基于粒子群算法的抗恶意用户的鲁棒频谱感知

可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 9（2023）106www.elsevier.com/locate/icte基于粒子群算法的抗恶意用户的鲁棒频谱感知Noor Gula，Saeed Ahmedb，Su Min Kimc，Junsu Kimc，a巴基斯坦白沙瓦白沙瓦大学电子系b巴基斯坦AJK米尔布尔科技大学电气工程系c大韩民国京畿道韩国理工大学电子工程系接收日期：2021年9月10日;接收日期：2021年11月22日;接受日期：2021年12月21日2021年12月28日网上发售摘要在认知无线电网络（CRN）中，无线信道中的各种问题，如多径衰落、阴影和隐藏终端问题，限制了单个用户的感知能力。在这方面，更适合遵循合作频谱感测（CSS）。然而，各种类型的恶意用户（MU）对CSS的性能构成威胁。这些MU急于报假将感测数据发送到融合中心（FC）以欺骗其决策。这项工作考虑了在总是是MU（AYMU）、相反MU（OMU）和总是没有MU（ANMU）的情况下的CSS性能。此外，所考虑的粒子群优化（PSO）算法采取了报告的MU使用一个到多个传感距离（OTMSD）和z得分离群值检测技术，在最终的决定。仿真结果验证了该方案在MU存在的情况下的有效性版权所有2021作者。由爱思唯尔公司出版代表韩国通信和信息科学研究所这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：认知无线电网络;粒子群优化;协作频谱感知;恶意用户1. 介绍无线通信中的几代技术已经发挥了它们的作用，为用户提供高数据速率和最小延迟[1]。5G的演进令人期待为公共安全、频谱监管、能源效率和高数据速率做出重要贡献[2]。物联网（IoT）是5G和6G技术的核心。因此，基于物联网的设备将在5G和6G网络的结构中发挥重要作用[3]。物联网的概念是由Ashton在[4]中作为一场技术革命提出的。它可以改善许多行业的前景，并有助于[5]中的临时物流学习，智能交通，自动化和医疗保健单位。没有嵌入认知功能的物联网的使用是智能的湖泊[6]。因此，设备数量和无线技术的快速增长需要在已利用和未充分利用的部分*通讯作者。电子邮件地址：noor@uop.edu.pk（N.Gul），saeed. must.edu.pk（S.Ahmed），suminkim@kpu.ac.kr（S.M.Kim），junsukim@kpu.ac.kr（J.Kim）。同行审议由韩国通信研究所负责教育与信息科学（KICS）。https://doi.org/10.1016/j.icte.2021.12.008无线电频谱[7]。在这方面，频谱感知联邦通信委员会（FCC）[8]。认知无线电（CR）在无线通信中的应用提供了足够的智能，具有有效的无线电频谱利用率，可以学习和调整通信设备在认知无线电网络中，主用户（PU）是合法的频谱接入者，而次用户（SU）则是合法的频谱接入者。SU必须在PU到达时腾出频谱无线信道中的不确定性，如衰落、阴影和隐藏终端问题，限制了单个用户的感知性能[10]。合作频谱感知（CSS）被认为是一个有前途的解决方案，以克服这些困难。在CSS中，个人用户感知并向融合中心（FC）报告他们的发现[11]。然而，CSS决策中的一个主要问题是恶意用户（MU）的感知报告，其中报告了错误信息来劫持财务委员会的决定在文献中发现了几项降低异常感知报告的研究。递归更新算法消除了[12]中恶意攻击者CR智能地适应2405-9595/© 2021作者。 由Elsevier B.V.代表韩国通信和信息科学研究所出版。这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。N. Gul，S.Ahmed，S.M.Kim等人ICT Express 9（2023）106107⎪∑⏐= −=+⎪⎩hjs（l）+nj（l）N（µ0σ2=2K（η+1）），H1l=li传输参数因此，在CR技术中使用人工智能（AI）技术是合适的。[13]中的混合机器学习（ML）技术保护FC免受恶意数据的攻击。共谋攻击者在[14]中使用提升树ML方案来解决。在[15]中，基于AI的异常检测技术在CR中的物理层提出。在等增益合并（EGC）和最大增益合并（MGC）中，使用SU的软能量统计来形成全局判决。同样，在硬组合中，用户在本地做出感知决策并向FC报告，这些决策在逻辑OR、逻辑AND和多数表决（MV）方案中统一[16]。[17]中的遗传算法（GA）优化了在降低错误概率之前的检测和虚警概率。在[18]中，GA处理双侧邻居距离（DSND）的适应度以降低错误概率。本文采用粒子群优化（PSO）算法，通过FC的决策来监测PU获得有关渠道可用性的最相关结果图1.一、集 中 式协作频谱感知环境。并向FC报告他们的数据。基于接收到的感测通知，FC做出关于信道的全局决定。第j个SU（其可以是SU或MU之一）在第l个时隙处的二元假设为：PSO适应度包括预处理前的复合离群值得分，y（l）={H0：nj（l）、（1）使用一对多传感距离（OTMSD）和jZ-评分（ZS）方法。PSO选择感测报告，H1：hj s（l）+nj（l）代表所有合作SU的PSO群体中的最小偏离结果充分描述了感测报告粒子群算法的选择在MGC、EGC和MV方案中被用来产生最终的决策。所提出的方案在以下人员的参与下得到验证：Always-yes MU（AYMU），always-no MU（ANMU）和opposite MU（OMU）。AYMU向FC提供始终较高的能量信号，而ANMU报告较低的能量信号其中，H0表示PU信道可用性，并且H1表示信道占用率，nj（l）是加性高斯白噪声，hj是信道增益，并且s（l）是PU的信号。在这项工作中，我们假设SU执行基于能量检测器的感测。感测周期被划分为K个接收样本。第j个SU在第i个感测周期中测量的能量为⎧⎪li+∑K−1⏐ ⏐2即使PU信道繁忙，也可以发送能量信号。类似地，OMU感测信道并报告相反的PU信道Eij=0l=linj（l）、（二）信息.li+K−1粒子群优化算法在EGC、MGC和MV技术。第4节使用仿真结果证明了所提出的方案，而第5节总结了本文。2. 系统模型当个体用户感知经历干扰时其中Li表示第i个感测周期的起始样本。根据中心极限定理，当K值足够大时，测量的能量收敛于高斯随机变量，并表示为{N（µ0=K，σ2=2K），H01J1J由于无线信道效应。因此，合作社环境图1有助于减少传感问题其中，ηj是以下范围内的平均信噪比（SNR）：jth SU和PU。同样，（μ0，σ2）和（μ1，σ2）是由单一用户体验本文的研究目标是0 1以降低虚警概率Pf和误检概率Pm，这导致错误概率Pe PfPm的降低。请注意，Pm1Pd，其中Pd表示检测概率。在图1中，报告用户由感测PU信道的正常SU和MU（AYMU、ANMU、OMU）在下报告的能量的平均值和方差值H0和H1假设。FC将所有SU的报告存储在N0个间隔中，并尝试找到具有最佳适应度的最佳感测作为最小离群值分数。最佳选择然后通过EGC，MGC和多数表决方案在最终决定中使用。本文件分为以下几节。第2节介绍了系统模型。第3节规定了对Eij=K（η、 （三）⏐2N. Gul，S.Ahmed，S.M.Kim等人ICT Express 9（2023）106108阿吉克∑⏐⏐⏐∑EE. . .E⎥⎣=-E. . .E⎣M−1k=1，k=joj（i）=0σ（i）Mj=1第i粒子。o（i）是ZSEN01EN02···EN0M⎦⎦]=0..E′=[E′]=0.⎡⎤其中E′ij=1∑ME表示平均值，图二、提 出 了 一种基于粒子群算法的CSS方案。3. 基于粒子群算法本文中的粒子群算法具有固定的粒子每个粒子都是一个包含多个元素的向量。这些元素被随机初始化，端口，步骤2.1：使用OTMSD（4）和（5）中的结果基于第i个粒子的第j个SU的OTMSDdj（i）确定第一个离群因子为dj（i）=Eij−Ei′j，（6）第i个颗粒的总离群分数确定为Md（i）=dj（i）。（七）j=1对N0个颗粒重复（7）中的测量，并收集结果，d=[d（1） d（2）· · ·d（N0）] T.（八）（8）中的d是所有N0个感测周期的离群值得分结果。步骤2.2：使用ZS在此步骤中，ZS用作离群值得分测量，Eij−µ（i）过程在每次迭代结束根据粒子与目标的接近程度来估计粒子在（9）中，μ（i）=1 ∑MEij，σ（i）表示平均值J通过代入目标函数。而且在每次迭代结束时，其中一个粒子会得到最好的结果。所提出的基于PSO的方案的流程图如图2所示。建议方案的详细步骤如下。3.1. 步骤1：传感数据收集在FC处形成历史矩阵，该历史矩阵由在N0个感测时段中的SU的报告的软能量组成，第i个周期中第j个用户的偏离因子。 的ZS所有粒子的测量值累积为Mo（i）=o j（i）。（十）j=1因此，N0个粒子的总z分数结果为o=[o（1）o（2）]· · ·o（N0）] T.（十一）使用（7）和（8）中的结果进行颗粒选择的适用性（10）如第十一章E12. . . E1Mf（i）= d（i）+o（i）。（十二）E=[E21 22 2Mij。...、（四）步骤3：PSO种群的变化基于E的具有最小离群分数的粒子E N01E N02· · ·EN0M其中i 1，. . .，N0，j 1，. . .，M.这里，M是SU的总数，N0是形成群体矩阵的感测周期的总数。FC进一步将（4）中的粒子位置修改为E′11E′12. . . E′1 M21 22 2Mij。....′ ′ ′、（五）、（9）以及N. Gul，S.Ahmed，S.M.Kim等人ICT Express 9（2023）106109×=选择（12）作为全局最佳。设P表示初始化为PE的局部最佳粒子。此外，令V表示具有与E相同大小的速度矩阵，即，没有。然后，所有这些粒子的位置和速度被初始化为零，并修改为V （i+1）j= V ij+ C1R1（P ij− E ij）+C2R2（g j− E ij），（十三）其中C1和C2是代表粒子个体和社会贡献的学习系数，R1和R2是从0到1的均匀分布的随机数。请N. Gul，S.Ahmed，S.M.Kim等人ICT Express 9（2023）106110=-我的天·⎩⎭⎭⎩⎩⎭⎩⎭j=1⎩g， 否则0wjg j≥ γH0 .⏐我=⏐⎫=注意，g[gj]表示全局最佳粒子，并且j1，. . .，M.粒子速度四舍五入为V（i+1）jmax（V）， V ij> max（V）。（14）min（V），V ij≤ max（V）然后，粒子位置更新为E（i+1）j=Ei j+V（i+1）j，（15）其中，E（i+1）j表示更新后的总体。步骤4：局部最佳和全局最佳的变化寻找局部最佳粒子的任何修改，图3.第三章。 P d与Pf在SNR 1和SNR 2，ANMU的SUPEi， f（Ei）f（Pi），（16）

下载后可阅读完整内容，剩余1页未读，立即下载