论文部分内容阅读
认知无线电网络(CRN, Cognitive Radio Network)由于允许非授权用户与授权用户动态共享频谱资源,从而可以有效缓解频谱资源日益紧缺与利用率低下的矛盾,得到了学术界和产业界的广泛关注,成为新一代无线通信网络的重要形态之一。在认知无线电网络中,由于频谱资源的稀缺特性和认知用户传输功率的受限特性,如何高效动态地分配各种网络资源(如频谱、功率等),在不干扰授权用户正常通信的同时提升非授权用户的性能,获得高的系统频谱效率(SE, Spectrum Efficiency)和能量效率(EE, Energy Efficiency),成为该网络的重要研究内容。针对认知无线电网络资源分配技术面临的高谱效和高能效的挑战,本文在机会式(Spectrum Overlay)和下垫式(Spectrum Underlay)认知无线电网络中(前者允许认知用户先进行频谱感知,当发现信道空闲后接入该频段进行传输；后者允许认知用户在对主用户造成的干扰小于允许门限的情况下和主用户同时进行传输)结合跨层设计思想、优化理论和鲁棒性设计,分别以提升频谱效率和能量效率为目标,研究了该场景下高效资源分配机制的设计问题。本文的研究内容简述如下：1、提出了分布式多信道认知多址接入协议(MAC, Medium Access Control),实现了对空闲频谱资源的高效共享。在分布式多信道Overlay认知无线电网络中,针对预约信道与数据信道的信道状态不一致性,以及数据信道传输能力的差异性未被充分利用造成的空闲频谱使用效率低的问题,提出了基于数据信道状态感知的多信道认知多址协议(CAM-MAC,Channel Aware Multi-channel MAC protocol)。该协议在预约信道上通过信息聚合的握手机制,实现了数据信道的预约和空闲信道信息的交互,有效减少了认知用户在预约信道上的平均成功预约时长。在服从Nakagami衰落的数据信道上,设计了基于瞬时信噪比的自适应传输机制,充分利用了多个数据信道上传输速率的差异性,从而进一步提升了空闲频谱的利用率。理论分析与仿真结果均表明：与已有协议相比,所提出的CAM-MAC协议能够显著地提升认知用户的饱和吞吐量且具有更低的时延性能。2、提出了一种实现认知用户平均能效最大化的功率分配策略。在Underlay认知无线电网络中,针对基于瞬时信道信息的静态优化方法不能够在快衰落场景中所有衰落状态下保障认知用户的长期能效性能和主用户长期服务质量(QoS, Quality of Service)的问题,提出了一种最优的功率分配方法来最大化认知用户平均EE。首先,采用中断概率约束作为主用户的QoS指标,同时考虑认知用户的平均发送功率和峰值发送功率约束,将该问题建模为具有机会约束的分式优化问题。由于该问题目标函数(平均EE)的非凸性以及主用户QoS约束的统计特性,因此该问题的求解极具挑战性。所以论文基于分式规划和拉格朗日对偶理论,提出了一种高效的迭代功率分配算法(IPA, Iterative Power Allocation algorithm)来求解上述问题,获得了最优的功率分配策略,在保障主用户QoS的前提下能够最大化认知用户的平均EE。进而,分析了该功率分配算法的计算复杂度。同时发现,该场景下遍历容量最大化问题可以归纳为平均EE最大化问题的一个特例。仿真结果表明：该功率分配策略在满足主用户中断概率约束的前提下,能够最大化认知用户的平均EE。此外,不同于遍历容量最大化问题,认知用户最优的平均EE和主用户的中断概率门限仅仅在一定范围内存在折衷关系。3、提出了一种具有鲁棒性的功率分配方案,实现了非完美信道状态信息(CSI, Channel State Information)下认知用户的能效最大化。在多信道Underlay认知无线电网络中,针对多个信道上非完美CSI将会极大降低认知用户能效并严重损害主用户正常通信的问题,提出了一种严格保障主用户QoS的最大化认知用户能效的功率分配方法。首先,从鲁棒性优化角度出发,将上述问题建模为一个具有无限个约束的最大最小优化问题。由于该问题外部最大化问题的非凸性以及内部最小化问题属于凹函数的最小化问题,因此该问题是NP难的。所以论文基于分式规划和全局优化理论,提出了一种基于交替迭代的功率分配算法(AIA, Alternating Iterative Algorithm)来求解该问题。仿真结果表明：当所有信道CSI不准确时,所提的鲁棒性方法能够严格保证认知用户对主用户的干扰小于给定门限值,同时还能够显著提升认知用户的EE性能。尤为重要的是,我们发现：非鲁棒性方案下的EE在信道CSI误差很小时,具有一定的鲁棒性；当信道CSI不准确时,认知用户的EE并不总是随着干扰门限值的增加而增长,而是存在一个最优的EE值。