时间T_S＝30，传输时间T_K＝5，总持续时间I_max＝100，并且令g₀＝0，g₁＝1，P_f＝1和P_d＝1。目前的研究已经报道了一种利用ACK和NACK来获得更好性能的方法，同时它只使用单个主用户和单个从用户。为了公正地比较本发明提出的算法，该方法还利用对数正态分布来表征本文中主用户的行为，并将其称为基于单信道的扩展动态接入算法(SEDA)。本发明提出的算法简称为多信道动态接入算法(MCDA)。

步骤一：选择初始信道n和从用户的发送节点s_i；建立如图2所示的系统模型；

步骤二：初始化部分参数，惩罚因子C＝20，奖励因子R＝1，感知时间T_S＝30，传输时间T_K＝5，总持续时间I_max＝100，并且令g₀＝0，g₁＝1，P_f＝1和P_d＝1。结合信道可用信息生成从用户使用信道n的空闲概率；对于不同的方差参数，可以使用对数正态分布来获得从用户执行图3所示的感知或传输过程后的信道空闲概率；

步骤三：判断主用户p_n是否在时刻t使用信道n，并生成相应的U_n,t值。在图4中分析了对数正态分布的不同方差对传输概率的影响。图5表明了本发明提出的MCDA算法比SEDA具有更大的传输概率。图6绘制了从用户信道的可用时间与总时间的比率，可以清楚地看到，在添加从用户时，可以获得更大的比率；

步骤四：根据主用户的约束，当从用户s_i和主用户p_n同时使用信道n时，根据式(12)计算从用户s_i使用信道n的最大传输功率；

步骤五：考虑从用户的约束，根据公式(13)计算从用户s_i到从用户s_j使用信道n的最小传输功率；

步骤六：根据式(14)和(15)计算从用户s_i到从用户s_j使用信道n的最大传输半径；图7示出了与SEDA相比，MCDA展现出更大的覆盖范围；

步骤七：根据式(17)计算从用户s_i使用信道n的最大传输半径；

步骤八：根据式(17)，可以获得如下在时刻t关于所有信道的从用户s_i的最大传输半径，再根据式(19)计算所有信道的从用户s_i的最大传输半径；

步骤九：根据公式(18)，可以在时刻t获得使用不同信道的所有从用户的最大传输半径矩阵Tr^t，再根据式(19)计算t时刻所有信道的所有从用户的最大传输半径；

步骤十：根据Tr＝[Tr¹,Tr²,...,Tr^I]，计算所有时刻所有信道的所有从用户的最大传输半径。通过在所有时刻使用相同的信道从用户的最大传输半径Tr计算该数值。图8表明与SEDA相比，MCDA拥有更大的比例。这表明MCDA可以通过传输半径尽可能接近每个从用户的最大传输半径去传输数据包；

图9说明了与SEDA相比，MCDA的总传输功率要低得多。这表明MCDA整体上表现出更好的网络性能；

图10中，可以看到在从用户数增加时，可以获得更大的信道效用。

图11说明了与SEDA相比，MCDA的可用信道数量要大得多。这进一步说明了MCDA可以更充分地利用信道；

图12显示了两种算法在不同最大传输半径下的网络连接。与SEDA相比，MCDA具有更高的网络连接性。这进一步表明MCDA具有更好的性能。

这样，计算结束。图5-图12说明了本发明提出的MCDA算法与SEDA算法相比，有更大的传输概率，在添加从用户时，可以获得更大的可用时间与总时间的比率。有更大的覆盖范围，且可以通过传输半径尽可能接近每个从用户的最大传输半径去传输数据包。在从用户数量增加时，有更多的可用信道。有更低的传输总功率。整体而言，本发明提出的SEDA算法相比MCDA算法有更高的信道效用，更高的网络连接性能。

Claims (2)

1.一种面向网络业务特征的认知网络动态接入方法，该方法包括以下步骤：

步骤1：设系统中有：

a对主用户{{p₁₁,p₁₂},{p₂₁,p₂₂},...,{p_a1,p_a2}}和z个从用户s＝{s₁,s₂,...,s_z}，系统中有a个信道，并且每个信道都可以被从用户使用；

步骤2：生成从用户s_i使用信道n的空闲概率以及最大回报的期望，其中n＝1,2,...,a；

使用对数正态分布来表征主用户的空闲状态，从而得到从用户感知和传输后的信道n的空闲概率，进一步设定奖励效用函数，确定用户使用信道n的空闲概率阈值；

步骤3：判断主用户p_n是否在时刻t使用信道n，当主用户p_n在时刻t使用信道n并且某个从用户也使用信道n时U_n,t＝1，转到步骤4；当主用户p_n在时刻t不使用信道n时并且某个从用户使用信道n，可以以最大覆盖半径发送数据，其表示为U_n,t＝0，转到步骤7；

步骤4：根据主用户的约束，当主用户p_n同时使用信道n时，计算出从用户s_i向从用户s_j在信道n上的最大传输功率

为

其中，

表示主用户p_n在t时刻使用信道n的概率，

表示主用户与从用户之间的距离，

表示在信道n上的主用户对之间的距离，

表示主用户p_n在信道n上的传输功率，K表示从用户的数量；

步骤5：根据从用户s_i的最小传输功率计算从用户s_i到从用户s_j使用信道n的最小传输功率为

其中，

表示时刻t从用户s_j使用信道n接收到的信号比值，N₀表示噪声功率，

表示从用户s_i与从用户s_j之间的距离，z表示从用户的数量；

步骤6：由

可知当U_n,t＝0时，主用户p_n在时刻t不使用信道n；因此，在时刻t的从用户s_i的传输半径独立于主用户并且它保持最大传输半径为

其中，

表示从用户s_i使用信道n向从用户s_j发送数据的最大传输距离，

表示时刻t主用户和从用户p_n使用信道n时彼此间的距离比值，

表示主用户p_n到从用户s_j的距离，α_n,i,j表示主用户发送端，次用户发送端和次用户接收端形成的角度；

步骤7：计算从用户s_i使用信道n的最大传输距离，即

其中，

表示在t时刻从用户s_i使用信道n发送数据的最大传输距离，

表示在t时刻从用户s_i在信道n上发送数据到从用户s_j的传输距离，

表示从用户在信道n上发送数据的最大传输距离，U_n,t表示主用户p_n在t时刻使用信道n的状态，0表示主用户p_n在t时刻没有使用信道n，1表示主用户p_n在t时刻正在使用信道n；

步骤8：计算所有信道的从用户s_i的最大传输半径

其中，N表示信道的数据；

步骤9：计算时刻t不同信道的所有从用户的最大传输半径矩阵Tr^t；

步骤10：计算所有时刻所有信道的所有从用户的最大传输半径Tr＝[Tr¹,Tr²,...,Tr^I]，其中I表示最大时刻，选择传输半径最大的一个或多个信道进行数据传输。

2.如权利要求1所述的一种面向网络业务特征的认知网络动态接入方法，其特征在于所述步骤2的具体步骤为：

步骤2.1：由于网络流量具有重尾特性，采用对数正态分布表征主用户的空闲状态，公式如下：

其中，p(t)表示主用户空闲状态的分布函数，变量t表示主用户从忙碌状态变为空闲状态的时刻，μ和δ分别表示关于变量t的对数整体分布的均值和方差，ln(·)表示自然对数函数；

步骤2.2：如果信道n在t时刻是空闲的，则在从用户检测或发送数据之后信道n仍然空闲的概率为

其中，

表示信道n在t时刻是空闲状态，从用户感知信道以后信道n仍是空闲状态的概率；

表示信道n在t时刻是空闲状态，从用户在传输数据以后信道n仍是空闲状态的概率，T_S表示从用户的感知信道状态的持续时间，T_K表示从用户的传输数据的持续时间；公式(2)表示根据从用户的不同感知结果获得信道状态概率

并且可以计算得到Pr(δ^S＝I)和Pr(δ^S＝B)的概率，其中

表示从用户在t时刻的状态概率，Pr(δ^S＝I)表示从用户侦测到信道空闲的概率，Pr(δ^S＝B)表示从用户侦测到信道忙碌的概率；

步骤2.3：根据贝叶斯理论，在执行持续时间为T_S的感知过程之后，计算信道n的空闲概率和忙碌概率分别为

其中，

表示信道n空闲的概率，

表示信道n忙碌的概率，Pr(δ^S＝I)表示从用户侦测到信道空闲的概率，Pr(δ^S＝B)表示从用户侦测到信道忙碌的概率，P_d表示从用户正确侦测信道状态的概率，P_f表示从用户侦测信道状态的误报概率，p_t表示主用户的空闲概率；

步骤2.4：在执行时间长为T_K的持续数据传输后，计算信道n空闲概率

和忙碌概率

分别为：

其中，g₀表示从用户与主用户不冲突时接收到NACK信号的条件概率，g₁表示从用户与主用户冲突时接收到NACK信号的条件概率，Pr(δ^T＝A)表示从用户成功发送数据并接收从接收端反馈的ACK信号的概率分布，Pr(δ^T＝NA)表示从用户发送数据失败并接收从接收端反馈的NACK信号的概率分布；ACK表示返回确认信号，NACK表示错误则返回不确认信号；

步骤2.5：假如主用户的空闲概率p_t，在从用户的最后一个时长为T_K的数据传输之后，主用户仍为空闲的概率是

其中

表示从用户传输数据之后的状态概率；因此，从用户成功发送数据并接收到从接收端反馈的ACK信号的概率是：

其中γ₀表示当从用户不与主用户冲突时接收NACK的条件概率，γ₁表示当从用户与主用户冲突时接收NACK的条件概率；

步骤2.6：设置奖励效用函数可表示为：

其中，R表示奖励因子，C表示惩罚因子，b_t(p_t)表示从用户成功发送数据并接收从接收端反馈的ACK信号的概率，c_t(p_t)表示从用户在传输数据时与主用户发生冲突的概率，p_t表示主用户的空闲概率，a表示从用户检测到信道状态，δ^T表示从用户的传输数据的状态，δ^S表示从用户感知到的信道状态，T_K表示从用户的传输数据的持续时间；当从用户成功传输数据后，从用户将获得奖励；当与从用户传输数据时与主用户发生冲突时，从用户将受到惩罚；当从用户不传输数据时，效用值为0；

步骤2.7：将E(t,p)定义为从用户在t时刻最大理想效用函数：

E(t,p)＝max{L(t,p_t,M(t,p_t))} (6)

其中，p表示在t时刻从用户获得最大效用值时的p_t值，并且满足L(t,p_t)和M(t,p_t)；

其中，E(t+T_S,p_t)表示从用户感知信道状态后的最大理想效用值，r_t(p_t,δ^S)表示从用户在感知信道后的回报效用，Pr(δ^T＝A)表示从用户成功发送数据并接收从接收端反馈的ACK信号的概率分布，Pr(δ^T＝NA)表示从用户发送数据失败并接收从接收端反馈的NACK信号的概率分布，E(t+T_K,p_t)表示从用户传输完数据以后的最大理想效用值，r_t(p_t,δ^T)表示从用户在传输完数据后的回报效用；

如果效用值L(t,p)≤M(t,p)，则计算获得用户的最大理想效用函数E(t,p)，以及获得最大效用时的概率p，然后返回步骤2.1进行下一个时刻t的最大效用以及概率的计算。

Images