Implementação prática de um sensoriamento cooperativo

Implementação prática de um sensoriamento
cooperativo baseado em multiestágios e
aprendizagem de máquina
Ricardo Seiti Yoshimura*, Maicon Kist**, Dick Carrillo Melgarejo, Fabiano Silva Mathilde,
Cristiano Bonato Both**, Juliano João Bazzo, Lisandro Zambenedetti Granville**
Rádios cognitivos surgiram como uma solução para otimizar a utilização do espectro de frequências
através da análise e seleção dinâmica de canais livres para comunicação. Dentro dessa abordagem, o
sensoriamento espectral é uma etapa fundamental no processo cognitivo, pois deve-se detectar sinais de
forma confiável e no menor tempo possível. Este artigo apresenta uma implementação em rádio definido
por software de uma proposta de algoritmo de sensoriamento espectral adaptativo, integrando três
soluções para otimizar o sensoriamento espectral: aprendizagem de máquina, multiestágios e
cooperação. Enquanto a aprendizagem de máquina e o sensoriamento multiestágios são executados em
cada rádio cognitivo da rede, uma estação-base recebe os resultados do sensoriamento e executa o
algoritmo cooperativo. A implementação foi realizada em um ambiente real e seus resultados mostram
que a integração alcança uma elevada taxa de acerto e mantém o tempo de sensoriamento baixo,
quando comparada a outras soluções de sensoriamento.
Palavras-chave: Rádio cognitivo. Rádio definido por software. Sensoriamento espectral. Aprendizagem
de máquina, Sensoriamento cooperativo.
Introdução
Em um ciclo cognitivo, um elemento deve ser
capaz de observar o meio ao seu redor, analisálo e a partir dessa análise tomar a decisão mais
conveniente, interagindo de volta ao meio. Nesse
sentido, rádios cognitivos surgiram como
dispositivos capazes de identificar e explorar
porções subutilizadas do espectro, fazendo uso
de canais não utilizados para maximizar a
eficiência na comunicação (AKYILDIZ et al.,
2006).
A tarefa de análise do espectro é chamada de
sensoriamento espectral (YUCEK; ARSLAN,
2009). A maximização da eficiência dessa
funcionalidade implica sua realização no menor
tempo possível e com a maior taxa de acertos
(GHASEMI; SOUSA, 2008). O tempo refere-se à
duração mínima para a técnica de sensoriamento
avaliar o estado de um canal (livre ou ocupado).
A taxa de acerto, por sua vez, é a relação entre o
número de avaliações, cujo estado do canal
tenha sido analisado corretamente, e o total de
avaliações realizadas (GABRAN; PAWELCZAK;
CABRIC, 2011). Deve haver, portanto, um
equilíbrio entre ambos, tornando esse um dos
maiores desafios no projeto de técnicas de
sensoriamento espectral.
Na literatura sobre rádio cognitivo são
destacadas cinco técnicas de sensoriamento
espectral individuais, cada uma com diferentes
relações entre tempo de sensoriamento e taxa de
acerto:
a) detecção de energia (SONG et al., 2012);
b) detecção de forma de onda (TANG,
2005);
c) detecção
cicloestacionária
(DEEPA;
IYER; MURTHY, 2010);
d) detecção por identificação de rádio
(YUCEK; ARSLAN, 2009); e
e) detecção por filtro casado (GHASEMI;
SOUSA, 2008).
As técnicas de sensoriamento apresentam
diferentes taxas de acerto e complexidades.
Técnicas simples, em comparação com técnicas
mais complexas, apresentam como principal
vantagem um menor tempo de sensoriamento,
enquanto a desvantagem é a redução da taxa de
acerto
no
resultado
do
sensoriamento
(GHASEMI; SOUSA, 2008).
Para reduzir o tempo de sensoriamento das
técnicas individuais, sem afetar a taxa de acerto
das avaliações do canal, são propostas na
literatura soluções baseadas em sensoriamento
cooperativo, multiestágios e aprendizagem de
máquina. O sensoriamento cooperativo surge
como uma solução para os problemas
enfrentados pelas técnicas de sensoriamento
espectral
individual,
tais
como:
ruído,
desvanecimento e terminal escondido. A solução
cooperativa consiste em compartilhar as
avaliações do sensoriamento entre os rádios
cognitivos localizados em uma mesma região
geográfica. As principais vantagens em relação
*Autor a quem a correspondência deve ser dirigida: [email protected].
** Pesquisadores do Grupo de Redes da Universidade Federal do Rio Grande do Sul (UFRGS).
Cad. CPqD Tecnologia, Campinas, v. 9, n. 2, p. 97-104, jul./dez. 2013
Implementação prática de um sensoriamento cooperativo baseado em multiestágios e aprendizagem de
máquina
às técnicas de sensoriamento individuais são
aumento na taxa de acerto, redução no tempo de
sensoriamento
e
redução
de
terminais
escondidos
(GANESAN;
LI,
2005).
A solução multiestágios surgiu para aumentar a
taxa de acertos do sensoriamento espectral sem
demandar troca de informações entre os
dispositivos
cognitivos
(MALEKI;
PANDHARIPANDE; LEUS, 2010). Essa solução
consiste em aplicar duas ou mais técnicas de
sensoriamento individuais sobre o sinal recebido.
O resultado final do estado do canal depende
então do algoritmo que é utilizado para combinar
os resultados de cada técnica individual. Nas
abordagens mais simples, por exemplo, o estado
do canal é o resultado da aplicação de
operadores lógicos AND e OR sobre os
resultados individuais (HUR et al., 2006).
O uso de algoritmos de aprendizagem de
máquina permite aumentar a taxa de acertos
através de algoritmos que se adaptam e
melhoram as decisões futuras baseados no
resultado das decisões anteriores. Na função de
sensoriamento espectral, esses algoritmos são
utilizados principalmente para adaptar o limiar de
decisão das técnicas de sensoriamento
individuais. O limiar de decisão é um valor
utilizado para identificar se o canal está livre ou
ocupado. Na técnica de detecção de energia, por
exemplo, o limiar é um valor de energia (GONG
et al., 2009).
Uma arquitetura que possibilita o emprego de
algoritmos de aprendizagem de máquina para
melhorar a taxa de acertos de um detector de
energia está sendo desenvolvida1 . Os resultados
apresentados demonstram que essa solução é
capaz de alcançar elevada taxa de acerto e
manter baixo o tempo de sensoriamento.
Contudo, a utilização dessa solução em um
ambiente cooperativo não é abordada.
Apesar dos diversos trabalhos sobre técnicas de
sensoriamento
individuais
e
cooperativas
propostos na literatura, poucos são os trabalhos
que avaliam esses algoritmos em um cenário
real. Neste trabalho, é descrito o processo de
integração da arquitetura proposta por Kist e
autores com um algoritmo cooperativo. A
principal contribuição deste trabalho é analisar os
ganhos reais oferecidos pela solução cooperativa
em uma rede cognitiva implementada na prática
por meio de rádio definido por software. Para tal,
a solução de Kist e autores foi desenvolvida
utilizando o framework GNU Radio (2013) e a
plataforma USRP (Universal Software Radio
Peripheral) como front end. O algoritmo
cooperativo utilizado é o de votação, cujo
ambiente foi composto por três rádios cognitivos.
Quando se compara o sensoriamento de um
único dispositivo e o sensoriamento cooperativo,
os resultados mostram que a solução
cooperativa é capaz de elevar a taxa de acertos
de todos os dispositivos cognitivos presentes na
rede.
Este trabalho está organizado da seguinte
maneira: na Seção 1, é apresentada a proposta
deste trabalho – um sensoriamento cooperativo
baseado em multiestágios e aprendizagem de
máquina; na Seção 2 é descrito o cenário de
experimentação real; os resultados obtidos
demonstrando a eficiência da solução proposta
são apresentados na Seção 3. Considerações
finais e trabalhos futuros são apresentados na
Seção 4.
1
Sensoriamento cooperativo baseado em
multiestágios e aprendizagem de
máquina
A fim de aumentar a taxa de acertos em relação
ao estado do canal, neste trabalho propõe-se a
combinação dos algoritmos de sensoriamento
adaptativo utilizando aprendizagem de máquina
em multiestágios e sensoriamento cooperativo
por votação.
A solução de Kist e autores, executada em cada
dispositivo cognitivo, é capaz de controlar o
tempo
entre
sensoriamentos
de
forma
adaptativa, a fim de detectar o estado do canal
da maneira mais precisa e mais rápida possível.
Entende-se por detecção do estado do canal a
identificação
da
comunicação
ou
não
comunicação
de
transmissores
numa
determinada largura de faixa do canal de
comunicação. Para tal, utiliza-se de um detector
de forma de onda, mais preciso, porém, mais
lento, para periodicamente comparar os
resultados com um detector de energia, mais
rápido, porém, menos preciso.
Quando o detector de energia decidir
contrariamente ao detector de forma de onda,
aplica-se o algoritmo de aprendizado Bayesiano
para reconfigurar o detector de energia de modo
que sua decisão seja igual à informação
recebida. Dessa forma, à medida que as
avaliações do detector de energia são corrigidas,
o algoritmo reconfigura seus parâmetros para
que o sensoriamento seja realizado com menor
frequência e dê prioridade à comunicação de
dados úteis. A solução de Kist e autores controla
a execução desses detectores, cujos resultados
demonstram que essa solução converge para
uma configuração adequada rapidamente.
As decisões espectrais realizadas por cada
dispositivo cognitivo são enviadas para uma
estação-base. Nessa estação é empregado um
algoritmo de sensoriamento cooperativo baseado
em votação, que combina as decisões dos
dispositivos de rádio cognitivo receptores e
1 An Adaptive Feedback System to Support Threshold Learning in Cognitive Radio, de autoria de Kist et al., 2013.
98
Cad. CPqD Tecnologia, Campinas, v. 9, n. 2, p. 97-104, jul./dez. 2013
Implementação prática de um sensoriamento cooperativo baseado em múltiestágios e aprendizagem de
máquina
fornece a decisão final do estado do canal. O
algoritmo de votação proposto é representado
matematicamente como:
{
K>N , H 0
d (t )= K < N , H 1
K=N ,H1
onde K representa a quantidade de dispositivos
que decidiram que o canal está livre, N é a
quantidade de dispositivos que decidiram que o
canal está ocupado, H 0 é a decisão final de
que o canal está livre e H 1 de que o canal
está ocupado. Assim, o algoritmo por votação
escolhe o estado final do canal de acordo com a
escolha da maioria dos dispositivos. Se houver
empate na decisão entre os dispositivos, a
hipótese H 1 prevalece.
Dessa forma, para a i-enésima decisão de
ocupação em um dado instante, haverá
convergência se todos os dispositivos obtiverem
os mesmos resultados em cada uma de suas
decisões individuais. Do contrário, se houver
diferença na decisão individual de pelo menos
um dos dispositivos, haverá divergência para
aquela i-enésima decisão. Note que não é
possível saber a priori qual é o dispositivo com a
maior taxa de acerto, impossibilitando a escolha
de um dispositivo como referência nas decisões
para os dispositivos restantes. Isso justifica o uso
do método de cooperação.
A integração entre a solução de Kist e autores e
o algoritmo cooperativo por votação foi bastante
direta. Foram realizadas modificações na solução
de Kist e autores para que as decisões
realizadas sobre o estado do canal fossem
salvas em arquivos na memória. Assim, para
cada rádio cognitivo receptor é gerado um
arquivo de decisões. Note que, a fim de que o
algoritmo de cooperação integre a decisão dos
dispositivos, é necessário antes que os
dispositivos estejam sincronizados entre si. Para
isso, considerando que a diferença de atraso de
propagação no meio de RF entre os dispositivos
é desprezível, a sincronização neste experimento
consistiu no alinhamento temporal das amostras
dentre os receptores, considerando como
referência a primeira subida de nível do sinal, i.e.
sob a ótica da primeira ocasião em que fosse
detectada a comunicação do sinal durante uma
coleta de informação. Por fim, o algoritmo
cooperativo por votação utiliza esses arquivos
para realizar a decisão final de ocupação do
canal,
utilizando
o
algoritmo
explicado
anteriormente.
Nesta seção foi apresentada a proposta de
integração da arquitetura proposta por Kist e
autores e a cooperação entre rádios cognitivos.
Na seção seguinte é apresentado o ambiente de
validação desenvolvido para avaliação da
integração.
2
Cenário experimental
Na Figura 1 pode ser observado o cenário
utilizado para validação da integração proposta.
O cenário é composto por dois ambientes: o
ambiente de radiofrequência e o ambiente de
sensoriamento. O primeiro foi projetado com o
propósito de se assemelhar a um ambiente de
radiofrequência real indoor. O segundo envolve a
execução dos algoritmos de sensoriamento. Os
dois ambientes são detalhados nas seções 2.1 e
2.2, respectivamente. Além disso, os parâmetros
de configuração utilizados no cenário de
validação são descritos na seção 2.3.
2.1 Ambiente de radiofrequência
No ambiente de radiofrequência, um sinal é
irradiado pelo front end do transmissor, conforme
Figura 1. Esse sinal é capturado pelo front end
dos rádios cognitivos, compostos pelas
plataformas USRP N210. Os sinais são
capturados e processados em computadores
pessoais executando o framework GNU Radio. A
comunicação entre as plataformas USRP N210 e
os computadores ocorre por meio de interfaces
Ethernet de 1Gbps.
Figura 1 Cenário utilizado
Cad. CPqD Tecnologia, Campinas, v. 9, n. 2, p. 97-104, jul./dez. 2013
99
Implementação prática de um sensoriamento cooperativo baseado em multiestágios e aprendizagem de
máquina
O transmissor foi configurado para representar
um usuário de rede sem fio, com duração da
transmissão do sinal de radiofrequência, intervalo
entre transmissões e potência do sinal
predefinidas.
O ambiente de propagação foi caracterizado
como indoor em uma faixa de frequência UHF.
Neste ambiente, os efeitos causados por
multipercurso e perdas por propagação em larga
escala podem ser considerados desprezíveis,
dada a proximidade e alinhamento dentre os
elementos de transmissão e recepção. É
importante destacar que as antenas foram
dispostas numa distância pouco maior do que
meio comprimento de onda, o que traz como
resultado uma diversidade espacial (PAULRAJ et
al., 2003), tal que cada um dos sensores tenha a
sua própria interpretação do sinal.
Os experimentos foram realizados em um
cenário com transmissão de um sinal OFDM
(Orthogonal Frequency-Division Multiplexing) e
em outro com um sinal de voz em FM
(Frequency Modulation). No espectro, os sinais
diferem entre si, principalmente no que tange à
largura de banda da mensagem e ao
comportamento do sinal no espectro de
frequência.
Os
dispositivos
cognitivos
realizam
constantemente a captura e o armazenamento
do sinal recebido, para, em seguida, verificar o
estado de ocupação do canal com a solução de
Kist e autores, conforme descrito na subseção
seguinte.
OFDM e FM. No primeiro cenário, o front end do
transmissor irradia um sinal OFDM com largura
de banda de 5 MHz, enquanto no cenário FM a
largura de banda é de 200 kHz. O transmissor
intercala entre períodos de transmissão do sinal
e de ausência de sinal, totalizando uma
comunicação
com
os
sensores
de
aproximadamente 1 minuto, num total de 15
coletas, cujo ponto de partida foi aleatoriamente
escolhido. O período médio de transmissão é
caracterizado segundo uma função densidade de
probabilidade cuja envoltória obedece uma
distribuição de Poisson, com média e variância
(λ) iguais a 3 segundos. O período médio de
ausência de sinal também é caracterizado de
maneira semelhante. Na configuração dos
dispositivos receptores, a taxa de amostragem
no cenário OFDM é de 7 Msamp/s, enquanto no
cenário FM é de 1,47 Msamp/s. Foram utilizados
3 dispositivos de rádio cognitivo sensores. Por
fim, todos os resultados mostrados foram
gerados com um intervalo de confiança de 90%.
A Tabela 1 resume os parâmetros utilizados.
Tabela 1 Configurações utilizadas na avaliação
Frequência central (MHz)
Modo de transmissão
Taxa de amostragem
(Msamples/s)
Largura de faixa (MHz)
Número de Transmissores
Número de Receptores
Antena
2.2 Ambiente de sensoriamento
O bloco de sensoriamento adaptativo executa o
sincronismo temporal entre os dispositivos e a
solução de Kist e autores, implementada em
Python e utilizando recursos do framework GNU
Radio.
Haverá diferenças de sincronismo, por menores
que sejam, entre os receptores, seja do ponto de
vista de propagação de RF ou durante o
processamento entre os diferentes receptores.
Isso pode ocasionar divergência nos resultados,
principalmente no entorno de transição de
estados de nível de um sinal a ser detectado. A
degradação causada por falta de sincronismo
pode ser considerada desprezível neste
experimento. Na sequência, é executado o
algoritmo de cooperação no bloco sensoriamento
cooperativo. Este recebe as decisões espectrais
realizadas por cada dispositivo de rádio cognitivo
receptor, através de um canal de controle
dedicado, e realiza a decisão final baseado na
técnica de votação.
2.3 C. Parâmetros de configuração
Com o objetivo de verificar a eficácia da
proposta, foi avaliada a transmissão dos sinais
100
Número de coletas
Intervalo de confiança
763
OFDM
FM
7
1,47
5
0,2
1
3
UHF log-periódica
15
90%
Nesta seção foram apresentados o ambiente
experimental utilizado, bem como os cenários de
validação.
Na
seção
seguinte
serão
apresentados os resultados dos algoritmos
propostos avaliados no cenário experimental
descrito.
3
Resultados
A Figura 2 ilustra o espectro de frequência do
sinal OFDM para cada um dos receptores em um
determinado instante de tempo. É possível
perceber que a mensagem no Receptor 1 está
com menor relação sinal-ruído, o que favorece
erros de detecção.
Já a Figura 3 mostra os resultados da taxa de
acertos ao longo das 15 coletas realizadas pelo
sensor, com um intervalo de confiança de 90%
definido para cada uma das medições. Fica
evidente a vantagem de se utilizar o
sensoriamento cooperativo comparado tão
somente ao sensoriamento adaptativo, a
exemplo das coletas 2 e 4. Nesses casos, em
Cad. CPqD Tecnologia, Campinas, v. 9, n. 2, p. 97-104, jul./dez. 2013
Implementação prática de um sensoriamento cooperativo baseado em múltiestágios e aprendizagem de
máquina
(a) Espectro do sinal recebido pelo Receptor 1
(b) Espectro do sinal recebido pelo Receptor 2
(c) Espectro do sinal recebido pelo Receptor 3
Figura 2 Sinal capturado nos receptores
Figura 3 Resultado das decisões individuais dos receptores para o sinal OFDM
Cad. CPqD Tecnologia, Campinas, v. 9, n. 2, p. 97-104, jul./dez. 2013
101
Implementação prática de um sensoriamento cooperativo baseado em multiestágios e aprendizagem de
máquina
Tabela 2 Resultados dos algoritmos de sensoriamento no cenário OFDM
Estado
Livre
Ocupado
Taxa de acerto
Receptor 1
Receptor 2
Receptor 3
Cooperativo
96,40%±
2,72%
92,58%
±5,61%
92,10%
±5,52%
98,73%
±0,54%
particular, quando um dos sensores apresentou
elevada taxa de erro na detecção, os demais
sensores
compensaram
os
resultados,
garantindo uma melhora de aproximadamente
35% da taxa de acerto na decisão final por
cooperação.
A Tabela 2 mostra a média de acertos alcançada
por cada dispositivo receptor e pelo algoritmo
cooperativo por votação.
Cada i-enésima decisão do algoritmo adaptativo
é enviada para a estação-base, onde é
executado o algoritmo cooperativo. A Tabela 2
apresenta os resultados em relação à taxa de
acerto na decisão do sensoriamento tomada por
cada um dos receptores. Além disso, na coluna
Convergência mostra-se o número de vezes (em
porcentagem) que a decisão foi a mesma em
todos os dispositivos. A tabela também mostra
que
os
dispositivos
convergiram
em
aproximadamente 89% das decisões realizadas.
Já em 11% das decisões, ao menos o resultado
de um dos dispositivos foi diferente. São nessas
situações de divergência que o algoritmo
cooperativo se mostra importante, sendo
responsável por realizar uma decisão com maior
probabilidade de acerto.
O algoritmo de sensoriamento cooperativo
alcançou uma taxa de acerto de 98,73%. Esse
resultado demostra que a solução cooperativa é
capaz de melhorar a taxa de acerto em relação
ao sensoriamento individual. É importante
destacar que a taxa de acerto do sensoriamento
cooperativo foi maior que a de todos os
dispositivos receptores e que o desvio-padrão é
muito baixo. Isso significa que esse algoritmo é
bastante constante, apresentando resultados
semelhantes mesmo quando os receptores
apresentam variações elevadas.
Por fim, na Figura 4 é demonstrado o tempo
decorrido até a i-enésima decisão espectral do
algoritmo cooperativo. A figura apresenta o
tempo decorrido para os algoritmos propostos
em comparação com o algoritmo de detecção
por forma de onda, no qual, embora a taxa de
acerto seja próxima de 100%, o tempo de
sensoriamento é maior. Pode-se observar que o
tempo para realizar as decisões espectrais na
solução proposta é substancialmente menor que
o tempo utilizado pelo algoritmo de forma de
onda. Nos experimentos realizados no cenário
OFDM, o algoritmo proposto se mostrou
aproximadamente 33 vezes mais rápido que o
102
Convergência
Divergência
88,95%±12,07%
11,05%
±12,07%
detector de forma de onda.
Para o cenário FM, os principais resultados são
apresentados na Tabela 3. Percebe-se que
nesse cenário apenas o Receptor 1 foi capaz de
alcançar uma taxa de acerto elevada, em
decorrência de ele ter sido usado como base
para o formato de onda.
Figura 4 Comparação do tempo de
sensoriamento
A baixa taxa de acerto dos demais dispositivos
ocorre por conta da grande dificuldade de
detectar um sinal FM próximo aos limiares de
ruído. Na Tabela 4 são mostrados os resultados
do algoritmo de sensoriamento cooperativo em
FM. Aqui se destaca a robustez do algoritmo,
pois, mesmo quando a maioria dos dispositivos
apresenta uma taxa de acerto individual baixa, é
possível melhorar a taxa final de acerto. Para o
cenário FM, o tempo de sensoriamento
apresentou um ganho aproximadamente 6 vezes
maior em relação ao algoritmo de forma de onda.
Em comparação com o ganho obtido com o sinal
OFDM, ocorre uma redução, que se deve ao fato
de a solução de Kist e autores tentar melhorar o
acerto nas decisões sempre que há divergência
entre os resultados obtidos no detector de
energia e no detector de forma de onda.
Tabela 3 Resultados para o cenário FM
Resultados Obtidos
Dispositivo Receptor
Taxa de acerto (%)
1
2
3
99,54
50,52
58,11
Cad. CPqD Tecnologia, Campinas, v. 9, n. 2, p. 97-104, jul./dez. 2013
Implementação prática de um sensoriamento cooperativo baseado em múltiestágios e aprendizagem de
máquina
Tabela 4 Sensoriamento cooperativo – Sinal FM
Resultados Obtidos
Taxa de acerto (%)
Ganho no tempo de sensoriamento
74,47
6 vezes
Os resultados demonstram que a integração
entre a solução de Kist e autores e o algoritmo de
cooperação por votação consegue alcançar
taxas de acerto elevadas enquanto mantém o
tempo de sensoriamento baixo. Já o tempo de
sensoriamento é reduzido consideravelmente,
independentemente do tipo de sinal analisado.
Conclusão
Neste trabalho foi apresentada a integração de
um algoritmo de sensoriamento espectral
individual com aprendizagem de máquina
baseado em multiestágios e o algoritmo
cooperativo de votação. A solução final é flexível
e de baixa complexidade para ser incorporada
em produtos comerciais. Os resultados, obtidos
em um cenário real, mostraram que a solução é
uma alternativa eficiente para obter uma elevada
taxa de acertos na detecção de transmissões
digitais, ao mesmo tempo em que o tempo
utilizado para sensoriar os canais é mantido
baixo. Trabalhos futuros sobre os algoritmos
propostos incluem algoritmos de cooperação
mais eficientes, utilização de sensoriamento ao
longo de toda a largura de banda de um sinal,
mehorias na detecção do sinal FM, controle de
sincronização entre os dispositivos de rádio
cognitivo, expansão do número de dispositivos
transmissores e receptores, emulação de
diferentes cenários de multipercurso em cada
rádio cognitivo receptor, além de análise do
comportamento do algoritmo de aprendizagem,
frente a diferentes sinais de rádio de redes locais
e metropolitanas, como o Wi-Fi e o WiMAX.
Agradecimentos
Os autores agradecem o Ministério das
Comunicações, que, através do Fundo para o
Desenvolvimento
Tecnológico
das
Telecomunicações (FUNTTEL), financia o projeto
RASFA no CPqD, além das pertinentes
sugestões apresentadas pelo colaborador João
Paulo C. L. Miranda.
Referências
AKYILDIZ, I. F. et al. Next generation/dynamic
spectrum
access/cognitive
radio
wireless
networks: A survey. Computer Networks, v. 50,
n. 13, p. 2127-2159, 2006.
DEEPA,
B.;
IYER,
A.;
MURTHY,
C.
Cyclostationary-based architectures for spectrum
sensing in IEEE 802.22 WRAN. In: IEEE
GLOBAL
TELECOMMUNICATIONS
CONFERENCE (GLOBECOM 2010), Miami.
Proceedings... Miami, 2010, p. 1-5.
GABRAN, W.; PAWELCZAK, P.; CABRIC, D.
Throughput and collision analysis of multichannel
multistage spectrum sensing algorithms. IEEE
Transactions on Vehicular Technology, v. 60,
n. 7, p. 3309-3323, 2011.
GANESAN, G.; LI, Y. Agility improvement through
cooperative diversity in cognitive radio. In: IEEE
GLOBAL
TELECOMMUNICATIONS
CONFERENCE (GLOBECOM 2005), St. Louis,
USA, Proceedings... St. Louis, p. 2505-2509,
2005.
GHASEMI, A.; SOUSA, E. Spectrum sensing in
cognitive
radio
networks:
requirements,
challenges and design trade-offs. IEEE
Communications Magazine, v. 46, n. 4, p. 3239, 2008.
GNU RADIO, the free and open software radio
ecosystem.
Disponível
em:
<http://gnuradio.org/redmine>. Acesso em: 09.
dez. 2013.
GONG, S. et al. Threshold-Learning in Local
Spectrum Sensing of Cognitive Radio. In: IEEE
VEHICULAR TECHNOLOGY CONFERENCE
(VTC
2009),
Barcelona.
Proceedings...
Barcelona, 2009, p. 1-6.
HUR, Y. et al. A cognitive radio (CR) system
employing a dual-stage spectrum sensing
technique: A multi-resolution spectrum sensing
(MRSS) and a temporal signature detection
(TSD)
technique.
In:
IEEE
GLOBAL
TELECOMMUNICATIONS
CONFERENCE
(GLOBECOM
2006),
San
Franscico.
Proceedings... San Franscico, p. 1-5, 2006.
MALEKI, S.; PANDHARIPANDE, A.; LEUS, G.
Two-stage spectrum sensing for cognitive radios.
In: IEEE INTERNATIONAL CONFERENCE ON
ACOUSTICS
SPEECH
AND
SIGNAL
PROCESSING
(ICASSP
2010),
Dallas.
Proceedings... Dallas, 2010, p. 2946-2949.
PAULRAJ, A.; NABAR, R.; GORE, D.
Introduction
to
Space-Time
Wireless
Communications. In: Cambridge University
Press, 2003.
SONG, J. et al. Spectrum sensing in cognitive
radios based on enhanced energy detector. IET
Communications, 6(8):805-809, 2012.
TANG, H. Some physical layer issues of wideband cognitive radio systems. In IEEE
INTERNATIONAL SYMPOSIUM ON NEW
FRONTIERS
IN
DYNAMIC
SPECTRUM
ACCESS
NETWORKS
(DySPAN
2005),
Baltimore, USA. Proceedings... Baltimore, 2005,
p. 151-159.
Cad. CPqD Tecnologia, Campinas, v. 9, n. 2, p. 97-104, jul./dez. 2013
103
Implementação prática de um sensoriamento cooperativo baseado em multiestágios e aprendizagem de
máquina
USRP.
Disponível
em
<https://www.ettus.com/product>. Acesso em: 09
dez. 2013.
YUCEK, T.; ARSLAN, H. A survey of spectrum
sensing
algorithms
for
cognitive
radio
applications. IEEE Communications Surveys
Tutorials, 11(1):116-130, 2009.
Abstract
Cognitive radios emerged as a solution to optimize the use of radio spectrum through analysis and
dynamic selection of channels used for communications.The main function to perform channel analysis is
called Spectrum Sensing. Through this function is possible to analyse and select available channels for
transmission. This article presents an integration of three solution to optimize the Spectrum Sensing:
machine learning, multi-stages and cooperation. In this integration, while the machine learning and the
multi-stage spectrum sensing is executed in each cognitive radio, a base station receives the sensing
results and engages them through the cooperative algorithm. Results show that the integration obtains a
high hit rate while keeping the sensing duration low, when compared to existing sensing solutions.
Key words: Cognitive Radio. Software Defined Radio. Spectrum Sensing. Machine Learning.
Cooperative Sensing.
104
Cad. CPqD Tecnologia, Campinas, v. 9, n. 2, p. 97-104, jul./dez. 2013