邓小芳　官权升　林伟辉　姜胜明

(1.华南理工大学 电子与信息学院, 广东 广州 510640; 2.桂林电子科技大学 信息与通信

学院, 广西 桂林 541004; 3.上海海事大学 信息工程学院, 上海 201306)

基于干扰权限交易的认知无线电网络功率控制算法*

邓小芳1,2官权升1†林伟辉1姜胜明3

(1.华南理工大学 电子与信息学院, 广东 广州 510640; 2.桂林电子科技大学 信息与通信

学院, 广西 桂林 541004; 3.上海海事大学 信息工程学院, 上海 201306)

摘要：为提高认知无线通信系统频谱利用率和系统工作公平性,最大化授权用户和认知用户的经济效益,引入基于非合作博弈的干扰权限交易机制,提出了一种基于干扰权限交易的认知无线电网络功率控制算法.该算法允许授权用户在保证最低干扰门限的基础上交易其干扰权限,并对认知用户征收干扰价格来补偿其通信质量的降低.通过价格杠杆原理,授权用户和认知用户、认知用户和认知用户对干扰价格和发射功率进行非合作博弈,并且干扰价格和发射功率收敛于纳什均衡点.仿真结果表明,文中所提算法比传统算法具有更好的系统公平性和实用性.

关键词：认知无线电网络;干扰权限;功率控制

随着无线通信的快速发展,人们对频谱资源的需求越来越大,频谱资源日益稀缺匮乏[1-3].认知无线技术允许认知用户机会接入授权用户的已授权频道,通过共享频谱可以有效提高频谱利用率[4-8].由于认知用户的机会接入会对授权用户产生干扰,因此必须对其进行灵活的功率控制,使其对授权用户的干扰低于授权用户规定的干扰温度门限,才能保障无线网络正常运行.

对于频谱共享的认知无线通信网络,文献[9]提出了一种非合作博弈模型功率控制算法,即根据认知用户的服务质量(QoS)需求来控制发射功率,目的是使系统总吞吐量最大化.文献[10]提出了基于Stackelberg博弈机制的功率分配算法,授权用户通过向认知用户发射功率并收取费用来实现授权用户收益最大化,但忽略了认知用户对授权用户总干扰功率之和必须低于规定的干扰温度门限.文献[11]提出了一种考虑不同链路增益的功率控制博弈算法,它对不同路径增益的用户设计出不同的惩罚函数.文献[12]研究了授权用户在保障其最低服务质量的同时,依据认知用户干扰需求自适应调节发射功率使其收益最大化.文献[13]采用拉格朗日对偶理论对功率控制进行求解,相应的对偶问题采用梯度法求解.为提高认知无线通信系统的频谱利用率和系统工作公平性,最大化授权用户和认知用户的经济效益,文中引入基于非合作博弈的干扰权限交易机制,提出了一种基于联合定价和干扰受限的认知无线网络功率控制算法,该算法在保障授权用户最低服务质量(即所有认知用户干扰功率总和不超过授权用户干扰温度门限)的情况下,通过调整价格向认知用户征收干扰费用,补偿授权用户通信质量下降造成的损失.

1系统模型

图1给出了1个授权用户PU和N个认知用户SU共存的通信网络,采用自动频谱获取(DSA)技术,仅考虑上行通信链路.所有认知用户采用码分多址(CDMA)机制接入授权用户.为了控制来自认知网络的干扰,文中建立了一个双层Stackelberg博弈模型,包括一个领导者(授权用户PU)和多个跟随者(认知用户SU),跟随者之间互相竞争使用无线频谱资源.PU通过出让频谱使用权来获取额外经济利益,并通过价格控制来自认知用户的干扰.非合作博弈建立在PU设定的干扰价格的基础上,PU通过调整干扰价格,在满足自身最低服务质量需求(即认知用户对授权用户的干扰不超过授权用户所能容忍的干扰温度门限)的同时获利最大化.认知用户基于授权用户设定的干扰价格调整各自的发射功率,获取频谱使用权限,最大化自身利益.

图1　认知无线网络的单小区蜂窝模型Fig.1　A single-cell model of cognitive radio network

2算法描述

2.1　授权用户的效益函数

授权用户PU的收益包括自身利用频谱通信获取的利益和通过有偿出租频谱获取的额外利润.也就是只要认知用户SU使用频谱,PU就向SU收费.PU通过干扰收费交易从SU处获取经济利益,补偿自己通信服务质量下降造成的经济损失.因此PU的收益函数可表示如下:

(1)

为了满足PU的最低服务质量,必须保证PU的信噪比(SNR)不低于干扰温度门限,也就是SU网络对PU的干扰不能超过PU能忍受的最大干扰,即

(2)

式中,hi为PU到BS的路径损耗,δ2为背景噪声,γmin为PU的最小信噪比.式(2)取等号时对应PU的最小发射功率Pmin.

2.2　认知用户的效益函数

认知用户的收益函数为

(3)

式中,hj为SU到CBS的路径损耗,l为扩频增益,kij为PU到CBS的交叉路径损耗.

博弈的目标是找到一个Stackelberg方程的均衡解.SU增加发射功率可以提高传输容量,但会对PU产生更多的干扰,即必须向PU支付更高的干扰费用,SU的成本也相应提升.因此,在非合作模式下,干扰价格起到杠杆的作用,能有效地防止SU贪婪提高发射功率的行径,抑制PU和SU单方面偏离各自策略的动机.

2.3　认知用户的非合作功率分配

证明由文献[14]的博弈论定义可知,博弈模型若满足以下两个条件,则一定存在纳什均衡:

(1)策略空间在欧几里德空间RN中是非空且有界的闭凸集;

(2)效益函数在自身策略空间内是连续的凸(凹)函数.

首先,对式(3)求一阶偏导数

(4)

二阶偏导数为

(5)

认知用户效益函数的二阶导数明显小于0,所以是凹函数,一定存在纳什均衡.换而言之,认知用户间的非合作博弈至少存在一个解.

令式(4)等于0,得到认知用户j的发射功率:

(6)

(7)

2.4　授权用户的最优收益

将式(8)代入式(1),得到授权用户的最优收益为

(9)

2.5　Stackelberg方程的迭代算法

文中采用逆向归纳法求解Stackelberg双层博弈算法的步骤如下:

3仿真结果及性能分析

图2　授权用户收益与发射功率和干扰价格的关系Fig.2　Relationship between licensed user’s revenue and transmitting power and interference price

图3　授权用户和认知用户的发射功率与迭代次数的关系Fig.3　Relationship between transmitting power of licensed user and cognitive users and iteration numbers

由于需要保障授权用户的公平性,将文中算法与文献[8]的最优功率分配算法作比较.该文献的功率分配算法为

(11)

利用拉格朗日乘数法极值求解可得到功率迭代公式.在文中的仿真场景中,采用文献[8]算法进行仿真,结果如图4所示.图4表明在固定授权用户发射功率下,文中算法的系统总吞吐量非常接近文献[8]的系统总吞吐量.这说明文中算法为保护授权用户的服务质量,允许授权用户采取干扰价格收费体系来限制认知用户贪婪发射功率的行径,在保护自身服务质量的同时仅稍微降低系统总吞吐量,从而激励授权用户共享频谱的积极性,体现出系统的公平性和实用性.

图4　授权用户发射功率与系统总吞吐量的关系Fig.4　Relationship between licensed user’s transmitting power and system capacity

4结语

本研究针对认知无线网络联合定价和干扰受限的非合作功率分配问题,引入网络经济学的经济效益及保证干扰权限交易公平合理的非合作博弈竞争机制,提出了双赢的功率控制算法.该算法通过授权用户持续设置干扰收费价格对认知用户的接入和功率发射进行限制,反复使用价格迭代算法,直至获取最优收益的功率分配方案.理论推导和仿真结果表明,文中所提算法相比传统算法有更好的系统公平性和实用性,更符合认知无线网络的实际分配现状,具有广泛的现实应用意义.

参考文献:

[1]JavanMR,SharafatAR.Distributedjointresourceallocationinprimaryandcognitivewirelessnetworks[J].IEEETransactionsonWirelessCommunications,2013,61(5):1708-1719.

[2]GurG,AlagozF.Greenwirelesscommunicationsviacognitivedimension:anoverview[J].IEEENetwork, 2011,25(2):50-56.

[3]LinPeng,JiaJuncheng,ZhangQian,etal.Cooperationamongwirelessserviceproviders:opportunity,challenge,andsolution[J].IEEETransactionsonWirelessCommunications,2010, 17(4):55-61.

[4]BuShengrong,RichardF.Energy-efficientcognitivehetero-geneousnetworkspoweredbythesmartgrid[C]∥Proceedingsof2013IEEEINFOCOM.Turin:IEEE,2013:980-988.

[5]KimHJ,HongH.Amemory-efficientparallelstringmatchingforintrusiondetectionsystems[J].IEEECommunicationsLetters,2009,13(12):1004-1006 .

[6]PanMiao,LiPan,SongYang,etal.Whenspectrummeetsclouds:optimalsessionbasedspectrumtradingunderspectrumuncertainty[J].IEEEJournalonSelectedAreasinCommunications,2014,32(3):615- 627.

[7]GaoLin,WangXinbing,XuYouyun,etal.Spectrumtradingincognitiveradionetworks:acontract-theoreticmodelingapproach[J].IEEEJournalonSelectedAreasinCommunications,2011,29(4):843-855.

[8]BansalG,HossianMJ,BhargavaVK.AdaptivepowerloadingforOFDM-basedcognitiveradiosystems[C]∥ProceedingsofIEEEConferenceonCommunication.Gla-sgow:IEEE,2007:5137-5142.

[9]LuQianxi,TaoPeng.Utinity-basedresourceallocationinuplinkofOFDMA-basedcognitiveradionetworks[J].InternationalJournalofCommunicationSystems,2010,23(2):252-274.

[10]GunduzD,ErkipE.Opportunisticcooperationbydyna-micresourceallocation[J].IEEETransactionsonWirelessCommunications,2007,6(4):446-1454.

[11]YuHui,GaoLin.Pricingforuplinkpowercontrolincognitiveradionetworks[J].IEEETransactionsonVehicularTechnology,2010,59(4):769-1778.

[12]BuShengrong,YuFRichard.Greencognitivemobilenetworkswithsmallcellsformultimediacommunicationsinthesmartgridenvironment[J].IEEETransactionsonVehicularTechnology,2014,63(5):2115-2126.

[13]DaoudA,AlpcanT.Astackelberggameforpricinguplinkpowerinwide-bandcognitiveradionetworks[C]∥Proceedingsofthe47thIEEEConferenceonDecisionandControl.Cancun:IEEE,2008:1422-1427.

[14]MaKenzieA,DaSilvaL.Gametheoryforwirelessengineers[M].SanFrancisco:MorganandClaypoolPubli-shers,2006:1179-1183.

[15]AlpcanT,BasarT.CDMAuplinkpowercontrolasanoncooperrativegame[J].ElsevierWirelessNetwork, 2002,8(6):659-670.

Interference Right Trading-Based Power Control Algorithm of Cognitive Radio Networks

DengXiao-fang1,2GuanQuan-sheng1Linwei-hui1JiangSheng-ming3

(1. School of Electronic and Information Engineering, South China University of Technology, Guangzhou 510640, Guangdong, China;

2. School of Information and Communication, Guilin University of Electronic Technology, Guilin 541004, Guangxi, China;

3. College of Information Engineering, Shanghai Marine University, Shanghai 201306, China)

Abstract:In order to promote the fairness and spectrum efficiency of cognitive radio networks (CRNs) and to maximize the utility of primary user (PU) and secondary users (SUs), this paper introduces a game-based non-cooperation trading mechanism, and proposes an interference right trading-based power control algorithm of cognitive radio networks. In the algorithm, PUs that has satisfied their own minimum interference threshold are allowed to trade their interference rights (IRs), and the interference price is imposed on SUs to earn income as the compensation for the degradation of QoS. Moreover, through the principle of price lever, the non-cooperative game among SUs as well as between PUs and SUs are performed in terms of the interference price and the transmitting power, and thus the interference price and the transmitting power eventually converge to a Nash equilibrium point. Simulation results show that the proposed algorithm is more fair and practical than the traditional one.

Key words:cognitive radio; interference right; power control

中图分类号：TN929.5

doi：10.3969/j.issn.1000-565X.2015.09.006

作者简介：邓小芳(1976-),女,博士生,主要从事认知无线通信网络研究.E-mail: xfdeng@guet.edu.cn† 通信作者： 官权升(1985-),男,博士,副教授,主要从事认知无线通信网络研究.E-mail: eeqshguan@scut.edu.cn

*基金项目：国家自然科学基金资助项目(61302058);国家“973”计划项目(2011CB707003);华南理工大学中央高校基本科研业务费专项资金资助项目(2014ZZ0030)

收稿日期：2015-02-05

文章编号：1000-565X(2015)09-0034-05

Foundation items： Supported by the National Natural Science Foundation of China(61302058) and the National Program on Key Basic Research Project of China(2011CB707003)