基于區塊鏈與深度學習的空間分集協作頻譜感知系統

肖仲杉，王春琦，馮大權

研究與開發

基于區塊鏈與深度學習的空間分集協作頻譜感知系統

肖仲杉1，王春琦2，馮大權1

（1.深圳大學，廣東 深圳 518060；2.國家無線電監測中心，北京 100037）

協作頻譜感知是認知無線電中的關鍵技術。針對協作頻譜感知中存在的安全性、隱私性、激勵性和隱藏終端等問題，提出了一種運行在智能合約上的數據驅動的智能化空間分集的協作頻譜感知系統。具體地，利用區塊鏈的去中心化、數據難以篡改等特性，設計了一種激勵性的協作頻譜感知系統，并采用深度學習的方法來識別系統中的惡意用戶。此外，針對如何更為高效地在該系統中招募感知節點以達到較高的感知準確率，設計了基于性能權重和空間分集的硬判決協作頻譜感知融合算法。實驗結果表明，所提算法在安全性、隱私性、激勵性、感知準確率方面優于傳統的協作頻譜感知算法。

協作頻譜感知；認知無線電；區塊鏈；智能合約；機器學習

0 引言

隨著5G無線通信網絡中高清視頻傳輸、虛擬現實、增強現實和其他高帶寬服務的興起，通信流量呈爆炸式增長[1-4]，據統計，平均每月每部移動設備的流量消耗將從2020年的5 GB增長至2030年的250 GB[5]，可用頻譜資源變得愈發緊張。當前我國的頻譜管理主要采用固定頻譜分配策略，無線設備在不同的頻率上“各行其道”。根據美國聯邦通信委員會調查報告[6]中的統計數據，傳統靜態頻譜分配方案的許可頻譜利用率為15%～85%，這無疑對不斷增長的無線通信網絡流量需求有很大的限制。因此，迫切需要尋找新的提高無線通信網絡頻譜利用率的解決方案。

認知無線電（cognitive radio，CR）的提出是緩解頻譜資源短缺和未充分利用的可行解決方案，美國聯邦通信委員會在2003年提出，只要具備自適應頻譜感知能力的無線電都可稱為CR，并鼓勵在不干擾主用戶正常通信的前提下使用CR。頻譜感知是認知無線電的關鍵技術之一[7-10]。它通過感知無線環境中未被充分利用的頻段，讓認知無線電用戶接入該頻段以實現動態頻譜共享。從參與感知的節點數量上看，頻譜感知可以分為單用戶頻譜感知和協作頻譜感知。由于單用戶頻譜感知容易受噪聲干擾和障礙物阻擋等因素干擾而產生誤差，因此協作頻譜感知在研究中更加受關注。集中式協作頻譜感知將來自多個次用戶（secondary user，SU）的單個感測結果組合在一起以確定主用戶（primary user，PU）的存在。但是由于信道條件復雜，很難得出最佳的協作頻譜感知策略。例如，與遠離PU的SU相比，靠近PU的SU可能更可靠地檢測PU，而由于無線信道的空間相關性，彼此接近的SU很可能報告相似的感知結果，但過多相似且出錯的感知結果的上報會占用大量帶寬資源和增加頻譜感知融合的復雜度，嚴重時甚至導致頻譜感知的準確率低下，此外，相鄰頻帶間發射功率的泄露也會對頻譜感知的結果造成影響。集中式協作頻譜感知架構引入了融合中心來負責收集各個節點的感知結果，為了有效地共享頻譜，PU和SU都需要與融合中心交互私人信息，這種方式容易受單點攻擊和隱私泄露的影響[11-15]。而且，可能存在別有用心的用戶故意上傳錯誤的信息企圖破壞融合中心的判決結果，南京郵電大學[16]、國防科技大學[17]和陸軍裝甲兵學院[18]的學者針對該類情況展開過詳細的研究和討論。此外，對于感知節點來說，收集感知數據是需要成本的，尤其是對于資源有限的物聯網設備來說。其成本通常包括能量、網絡資源（如通信、緩存和計算）和時間，除了物理資源消耗，上文提到的安全威脅和隱私泄露都會影響用戶的積極性。因此，傳統的集中式協作頻譜感知可能無法吸引足夠的感知節點進行頻譜感知。此外，協作頻譜感知大多基于中心化的架構，難以在感知節點和感知需求者之間建立信任。因此，需要提出合適的激勵機制來吸引足夠多的感知節點參與到協作式頻譜感知任務中[19]。

為了解決上述問題，本文提出了一種面向安全性、隱私性、激勵性的數據驅動智能化空間分集協作頻譜感知系統。主要貢獻如下。

? 針對在協作頻譜感知中的安全性、隱私保護和激勵的問題，設計出了一種帶有激勵性的基于智能合約的協作頻譜感知系統，并在Remix集成開發環境中對智能合約進行了測試。

? 針對在協作頻譜感知系統中可能存在的上傳虛假感知數據的現象，采用了深度學習的方法，對惡意用戶及其行為進行識別。

? 針對隱藏終端、噪聲干擾和硬件感知性能參差不齊帶來的如何選擇合適的協作頻譜感知節點的問題，設計了基于性能權重和空間分集的硬判決協作頻譜感知融合算法。

圖1 協作頻譜感知系統模型

1 系統模型

協作頻譜感知系統模型如圖1所示。該系統由4個主體組成：頻譜管理者、運行在區塊鏈上的智能合約、協作頻譜感知用戶、頻譜感知邊緣服務器。頻譜管理者和協作頻譜感知用戶借助區塊鏈網絡達到信息交互的目的，各部分的主要職責如下。

頻譜管理者：頻譜管理者的目標是檢測一定地理范圍內的頻譜環境，即頻譜空閑和占用的情況，并通過在智能合約中發布協作頻譜感知任務，設置一定的以太幣獎勵，達到招募用戶參與協作頻譜感知任務的目的。

協作頻譜感知用戶：協作頻譜感知用戶是申請參與協作頻譜感知任務的感知節點，其通過在智能合約中查看頻譜管理者上傳的感知任務后選擇是否參與。參與協作頻譜感知的用戶需要提交一定量的以太幣作為押金，并及時上傳其感知結果。

頻譜感知邊緣服務器：頻譜感知邊緣服務器會收集各個用戶的感知數據與每輪頻譜感知任務的融合結果，其帶有一個能識別惡意用戶的深度學習模型和一個基于性能權重和空間分集的硬判決協作頻譜感知融合算法。在頻譜感知任務開始后，頻譜感知邊緣服務器通過將各個協作頻譜感知用戶的數據輸入模型中，預測出該用戶是否為惡意用戶，并將預測結果發送至智能合約；通過一個基于性能權重和空間分集的硬判決協作頻譜感知融合算法，得出最佳的頻譜感知融合策略，并將結果發送至智能合約，為智能合約最終的感知數據融合與發放以太幣獎勵提供數據化和智能化的支持。

智能合約：區塊鏈智能合約技術作為支撐，在協作頻譜感知系統中建立了信任機制、安全機制、激勵機制。具體實現形式如下。

? 智能合約在頻譜管理者與協作頻譜感知用戶之間建立了信任機制，在不需要第三方參與的情況下，系統會自動執行合約所規定的內容。

? 智能合約對協作頻譜感知用戶提交的數據進行融合處理，得出最終的感知結果。通過分布式算法和密碼學技術，確保了區塊鏈網絡中的數據一致性和難以篡改性，避免了單點攻擊導致數據丟失或被惡意篡改的風險，由此建立了安全機制。

? 智能合約是一個可編程的、按照代碼邏輯自動執行的合約，在每輪感知任務結束后，智能合約會將該輪感知結果作為依據，與用戶上傳的感知數據進行對比?；谔崆邦A訓練好的用于識別惡意用戶及其行為的深度學習模型，將該用戶的歷史數據和當前感知輪次的數據作為神經網絡的輸入特征，對惡意用戶進行識別。如果判定的結果是誠實的用戶，系統將無須人工操作，自動退還押金并發放以太幣獎勵。否則，系統將沒收該用戶數的押金。隨著參與協作頻譜感知任務的用戶數不斷增加，系統能得到更多用于判定惡意用戶的有利數據，使得惡意用戶或感知性能較差的用戶及其行為更容易被系統識別，實現良性循環。由此建立了激勵機制。

2 協作頻譜感知流程

協作頻譜感知流程如圖2所示，具體如下。

圖2 協作頻譜感知流程

步驟1 頻譜管理者在智能合約中發布頻譜感知任務，設置押金的金額，并存入一定數額的以太幣用于任務結束的獎勵發放。

步驟2 協作頻譜感知用戶通過調用智能合約中的相關函數，獲取到可參加的任務列表。

步驟3 參加協作頻譜感知任務的用戶在本地進行頻譜感知，并將本地的感知結果分別提交至區塊鏈網絡和頻譜感知邊緣服務器，實現本地數據與智能合約的交互，確保數據難以被篡改。

步驟4 頻譜感知邊緣服務器在收集到所有的協作頻譜感知用戶提交的感知數據后，結合用戶的歷史數據，采用基于性能權重和空間分集的硬判決協作頻譜感知融合算法進行節點招募分析，并將分析結果上傳到區塊鏈網絡，為智能合約對數據融合提供指導。

步驟5 協作頻譜感知任務招募結束后，智能合約對收集到的數據進行融合處理，得到最終的感知結果，并發送至頻譜管理者和頻譜感知邊緣服務器。

步驟6 頻譜感知邊緣服務器收集該輪的感知數據，并進行訓練，更新模型的權重，值得注意的是，該步驟只是在之前訓練好的模型基礎上進行訓練，不需要從無到有重新訓練，以節省大量的計算資源和時間，且并非每一輪感知任務結束后都執行該步驟，在具備較多數據集之后，可以每隔幾輪執行一次該步驟。

步驟7 智能合約以頻譜感知邊緣服務器的數據分析結果為依據，對是否給協作頻譜感知用戶返回押金和發放獎勵做出選擇。

3 智能合約的設計及測試

針對前文所提出的基于區塊鏈的智能化協作頻譜感知系統，本章將詳細闡述該系統智能合約中函數的組成與設計，并展示在Remix集成開發環境上的實驗測試結果。

3.1 智能合約的設計

3.1.1 變量符號

本文采用Solidity語言編寫智能合約，并在Remix上對智能合約進行了編譯、部署和測試。智能合約變量說明見表1。

表1 智能合約變量說明

3.1.2 用戶注冊及任務發布

頻譜管理者將押金和以太幣獎勵的數額、需要招募的協作頻譜感知用戶的數量發布到鏈上，其功能的具體實現如函數1所示；在每輪協作頻譜感知規定的任務時間內，如果沒有達到頻譜管理者規定的招募數額，協作頻譜感知用戶可以進行注冊并將感知數據和規定的押金上傳到鏈上，其功能的具體實現如函數2所示。

函數1 頻譜管理者任務發布函數

輸入 Admin{taskId, goalNum, currentNum, channelNum, deposit, award, notice},

輸出 successfully submit

function AdministratorSubmit(uint taskId,uint goalNum, uint currentNum, uint deposit, uint channelNum, uint award, string notice)

函數2 協作頻譜感知用戶注冊以及提交感知數據函數

輸入 User{addr,taskId,sensingData, deposit}

輸出 successfully submit

function UserSubmit(address addr, string sensingData,uint deposit)

require now <= taskEnd

require msg.value >= deposit

require currentNum <= goalNum

3.1.3 頻譜感知數據融合

在每輪協作頻譜感知任務結束之后，頻譜管理者將調用頻譜感知融合函數，第5.1～5.2節將對本文采用的基于性能權重和空間分集的硬判決協作頻譜感知融合算法展開詳細的分析，此處本文采用傳統的-硬判決融合準則在合約中進行測試，-硬判決融合準則的含義是：如果在個提交了數據的用戶中有個用戶的數據是一致的，則將該個用戶的數據結果視為最終判決結果。在智能合約中，本文將值設置為/2，其功能的具體實現如函數3所示。

函數3 頻譜感知數據融合函數

輸入 dataFusion{taskId}

輸出 successfully fusion

function fusion(uint resultData)

if currenrNum > goalNum then

for each channelNum do

for each sensingData do

resultData[channelNum]+=sensingData[channelNum]

if resultData [channelNum] > N then

resultData[channelNum] = 1

else

resultData[channelNum] = 0

3.1.4 價值評估

在當前輪次的頻譜感知任務結束之后，系統將執行價值評估函數，該函數會對每一個協作頻譜感知用戶進行分析，判別其是否是誠實的用戶，如果是，則返回押金并給與以太幣獎勵，否則不會退回押金，也不會獲得任何以太幣獎勵。本文采用基于深度學習的方法對用戶是否誠實進行判定，這將在第4.2～4.3節展開詳細分析，此處的仿真僅采用一致判別法，即當用戶提交的感知數據與最終融合后的數據一致才認為該協作頻譜感知用戶是誠實的。其功能的具體實現如函數4所示。

函數4 價值評估函數

function evaluate()

if sensingData == resultData then

addr.transfer(deposit + award)

3.2 智能合約的測試

本文在Remix上對智能合約進行了測試，通過1位頻譜管理者、3位協作頻譜感知用戶進行測試，智能合約測試數據見表2。

智能合約界面如圖3所示。首先進入智能合約的部署界面，如圖3（a）所示，選擇合約部署的環境是Remix VM(Shanghai)，在對合約進行部署之后，便可以調用函數接口與合約進行交互。圖3（b）是用戶與合約的交互頁面，用戶在對應的函數框中輸入數據，點擊函數按鈕后便可讓合約執行該函數。該頁面中的函數從上至下依次是協作頻譜感知融合函數、協作頻譜感知用戶注冊函數、頻譜管理者注冊函數、查看當前感知任務的感知結果函數、查看當前正在發布中的頻譜感知任務公告函數。

表2 智能合約測試數據

圖3 智能合約界面

本文使用頻譜管理者賬戶地址0x78731 cabaB進行頻譜管理者的注冊和任務發布，頻譜管理者注冊函數執行結果如圖4所示，執行函數之后，頻譜管理者發布的招募數量、招募公告、押金數量等信息被成功寫入智能合約，并因此消耗了264 443 gwei汽油費，汽油費是指執行智能合約所需支付的費用，其單位通常用gwei表示，其與以太幣的換算關系為1 gwei等于10?9個以太幣，汽油費的消耗量與智能合約代碼的復雜度以及數據量的大小有關。

圖4 頻譜管理者注冊函數執行結果

隨后，協作頻譜感知用戶便可以在合約中查詢到當前發布中的協作頻譜感知任務，調用頻譜管理者注冊函數的結果如圖5所示，在輸入框中輸入1再點擊viewTask按鈕表示查詢第一個發布協作頻譜感知任務的頻譜管理者的發布信息。下方出現的查詢結果中第一行是發布的公告，第二行是當前已經招募到的協作頻譜感知用戶的人數，第三行是該任務總的以太幣獎勵，單位為wei。

圖5 調用頻譜管理者注冊函數的結果

在頻譜感知招募階段結束以后，本文在頻譜管理者的賬戶中調用fusion函數，合約執行頻譜感知融合，隨后協作頻譜感知用戶User1和User3均收到退回的2個以太幣押金和3個以太幣獎勵，協作頻譜感知用戶User2因被判決為非誠實的用戶，押金沒有退還。感知數據融合結果如圖6所示，是頻譜管理者調用viewResult函數后得到的協作頻譜感知的最終結果，在指定頻段上的感知結果為1，被占用。任務結束后賬戶以太幣的變化如圖7所示，是任務結束后各賬戶的以太幣數額（初始狀態每個賬戶各有100ether）。

圖6 感知數據融合結果

圖7 任務結束后賬戶以太幣的變化

4 基于深度學習的惡意用戶識別方法

針對上文提出的協作頻譜感知系統，本節將詳細闡述系統中可能存在的惡意用戶及其行為，提出采用深度學習的方式對系統中的惡意用戶進行檢測，以保持系統的純潔性、公平性。

4.1 協作頻譜感知中存在的安全威脅

在本文所提出的協作頻譜感知系統中，按照攻擊目的劃分，大致存在以下類型的惡意用戶。

（1）企圖破壞融合中心判決結果的用戶

其發動的攻擊稱為偽造頻譜感知數據（spectrum sensing data falsification，SSDF）攻擊[20]。從惡意用戶發動攻擊的概率角度上看，主要分為“Always”型SSDF攻擊和概率型SSDF攻擊。概率型SSDF的攻擊者會按一定的概率選擇是否發動攻擊，因此攻擊者更難以被識別，目前的研究大部分關注于“Always”型攻擊，其主要分為以下3種類型：

? “Always Yes”攻擊，即只發送表示各個頻段主用戶存在的感知數據，其目的是阻止認知用戶接入空閑頻段；

? “Always No”攻擊，即只發送表示各個頻段主用戶不存在的感知數據，其目的是干擾主用戶的通信；

? “Always False”攻擊，即發送和本地感知結果相反的感知數據，其目的是破壞融合中心的判決結果。

理論上來說，“Always”型SSDF是一種特殊的概率型SSDF，即，概率為1的概率型SSDF。

（2）企圖騙取以太幣的用戶

該類用戶不會在本地進行頻譜感知，而是發送一段隨機生成的二進制感知數據到智能合約，以騙取以太幣獎勵的用戶，本文將該惡意行為稱為EF（Ether fraud），同理，也分為“Always”型EF和概率型EF，概率型EF因其有時候會發送真實的感知數據而較難被識別。

4.2 問題定義與數據生成

其中，每個協作頻譜感知用戶提交的感知數據表示為：

在進行數據分析時，考慮用戶的歷史數據，本文實際使用的特征是用戶的平均感知距離：

感知距離示意圖如圖8所示，當系統中的惡意用戶占比較少時，誠實用戶的平均感知距離要小于惡意用戶。這是本文將該數據作為神經網絡輸入特征的原因。同理，本文還將用戶提交的數據與融合中心的判決結果之間的感知距離也作為一種判別惡意用戶的特征數據，并稱之為感知偏差。

本文使用Python對系統的運行過程進行了仿真測試，并采用蒙特卡洛實驗，在此過程中收集到了足夠多的可用于訓練的數據。通過仿真程序，最終生成得到的未處理過的數據如圖9所示，數據在Python中以DataFrame的數據類型保存下來。

圖9 生成得到的未處理過的數據

由于用戶并非參與每一輪的協作頻譜感知任務，因此可以看到數據是高度稀疏的，數據量的缺乏會影響神經網絡的模型效果，本文需要對數據進行預處理。

數據處理的步驟如圖10所示。

圖10 數據處理的步驟

惡意用戶識別可以表示為以下優化問題：

4.3 實驗結果及分析

在這一部分，本文利用Python語言對基于深度學習的惡意用戶識別方法進行了測試與評估。在本文的引言部分談到，已經有部分國內學者對協作頻譜感知中的惡意用戶攻擊防御問題展開了大量研究工作，但是據筆者所知，這是第一個將深度學習應用于抵御騙取以太幣行為的工作。

本文所使用的性能指標有AUC、Accuracy、F1-score，AUC是ROC曲線與坐標軸所圍成的面積，ROC曲線的橫坐標是假陽率（false positive rate，FPR），縱坐標是真陽率（true positive rate，TPR），該曲線能反映出分類器在不同閾值下的性能表現，AUC的值為0.5～1，在本文的惡意用戶檢測算法中，其表示模型能正確預測某一用戶是否為惡意用戶的性能，值越大則模型的預測性能越好。

準確率Accuracy表示分類器將所有樣本正確分類的比例，即分類器正確分類的樣本數與總樣本數之比，值越大表示分類性能越好。準確率可以定義為：

其中，TP（true positive）表示真正例，TN（true negative）表示真負例，FP（false positive）表示假正例，FN（false negative）表示假負例。

F1-score是一種兼顧了精確率Precision和召回率Recall的性能指標，值越大表示分類性能越好，F1-score可以定義為：

召回率定義為：

精確率定義為：

其中，精確率指的是模型預測為正樣本中真正是正樣本的比例，召回率指的是數據集中的正樣本中被模型預測為正樣本的比例。

筆者將本節所提出的算法與其他算法進行比較，具體如下。

（1）隨機森林（random forest）：是一種集成學習算法，它的目的是在原始數據集上建立多個決策樹，并取其平均值以提高準確性和避免過擬合的問題。

（2）邏輯回歸（logistic regression）：是一種用于類別推斷和概率估計的統計學方法，通過將輸入特征與輸出的對數概率之間的線性關系建模來進行分類，邏輯回歸采用sigmoid函數來產生對數概率輸出，將線性預測值映射到0和1之間的實數值。

（3）支持向量機（support vector machine，SVM）：SVM方法的核心是在特征空間中尋找最優的分類超平面，使得正例和負例之間的間隔最大化，在處理非線性問題時，可以通過將數據映射到高維空間來實現線性分割。

（4）LightGBM（light gradient boosting machine）：一種基于梯度提升決策樹（gradient boosting decision tree，GBDT）的預測模型，是一種集成學習方法，它采用了類似于GBDT的增量的提升策略來訓練決策樹，使得每一個新的決策樹可以更好地擬合殘差。與傳統的GBDT相比，它采用了一些新的技巧來提高模型訓練速度和準確率，是目前最先進的GBDT框架之一。

（5）XGBoost（eXtreme gradient boosting）是基于gradient boosting框架的提升樹模型庫，是一種集成學習方法，該算法的主要貢獻來自它對決策樹進行優化的方法，包括目標函數、正則化項、分裂點選擇。

將上述所有算法在數據集上進行訓練和預測，最后獲得的實驗結果，即在仿真數據集中各模型的性能對比見表3。

表3 在仿真數據集中各模型的性能對比

本文采用的DNN模型在AUC、準確率和F1-score性能指標上都優于其他機器學習算法，結果表明本模型能提供較優的惡意用戶檢測性能。

30%的概率型EF下的ROC曲線如圖11所示，其描述了當發動惡意攻擊概率為30%的概率型EF行為存在于系統中時，所提出的基于深度學習的惡意用戶檢測算法與其他機器學習算法分別在ROC曲線上的性能表現進行了比較。

圖11 30%的概率型EF下的ROC曲線

在系統實際的運行過程中，惡意用戶識別的效果將比仿真得到的性能更好，其原因是在生成數據的仿真程序中，筆者采用-硬判決法則對所有用戶提交的感知數據進行融合，在融合之前并未使用訓練好的模型對惡意用戶進行排除，也未采用第5節提到的更優的協作頻譜感知融合算法。而在實際設想中的每輪頻譜感知任務中，首先通過事先訓練好的模型識別排除惡意用戶，然后利用基于性能權重和空間分集的協作頻譜感知融合算法進行感知數據融合，從而有助于進一步提高感知和惡意用戶識別的準確率。

5 基于性能權重和空間分集的硬判決協作頻譜感知融合算法設計

傳統的-硬判決頻譜感知融合算法沒有考慮不同的感知設備之間的性能差異，而且無法解決隱藏終端問題，使得處于同一干擾環境中的用戶同時被招募作為協作頻譜感知節點，這樣不僅會增加頻譜管理者的以太幣獎勵成本，而且會導致感知準確率低下。為了更好地解決上述問題，提出了一種基于性能權重和空間分集的硬判決協作頻譜感知融合算法。首先，在頻譜感知邊緣服務器端通過分析用戶的感知數據和當前用戶的位置信息來判斷用戶的受干擾情況，本文采用-means聚類算法，把在相同頻段受到干擾的用戶聚為一類；然后在不同聚類的簇中，依據用戶的歷史數據對不同用戶的感知性能做一個排序，并依次從每個簇中挑選出感知性能最佳的用戶進行-硬判決融合。

5.1 問題定義

假設有個用戶，每個用戶都對個頻段進行檢測，頻譜感知邊緣服務器端收到的樣本數據集為：

傳統的-means算法會采用歐氏距離的距離計算方式去衡量每個樣本與聚類中心的距離，從而量化出不同數據之間的相似度。顯然，感知結果是由二進制字符組成，本文不能直接使用衡量兩點之間距離的計算方式。其次，地理位置數據和二進制感知數據在數值大小、數據量上差異較大、在重要性上可能也有所不同，并且二進制感知數據包含了個二進制字符，這個二進制字符理應整體作為一個特征，因此本文不能直接對數據進行歸一化。

考慮上述情況，本文所采用的方法是分別單獨計算二進制感知數據和地理位置的距離矩陣，隨后按照一定的權重比例合并成一個混合距離矩陣。二進制感知數據距離矩陣和地理位置距離矩陣分別如下：

圖12 手肘法曲線

圖13 輪廓法曲線

在確定好簇的數目之后，本文便采用-means算法來對融合后的距離矩陣進行聚類，最終將處于同一干擾環境中的用戶聚類到相同的簇中。隨后，在不同的簇中，選擇感知性能最佳的用戶，直到選擇的用戶數達到招募需求。整個過程在算法1中描述，具體如下。

算法1 基于性能權重和空間分集的硬判決頻譜感知融合算法

當任意一個點的簇分配結果改變時：

對數據集中的每個數據點；

對每個質心；

計算質心與數據點之間的距離；

將數據點分配到距其最近的簇；

對每一個簇，計算簇中所有點的均值并將均值作為質心；

對每一個簇，將簇中的所有用戶按照平均感知偏差從小到大進行排序；

當沒有達到招募的目標人數時：

對每一個簇；

招募該簇中第一個用戶，隨后將該用戶從簇的集合中剔除；

+= 1

綜合所有的用戶數據，計算每個頻段被感知為1的次數和0的次數；

如果該頻段被感知為1的次數多于0，則記錄該頻段為1，否則為0；

結束；

5.2 實驗結果及結果分析

本節將通過仿真實驗來評估所提方案的性能。根據上文的手肘法和輪廓系數法，本文得到了合適的聚類簇數，將受到相似干擾的用戶進行聚類，聚類效果如圖14所示。圖14（a）是協作感知用戶的分布場景，同時展示了在地理位置維度上的聚類效果，可以看到地理位置距離較近的用戶受到的干擾也相似。為了在感知數據上實現聚類效果的可視化，筆者對其進行PCA降維處理，將維的二進制感知數據映射為二維數據，其數據的聚類效果如圖14（b）所示。

圖14 聚類效果

完成聚類相當于找出了在相同干擾環境中的用戶，隨后在不同的簇中，依據歷史數據對用戶的感知性能做一個排序，依次從不同簇中選擇歷史感知性能最佳的用戶作為協作頻譜感知節點再進行-硬判決融合法則。采用100次蒙特卡洛實驗，把本文提出的基于性能權重的空間分集算法與傳統的-硬判決算法在感知準確率上進行對比，同時，將所提算法拆分，把只采用性能權重的算法和只采用空間分集的算法也進行了實驗分析，所提算法在實驗中的性能如圖15所示。

圖15 基于性能權重和空間分集的硬判決協作頻譜感知融合算法性能

實驗結果顯示，對于不同的協作用戶招募數量，本文所提的基于性能權重和空間分集的硬判決協作頻譜感知融合算法在感知準確率方面優于傳統的-硬判決算法，此外，本文將所提算法拆分后進行實驗，只采用性能權重算法與只采用空間分集算法也均優于傳統的-硬判決算法。當招募了6個協作用戶時，所提算法的感知準確率接近100%，對比傳統的-硬判決算法，顯然更能保障在保持較高的感知準確率的同時付出更少的協作用戶招募成本。

6 結束語

本文研究了目前協作感知存在的安全性、激勵性、隱藏終端的問題，為了避免集中式協作頻譜感知所帶來的安全隱患，設計了一種運行在區塊鏈智能合約上的協作頻譜感知系統，并通過建立獎懲機制，結合人工智能自動識別惡意用戶、獎勵誠實且感知性能較高的用戶，很好地解決了激勵性和信任的問題。然后，提出了一種基于性能權重和空間分集的硬判決協作頻譜感知融合算法，解決了隱藏終端導致的感知性能不佳的問題，且基于數據分析的方法，能夠讓系統在頻譜感知數據融合階段做出最佳選擇。仿真結果表明，本文方案優于現有的集中式協作頻譜感知。

[1] Cisco. Cisco visual networking index: global mobile data traffic forecast update, 2017–2022[R]. 20197.

[2] GAO A, DU C Y, NG S X, et al. A cooperative spectrum sensing with multi-agent reinforcement learning approach in cognitive radio networks[J]. IEEE Communications Letters, 2021, 25(8): 2604-2608.

[3] SHI Z J, GAO W, ZHANG S W, et al. Machine learning-enabled cooperative spectrum sensing for non-orthogonal multiple access[J]. IEEE Transactions on Wireless Communications, 2020, 19(9): 5692-5702.

[4] JANU D, SINGH K, KUMAR S. Machine learning for cooperative spectrum sensing and sharing: a survey[J]. Transactions on Emerging Telecommunications Technologies, 2022, 33(1): 43-52.

[5] 王晴天, 劉洋, 劉海濤, 等. 面向6G的網絡智能化研究[J].電信科學, 2022, 38(9): 151-160.

WANG Q T, LIU Y, LIU H T, et al. Research on network intelligence for 6G[J]. Telecommunications Science, 2022, 38(9): 151-160.

[6] Federal Communication Commission. Spectrum policy task force report[R]. 2002.

[7] PANDIT S, SINGH G. An overview of spectrum sharing techniques in cognitive radio communication system[J].Wireless Networks, 2017, 23(2): 497-518.

[8] DENG Q Y, LI Z T, CHEN J B, et al. Dynamic spectrum sharing for hybrid access in OFDMA-based cognitive femtocell networks[J]. IEEE Transactions on Vehicular Technology, 2018, 67(11): 10830-10840.

[9] SARIKHANI R, KEYNIA F. Cooperative spectrum sensing meets machine learning: deep reinforcement learning approach[J]. IEEE Communications Letters, 2020, 24(7): 1459-1462.

[10] JALIL S Q, CHALUP S, REHMANI M H. Cognitive radio spectrum sensing and prediction using deep reinforcement learning[C]//Proceedings of 2021 International Joint Conference on Neural Networks (IJCNN). Piscataway: IEEE Press, 2021: 1-8.

[11] LIU C H, TSAI H C. Traffic management for heterogeneous networks with opportunistic unlicensed spectrum sharing[J]. IEEE Transactions on Wireless Communications, 2017, 16(9): 5717-5731.

[12] ZHANG Y W, ZHANG S C, WANG Y H, et al. Riemannian mean shift-based data fusion scheme for multi-antenna cooperative spectrum sensing[J]. IEEE Transactions on Cognitive Communications and Networking, 2022, 8(1): 47-56.

[13] CHEN Z B, XU Y Q, WANG H B, et al. Deep STFT-CNN for spectrum sensing in cognitive radio[J]. IEEE Communications Letters, 2021, 25(3): 864-868.

[14] LEE W, KIM M, CHO D H. Deep cooperative sensing: cooperative spectrum sensing based on convolutional neural networks[J]. IEEE Transactions on Vehicular Technology, 2019, 68(3): 3005-3009.

[15] LIU C, WANG J, LIU X M, et al. Deep CM-CNN for spectrum sensing in cognitive radio[J]. IEEE Journal on Selected Areas in Communications, 2019, 37(10): 2306-2321.

[16] 季薇, 李炳星, 鄭寶玉. 基于信譽與共識的分布式智能入侵防御方案[J]. 系統工程與電子技術, 2018, 40(3): 665-670.

JI W, LI B X, ZHENG B Y. Distributed intelligent intrusion prevention scheme based on reputation and consensus[J]. Systems Engineering and Electronics, 2018, 40(3): 665-670.

[17] 張孟伯, 王倫文, 馮彥卿. 基于強化學習和共識融合的分布式協作頻譜感知方法[J]. 系統工程與電子技術, 2019, 41(3): 486-492.

ZHANG M B, WANG L W, FENG Y Q. Distributed cooperative spectrum sensing method based on reinforcement learning and consensus fusion[J]. Systems Engineering and Electronics, 2019, 41(3): 486-492.

[18] 苗成林, 李彤, 呂軍, 等. 基于Dempster-Shafer證據理論與抗頻譜感知數據篡改攻擊的協作式頻譜檢測算法[J]. 兵工學報, 2017, 38(12): 2406-2413.

MIAO C L, LI T, LYU J, et al. Cooperative spectrum sensing algorithm against spectrum sensing data falsification based on dempster-shafer evidence theory[J]. Acta Armamentarii, 2017, 38(12): 2406-2413.

[19] FENG D Q, ZHANG L, ZHANG S L, et al. Blockchain-based secure crowdsourcing in wireless IoT[J]. Journal of Communications and Information Networks, 2022, 7(1): 23-36.

[20] PATNAIK M, PRABHU G, REBEIRO C, et al. ProBLeSS: a proactive blockchain based spectrum sharing protocol against SSDF attacks in cognitive radio IoBT networks[J]. IEEE Networking Letters, 2020, 2(2): 67-70.

A spatial diversity cooperative spectrum sensing system based on blockchain and deep learning

XIAO Zhongshan1, WANG Chunqi2, FENG Daquan1

1. Shenzhen University, Shenzhen 518060, China 2. The State Radio Monitoring Center, Beijing 100037, China

Cooperative spectrum sensing is a key technology in cognitive radio. A data-driven intelligent cooperative spectrum sensing system was proposed with spatial diversity running on a smart contract to address issues of security, privacy, incentive and hidden terminals in cooperative spectrum sensing. Specifically, a motivated spectrum sensing system was designed by taking advantage of the decentralization of blockchain technology and the immutability of data. Secondly, a deep learning-based approach was proposed to identify malicious users in the system. In addition, to achieve higher accuracy in recruiting sensing nodes more efficiently in the system, a hard decision cooperative spectrum sensing fusion algorithm based on performance weights and spatial diversity was designed. The experimental results indicate that the proposed solution outperforms traditional cooperative spectrum sensing algorithms in terms of security, privacy, motivation, and sensing accuracy.

cooperative spectrum sensing, cognitive radio, blockchain, smart contract, machine learning

The National Key Research and Development Program of China (No.2020YFB1807600)

TP393

A

10.11959/j.issn.1000?0801.2023193

2023?08?18；

2023?09?10

國家重點研發計劃項目（No.2020YFB1807600）

肖仲杉（1999? ），男，深圳大學碩士生，主要研究方向為頻譜共享共存。

王春琦（1991? ），男，國家無線電監測中心工程師，主要研究方向為聯盟鏈監管和頻譜共享共存。

馮大權（1986?），男，博士，深圳大學副教授，主要研究方向為 D2D 通信、頻譜共享共存、車聯網等。