KR102009506B1 - 인지 무선 통신 방법 - Google Patents

인지 무선 통신 방법 Download PDF

Info

Publication number
KR102009506B1
KR102009506B1 KR1020170120362A KR20170120362A KR102009506B1 KR 102009506 B1 KR102009506 B1 KR 102009506B1 KR 1020170120362 A KR1020170120362 A KR 1020170120362A KR 20170120362 A KR20170120362 A KR 20170120362A KR 102009506 B1 KR102009506 B1 KR 102009506B1
Authority
KR
South Korea
Prior art keywords
user
licensed user
licensed
unlicensed
spectrum
Prior art date
Application number
KR1020170120362A
Other languages
English (en)
Other versions
KR20190031982A (ko
Inventor
김준희
최지환
Original Assignee
재단법인대구경북과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 재단법인대구경북과학기술원 filed Critical 재단법인대구경북과학기술원
Priority to KR1020170120362A priority Critical patent/KR102009506B1/ko
Publication of KR20190031982A publication Critical patent/KR20190031982A/ko
Application granted granted Critical
Publication of KR102009506B1 publication Critical patent/KR102009506B1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/14—Spectrum sharing arrangements between different networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/10—Dynamic resource partitioning

Abstract

인지 무선 통신 방법이 개시된다. 본 인지 무선 통신 방법은 면허 유저가 송신한 신호를 비면허 유저가 수신하는 단계, 인공 신경망 알고리즘을 통해, 비면허 유저가 수신한 신호의 수신 전력에 따른 면허 유저의 전송 전력을 예측하는 단계, 지지벡터 머신을 통해, 예측된 전송 전력에 따른 면허 유저의 스펙트럼 점유 상태를 판단하는 단계 및 면허 유저가 스펙트럼을 점유하고 있지 않은 경우, 비면허 유저가 스펙트럼을 이용하는 단계를 포함한다.

Description

인지 무선 통신 방법 { A cognitive radio communication method }
본 발명은 인지 무선 통신에 관한 것으로, 면허 유저의 스펙트럼 점유 상태에 따라 비면허 유저가 면허 유저의 스펙트럼을 유동적으로 사용할 수 있는 인지 무선 통신에 관한 것이다.
현재 무선 스펙트럼 할당 방식은 정부 기관에서 사용료를 지불한 유저에게 스펙트럼 접속 권한을 배정하는 고정적인 할당방식(fixed allocation scheme)을 사용하고 있다(I. Akyildiz, B. Lo, and R. Balakrishnan, "Cooperative spectrum sensing in cognitive radio networks: A survey," Physical Communication, vol. 4, no. 1, pp. 40-62, 2011).
최근 특정 스펙트럼 대역에 대한 수요가 증가함에 따라, 특정 스펙트럼 대역은 포화가 되는 반면, 수요가 적은 스펙트럼 대역은 제대로 활용되고 있지 못한 상태이고, 이는 전반적인 스펙트럼 대역 효율의 저하를 초래하였다.
인지 무선 통신(cognitive radio)은 비면허 대역의 유저(secondary user, SU)가 면허 유저(primary user, PU)의 스펙트럼 대역을 기회적으로 사용할 수 있는 통신 기술로, 기존의 고정적인 스펙트럼 할당 방식이 아닌 유동적으로 스펙트럼을 할당하는 방식이며, 스펙트럼 포화 문제에 대한 해결책 중 하나로 제안되었다.
인지 무선 통신에서 비면허 유저는 면허 유저의 스펙트럼을 접속하는 과정에서 간섭을 최소화하여야 한다.
이를 위해, 비면허 유저는 면허 유저의 스펙트럼 점유 상태를 감지할 수 있어야 하며, 일반적으로 사용되는 스펙트럼 감지 기법으로는 정합 필터 사용, 에너지 검출, 특징 검출 방식이 있다(I. F. Akyildiz, W. Y. Lee, M. C. Vuran, S. Mohanty, "A survey on spectrum management in cognitive radio networks," IEEE Commun. Mag., vol. 46, no. 4, Apr. 2008).
먼저, 정합 필터를 사용하는 방법은 면허 유저의 신호 대 잡음비(signal-to-noise, SNR)을 최대화하는 필터를 설계하여 스펙트럼을 검출하는 방법이다. 하지만, 이 방법은 정확도가 높은 반면, 면허 유저에 대한 많은 사전지직이 요구된다.
에너지 검출 방법은 비면허 유저의 수신 전력이 특정한 임계값 이상이면 면허 유저가 스펙트럼을 점유한 상태(busy state)로 판단하고, 그렇지 않은 경우 스펙트럼을 점유하지 않은 상태(idle state)로 판단하는 방법이다. 이러한 방법은 수신 전력을 기반으로 면허 유저의 스펙트럼 점유 여부를 검출하기 때문에 그 성능은 잡음 전력에 영향을 받는다.
특징 검출 방법은 면허 유저 신호의 주기적인 특성을 이용하는 방식으로, 이를 수행하기 위하여 오랜 시간 동안 면허 유저를 관찰해야하고, 많은 연산량이 요구된다.
한편, 이와 같은 방법은 경로 손실(path loss) 및 페이딩 환경에서 면허 유저의 스펙트럼 점유 상태를 잘못 판정할 수 있으며, 이를 극복하기 위해 에너지 검출 기반의 협업 방식이 제안되었다.
구체적으로, 에너지 검출 방법에서 임계 값을 도출하기에 적합한 기계학습 알고리즘이 제안되었고(K. M. Thilina, K. W. Choi, N. Saquib, E. Hossain, "Machine learning techniques for cooperative spectrum sensing in cognitive radio networks," IEEE J. Sel. Areas in Commun., vol. 31, no. 11, pp. 2209-2221, 2013), 면허 유저가 여러 전송 전력을 가지는 환경에서 지지벡터 머신(support vector machine, SVM)과 K-평균 클러스터링 기반의 스펙트럼 검출 방식이 제안되었다(K. Zhang, J. Li, and F. Gao. "Machine learning techniques for spectrum sensing when primary user has multiple transmit powers," in Proc. IEEE Int. Conf. Commun. Sys. (ICCS), Macau, China, Nov. 2014, pp.137-141).
하지만, K-평균 클러스터링의 경우, 협력 감지에 참여하는 스펙트럼 감지 노드(즉, 비면허 유저)가 많을수록 복잡도가 증가하고, 면허 유저의 전송 전력의 레벨의 수가 증가할수록 복잡도가 증가하는 단점이 있다. 또한, 전자파 규제에 따라 제한된 출력 전력을 고려하지 않고, 비면허 유저의 수신 전력으로 큰 값(평균 63.1mW)을 사용하였다는 점에서, 현재 실정에 부합하지 않은 면도 존재한다.
이에 따라, 인지 무선 통신에서 비면허 유저들의 수신 전력을 기반으로 면허 유저의 스펙트럼 점유 상태를 효과적으로 판단하기 위한 방안의 모색이 요청된다.
따라서, 본 발명의 목적은 면허 유저의 스펙트럼 점유 상태를 판단하기 위해, 인공 신경망 알고리즘을 이용하여 면허 유저의 전송 전력을 예측하고, 지지벡터 머신을 통해 면허 유저의 스펙트럼 점유 상태를 판단할 수 있는 인지 무선 통신 방법을 제공함에 있다.
상술한 목적을 달성하기 위한 본 발명의 일 실시 예에 따른 인지 무선 통신 방법은 면허 유저가 송신한 신호를 비면허 유저가 수신하는 단계, 인공 신경망 알고리즘을 통해, 상기 비면허 유저가 수신한 신호의 수신 전력에 따른 상기 면허 유저의 전송 전력을 예측하는 단계, 지지벡터 머신을 통해, 상기 예측된 전송 전력에 따른 상기 면허 유저의 스펙트럼 점유 상태를 판단하는 단계 및 상기 면허 유저가 상기 스펙트럼을 점유하고 있지 않은 경우, 상기 비면허 유저가 상기 스펙트럼을 이용하는 단계를 포함한다.
여기에서, 상기 판단하는 단계는 상기 지지벡터 머신을 통해 학습된 복수의 결정 경계 중 상기 예측된 전송 전력에 대응하는 결정 경계를 선택하고, 상기 선택된 결정 경계와 상기 수신 전력을 비교하여 상기 면허 유저의 스펙트럼 점유 상태를 판단할 수 있다.
또한, 상기 비면허 유저는 상기 면허 유저를 기준으로 기설정된 거리 이내에 배치되며, 상기 면허 유저를 기준으로 상기 비면허 유저가 배치될 수 있는 최대 거리는 상기 면허 유저의 복수의 전송 전력 간의 레벨 차이, 상기 면허 유저가 송신하는 신호의 파장 및 상기 면허 유저의 복수의 전송 전력 각각에 대해 타겟하는 수신 전력 간의 차이에 기초하여 결정될 수 있다.
이 경우, 상기 최대 거리는, 수학식 1에 기초하여 산출될 수 있다.
이상과 같은 본 발명의 다양한 실시 예에 따르면, 면허 유저의 스펙트럼 점유 상태를 판단하기 위해, 인공 신경망 알고리즘을 이용하여 면허 유저의 전송 전력을 예측하고, 지지벡터 머신을 통해 면허 유저의 스펙트럼 점유 상태를 판단한다는 점에서, 면허 유저가 많은 수의 전송 전력 레벨을 가지더라도, 스펙트럼 점유 상태를 효과적으로 판단할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 인지 무선 통신 방법을 설명하기 위한 흐름도,
도 2는 본 발명의 일 실시 예에 따른 비면허 유저가 배치되는 최대 거리를 산출하기 위위한 방법을 설명하기 위한 도면,
도 3은 본 발명의 일 실시 예에 따른 결정 경계를 설명하기 위한 도면,
도 4는 본 발명의 일 실시 예에 따른 비면허 유저의 배치 상태를 설명하기 위한 도면, 그리고
도 5는 본 발명의 일 실시 예에 따라 면허 유저의 스펙트럼 점유 상태를 판단하기 위한 전자 장치를 설명하기 위한 도면이다.
이하, 본 발명의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 발명에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 발명에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 발명에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 발명에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 발명에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
도 1은 본 발명의 일 실시 예에 따른 인지 무선 통신(cognitive radio) 방법을 설명하기 위한 흐름도이다.
먼저, 면허 유저가 송신한 신호를 비면허 유저가 수신한다(S110).
여기에서, 비면허 유저는 면허 유저를 기준으로 기설정된 거리 이내에 배치될 수 있다.
이때, 면허 유저를 기준으로 비면허 유저가 배치될 수 있는 최대 거리는 면허 유저의 복수의 전송 전력 간의 레벨 차이, 면허 유저가 송신하는 신호의 파장 및 면허 유저의 복수의 전송 전력 각각에 대해 타겟하는 수신 전력 간의 차이에 기초하여 결정될 수 있다.
구체적으로, 최대 거리 dmax는 하기의 수학식 1에 기초하여 산출될 수 있다.
Figure 112017091127013-pat00001
여기에서, d0는 기준 거리를 나타내는 상수이고, ΔP는 면허 유저의 복수의 전송 전력 간의 레벨 차이이고(가령, 면허 유저가 0, 100㎽, 200㎽, 300㎽, 400㎽의 전송 전력 레벨로 신호를 송신하는 경우, ΔP는 이들 전송 전력 레벨 간의 차이인 100㎽가 될 수 있다), ζ는 채널 환경을 나타내는 상수이고, λ는 면허 유저가 송신하는 신호의 파장이고, n은 경로손실지수를 나타내는 상수이고,
Figure 112017091127013-pat00002
는 잡음 전력이다.
그리고, k는 면허 유저의 복수의 전송 전력 각각에 대해 타겟하는 수신 전력 간의 차이를 나타내며, 이는 사용자에 의해 설정될 수 있다.
예를 들어, 도 2에서, 면허 유저가 0, 100㎽, 200㎽, 300㎽, 400㎽의 전송 전력으로 신호를 각각 송신한 경우, 3 명의 비면허 유저(SU1, SU2, SU3)가 수신한 신호의 수신 전력(11, 12, 13, 14, 15)을 나타낸다.
즉, 수신 전력(11)은 면허 유저가 신호를 송신하지 않은 경우(즉, 면허 유저의 전송 전력이 0인 경우), 3 명의 비면허 유저(SU1, SU2, SU3)가 수신한 신호의 수신 전력을 나타내고, 수신 전력(12)은 면허 유저가 100㎽의 전송 전력으로 신호를 송신한 경우, 3 명의 비면허 유저(SU1, SU2, SU3)가 수신한 신호의 수신 전력을 나타내고, 수신 전력(13)은 면허 유저가 200㎽의 전송 전력으로 신호를 송신한 경우, 3 명의 비면허 유저(SU1, SU2, SU3)가 수신한 신호의 수신 전력을 나타내고, 수신 전력(14)은 면허 유저가 300㎽의 전송 전력으로 신호를 송신한 경우, 3 명의 비면허 유저(SU1, SU2, SU3)가 수신한 신호의 수신 전력을 나타내고, 수신 전력(15)은 면허 유저가 400㎽의 전송 전력으로 신호를 송신한 경우, 3 명의 비면허 유저(SU1, SU2, SU3)가 수신한 신호의 수신 전력을 나타낸다.
이때, k는 면허 유저의 전송 전력 레벨에 따른 비면허 유저(SU1, SU2, SU3)의 수신 전력 간의 차이(21, 22, 23, 24)에 대해 사용자가 타겟하는 값을 의미할 수 있다.
이와 같이, 수학식 1과 같은 거리에 따라 비면허 유저가 배치되는 이유는 다음과 같다.
구체적으로, 비면허 유저의 위치에 따라 수신 전력 간의 거리(가령, 도 2의 21, 22, 23, 24)가 결정되는데, 이는 스펙트럼 점유 상태를 검출하는데 큰 영향을 미치게 된다. 따라서, 비면허 유저가 배치되는 위치는 수신 전력 간 거리를 충분히 이격시키면서 동시에, 다른 비면허 유저들과의 통신 성능을 보장하기 위해 다른 비면허 유저와의 거리를 고려하여, 수학식 1에 기초하여 결정되게 된다.
도 1로 돌아와서, 이후, 인공 신경망(artificial neural network) 알고리즘을 통해, 비면허 유저가 수신한 신호의 수신 전력에 따른 면허 유저의 전송 전력을 예측한다(S120).
이를 위해, 먼저, 비면허 유저가 수신한 신호의 수신 전력을 산출할 수 있다.
구체적으로, 비면허 유저가 수신한 신호의 수신 전력은 하기의 수학식 2에 기초하여 산출될 수 있다.
Figure 112017091127013-pat00003
여기에서, PSU는 비면허 유저가 수신한 신호의 수신 전력이고, PUS는 면허 유저의 전송 전력이고, ζh는 채널 h의 다중경로페이지 상수이고, Pn은 평균이 0이고 분산이
Figure 112017091127013-pat00004
인 가우시안 분포를 따르는 잡음 전력이다.
그리고,
Figure 112017091127013-pat00005
이다. 여기에서, d0는 기준 거리를 나타내는 상수이고, dpu , su는 비면허 유저와 면허 유저 간의 거리이고, λ는 면허 유저가 송신하는 신호의 파장이고, γ는 경로손실지수를 나타내는 상수이다(이는 전술한 수학식 1의 n과 동일한 상수이다).
이후, 인공 신경망 알고리즘을 통해 비면허 유저의 수신 전력에 따른 면허 유저의 전송 전력을 예측할 수 있다.
여기에서, 인공 신경망 알고리즘은 비면허 유저의 수신 전력을 입력으로 하여 면허 유저의 전송 전력을 예측하기 위한 알고리즘으로, 다양한 샘플 데이터를 통해 학습된 상태일 수 있다.
예를 들어, 인공 신경망 알고리즘은 하기의 표 1 내지 3과 같은 면허 유저의 전송 전력에 따라 산출된 비면허 유저의 수신 전력을 기반으로 학습될 수 있다.
4.1396e-07 1.1942e-06
5.0723e-07 1.0311e-06
5.0002e-07 1.3216e-06
6.2526e-07 1.2546e-06
6.3755e-07 1.2014e-06
3.9032e-07 1.4684e-06
6.7607e-07 1.2215e-06
6.1324e-07 1.3309e-06
4.6182e-07 1.4648e-06
5.7025e-07 1.1264e-06
6.3661e-07 1.1668e-06
5.4946e-07 1.2218e-06
4.0896e-07 1.0479e-06
4.8145e-07 1.3949e-06
8.3292e-07 1.7228e-06
7.6327e-07 1.8679e-06
8.2496e-07 1.9399e-06
8.1522e-07 1.8716e-06
9.8098e-07 1.8934e-06
8.3654e-07 1.9591e-06
7.3705e-07 1.6010e-06
8.1489e-07 2.0730e-06
8.5308e-07 2.0704e-06
8.7484e-07 1.8984e-06
9.7075e-07 1.7721e-06
7.1915e-07 1.7777e-06
6.6195e-07 1.7974e-06
8.0574e-07 1.9768e-06
1.0570e-06 2.3782e-06
1.1661e-06 2.5007e-06
1.0642e-06 2.4846e-06
9.8860e-07 2.6134e-06
1.0169e-06 2.2409e-06
9.8607e-07 2.5380e-06
1.0023e-06 2.5787e-06
1.1758e-06 2.4422e-06
1.1505e-06 2.3905e-06
1.0184e-06 2.4923e-06
1.0092e-06 2.3888e-06
1.2885e-06 2.3743e-06
1.1261e-06 2.5439e-06
1.0421e-06 2.3970e-06
여기에서, 표 1은 면허 유저의 전송 전력이 200㎽일 때, 산출된 비면허 유저의 수신 전력을 나타내고, 표 2는 면허 유저의 전송 전력이 300㎽일 때, 산출된 비면허 유저의 수신 전력을 나타내고, 표 3은 면허 유저의 전송 전력이 400㎽일 때, 산출된 비면허 유저의 수신 전력을 나타내다.
한편, 상술한 표 1 내지 표 3은 설명을 위한 일 예일 뿐이고, 인공 신경망 알고리즘은 면허 유저의 다양한 전송 전력에 따라 산출된 다양한 수신 전력을 기반으로 학습될 수 있음은 물론이다.
이에 따라, 비면허 유저가 수신한 수신 전력을 인공 신경망의 입력으로 하여, 면허 유저의 전송 전력을 예측할 수 있게 된다.
이후, 지지벡터 머신(support vector machine, SVM)을 통해, 예측된 전송 전력에 따른 면허 유저의 스펙트럼 점유 상태를 판단한다(S130).
구체적으로, 지지벡터 머신을 통해 학습된 복수의 결정 경계(decision boundary)(즉, 임계값) 중 예측된 전송 전력에 대응하는 결정 경계를 선택하고, 수신 전력과 선택된 결정 경계를 비교하여, 면허 유저의 스펙트럼 점유 상태를 판단할 수 있다.
여기에서, 결정 경계는 비면허 유저의 수신 전력에 따라, 면허 유저가 스펙트럼을 점유한 상태(busy state)와 스펙트럼을 점유하지 않은 상태(idle state)를 구분짓기 위한 경계로서, 면허 유저의 전송 전력 별로, 지지벡터 머신을 통해 학습된 상태일 수 있다. 즉, 면허 유저의 전송 전력 별로, 비면허 유저의 수신 전력에 따른 면허 유저의 스펙트럼 점유 상태를 나타내는 다양한 샘플 데이터를 통해 지지벡터 머신을 학습하여, 면허 유저의 전송 전력 별로, 학습된 결정 경계를 얻을 수 있다.
이 경우, 면허 유저의 전송 전력 별로, 학습된 결정 경계 중 인공 신경망 알고리즘을 통해 예측된 면허 유저의 전송 전력에 대응되는 결정 경계를 선택할 수 있다.
예를 들어, 면허 유저가 0, 100㎽, 200㎽, 300㎽, 400㎽의 전송 전력으로 신호를 각각 송신하는 경우, 0, 100㎽, 200㎽, 300㎽, 400㎽의 전송 전력 레벨 각각에 대해 학습된 결정 경계가 존재할 수 있다.
이때, 인공 신경망 알고리즘을 통해 예측된 면허 유저의 전송 전력이 200㎽인 경우, 0, 100㎽, 200㎽, 300㎽, 400㎽의 전송 전력 레벨 각각에 대해 학습된 결정 경계 중에서 200㎽의 전송 전력 레벨에 대해 학습된 결정 경계를 선택할 수 있다.
그리고, 선택된 결정 경계와 비면허 유저가 수신한 수신 전력을 비교하여, 면허 유저의 스펙트럼 점유 여부를 판단할 수 있다.
구체적으로, 비면허 유저의 수신 전력이 선택된 결정 경계 이상이면 면허 유저가 스펙트럼을 점유한 상태인 것으로 판단하고, 비면허 유저의 수신 전력이 선택된 결정 경계보다 작으면 면허 유저가 스펙트럼을 점유하지 않은 상태인 것으로 판단할 수 있다.
예를 들어, 도 3과 같이, 2 명의 비면허 유저(SU1, SU2)가 면허 유저(PU)로부터 수신한 신호의 수신 전력이 결정 경계(41, 42, 43, 44) 이상이면 면허 유저(PU)가 스펙트럼을 점유한 상태(busy)인 것으로 판단하고, 2 명의 비면허 유저(SU1, SU2)가 면허 유저(PU)로부터 수신한 신호의 수신 전력이 결정 경계(41, 42, 43, 44)보다 작으면 면허 유저(PU)가 스펙트럼을 점유하지 않은 상태(idle)인 것으로 판단할 수 있다.
여기에서, 도 3b 내지 도 3e의 결정 경계(41, 42, 43, 44)는 각각 100㎽, 200㎽, 300㎽, 400㎽의 전송 전력 레벨 별로, 학습된 결정 경계일 수 있다.
도 1로 돌아와서, 이후, 면허 유저가 스펙트럼을 점유하고 있지 않은 경우, 비면허 유저가 스펙트럼을 이용할 수 있다(S140). 즉, 비면허 유저는 면허 유저가 스펙트럼을 점유하고 있지 않다는 점에서, 해당 스펙트럼 대역을 이용하여 통신을 수행할 수 있다.
이상과 같이, 본 발명에서는 면허 유저의 스펙트럼 점유 상태를 판단하기 위해, 인공 신경망 알고리즘을 이용하여 면허 유저의 전송 전력을 예측하고, 지지벡터 머신을 통해 면허 유저의 스펙트럼 점유 상태를 판단하게 된다. 이에 따라, 면허 유저가 많은 수의 전송 전력 레벨을 가지더라도, 스펙트럼 점유 상태를 효과적으로 판단할 수 있다. 또한, 일반적으로, 스펙트럼 분류 성능은 스펙트럼 검출에 참여하는 비면허 유저들의 분포에 따라 달라지게 되는데, 본 발명에서는 스펙트럼 분류 성능을 보정하면서 동시에, 비면허 유저들과의 통신 성능을 최대화하기 위해 수학식 1에 의해 산출된 거리에 따라 비면허 유저가 배치되게 되는 것이다.
이에 따라, 본 발명에서는 비면허 유저드의 수신 전력을 기반으로 면허 유저의 스펙트럼 점유 상태를 판단하면서도, 동시에 비면허 유저들과의 통신 성능을 최대한 보장할 수 있게 된다.
도 4는 본 발명의 일 실시 예에 따른 비면허 유저의 배치 상태를 설명하기 위한 도면이다.
예를 들어, 도 4와 같이, 면허 유저(PU1)와 비면허 유저(SU1)가 존재하는 경우를 가정한다.
이때, 새로운 면허 유저(PU2)가 발견되는 경우, 면허 유저(PU2)를 기준으로 반지름을 dmax로 하는 원 이내에 새로운 비면허 유저(SU2)가 배치될 수 있다.
이와 마찬가지로, 새로운 면허 유저(PU3)가 발견되는 경우, 면허 유저(PU3)를 기준으로 반지름을 dmax로 하는 원 이내에 새로운 비면허 유저(SU3)가 배치될 수 있다. 또한, 새로운 면허 유저(PU4)가 발견되는 경우, 면허 유저(PU4)를 기준으로 반지름을 dmax로 하는 원 이내에 새로운 비면허 유저(SU4)가 배치될 수 있고, 새로운 면허 유저(PU5)가 발견되는 경우, 면허 유저(PU5)를 기준으로 반지름을 dmax로 하는 원 이내에 새로운 비면허 유저(SU5)가 배치될 수 있다.
도 5는 본 발명의 일 실시 예에 따라 면허 유저의 스펙트럼 점유 상태를 판단하기 위한 전자 장치를 설명하기 위한 도면이다.
도 5에서는 설명의 편의를 위해, 전자 장치(500)가 면허 유저(PU2)의 스펙트럼 점유 상태를 검출하는 것을 일 예로 설명하며, 면허 유저(PU3)를 기준으로 최대 거리 dmax로 하는 원 이내에 비면허 유저(SU3)가 배치되는 것으로 가정한다. 다만, 이는 일 예일 뿐이고, 면허 유저 및 비면허 유저의 개수는 다양하게 변경될 수 있음은 물론이다.
면허 유저의 스펙트럼 점유 상태를 판단하기 위한 전자 장치(500)(가령, 퓨전 센터)는 통신부(510), 메모리(520) 및 프로세서(530)를 포함한다.
통신부(510)는 비면허 유저와 통신을 수행할 수 있다.
이 경우, 통신부(510)는 다양한 유형의 통신 방식에 기초하여 비면허 유저와 통신을 수행할 수 있다. 이를 위해, 통신부(510)는 무선 통신 칩(미도시), 근거리 통신 칩(미도시) 중 적어도 하나를 포함할 수 있고, 전자 장치(500)를 하나 이상의 네트워크에 연결하기 위한 하나 이상의 모듈을 포함할 수도 있다.
메모리(520)는 전자 장치(500)의 동작에 필요한 각종 프로그램 및 데이터를 저장할 수 있다. 또한, 메모리(520)는 프로세서(530) 또는 다른 구성 요소들로부터 수신되거나 프로세서(530) 또는 다른 구성요소들에 의해 생성된 명령 또는 데이터를 저장할 수 있다.
이 경우, 메모리(520)는 비휘발성 메모리, 휘발성 메모리, 플래시메모리(flash-memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 등으로 구현될 수 있다. 메모리(520)는 프로세서(530)에 의해 액세스되며, 프로세서(530)에 의한 데이터의 독취/기록/수정/삭제/갱신 등이 수행될 수 있다.
특히, 메모리(520)는 인공 신경망 알고리즘을 실행하기 위한 모듈 및 지지벡터 머신을 실행하기 위한 모듈을 저장할 수 있다. 또한, 메모리(520)는 지지벡터 머신을 통해 학습된, 면허 유저의 전송 전력 별, 결정 경계에 대한 정보를 저장할 수 있다.
프로세서(530)는 전자 장치(500)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(530)는 운영 체제 또는 응용 프로그램을 구동하여 프로세서(530)에 연결된 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 또한, 프로세서(530)는 다른 구성요소들 중 적어도 하나로부터 수신된 명령 또는 데이터를 휘발성 메모리에 로드하여 처리하고, 다양한 데이터를 비휘발성 메모리에 저장할 수 있다.
이를 위해, 프로세서(530)는 해당 동작을 수행하기 위한 전용 프로세서(예, 임베디드 프로세서) 또는 메모리 디바이스에 저장된 하나 이상의 소프트웨어 프로그램을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)로 구현될 수 있다.
먼저, 프로세서(530)는 비면허 유저가 각각 산출한 수신 전력을 통신부(510)를 통해 수신할 수 있다.
면허 유저(PU2)가 송신한 신호를 비면허 유저(SU1 내지 SU3)가 수신하면, 비면허 유저(SU1 내지 SU3)는 수신된 신호의 수신 전력을 산출할 수 있다. 그리고, 비면허 유저(SU1 내지 SU3)는 산출된 수신 전력에 대한 정보를 전자 장치(500)로 전송할 수 있다. 이 경우, 통신부(510)는 비면허 유저(SU1 내지 SU3)가 전송한 수신 전력에 대한 정보를 수신할 수 있다.
이후, 프로세서(530)는 인공 신경망 알고리즘을 통해, 비면허 유저가 수신한 신호의 수신 전력에 따른 면허 유저의 전송 전력을 예측한다.
그리고, 프로세서(530)는 지지벡터 머신을 통해, 예측된 전송 전력에 따른 면허 유저의 스펙트럼 점유 상태를 판단한다.
구체적으로, 프로세서(530)는 지지벡터 머신을 통해 학습된 복수의 결정 경계 중 예측된 전송 전력에 대응하는 결정 경계를 선택하고, 수신 전력과 선택된 결정 경계를 비교하여, 면허 유저의 스펙트럼 점유 상태를 판단할 수 있다.
이 경우, 프로세서(530)는 비면허 유저의 수신 전력이 선택된 결정 경계 이상이면 면허 유저가 스펙트럼을 점유한 상태인 것으로 판단하고, 비면허 유저의 수신 전력이 선택된 결정 경계보다 작으면 면허 유저가 스펙트럼을 점유하지 않은 상태인 것으로 판단할 수 있다.
예를 들어, 인공 신경망 알고리즘을 통해 예측된 면허 유저(PU3)의 전송 전력이 200㎽인 경우를 가정한다.
이 경우, 프로세서(530)는 200㎽의 전송 전력 레벨에 대해 학습된 결정 경계를 선택하고, 학습된 결정 경계와 비면허 유저(SU1 내지 SU3)의 수신 전력을 비교하여 비면허 유저(SU1 내지 SU3)의 수신 전력이 선택된 결정 경계 이상이면 면허 유저(PU3)가 스펙트럼을 점유한 상태인 것으로 판단하고, 비면허 유저(SU1 내지 SU3)의 수신 전력이 선택된 결정 경계보다 작으면 면허 유저(PU3)가 스펙트럼을 점유하지 않은 상태인 것으로 판단할 수 있다.
그리고, 프로세서(530)는 면허 유저의 스펙트럼 점유 상태에 대한 정보를 비면허 유저로 전송할 수 있다.
예를 들어, 프로세서(530)는 면허 유저(PU3)가 스펙트럼을 점유하는지 또는 스펙트럼을 점유하지 않는다는 점을 통신부(510)를 통해 비면허 유저(SU1 내지 SU3)로 전송할 수 있다.
이 경우, 비면허 유저는 전자 장치(500)로부터 수신된 면허 유저의 스펙트럼 점유 상태에 대한 정보에 기초하여 스펙트럼을 이용할 수 있다.
예를 들어, 비면허 유저(SU1 내지 SU3)는 장치(500)로부터 수신된 면허 유저(PU3)의 스펙트럼 점유 상태에 대한 정보에 기초하여 면허 유저(PU3)가 스펙트럼을 점유 하지 않은 것으로 판단되면, 면허 유저(PU3)의 스펙트럼을 이용하여 통신을 수행할 수 있다.
한편, 본 개시의 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(A))를 포함할 수 있다. 상기 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 상기 프로세서의 제어하에 다른 구성요소들을 이용하여 상기 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.
일시예에 따르면, 본 개시에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
500 : 전자 장치 510 : 통신부
520 : 저장부 530 : 프로세서

Claims (4)

  1. 인지 무선 통신(cognitive radio) 방법에 있어서,
    면허 유저(primary user)가 송신한 신호를 비면허 유저(secondary user)가 수신하는 단계;
    인공 신경망(artificial neural network) 알고리즘을 통해, 상기 비면허 유저가 수신한 신호의 수신 전력에 따른 상기 면허 유저의 전송 전력을 예측하는 단계;
    지지벡터 머신(support vector machine)을 통해, 상기 예측된 전송 전력에 따른 상기 면허 유저의 스펙트럼 점유 상태를 판단하는 단계; 및
    상기 면허 유저가 상기 스펙트럼을 점유하고 있지 않은 경우, 상기 비면허 유저가 상기 스펙트럼을 이용하는 단계;를 포함하는, 인지 무선 통신 방법.
  2. 제1항에 있어서,
    상기 판단하는 단계는,
    상기 지지벡터 머신을 통해 학습된 복수의 결정 경계 중 상기 예측된 전송 전력에 대응하는 결정 경계를 선택하고, 상기 선택된 결정 경계와 상기 수신 전력을 비교하여 상기 면허 유저의 스펙트럼 점유 상태를 판단하는 것을 특징을 하는 인지 무선 통신 방법.
  3. 제1항에 있어서,
    상기 비면허 유저는, 상기 면허 유저를 기준으로 기설정된 거리 이내에 배치되며,
    상기 면허 유저를 기준으로 상기 비면허 유저가 배치될 수 있는 최대 거리는, 상기 면허 유저의 복수의 전송 전력 간의 레벨 차이, 상기 면허 유저가 송신하는 신호의 파장 및 상기 면허 유저의 복수의 전송 전력 각각에 대해 타겟하는 수신 전력 간의 차이에 기초하여 결정되는 것을 특징으로 하는 인지 무선 통신 방법.
  4. 제3항에 있어서,
    상기 최대 거리 dmax는, 하기의 수학식에 기초하여 산출되는 것을 특징으로 하는 인지 무선 통신 방법.
    [수학식]
    Figure 112019013969585-pat00015
    이며,
    d0는 기준 거리를 나타내는 상수, ΔP는 면허 유저의 복수의 전송 전력 간의 레벨 차이, ζ는 채널 환경을 나타내는 상수, λ는 면허 유저가 송신하는 신호의 파장, n은 경로손실지수를 나타내는 상수,
    Figure 112019013969585-pat00016
    은 잡음 전력, k는 면허 유저의 복수의 전송 전력 각각에 대해 타겟하는 수신 전력 간의 차이이고,
    d0, ΔP, ζ, λ, n,
    Figure 112019013969585-pat00017
    및 k는 각각 양의 실수 범위

KR1020170120362A 2017-09-19 2017-09-19 인지 무선 통신 방법 KR102009506B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170120362A KR102009506B1 (ko) 2017-09-19 2017-09-19 인지 무선 통신 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170120362A KR102009506B1 (ko) 2017-09-19 2017-09-19 인지 무선 통신 방법

Publications (2)

Publication Number Publication Date
KR20190031982A KR20190031982A (ko) 2019-03-27
KR102009506B1 true KR102009506B1 (ko) 2019-08-12

Family

ID=65907460

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170120362A KR102009506B1 (ko) 2017-09-19 2017-09-19 인지 무선 통신 방법

Country Status (1)

Country Link
KR (1) KR102009506B1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220191800A1 (en) * 2019-04-06 2022-06-16 Qualcomm Incorporated Physical uplink shared channel transmit power configuration

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8655283B2 (en) * 2007-04-23 2014-02-18 Lingna Holdings Pte., Llc Cluster-based cooperative spectrum sensing in cognitive radio systems
KR101039357B1 (ko) * 2009-05-14 2011-06-08 광운대학교 산학협력단 무선 인지 시스템의 다이버시티를 이용한 스펙트럼 센싱 장치 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"인지무선네트워크에서 스펙트럼 세싱을 위한 서포트 벡터 머신 보조 에너지 검출기", 레다 하프투 따서우 외 1인, 2017 한국통신학회 하계종합학술발표회, pp.477-478
"인지무선네트워크에서의 인공신경망기반 인가 사용자의 채널 분류", 전익환 외 2인, 2017 한국통신학회 하계종합학술발표회, pp.1237-1238

Also Published As

Publication number Publication date
KR20190031982A (ko) 2019-03-27

Similar Documents

Publication Publication Date Title
Kaligineedi et al. Malicious user detection in a cognitive radio cooperative sensing system
CN102577573B (zh) 控制无线通信系统中的资源使用
JP5536045B2 (ja) 知られた信号に基づき干渉を認知する認知無線通信装置、方法、及び記録媒体
KR102050283B1 (ko) 인지 무선 네트워크에서 2차 사용자의 패킷 전송 성능 개선 방법 및 그 장치
Shawel et al. Deep-learning based cooperative spectrum prediction for cognitive networks
KR100970757B1 (ko) 무선 인지 시스템에서 멀티 유저들을 위한 에너지 검출기반의 협력 채널 센싱 방법
Zhao et al. Optimisation of multi‐channel cooperative sensing in cognitive radio networks
Treeumnuk et al. Using hidden Markov models to evaluate performance of cooperative spectrum sensing
KR102009506B1 (ko) 인지 무선 통신 방법
Gupta et al. Improved weighted cooperative spectrum sensing algorithm based on reliability in cognitive radio networks
Hassan et al. Non-parametric multiple-antenna blind spectrum sensing by predicted eigenvalue threshold
Jeong et al. Collaborative spectrum sensing for multiuser cognitive radio systems
Fomichev et al. Next2You: Robust copresence detection based on channel state information
Gupta et al. Cognitive radio spectrum classification using FLA-SVM
Cai et al. Decoupling trust and wireless channel induced effects on collaborative sensing attacks
EP3340707A1 (en) Channel selection device and method for wireless local area network
Zhang et al. Cluster‐based adaptive multispectrum sensing and access in cognitive radio networks
Hassan et al. Predicted eigenvalue threshold based spectrum sensing with correlated multiple-antennas
Salman et al. Spectrum sensing in cognitive femtocell network based on near‐field source localisation using genetic algorithm
Treeumnuk et al. Optimizing performance of cooperative sensing for increased spectrum utilization in dynamic cognitive radio systems
Paul et al. Selectively triggered cooperative sensing in cognitive radio networks
Soofi et al. Efficient dynamic double threshold energy detection of cooperative spectrum sensing in cognitive radio
KR101347885B1 (ko) 무선 인지 장치 및 무선 인지 방법
CN114465681A (zh) 一种用于电力物联网的多节点协作频谱感知方法及装置
US11202340B2 (en) Auto-channel selection of a wireless access point

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant