KR20210066682A - 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법 - Google Patents

인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법 Download PDF

Info

Publication number
KR20210066682A
KR20210066682A KR1020200029770A KR20200029770A KR20210066682A KR 20210066682 A KR20210066682 A KR 20210066682A KR 1020200029770 A KR1020200029770 A KR 1020200029770A KR 20200029770 A KR20200029770 A KR 20200029770A KR 20210066682 A KR20210066682 A KR 20210066682A
Authority
KR
South Korea
Prior art keywords
chromosome
weighting coefficient
genetic algorithm
wireless network
network environment
Prior art date
Application number
KR1020200029770A
Other languages
English (en)
Other versions
KR102538735B1 (ko
Inventor
이충진
김수민
김준수
무함마드 사자드 칸
Original Assignee
한국산업기술대학교산학협력단
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 한국산업기술대학교산학협력단 filed Critical 한국산업기술대학교산학협력단
Publication of KR20210066682A publication Critical patent/KR20210066682A/ko
Application granted granted Critical
Publication of KR102538735B1 publication Critical patent/KR102538735B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
    • G16B40/20—Supervised data analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B10/00—ICT specially adapted for evolutionary bioinformatics, e.g. phylogenetic tree construction or analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biotechnology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Databases & Information Systems (AREA)
  • Bioethics (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Software Systems (AREA)
  • Mobile Radio Communication Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mathematical Physics (AREA)

Abstract

인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법이 제공된다. 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법은, 일정 기간 동안 복수의 보조 사용자에 개별적으로 수신된 주사용자의 신호에 대한 감지 에너지값 세트 및 제1 가중 계수 세트를 검출하는 주사용자 신호 검출 단계, 제1 가중 계수 세트로 이루어진 복수의 제1 가중 계수 벡터 세트를 중 최소 오류 확률을 가진 모염색체 가중 계수 벡터 세트에 대한 염색체 교차 및 돌연변이를 시작으로 생성된 세대별 염색체 가중 계수 벡터 세트에 대한 염색체 교차, 및 돌연변이를 설정 목표 반복횟수가 달성될 때까지 반복하여 최적 가중 계수 벡터 세트 및 상기 주사용자의 활성 상태 결정을 위한 최적 임계값을 도출하는 유전자 알고리즘 분석 단계, 감지 에너지값 세트에 최적 가중 계수 벡터 세트가 융합되어 도출된 수정 감지 에너지 값과 최적 임계값을 비교하여 주사용자의 유무를 판단하는 단계를 포함한다.

Description

인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법{COOPERATIVE SPECTRUM DETECTION OPTIMIZATION SYSTEM USING GENETIC ALGORITNM IN COGNITIVE WIRELESS NETWORK ENVIRONMENT AND COOPERATIVE SPECTRUM DETECTION OPTIMIZATION BY USING THE SAME}
본 발명은 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법 에 관한 것으로, 상세하게는 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용하여 최적 가중 계수 벡터 세트와 최적 임계값을 산출하여 인지 무선 네트워크 시스템의 오류 확률을 최소화 하기 위한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법에 관한 것이다.
사물인터넷(IoT, Internet of things)은 다양한 이기종 네트워크를 연결하기 위한 새로운 패러다임으로, 사물인터넷(IoT, Internet of things) 애플리케이션을 위한 스펙트럼 리소스를 효율적으로 활용하고 관리하는 방법이 연구되고 있다.
사물인터넷(IoT, Internet of things) 기술의 폭발적 발달에 따라 이기종 네트워크에 의해 연결되는 사물인터넷 장치 수가 증가하여 통신 시스템이 복잡해지고 있으며 새로운 통신 기술의 개발이 요구되고 있다.
인지 통신(cognitive radio) 기술은 사물인터넷(IoT, Internet of things)의 발달에 따른 시스템의 복잡화 문제와 주파수 자원의 효율적인 사용을 위한 유망한 기술로 활발하게 연구되고 있다. 무선 인지통신(cognitive radio) 기술에 의하면 허가 주파수 자원을 사용하는 1차 시스템의 스펙트럼을 2차 시스템에서 감지하여 1차 시스템의 유휴 주파수 대역을 2차 시스템에서 사용하므로 주파수를 효율적으로 사용할 수 있다. 상세하게는, 인지 통신(cognitive radio) 기술은 동적 스펙트럼 액세스를 통한 사용 가능한 스펙트럼 대역에 액세스하기 전에 스펙트럼 감지를 수행하여 주사용자를 방해하지 않고 보조 사용자에게 라이센스 스펙트럼 대역에 액세스 할 수 있는 기회를 제공한다.
다만, 인지통신환경에서 보조 사용자의 주사용자 감지 성능이 보조 사용자의 증가에 따른 다중경로를 이용한 주사용자 감지성능의 저하 문제가 있다. 이러한 문제점을 해결하기 위해 복수의 보조 사용자가 협력적으로 주사용자를 감지하는 협력 스펙트럼 방법이 연구되고 있으나, 협력 스펙트럼 방법은 다중 경로에서 영향을 받은 복수의 보조 사용자와 악의적 보조사용자의 부정확한 감지 에너지로 인해 주사용자 감지 효율이 낮아진다는 문제점이 있는 것으로 알려져 있다.
(특허문헌1)한국 공개특허공보 제10-2015-0011917호(2015년2월3일 공개) (특허문헌2)한국 공개특허공보 제10-2012-0036416호(2012년4월18일 공개)
본 발명은 상기와 같은 문제점을 해결하기 위한 것으로, 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용하여 최적 가중 계수 벡터 세트와 최적 임계값을 산출하여 인지 무선 네트워크 시스템의 오류 확률을 최소화 하기 위한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법을 제공하기 위한 것이다.
본 발명이 해결하고자 하는 과제들은 이상에서 언급한 과제들로 제한되지 않으며, 언급되지 않은 또 다른 과제들은 아래의 기재로부터 당업자에게 용이하게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법은, 일정 기간 동안 복수의 보조 사용자에 개별적으로 수신된 주사용자의 신호에 대한 감지 에너지값 세트 및 제1 가중 계수 세트를 검출하는 주사용자 신호 검출 단계, 제1 가중 계수 세트로 이루어진 복수의 제1 가중 계수 벡터 세트를 중 최소 오류 확률을 가진 모염색체 가중 계수 벡터 세트에 대한 염색체 교차 및 돌연변이를 시작으로 생성된 세대별 염색체 가중 계수 벡터 세트에 대한 염색체 교차, 및 돌연변이를 설정 목표 반복횟수가 달성될 때까지 반복하여 최적 가중 계수 벡터 세트 및 상기 주사용자의 활성 상태 결정을 위한 최적 임계값을 도출하는 유전자 알고리즘 분석 단계, 감지 에너지값 세트에 최적 가중 계수 벡터 세트가 융합되어 도출된 수정 감지 에너지 값과 최적 임계값을 비교하여 주사용자의 유무를 판단하는 단계를 포함할 수 있다(설정 목표 반복횟수는 복수의 보조 사용자 수와 동일한 값임).
또한, 유전자 알고리즘 분석 단계는, 각각이 M개의 유전자들로 구성된 N개의 초기 염색체들을 생성하는 초기 염색체 생성 단계 (여기서, 상기 M개의 유전자는 0 내지 1 사이의 범위에서 정규화된 상기 제1 가중 계수 세트(
Figure pat00001
Figure pat00002
)이고, N개의 초기 염색체는 상기 제1 가중 계수 세트로 이루어진 제1 가중 계수 벡터 세트 (
Figure pat00003
Figure pat00004
=
Figure pat00005
Figure pat00006
,
Figure pat00007
Figure pat00008
) 임), N개의 초기 염색체들 각각의 제1 오류 확률(
Figure pat00009
1))을 측정하는 오류 확률 측정 단계(여기서, 제1 오류 확률((
Figure pat00010
1)는
Figure pat00011
Figure pat00012
임), N개의 초기 염색체들 중 제1 오류 확률(
Figure pat00013
1)이 최소인 초기 염색체를 제1 모염색체로 선택하는 모염색체 선택 단계, 제2 모염색체를 구성하는 모염색체 가중 계수 벡터 세트에 대한 염색체 교차로 어린이 염색체를 생성하는 어린이 염색체 생성 단계, 어린이 염색체를 구성하는 어린이 염색체 가중 계수 벡터 세트에 대한 돌연변이를 실시하여 어린이 염색체 모집단을 생성하고, 어린이염색체 모집단을 구성하는 복수의 어린이 염색체들의 제2 오류 확률을 측정하여 복수의 어린이 염색체 중 최소 오류 확률을 가지는 어린이 염색체를 제2 모염색체로 선정하는 어린이 염색체 분석 단계 및 설정 목표 반복횟수가 달성될 때까지 어린이 염색체 분석 단계를 반복하는 단계를 포함할 수 있다.
또한, 주사용자의 신호에 대한 감지 에너지값 세트의 총 감지 에너지 값(Zi)은 아래의 식
Figure pat00014
으로 계산되고, Ui[n]는
Figure pat00015
번째 시간 슬롯에서 복수의 보조 사용자 중
Figure pat00016
번째 보조 사용자로부터 수신된 신호일 수 있다.
또한, Ui[n]는 아래의 식
Figure pat00017
으로 계산되며,
Figure pat00018
는 복수의 보조 사용자 중
Figure pat00019
번째 보조 사용자로의 송신 전력이고,
Figure pat00020
는 복수의 보조 사용자 중
Figure pat00021
번째 보조 사용자로 와 융합센터 사이의 채널 이득이며,
Figure pat00022
은 평균이 0이고 변화량이
Figure pat00023
인 부가 백색 가우스 잡음(additive white Gaussian noise, AWGN)일 수 있다.
또한, 융합센터에 검출된 최종 감지 에너지 값은 아래의 식
Figure pat00024
으로 계산되고,
Figure pat00025
는 복수의 보조 사용자중
Figure pat00026
번째 보조 사용자의 감지 에너지에 할당된 가중 계수(weighting factor)일 수 있다.
또한, 오류 확률(Pe)는 아래의 식
Figure pat00027
으로 계산되고,
Figure pat00028
는 임계값이고
Figure pat00029
는 가중 계수 벡터 세트로
Figure pat00030
이며,
Figure pat00031
은 주사용자의 비활성화 상태 가설인
Figure pat00032
에 대한 공분산 행렬이고
Figure pat00033
은 주사용자의 활성화 상태 가설인
Figure pat00034
에 대한 공분산 행렬일 수 있다.
또한, 임계값(
Figure pat00035
)은 아래의 식
Figure pat00036
으로 계산될 수 있다.
본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템은, 일정 기간 동안 복수의 보조 사용자에 개별적으로 수신된 주사용자의 신호에 대한 감지 에너지값 세트 및 제1 가중 계수 세트를 검출하는 주사용자 신호 검출부, 제1 가중 계수 세트로 이루어진 복수의 제1 가중 계수 벡터 세트를 중 최소 오류 확률을 가진 모염색체 가중 계수 벡터 세트에 대한 염색체 교차 및 돌연변이를 시작으로 생성된 세대별 염색체 가중 계수 벡터 세트에 대한 염색체 교차, 및 돌연변이를 설정 목표 반복횟수가 달성될 때까지 반복하여 최적 가중 계수 벡터 세트 및 상기 주사용자의 활성 상태 결정을 위한 최적 임계값을 도출하는 유전자 알고리즘 분석부 및 감지 에너지값 세트에 최적 가중 계수 벡터 세트가 융합되어 도출된 수정 감지 에너지 값과 상기 최적 임계값을 비교하여 주사용자의 유무를 판단하는 융합 센터부를 포함할 수 있다.
또한, 복수의 보조 사용자는, 복수의 일반사용자와 복수의 악의적 보조사용자를 포함할 수 있다.
또한, 주사용자 신호 검출부는, 지 에너지값을 검출하는 감지 에너지 검출부 및 제1 가중 계수 세트를 검출하는 가중 계수 검출부를 포함할 수 있다.
또한, 융합 센터부는, 감지 에너지값 세트에 최적 가중 계수 벡터 세트가 융합되어 수정 감지 에너지 값이 도출되는 융합부 및 수정 감지 에너지 값과 최적 임계값을 비교하여 주사용자의 유무를 판단하는 판단부를 포함할 수 있다.
본 발명의 일 실시예에 따른 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에 의하면 악의적 보조 사용자가 존재하는 인지통신환경에서 유전자 알고리즘 분석부에서 도출된 최적 가중 계수 벡터 세트와 최적 임계값을 이용하여 주사용자 유무에 대한 오류 확률를 최소화하여 인지통신 시스템의 성능을 향상시킬 수 있다.
본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법에 의하면 악의적 보조 사용자가 존재하는 인지통신환경에서 유전자 알고리즘을 이용하여 도출된 최적 가중 계수 벡터 세트와 최적 임계값에 의하여 협력 스펙트럼 감지의 최적화가 가능하며 이에 의해 인지통신 방법의 효율성을 높일 수 있다.
도 1은 본 발명의 실시예에 따른 악의적 보조사용자가 존재하는 인지 무선 네트워크 환경에서의 협력 스펙트럼 감지(Cooperative Spectrum Sensing, CSS) 모델을 개략적으로 나타낸 도면이다.
도 2는 본 발명의 일 실시예에 따른 복수의 보조사용자 간의 협력 스펙트럼 감지(Cooperative Spectrum Sensing, CSS) 과정 및 협력 스펙트럼의 처리 과정을 개략적으로 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템을 개략적으로 나타낸 도면이다.
도 4는 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법을 나타낸 흐름도이다.
도 5는 도 4의 유전자 알고리즘 분석방법을 나타낸 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 악의적 보조사용자가 없을 때 신호대잡음비(signal to noise, SNR)에서 오류확률을 나타낸 이미지이다.
도 7은 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 낮은 신호대잡음비(signal to noise, SNR)에서 악의적 보조사용자가 존재할 때 오류확률을 나타낸 이미지이다.
도 8은 본 발명의 일 실시예에 따른 높은 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 신호대잡음비(signal to noise, SNR)에서 악의적 보조사용자가 존재할 때 오류확률을 나타낸 이미지이다.
도 9는 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 악의적 보조사용자가 없을 때 일반 보조사용자 수의 변화에 따른 오류확률을 나타낸 이미지이다.
도 10은 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 일반 보조사용자보다 낮은 신호대잡음비(signal to noise, SNR)에서 악의적 보조사용자가 존재할 때 보조 사용자의 수의 변화에 따른 오류확률을 나타낸 이미지이다.
도 11은 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 일반 보조사용자보다 높은 신호대잡음비(signal to noise, SNR)에서 악의적 보조사용자가 존재할 때 보조 사용자의 수의 변화에 따른 오류확률을 나타낸 이미지이다.
도 12는 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 감지 샘플링수의 변화에 따른 악의적 보조사용자의 비존재시 오류확률을 나타낸 이미지이다.
도 13은 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 낮은 신호대잡음비(signal to noise, SNR)에서 악의적 보조사용자가 존재할 때 감지 샘플링수의 변화에 따른 오류확률을 나타낸 이미지이다.
도 14는 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 높은 신호대잡음비(signal to noise, SNR)에서 악의적 보조사용자가 존재할 때 감지 샘플링수의 변화에 따른 오류확률을 나타낸 이미지이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
비록 제1, 제2 등이 다양한 소자, 구성요소 및/또는 섹션들을 서술하기 위해서 사용되나, 이들 소자, 구성요소 및/또는 섹션들은 이들 용어에 의해 제한되지 않음은 물론이다. 이들 용어들은 단지 하나의 소자, 구성요소 또는 섹션들을 다른 소자, 구성요소 또는 섹션들과 구별하기 위하여 사용하는 것이다. 따라서, 이하에서 언급되는 제1 소자, 제1 구성요소 또는 제1 섹션은 본 발명의 기술적 사상 내에서 제2 소자, 제2 구성요소 또는 제2 섹션일 수도 있음은 물론이다.
본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "이루어지다(made of)"는 언급된 구성요소, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성요소, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.
이때, 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭하며, 처리 흐름도 도면들의 각 구성과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 구성(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다.
또, 몇 가지 대체 실시예들에서는 구성들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 구성들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 구성들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
도 1은 본 발명의 실시예에 따른 악의적 보조사용자가 존재하는 인지 무선 네트워크 환경에서의 협력 스펙트럼 감지(Cooperative Spectrum Sensing, CSS) 모델을 개략적으로 나타낸 도면이다.
도 1을 참고하면, 본 실시예에 따른 악의적 보조사용자가 존재하는 인지 무선 네트워크 환경에서의 협력 스펙트럼 감지(Cooperative Spectrum Sensing, CSS) 모델은 하나의 주사용자(Primary User, PU), 융합센터(Fusion Center, FC) 및 복수의 일반 보조사용자(Secondary User(SU)와 복수의 악의적 사용자(Malicious User, MSU)를 포함하는 보조사용자를 포함할 수 있다.
본 실시예에 따르면 융합센터(Fusion Center, FC)에는 복수의 일반 보조사용자(Ordinary Secondary User(OSU)와 복수의 악의적 사용자(Malicious User, MSU)를 포함하는 복수의 보조사용자(SU)로부터 감지된 주사용자(Primary User, PU)에 대한 감지에너지가 수신될 수 있다.
본 실시예에 따른 악의적 사용자(Malicious User, MSU)는 아래와 같은 4가지 유형을 포함할 수 있다. 상세하게는, 첫번째는 현재 주사용자의 채널 상태와는 관계없이 항상 높은 에너지를 융합센터(Fusion Center, FC)에 보고하여, 보조사용자들의 데이터 속도를 심각하게 저해시키는 AY(Always Yes) 유형이다. 두 번째는, 현재 주사용자의 채널 상태와는 관계없이 항상 낮은 에너지를 융합센터(Fusion Center, FC)에 보고하여, 주사용자(Primary User, PU)에 대한 간섭을 일으키는 AN(Always No) 유형이다. 세 번째는, 현재 주사용자의 채널 상태와 항상 반대의 에너지를 융합센터(Fusion Center, FC)에 보고하여, 보조사용자들의 데이터 속도를 저하시키고 주사용자(Primary User, PU)에 대한 간섭을 일으키는 AO(Always Opposite) 유형이다. 네 번째는, 확률적으로 세 번째 AO(Always Opposite) 유형과 유사하게 동작하는 RO(Random Opposite) 유형이다.
이하에서는, 본 실시예에 따른 유전자 알고리즘을 이용한 최적 가중 벡터 및 최적 임계값을 도출하여 주사용자 감지 오류확률을 최소화하는 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법에 대해 상세하게 설명한다.
도 2는 본 발명의 일 실시예에 따른 복수의 보조사용자 간의 협력 스펙트럼 감지(Cooperative Spectrum Sensing, CSS) 과정 및 협력 스펙트럼의 처리 과정을 개략적으로 나타낸 도면이다.
도 3은 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템을 개략적으로 나타낸 도면이고, 도 4는 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법을 나타낸 흐름도이며, 도 5는 도 4의 유전자 알고리즘 분석방법을 나타낸 흐름도이다.
이하에서는 도 2 내지 도 5를 참고하여, 악의적 보조사용자가 존재하는 인지 무선 네트워크 환경에서의 협력 스펙트럼 감지(Cooperative Spectrum Sensing, CSS) 모델을 상세하게 설명한다.
도 2를 참고하면, 복수의 보조사용자들은 인지통신환경에서 주사용자의 존재 유무를 감지하기 위한 스펙트럼 감지를 수행할 수 있다.
보조사용자들에 의해 측정된 주사용자 활성화 또는 비활성화에 대한 측정결과는 이진 가설(binary hypothesis) 형식의 아래의 수학식 1로 나타날 수 있다.
Figure pat00037
여기서
Figure pat00038
는 주사용자가 활성화지 않은 경우의 가설을 나타내고
Figure pat00039
는 주사용자가 채널에서 활성화된 경우의 가설을 나타낸다.
Figure pat00040
은
Figure pat00041
번째 시간 슬롯에서
Figure pat00042
번째 보조사용자에게 수신된 신호이고, 감지(Sensing)를 위한 총 샘플 수는
Figure pat00043
이며, B는 사용된 대역폭이고
Figure pat00044
는 감지 시간이다. 신호의 감지 에너지가 가우스 분포(Gaussian distribution)를 따르도록 K가 충분히 큰 값이라고 가정하며, 식 1에서
Figure pat00045
Figure pat00046
은
Figure pat00047
Figure pat00048
번째 보조사용자와 주사용자 사이의 채널 이득을 나타낸다.
Figure pat00049
은 제로 평균(즉, 평균이 0임) 및 변화량이
Figure pat00050
를 갖는 독립적이고 동일하게 분포된 가우시안 랜덤 변수(Gaussian random variable)로 간주되는 주사용자 신호의
Figure pat00051
번째 샘플, 즉,
Figure pat00052
이다.
Figure pat00053
은
Figure pat00054
번째 보조사용자의 부가 백색 가우스 잡음(additive white Gaussian noise, AWGN)을 나타내며, 제로 평균(즉, 평균이 0임) 및 변화량이
Figure pat00055
인 가우시안 분포(Gaussian distribution)를 따르며,
Figure pat00056
이다.
Figure pat00057
번째 보조사용자가 융합센터에 보고한 주사용자의 신호에 대한 감지 에너지값 세트의 총 감지 에너지 값은 아래의 수학식 2 로 나타날 수 있다.
Figure pat00058
Figure pat00059
은
Figure pat00060
번째 시간 슬롯에서
Figure pat00061
번째 보조사용자로부터 보고된 융합센서에 수신된 신호이다.
Figure pat00062
는
Figure pat00063
번째 보조사용자의 송신 전력이고,
Figure pat00064
는
Figure pat00065
번째 보조사용자와 융합센터 사이의 채널 이득이며,
Figure pat00066
은 평균이 0이고 변화량이
Figure pat00067
인 부가 백색 가우스 잡음(additive white Gaussian noise, AWGN)이다.본 실시예에 따르면 융합센서(Fusion Center, FC)에서의 글로벌 판정(Global Decision)은 복수의 보조 사용자들의 수신된 신호 정보를 사용하는 선형 가중 연판정 융합 방식(linearly weighted Soft Decision Fusion, SDF)으로 진행될 수 있다.
또한, 협력 스펙트럼 최적화를 위한 협력 스펙트럼 감지(Cooperative Spectrum Sensing, CSS) 및 연판정 융합 방식(SDF)과 함께 유전자 알고리즘(GA)이 이용되어 복수의 보조사용자들로부터 수신된 주사용자에 대한 감지 신호에 대한 최적 가중 계수 벡터가 구해질 수 있다.
도 2에 도시된 바와 같이, 융합센터(FC)에서 복수의 일반 보조사용자(OSU) 및 복수의 악의적 보조사용자(MSU)를 포함하는 복수의 보조 사용자(SU)로부터 주사용자(PU) 채널에 대한 감지 통계를 수신한다.
복수의 악의적 보조사용자(MSU)의 작동 기준에 따르면, AY(Always Yes) 유형의 악의적 보조사용자(MSU)들은 주사용자 채널이 항상 사용중인 것처럼 주사용자 채널의 실제 상태에 관계없이 융합센서(FC)에 더 높은 에너지 통계를 보고한다. 따라서, 협력 스펙트럼 감지(Cooperative Spectrum Sensing, CSS)에 AY(Always Yes) 유형의 악의적 보조사용자(MSU)가 있는 경우 보조 사용자들의 데이터 속도가 크게 낮아질 수 있다. 반대로 AN(Always No) 유형의 악의적 보조사용자(MSU)는 실제 주사용자 채널 조건 보다 낮은 에너지 통계를 융합센터(FC)에 보고하여 주사용자(PU)에 대한 간섭을 발생시킨다. AO(Always Opposite) 유형의 악의적 보조사용자(MSU)는 항상 반대 에너지 통계를 융합센터(FC)에 보고하기 때문에, 보조사용자들의 데이터 속도가 감소되고 주사용자(PU)에 대한 간섭이 발생한다. 마지막으로, RO(Random Opposite) 유형 악의적 보조사용자(MU)는 확률 p를 갖는 AO(Always Opposite) 유형의 악의적 보조사용자(MU) 및 확률 (1-p)을 갖는 일반 보조사용자(OSU)에 따라 확률적으로 작동한다.
본 실시예에 따르면 융합센터(FC)는 복수의 보조사용자(SU)로부터 수집된 채널 감지 통계를 사용하여 선형 가중 연판정 융합 방식(linearly weighted SDF)을 이용하여 주사용자(PU)의 유무에 대한 글로벌 결정(global decision)을 내릴 수 있다.
복수의 보조사용자(SU)(M명이라고 가정)의 경우, 융합센터(FC)에서 검출된 최종 에너지 값은 아래의 수학식 3으로 표현될 수 있다.
Figure pat00068
여기서
Figure pat00069
는
Figure pat00070
번째 사용자의 감지 에너지에 할당된 가중 계수(weighting factor)이다.
Figure pat00071
번째 사용자에 대한 감지 보고서
Figure pat00072
는 가우시안 분포(Gaussian distributed)이므로, 최종 에너지값 Z 또한 가우시안 분포(Gaussian distributed)이다.
Figure pat00073
Figure pat00074
Figure pat00075
Figure pat00076
여기서
Figure pat00077
및
Figure pat00078
는 각각
Figure pat00079
및
Figure pat00080
에 해당하는
Figure pat00081
번째 사용자에 대한
Figure pat00082
및
Figure pat00083
가설 하에서
Figure pat00084
의 분산이다.
수학식 4 내지 수학식 7에서,
Figure pat00085
는 감지 오차 확률을 최소화하기 위해 적절한 임계 값
Figure pat00086
를 결정하기 위해 최적화될 가중치 계수 벡터(weighting coefficient vector)이다.
Figure pat00087
및
Figure pat00088
가설에 대한 공분산 행렬은 아래의 수학식 8 내지 수학식 9로 표현될 수 있다.
Figure pat00089
Figure pat00090
여기서, diag()는 행렬의 대각선 연산이다융합센터(FC)에서의 탐지 및 잘못된 경보 확률은 아래의 수학식 10 내지 수학식 12로 표현될 수 있다.
Figure pat00091
Figure pat00092
Figure pat00093
Figure pat00094
, 여기서,
Figure pat00095
은 미스 검출 확률(miss detection probability)이고
Figure pat00096
이므로, 총 에러 확률(total error probability)
Figure pat00097
는 아래의 수학식 13으로 결정될 수 있다.
Figure pat00098
수학식 13에서, 오차 확률은 가중 계수 벡터(weighting coefficient vector)
Figure pat00099
에 크게 의존한다는 것을 알 수 있다. 따라서, 높은 검출, 최소 오경보 및 낮은 오류 확률을 만족시키기 위해 식 12로 표현되는 최적의 임계값
Figure pat00100
가 결정될 필요가 있다.
도 3 내지 도 5를 참고하면, 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템은 주사용자 신호 검출부, 유전자 알고리즘 분석부 및 융합 센터부를 포함할 수 있다.
여기서, 주사용자 신호 검출부(10)에서는 일정 기간 동안 복수의 보조 사용자에 개별적으로 수신된 주사용자의 신호에 대한 감지 에너지값 세트(
Figure pat00101
) 및 제1 가중 계수 세트(
Figure pat00102
)가 검출될 수 있다. (도 2 참조)
또한, 유전자 알고리즘 분석부(20)는 제1 가중 계수 세트(
Figure pat00103
)로 이루어진 복수의 제1 가중 계수 벡터 세트(
Figure pat00104
=
Figure pat00105
,
Figure pat00106
Figure pat00107
) 임)를 중 최소 오류 확률을 가진 모염색체 가중 계수 벡터 세트에 대한 염색체 교차 및 돌연변이를 시작으로 생성된 세대별 염색체 가중 계수 벡터 세트에 대한 염색체 교차, 및 돌연변이를 설정 목표 반복횟수가 달성될 때까지 반복하여 최적 가중 계수 벡터 세트 및 상기 주사용자의 활성 상태 결정을 위한 최적 임계값이 도출 될 수 있다. 여기서, 설정 목표 반복횟수는 복수의 보조 사용자 수와 동일한 값으로 정해질 수 있다.
또한, 융합 센터부(30)에서는 감지 에너지값 세트에 최적 가중 계수 벡터 세트가 융합되어 도출된 수정 감지 에너지 값과 최적 임계값을 비교하여 주사용자의 유무가 판단될 수 있다.
본 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 복수의 보조 사용자는 복수의 일반사용자와 복수의 악의적 보조사용자를 포함할 수 있다.
또한, 본 실시예에 따르면 주사용자 신호 검출부(10)는 감지 에너지값을 검출하는 감지 에너지 검출부(11) 및 제1 가중 계수 세트를 검출하는 가중 계수 검출부(12)를 포함할 수 있다.
또한, 본 실시예에 따르면 융합 센터부(30)는 감지 에너지값 세트에 최적 가중 계수 벡터 세트가 융합되어 수정 감지 에너지 값이 도출되는 융합부 및 수정 감지 에너지 값과 최적 임계값을 비교하여 주사용자의 유무가 판단되는 판단부를 포함할 수 있다.
결국, 본 실시예에 따른 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에 의한면 악의적 보조 사용자가 존재하는 인지통신환경에서 유전자 알고리즘 분석부에서 도출된 최적 가중 계수 벡터 세트와 최적 임계값을 이용하여 주사용자 유무에 대한 오류 확률를 최소화하여 인지통신 시스템의 성능을 향상시킬 수 있다.
도 4를 참고하면, 본 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법(S100)은 주사용자 신호검출 단계(S110), 유전자 알고리즘 분석 단계(S120) 및 주사용자 유무 판단 단계(S130)을 포함할 수 있다.
주사용자 신호검출 단계(S110)에서는 일정 기간 동안 복수의 보조 사용자에 개별적으로 수신된 주사용자의 신호에 대한 감지 에너지값 세트(Z1, Z2,..., ZM) 및 제1 가중 계수 세트(
Figure pat00108
)를 검출할 수 있다.
또한, 유전자 알고리즘 분석 단계(S120)에서는 제1 가중 계수 세트(
Figure pat00109
)로 이루어진 복수의 제1 가중 계수 벡터 세트(
Figure pat00110
=
Figure pat00111
,
Figure pat00112
Figure pat00113
) 임)를 중 최소 오류 확률을 가진 모염색체 가중 계수 벡터 세트에 대한 염색체 교차 및 돌연변이를 시작으로 생성된 세대별 염색체 가중 계수 벡터 세트에 대한 염색체 교차, 및 돌연변이를 설정 목표 반복횟수가 달성될 때까지 반복하여 최적 가중 계수 벡터 세트 및 상기 주사용자의 활성 상태 결정을 위한 최적 임계값이 도출 될 수 있다.
또한, 주사용자 유무 판단 단계(S130)에서는 감지 에너지값 세트(Z1, Z2, ??, ZM)에 최적 가중 계수 벡터 세트가 융합되어 도출된 수정 감지 에너지 값과 최적 임계값을 비교하여 주사용자의 유무가 판단될 수 있다.
이하에서는, 도 5를 참고하여 본 실시예에 따른 유전자 알고리즘 분석단계(S120)을 상세하게 설명한다.
본 실시예에 따른 유전자 알고리즘 분석단계(S120)는 초기 염색체 생성 단계(S121), 초기 염색체 각각의 오류 확률 측정 단계(S122), 모염색체 선택 단계(S123), 어린이 염색체 생성 단계(S124), 어린이 염색체 분석 단계(S125) 및 설정적합도 함수 또는 설정 반복횟수 달성 여부 판단 단계(S126)을 포함할 수 있다.
초기 염색체 분석 단계(S121)에서는 각각이 M개의 유전자들로 구성된 N개의 초기 염색체들을 생성할 수 있다. 여기서, M개의 유전자는 0 내지 1 사이의 범위에서 정규화된 제1 가중 계수 세트(
Figure pat00114
)이고, 상기 N개의 초기 염색체는 상기 제1 가중 계수 세트로 이루어진 제1 가중 계수 벡터 세트 (
Figure pat00115
Figure pat00116
=
Figure pat00117
,
Figure pat00118
Figure pat00119
)일 수 있다.
N개의 초기 염색체 각각의 오류 확률 측정 단계(S122)에서는 초기 염색체 각각의 제1 오류 확률(
Figure pat00120
1))을 측정할 수 있고, 모염색체 선택 단계(S123)에서는 N개의 초기 염색체들 중 제1 제1 오류 확률(
Figure pat00121
1)) 최소인 초기 염색체를 제1 모염색체로 선택할 수 있다.
어린이 염색체 생성 단계(S124)에서는 모염색체 선택 단계(S123)에서 선택된 제1 모염색체를 구성하는 모염색체 가중 계수 벡터 세트에 대한 염색체 교차로 어린이 염색체를 생성할 수 있다.
또한, 어린이 염색체 분석 단계(S125)에서는 어린이 염색체를 구성하는 어린이 염색체 가중 계수 벡터 세트에 대한 돌연변이를 실시하여 어린이 염색체 모집단을 생성하고, 어린이염색체 모집단을 구성하는 복수의 어린이 염색체들의 제2 오류 확률(
Figure pat00122
1)을 측정하여 복수의 어린이 염색체 중 최소 오류 확률을 가지는 어린이 염색체를 제2 모염색체로 선정할 수 있다.
이후, 설정 목표 반복횟수가 달성되었는지를 판단하여 어린이 염색체 분석 단계를 반복할 지를 결정할 수 있다.
이하에서는 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법을 이용한 모델링 결과에 대해 상세하게 설명한다.
도 6은 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 악의적 보조사용자가 없을 때 신호대잡음비(signal to noise, SNR)에서 오류확률을 나타낸 이미지이다. 도 7은 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 낮은 신호대잡음비(signal to noise, SNR)에서 악의적 보조사용자가 존재할 때 오류확률을 나타낸 이미지이다. 도 8은 본 발명의 일 실시예에 따른 높은 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 신호대잡음비(signal to noise, SNR)에서 악의적 보조사용자가 존재할 때 오류확률을 나타낸 이미지이다.
도 6 내지 도 8을 참고하면, 신호대잡음비(signal to noise, SNR)가 -30 dB에서 0 dB로 변하는 동안 보조사용자수와 감지 시간을 고정하였다. 여기서, 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법의 성능은 오류 확률로 평가되었다.
도 6를 참고하면 인지 무선 네트워크에 악의적 사용자가 없는 경우, 본 실시예에 따른 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법(이하 GA 기반 SDF라 함)과 count-HDF, MGC-SDF 및 KL-SDF과 비교하였다.
도 6에 도시된 바와 같이 GA-기반 SDF 방식이 오류 확률 측면에서 count-HDF, MGC-SDF 및 KL-SDF보다 성능이 우수함을 알 수 있다.
도 7을 참고하면, 낮은 신호대잡음비(signal to noise, SNR)에서 악의적 사용자(MU)가 무선 인지 네트워크 환경에 존재하는 경우, 네트워크 내에 악의적 사용자(MU)가 존재함에 따라 본 발명의 일 실시예에 따른 GA-기반 SDF의 오류 확률이 count-HDF, MGC-SDF 및 KL-SDF의 오류 확률보다 낮다는 것을 알 수 있다. 즉, 본 실시예에 따른 GA-기반 SDF와 달리 count-HDF, MGC-SDF 및 KL-SDF는 네트워크에 악의적 사용자(MU)가 있을 때 오류 확률이 크게 영향을 받는 것을 알수 있다.
도 8에 도시된 바와 같이 높은 신호대잡음비(signal to noise, SNR)에서 악의적 사용자(MU)가 존재하는 경우, count-HDF, MGC-SDF 및 KL-SDF의 오류 확률에 큰 영향을 미치지만, 본 발명의 일 실시예에 따른 GA 기반 SDF은 융합센터(FC)에서 악의적 사용자에 의한 오류확률에의 영향을 완화시킬 수 있음을 알 수 있다.
도 9는 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 악의적 보조사용자가 없을 때 일반 보조사용자 수의 변화에 따른 오류확률을 나타낸 이미지이다. 도 10은 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 일반 보조사용자보다 낮은 신호대잡음비(signal to noise, SNR)에서 악의적 보조사용자가 존재할 때 보조 사용자의 수의 변화에 따른 오류확률을 나타낸 이미지이다. 도 11은 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 일반 보조사용자보다 높은 신호대잡음비(signal to noise, SNR)에서 악의적 보조사용자가 존재할 때 보조 사용자의 수의 변화에 따른 오류확률을 나타낸 이미지이다.
도 9 내지 도 11을 참고하면, 보조사용자(SU) 수가 10에서 22으로 변하는 동안 감지 지속 시간과 신호대잡음비(signal to noise, SNR)값 (예: -21.5 dB 및 -13.5 dB)을 고정하였다. 또한, 인지 무선 네트워크에 악의적 사용자(MU) 존재(예: (1) 악의적 사용자(MU) 없음, (2) 낮은 신호대잡음비(signal to noise, SNR)에서 악의적 사용자(MU) 있음 및 (3) 높은 신호대잡음비(signal to noise, SNR)에서 악의적 사용자(MU))에 따라 본 발명의 일실시예에 따른 GA 기반 SDF의 성능을 count-HDF, MGC-SDF 및 KL-SDF와 비교하여 평가하였다.
도 9를 참고하면, 인지 무선 네트워크에 악의적 사용자(MU)가 없고, 보조사용자(SU)의 수가 변화될 때, 보조사용자(SU)의 수가 증가함에 따라 오류 확률이 감소하는 것을 알 수 있다. 여기서, 협력 스펙트럼 감지(CSS)를 사용하면 잘못된 경보 확률이 감소하는 동안 탐지 확률이 증가하므로 오류 확률이 감소할 수 있다.
본 발명의 일 실시예에 따른 GA 기반 SDF의 오류 확률은 평균 신호대잡음비(signal to noise, SNR) 값이 -21.5 dB에서 -13.5 dB로 변할 때 크게 줄어든 것을 알 수 있다. 또한, 본 발명의 일 실시예에 따른 GA 기반 SDF는 기존의 신호대잡음비(signal to noise, SNR)에서 항상 count-HDF, MGC-SDF 및 KL-SDF보다 성능이 뛰어나며, count-HDF and MGC-SDF 방식은 SNR 영역에 관계없이 매우 높은 오류 확률을 보인다.
도 10을 참고하면, 일반 보조사용자(OSU)보다 낮은 신호대잡음비(signal to noise, SNR)에 악의적 사용자(MU)가 존재하는 경우, 보조 사용자(SU)의 수를 변화시킬 때의 오차 확률을 보여준다.
도 10에 도시된 바와 같이 기존의 count-HDF and MGC-SDF 방식의 오류 확률은 본 발명의 일 실시예에 따른 GA 기반 SDF과 달리 빠르게 내려 가지 않는 것을 알 수 있다.
도 11을 참고하면, 일반 보조사용자(OSU)보다 높은 신호대잡음비(signal to noise, SNR)에 악의적 사용자(MU)가 존재하는 경우, 보조 사용자(SU)의 수를 변화시키고 -21.5 dB 및 -13.5 dB의 두 가지 평균 신호대잡음비(signal to noise, SNR) 값이 고려될 때의 오차 확률을 보여준다.
도 11에 도시된 바와 같이, 본 발명의 일 실시예에 따른 GA-기반 SDF의 경우, 보조사용자(SU)의 수가 증가할 때 종래의 count-HDF, MGC-SDF, and KL-SDF에 비해 오류 확률이 더 빨리 감소함을 알 수 있다.
도 12는 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 감지 샘플링수의 변화에 따른 악의적 보조사용자의 비존재시 오류확률을 나타낸 이미지이다. 도 13은 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 낮은 신호대잡음비(signal to noise, SNR)에서 악의적 보조사용자가 존재할 때 감지 샘플링수의 변화에 따른 오류확률을 나타낸 이미지이다. 도 14는 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템에서 높은 신호대잡음비(signal to noise, SNR)에서 악의적 보조사용자가 존재할 때 감지 샘플링수의 변화에 따른 오류확률을 나타낸 이미지이다.
도 12 내지 도 14를 참고하면, 감지 지속 시간이 270에서 335로 변하는 동안 보조 사용자(SU)의 수 및 신호대잡음비(signal to noise, SNR) 값을 고정하였다. 또한, 또한, 인지 무선 네트워크에 악의적 사용자(MU) 존재(예: (1) 악의적 사용자(MU) 없음, (2) 낮은 신호대잡음비(signal to noise, SNR)에서 악의적 사용자(MU) 있음 및 (3) 높은 신호대잡음비(signal to noise, SNR)에서 악의적 사용자(MU))에 따라 본 발명의 일실시예에 따른 GA 기반 SDF의 성능을 count-HDF, MGC-SDF 및 KL-SDF와 비교하여 평가하였다.
도 12를 참고하면, 본 발명의 일 실시예에 따른 GA-기반 SDF은 가장 낮은 오류 확률을 달성함을 알 수 있다.
즉, 본 발명의 일 실시예에 따른 GA-기반 SDF은 평균 신호대잡음비(signal to noise, SNR)이 -21.5dB에서 -13.5dB로 증가함에 따라 오류 확률이 count-HDF, MGC-SDF 및 KL-SDF 보다 더 감소된다.
도 13을 참고하면, 낮은 신호대잡음비(signal to noise, SNR)에 악의적 사용자(MU)가 존재할 때, 종래의 count-HDF and MGC-SDF 방식은 오류 확률을 급격히 감소시키지 않지만, 본 발명의 일 실시예에 따른 GA-기반 SDF은 오류 확률을 급격히 감소시키는 것을 알 수 있다.
본 실시예에 따른 GA-기반 SDF은 평균 신호대잡음비(signal to noise, SNR)가 -21.5dB에서 -13.5dB로 증가되면 오류 확률이 크게 줄지만, count-HDF 방식은 악의적 사용자(MU)가 있을 때 최악의 성능을 보이고 있다.
도 14를 참고하면 SNR이 높은 MU로부터 전송된 감지 보고서(sensing report)가 수집된다. 도 7c에서, 평균 신호대잡음비(signal to noise, SNR)가 -21.5dB에서 -13.5dB로 증가함에 따라, 본 발명의 실시예에 따른 GA 기반 SDF 높은 신호대잡음비(signal to noise, SNR)에서도 악의적 사용자(MU)의 영향을 최소화하여 최고의 낮은 오류 확률을 보이고 있음을 알 수 있다.
상기에 설명된 바와 같이 본 실시예에 따른 GA-기반 SDF은 인지 무선 네트워크에서 악의적 사용자(MU)가 존재하더라도 기존의 count-HDF, MGC-SDF, KL-SDF보다 훨씬 뛰어난 성능을 보여주고 있음을 알 수 있다.
따라서, 본 발명의 일 실시예에 따른 GA 기반 SDF, 즉 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법에 의해 발견된 가중 계수 벡터는 높은 탐지, 낮은 잘못된 경보 및 낮은 오류 확률을 제공할 수 있다
결국, 본 발명의 일 실시예에 따른 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법에 의하면 악의적 보조 사용자가 존재하는 인지통신환경에서 유전자 알고리즘을 이용하여 도출된 최적 가중 계수 벡터 세트와 최적 임계값에 의하여 협력 스펙트럼 감지의 최적화가 가능하며 이에 의해 인지통신 방법의 효율성을 높일 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시예를 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
100: 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템
10: 주사용자 신호 검출부 11: 감지 에너지 검출부
12: 가중 계수 검출부 20: 유전자 알고리즘 분석부
30: 융합 센터부 31: 융합부
32: 판단부

Claims (11)

  1. 일정 기간 동안 복수의 보조 사용자에 개별적으로 수신된 주사용자의 신호에 대한 감지 에너지값 세트 및 제1 가중 계수 세트를 검출하는 주사용자 신호 검출 단계;
    상기 제1 가중 계수 세트로 이루어진 복수의 제1 가중 계수 벡터 세트를 중 최소 오류 확률을 가진 모염색체 가중 계수 벡터 세트에 대한 염색체 교차 및 돌연변이를 시작으로 생성된 세대별 염색체 가중 계수 벡터 세트에 대한 염색체 교차, 및 돌연변이를 설정 목표 반복횟수가 달성될 때까지 반복하여 최적 가중 계수 벡터 세트 및 상기 주사용자의 활성 상태 결정을 위한 최적 임계값을 도출하는 유전자 알고리즘 분석 단계(설정 목표 반복횟수는 복수의 보조 사용자 수와 동일한 값임);
    상기 감지 에너지값 세트에 상기 최적 가중 계수 벡터 세트가 융합되어 도출된 수정 감지 에너지 값과 상기 최적 임계값을 비교하여 상기 주사용자의 유무를 판단하는 단계; 를 포함하는 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법.
  2. 제1항에 있어서,
    유전자 알고리즘 분석 단계는,
    각각이 M개의 유전자들로 구성된 N개의 초기 염색체들을 생성하는 초기 염색체 생성 단계 (여기서, 상기 M개의 유전자는 0 내지 1 사이의 범위에서 정규화된 상기 제1 가중 계수 세트(
    Figure pat00123
    )이고, 상기 N개의 초기 염색체는 상기 제1 가중 계수 세트로 이루어진 상기 제1 가중 계수 벡터 세트 (
    Figure pat00124
    =
    Figure pat00125
    ,
    Figure pat00126
    Figure pat00127
    ) 임);
    상기 N개의 초기 염색체들 각각의 제1 오류 확률(
    Figure pat00128
    1))을 측정하는 오류 확률 측정 단계(여기서, 상기 제1 오류 확률((
    Figure pat00129
    1)는
    Figure pat00130
    임);
    상기 N개의 초기 염색체들 중 상기 제1 오류 확률(
    Figure pat00131
    Figure pat00132
    1)이 최소인 초기 염색체를 제1 모염색체로 선택하는 모염색체 선택 단계;
    상기 제1 모염색체를 구성하는 모염색체 가중 계수 벡터 세트에 대한 염색체 교차로 어린이 염색체를 생성하는 어린이 염색체 생성 단계;
    상기 어린이 염색체를 구성하는 어린이 염색체 가중 계수 벡터 세트에 대한 돌연변이를 실시하여 어린이 염색체 모집단을 생성하고, 상기 어린이염색체 모집단을 구성하는 복수의 어린이 염색체들의 제2 오류 확률(
    Figure pat00133
    2)을 측정하여 상기 복수의 어린이 염색체 중 최소 오류 확률을 가지는 어린이 염색체를 제2 모염색체로 선정하는 어린이 염색체 분석 단계; 및
    상기 설정 목표 반복횟수가 달성될 때까지 상기 어린이 염색체 분석 단계를 반복하는 단계; 를 포함하는 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법.
  3. 제1항에 있어서,
    상기 주사용자의 신호에 대한 감지 에너지값 세트의 총 감지 에너지 값(Zi)은 아래의 식
    Figure pat00134

    으로 계산되고, 상기 U i[n]는
    Figure pat00135
    번째 시간 슬롯에서 상기 복수의 보조 사용자 중
    Figure pat00136
    번째 보조 사용자로부터 수신된 신호인 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법.
  4. 제3항에 있어서,
    상기 U i[n]는 아래의 식
    Figure pat00137
    Figure pat00138

    으로 계산되며,
    Figure pat00139
    는 상기 복수의 보조 사용자 중
    Figure pat00140
    번째 보조 사용자로의 송신 전력이고,
    Figure pat00141
    는 상기 복수의 보조 사용자 중
    Figure pat00142
    번째 보조 사용자로 와 융합센터 사이의 채널 이득이며,
    Figure pat00143
    은 평균이 0이고 변화량이
    Figure pat00144
    인 부가 백색 가우스 잡음(additive white Gaussian noise, AWGN)인 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법.
  5. 제4항에 있어서,
    상기 융합센터에 검출된 최종 감지 에너지 값은 아래의 식
    Figure pat00145

    으로 계산되고,
    Figure pat00146
    는 상기 복수의 보조 사용자중
    Figure pat00147
    번째 보조 사용자의 감지 에너지에 할당된 가중 계수(weighting factor)인 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법.
  6. 제5항에 있어서,
    오류 확률(Pe)는 아래의 식
    Figure pat00148

    으로 계산되고,
    Figure pat00149
    는 임계값이고
    Figure pat00150
    는 가중 계수 벡터 세트로
    Figure pat00151
    이며,
    Figure pat00152
    Figure pat00153
    은 상기 주사용자의 비활성화 상태 가설인
    Figure pat00154
    에 대한 공분산 행렬이고
    Figure pat00155
    은 상기 주사용자의 활성화 상태 가설인
    Figure pat00156
    에 대한 공분산 행렬인 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법.
  7. 제6항에 있어서,
    상기 임계값(
    Figure pat00157
    )은 아래의 식
    Figure pat00158

    으로 계산되는 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 방법.
  8. 일정 기간 동안 복수의 보조 사용자에 개별적으로 수신된 주사용자의 신호에 대한 감지 에너지값 세트(Z1, Z2,..., ZM) 및 제1 가중 계수 세트(w1, w2,..., wM)가 검출되는 주사용자 신호 검출부;
    상기 제1 가중 계수 세트로 이루어진 복수의 제1 가중 계수 벡터 세트를 중 최소 오류 확률을 가진 모염색체 가중 계수 벡터 세트에 대한 염색체 교차 및 돌연변이를 시작으로 생성된 세대별 염색체 가중 계수 벡터 세트에 대한 염색체 교차, 및 돌연변이를 설정 목표 반복횟수가 달성될 때까지 반복하여 최적 가중 계수 벡터 세트 및 상기 주사용자의 활성 상태 결정을 위한 최적 임계값이 도출되는 유전자 알고리즘 분석부(설정 목표 반복횟수는 복수의 보조 사용자 수와 동일한 값임); 및
    상기 감지 에너지값 세트에 상기 최적 가중 계수 벡터 세트가 융합되어 도출된 수정 감지 에너지 값과 상기 최적 임계값을 비교하여 상기 주사용자의 유무가 판단되는 융합 센터부; 를 포함하는 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템.
  9. 제8항에 있어서,
    상기 복수의 보조 사용자는,
    복수의 일반사용자와 복수의 악의적 보조사용자를 포함하는 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템.
  10. 제8항에 있어서,
    상기 주사용자 신호 검출부는,
    상기 감지 에너지값을 검출하는 감지 에너지 검출부; 및
    상기 제1 가중 계수 세트를 검출하는 가중 계수 검출부;를 포함하는 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템.
  11. 제8항에 있어서,
    상기 융합 센터부는,
    상기 감지 에너지값 세트에 상기 최적 가중 계수 벡터 세트가 융합되어 상기 수정 감지 에너지 값이 도출되는 융합부; 및
    상기 수정 감지 에너지 값과 상기 최적 임계값을 비교하여 상기 주사용자의 유무가 판단되는 판단부;를 포함하는 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템.
KR1020200029770A 2019-11-28 2020-03-10 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법 KR102538735B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20190156096 2019-11-28
KR1020190156096 2019-11-28

Publications (2)

Publication Number Publication Date
KR20210066682A true KR20210066682A (ko) 2021-06-07
KR102538735B1 KR102538735B1 (ko) 2023-06-12

Family

ID=76374567

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200029770A KR102538735B1 (ko) 2019-11-28 2020-03-10 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법

Country Status (1)

Country Link
KR (1) KR102538735B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113630886A (zh) * 2021-08-27 2021-11-09 黑龙江八一农垦大学 异构物联网中一种基于粒子群算法的频谱分配方法
CN114448537A (zh) * 2021-12-21 2022-05-06 中国人民解放军空军工程大学 一种通信网络中能量效率和频谱效率的折中方法
CN115225175A (zh) * 2022-07-14 2022-10-21 中国人民解放军空军工程大学 一种基于短包通信的能量效率和频谱效率的折中方法
CN117118547A (zh) * 2022-10-24 2023-11-24 湖南科技学院 认知无线电网络中优化能效与感知性能的动态分组算法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120036416A (ko) 2010-10-08 2012-04-18 성균관대학교산학협력단 무선인지 시스템에서 협력 스펙트럼 센싱을 위한 경판정 방법 및 장치
KR20150011917A (ko) 2013-07-24 2015-02-03 성균관대학교산학협력단 전송 파라미터를 설정하는 방법 및 동적 스펙트럼 할당 장치
KR20170124774A (ko) * 2016-05-03 2017-11-13 인하대학교 산학협력단 인지 무선 네트워크에서 유전자 알고리즘을 이용하여 효율적으로 주파수를 센싱하고 채널을 할당하는 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120036416A (ko) 2010-10-08 2012-04-18 성균관대학교산학협력단 무선인지 시스템에서 협력 스펙트럼 센싱을 위한 경판정 방법 및 장치
KR20150011917A (ko) 2013-07-24 2015-02-03 성균관대학교산학협력단 전송 파라미터를 설정하는 방법 및 동적 스펙트럼 할당 장치
KR20170124774A (ko) * 2016-05-03 2017-11-13 인하대학교 산학협력단 인지 무선 네트워크에서 유전자 알고리즘을 이용하여 효율적으로 주파수를 센싱하고 채널을 할당하는 방법

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
(비특허) Defense against malicious users in cooperative spectrum sensing using genetic algorithm('18년1월)* *
(비특허) recent efficient iterative algorithms on cognitive radio cooperative spectrum sensing to improve reliability and performance('15년10월)* *
논문(2018.01.24)* *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113630886A (zh) * 2021-08-27 2021-11-09 黑龙江八一农垦大学 异构物联网中一种基于粒子群算法的频谱分配方法
CN113630886B (zh) * 2021-08-27 2023-07-18 黑龙江八一农垦大学 异构物联网中一种基于粒子群算法的频谱分配方法
CN114448537A (zh) * 2021-12-21 2022-05-06 中国人民解放军空军工程大学 一种通信网络中能量效率和频谱效率的折中方法
CN114448537B (zh) * 2021-12-21 2024-03-29 中国人民解放军空军工程大学 一种通信网络中能量效率和频谱效率的折中方法
CN115225175A (zh) * 2022-07-14 2022-10-21 中国人民解放军空军工程大学 一种基于短包通信的能量效率和频谱效率的折中方法
CN117118547A (zh) * 2022-10-24 2023-11-24 湖南科技学院 认知无线电网络中优化能效与感知性能的动态分组算法

Also Published As

Publication number Publication date
KR102538735B1 (ko) 2023-06-12

Similar Documents

Publication Publication Date Title
KR20210066682A (ko) 인지 무선 네트워크 환경에서 유전자 알고리즘을 이용한 협력 스펙트럼 감지 최적화 시스템 및 이를 이용한 협력 스펙트럼 감지 최적화 방법
Guimarães Robust test statistic for cooperative spectrum sensing based on the Gerschgorin circle theorem
JP5408586B2 (ja) コグニティブ無線通信における電力制御方法，コグニティブ無線通信システム，及び無線通信デバイス
Manesh et al. An optimized SNR estimation technique using particle swarm optimization algorithm
Khan et al. A Genetic Algorithm‐Based Soft Decision Fusion Scheme in Cognitive IoT Networks with Malicious Users
Sun et al. Cooperative spectrum sensing with diversity reception in cognitive radios
Liu et al. Double‐threshold cooperative detection for cognitive radio based on weighing
Birkan Yilmaz et al. Novel quantization‐based spectrum sensing scheme under imperfect reporting channel and false reports
Mokhtar et al. Cluster mechanism for sensing data report using robust collaborative distributed spectrum sensing
Gul et al. Optimal cooperative spectrum sensing based on butterfly optimization algorithm
Muetze et al. Understanding radio irregularity in wireless networks
Asfandyar et al. Enhanced cooperative spectrum sensing in cognitive radio network using flower pollination algorithm
KR101073294B1 (ko) 무선 인지 시스템을 위한 유전자 알고리즘 기반의 동적 주파수 선택 시스템 및 방법
Verma et al. A distance based reliable cooperative spectrum sensing algorithm in cognitive radio
Hossain et al. A comparison between binary and continuous genetic algorithm for collaborative spectrum optimization in cognitive radio network
Wang et al. Energy-efficient optimal sensing and resource allocation of soft cooperative spectrum sensing in CRNs
Khan et al. Genetic algorithm based cooperative spectrum sensing optimization in the presence of malicious users in cognitive radio networks
CN115242331B (zh) 虚拟电厂中认知无线电的协作频谱感知优化方法
Pandya et al. Performance Estimation of Improved Cooperative Spectrum Sensing under Fading Environment
Khoshkholgh et al. Novel approaches to determine the optimal operating point of spectrum sensing in overlay spectrum sharing
Guo et al. Multi-slot spectrum sensing with backward SPRT in cognitive radio networks
Sreya et al. Analysis of Cooperative Cognitive Radio Network with Improved Energy Detector and Multiple Transceivers over Nakagami-n Fading Channel
Zhang et al. Soft fusion‐based cooperative spectrum sensing using particle swarm optimization for cognitive radio networks in cyber‐physical systems
Kadhim et al. Optimization of Cooperation sensing spectrum performance
Kumar et al. Cooperative spectrum sensing in Log-normal shadowing environment with erroneous sensing and reporting channels

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right