认知无线电网络中基于用户的离散时间排队分析

"该论文研究了认知无线电网络中基于用户的离散时间排队分析，以优化机会频谱访问。通过建立离散时间马尔可夫排队模型，研究了认知用户在进入可用频谱前的平均等待时间，并考虑了用户对延迟的容忍度，提出了访问控制策略以提升网络的吞吐量。数值模拟显示服务完成概率对平均等待时间和吞吐量的影响，并证明了所提访问控制机制能显著提高吞吐量。此外，还对比了基于用户和基于数据包的性能评估方法。" 这篇论文探讨了认知无线电网络(CRN)中的一种策略，即认知用户如何有效地利用授权给主用户的空闲频谱资源，以提高整体频谱利用率。在CRN中，关键挑战之一是频道使用状态的随机性，这可能导致新到达的认知用户面临额外的等待时间，从而错失频谱访问的机会。为了解决这个问题，论文构建了一个离散时间马尔可夫排队模型，这是一种统计工具，常用于分析随机过程中的动态行为。 论文的核心贡献在于，它从宏观角度出发，通过矩阵-几何解理论分析了在稳定状态下认知用户进入频谱前的平均停留时间。这一分析有助于理解系统性能，特别是关于延迟的影响。同时，考虑到认知用户的容忍延迟，作者定义并计算了基于宏的吞吐量，这是一个衡量网络数据传输能力的关键指标。 为了优化性能，论文提出了一种访问控制机制。通过调整这种机制，可以减少认知用户的等待时间，从而提高系统的吞吐量。数值模拟结果验证了服务完成概率对平均等待时间和吞吐量的直接影响，并显示出所提访问控制策略的优越性。具体来说，该策略能够显著提升网络的吞吐量，改善了认知用户的频谱访问效率。 最后，论文进行了基于用户和基于数据包的性能评估对比，以全面理解不同评估方法的优缺点。这样的比较对于设计更有效的频谱管理策略至关重要，有助于未来的研究者和工程师更好地理解和优化认知无线电网络的性能。 该研究不仅提供了对认知无线电网络中机会频谱访问的深入理解，还提出了一种实用的访问控制策略，以降低延迟并提高网络效率。这些研究成果对于频谱资源的有效利用和未来智能无线通信系统的优化具有重要的理论和实践意义。