[论文解读] Neural Network Cognitive Engine for Autonomous and Distributed Underlay Dynamic Spectrum Access

Fatemeh Shah-Mohammadi, Andres Kwasinski|arXiv (Cornell University)|Jun 28, 2018

Cognitive Radio Networks and Spectrum Sensing被引用 5

一句话总结

该论文提出了一种完全自主、分布式的底层动态频谱接入方案，采用NARX神经网络认知引擎，无需信息交换即可预测最近的主网络链路的完整自适应调制与编码（AMC）模式——包括调制方式和编码速率。通过估计主链路吞吐量的影响，该方案使认知无线电（CR）在保持主网络吞吐量下降低于目标阈值的同时最大化次级吞吐量，在仅使用三分之一探测消息的情况下，实现了高达50 kbps的次级吞吐量，且主网络吞吐量下降不足3.5%。

ABSTRACT

Two key challenges in underlay dynamic spectrum access (DSA) are how to establish an interference limit from the primary network (PN) and how cognitive radios (CRs) in the secondary network (SN) become aware of the interference they create on the PN, especially when there is no exchange of information between the two networks. These challenges are addressed in this paper by presenting a fully autonomous and distributed underlay DSA scheme where each CR operates based on predicting its transmission effect on the PN. The scheme is based on a cognitive engine with an artificial neural network that predicts, without exchanging information between the networks, the adaptive modulation and coding configuration for the primary link nearest to a transmitting CR. By managing the effect of the SN on the PN, the presented technique maintains the relative average throughput change in the PN within a prescribed maximum value, while also finding transmit settings for the CRs that result in throughput as large as allowed by the PN interference limit. Simulation results show that the ability of the cognitive engine in estimating the effect of a CR transmission on the full adaptive modulation and coding (AMC) mode leads to a much more fine underlay transmit power control. This ability also provides higher transmission opportunities for the CRs, compared to a scheme that can only estimate the modulation scheme used at the PN link.

研究动机与目标

• 解决在主从网络之间无信息交换的情况下，建立底层DSA干扰阈值的挑战。
• 使次级用户能够以分布式方式自主评估其对主用户造成的干扰影响。
• 开发一种机制，在最大化次级网络吞吐量的同时，最小化对主网络平均吞吐量的劣化。
• 通过自适应调制与编码（AMC）状态估计，消除对反馈信道或基于探测的主信号变化检测的依赖。
• 通过预测完整的AMC模式（调制方式与编码速率），而非仅调制阶数，提升频谱接入效率。

提出的方法

• 在每个次级用户处训练一个NARX（NARX）神经网络，基于感知到的调制信息预测主链路的AMC模式。
• 认知引擎利用对主链路调制的实时观测，推断信道质量指示符（CQI），该指示符反映调制阶数与编码速率的综合信息。
• 通过AMC模式预测，系统估计次级传输对主链路吞吐量的影响，从而评估干扰影响。
• 提出了两种底层DSA机制的变体：一种基于保持主链路调制阶数，另一种基于将主链路吞吐量的相对变化限制在用户定义的阈值内。
• 使用探测消息训练和更新神经网络，评估在完整和减少探测传输（例如，仅使用三分之一消息）下的性能。

实验结果

研究问题

• RQ1 神经网络认知引擎是否能在无主网络反馈的情况下，准确预测主链路的完整AMC模式（调制方式与编码速率）？
• RQ2 与仅估计调制阶数的方案相比，预测完整AMC模式如何提升次级网络吞吐量？
• RQ3 减少探测消息传输对AMC模式预测精度及干扰管理的影响如何？
• RQ4 所提方案在最大化次级吞吐量的同时，能在多大程度上将主网络吞吐量保持在预设劣化阈值内？
• RQ5 在主网络负载变化及两网络中存在多个共存链路的情况下，该方法表现如何？

主要发现

• 在主网络负载为0.48时，NARX神经网络在预测CQI（等效于完整AMC模式）方面达到了超过80%的准确率。
• 当所有探测消息均被传输时，主网络的相对平均吞吐量变化保持在3%以下；当仅使用三分之一探测消息时，该值低于3.5%。
• 对于180 kHz的信道带宽，次级网络的平均吞吐量在180 kbps至50 kbps之间，具体取决于网络负载和探测消息传输速率。
• 能够同时预测调制方式与编码速率，使次级传输机会的增加比例与仅使用调制分类方案相比，与阻塞时间减少的比例相同。
• 该方案显著降低了传输开销，同时在探测消息密度较低的情况下仍保持高干扰估计精度。
• 该方法通过消除对反馈信道的依赖，并实现完全自主、分布式运行而无需两网络间信息交换，优于现有方法。