认知无线电网络中基于信誉模型的协作频谱感知方法

1.本发明属于移动通信领域，具体是认知无线电网络中的协作频谱感知方法。


背景技术：

2.近年来，随着无线设备使用量的急剧增长，物联网、可穿戴设备等无线通信设备在源源不断地产生海量数据。这种现象已经导致无线电频谱的静态管理方案不再有效，无线电频谱的某些频段被频繁使用，而某些频段则没有或很少被使用。采用认知无线电技术，部分用户可以进行频谱感知，以使用可用的授权频段，从而减少信道的无序竞争。在认知无线电中，主用户拥有信道访问的绝对优先权，当信道处于空闲状态时，次用户能够伺机使用该信道。
3.在低信噪比的网络环境下，由于阴影、衰落效应的存在，影响了次用户对空闲授权频段的动态访问。协作频谱感知技术通过将众多次用户的检测结果结合起来，能够缓解单个次用户节点检测的模糊性，从而提高频谱感知性能。然而，由于无线信道的开放性和时变性，认知无线电网络很容易受到各种安全威胁，如干扰、窃听、欺骗等。其中，频谱感知数据伪造攻击是最常见、最严重的攻击，会使认知基站产生错误的感知决策，从而干扰主用户的数据传输。
4.目前，已有许多学者就如何缓解频谱感知数据伪造攻击的威胁进行了大量研究。文献[luo x.secure cooperative spectrum sensing strategy based on reputation mechanism for cognitive wireless sensor networks[j].ieee access,2020,8:131361-131369.]提出了一种基于beta信誉模型的动态信誉评估算法，根据认知传感器节点的历史行为来为其赋予信誉值，通过调整每个用户的权值，提高了认知基站协作感知的准确性。文献[wang j,chen r,tsai j,et al.trust based mechanism design for cooperative spectrum sensing in cognitive radio networks[j].computer communications,2018,116:90-100.]提出了一种基于机制设计理论的协作频谱感知数据融合方案，认知基站被赋予检测信道的能力，次用户将本地检测结果和检测能力同时报告给认知基站后，认知基站首先通过检测能力对次用户进行过滤，然后将恶意次用户和认知基站之间的收益建模为一种静态博弈模型，在恶意次用户虚假报告检测能力与认知基站检测信道的概率之间找到一个最优解，从而激励次用户能够报告真实的检测能力，提高了融合的准确率。文献[feng j,zhang m,xiao y,et al.securing cooperative spectrum sensing against collusive ssdf attack using xor distance analysis in cognitive radio networks[j].sensors,2018,18(2):370-383.]提出了一种基于异或距离的协作频谱感知算法，通过计算异或距离来衡量任意两个次用户之间的相似性，该方案能够提高信誉评估的精度，且有效地抵抗共谋攻击。文献[huang h,mu j,jing x.cooperative spectrum sensing based on centralized double threshold in mcn[j].china communications,2020,17(5):235-242.]提出了一种基于双门限的协作频谱感知方案，首先节点将检测到的能量报告给数据融合中心，数据融合中心采用等增益组合规
则得到最大和最小门限值，然后数据融合中心将节点报告的能量与最大和最小门限值进行比较，从而进行二值决策。
[0005]
在以上协作频谱感知的方案中，均是由单阶段融合算法得到融合结果。然而，随着次用户数量的增加，会导致单阶段融合误差的增加，从而降低协作频谱感知的性能，同时，认知基站融合的时间开销也会增加。针对该问题，文献[biswas r,wu j,du x,et al.mitigation of the spectrum sensing data falsifying attack in cognitive radio networks[j].cyber-physical systems,2021,7(3):159-178.]在分布式架构中提出了一种基于置信度与分布式融合的协作频谱感知算法，将分布式网络通过图论进行建模，并将连通支配集中的次用户设定为分布式数据融合中心。分布式数据融合中心首先采取加权多数融合策略进行融合，同时计算融合结果的置信度，然后两两分布式数据融合中心之间进行共享，并根据置信度来更新次用户的信誉值。文献[hyder c s,grebur b,li x,et al.arc:adaptive reputation based clustering against spectrum sensing data falsification attacks[j].ieee transactions on mobile computing,2014,13(8):1707-1719.]提出了一种基于信誉的聚类融合算法，首先根据次用户最近若干次检测结果之间的相似性，通过修正的k-medoid算法将次用户划分为k个簇，然后将影响因子作为权重，通过簇内投票得到簇的融合结果，最后在有效簇之间通过多数投票得到最终的融合结果，降低了融合的错误率，且能有效地识别恶意节点。
[0006]
在上述两阶段融合算法中，仅考虑了次用户报告结果之间的相似性，忽略了恶意次用户可以通过发起多种恶意行为来降低融合的准确性。因此，在存在恶意次用户的认知无线电网络中，从缓解单阶段融合误差、降低时间复杂度的角度出发，设计了一种基于beta信誉模型的两阶段安全协作频谱感知方法，以此来缓解恶意次用户的影响，提高认知基站融合的准确率。


技术实现要素：

[0007]
本发明旨在解决以上现有技术的问题。提出了一种基于信誉模型的协作频谱感知方法。本发明的技术方案如下：
[0008]
基于信誉模型的协作频谱感知方法，其包括以下步骤：
[0009]
101、可信节点进行区域融合。次用户将本地检测的结果报告给距离最近的可信节点后，可信节点通过融合算法和置信度评估模型获得本区域的融合结果及融合结果的置信度，并将两者报告给认知基站；
[0010]
102、根据步骤101得到的区域融合结果及置信度，认知基站进行最终融合。认知基站通过证据理论组合规则进行最终融合，然后取基本概率数较大的命题作为最终的融合结果；
[0011]
103、根据步骤102得到的最终融合结果，认知基站进行信誉值更新。融合结束后，以信道真实状态为标准，认知基站对报告结果不一致的可信节点内的次用户的信誉值进行惩罚，通过信誉值来对次用户的行为进行区分，从而降低恶意次用户对协作感知的影响；
[0012]
104、根据步骤103得到的最终融合结果，认知基站进行可信节点安全性评估。认知基站对当前的可信节点进行安全性评估，若当前正在工作中的可信节点已处于不安全状态，则对可信节点进行更新。
[0013]
进一步的，所述步骤101根据次用户报告的本地检测结果进行区域融合；
[0014]
次用户通过能量检测的方式进行本地检测，并构造统计量t，然后根据认知基站预设的门限阈值λ和判决规则进行判决，判决规则为：
[0015][0016]
式中，di(t)表示sui在时隙t的本地检测结果，取值为0或1；
[0017]
当di(t)为1时表示sui检测到信道中存在主用户信号，即信道是繁忙的；当di(t)为0时表示信道中不存在主用户，即信道是空闲的；检测结束后，正常次用户将di(t)报告给距离最近的可信节点，同时恶意次用户可能会报告与di(t)不一致的结果给可信节点。
[0018]
进一步的，用suj表示编号为j的可信节点，其中j∈{1,2,...,n}；lj为suj区域内次用户集合；在t时隙，suj区域的信誉偏差程度sj(t)为：
[0019][0020]
式中，rpi(t)表示sui在时隙t的信誉值，rpi(t)值的更新见后文基于beta分布的信誉更新机制；
[0021]
根据sj(t)，求得可信节点的融合结果oj(t)为：
[0022][0023]
进一步的，suj通过置信度来评估该融合结果的可靠程度；置信度的定义为参与融合的次用户的整体可靠性；在概率论和数理统计中，变异系数是衡量概率分布离散程度的参数，其计算方式为标准差与平均值之比，其值的大小不仅受参与数据离散程度的影响，而且还受数据平均水平的影响；使用变异系数εj来衡量区域中参与融合的次用户的整体可靠性，对于可信节点suj，变异系数εj的计算公式为：
[0024][0025]
式中，σj为集合lj中次用户信誉值的标准差；μj为集合lj中次用户信誉值的均值；
[0026]
在上式中，σj越小，意味着lj集合中次用户信誉值的离散程度越小；μj越大，则意味着集合中次用户信誉值越高；因此，变异系数εj越小，意味着参与融合的次用户整体可靠性越高；由于εj的取值范围是0到正无穷，为了方便地对数据进行处理，对εj进行归一化处理，置信度fj(t)的计算方式被定义为：
[0027][0028]
然后，可信节点suj将oj(t)和fj(t)报告给认知基站。
[0029]
进一步的，根据步骤101得到的区域融合结果及置信度，所述步骤102认知基站进行最终融合；
[0030]
认知基站接收到m个可信节点报告的数据后，首先通过证据理论中的概率分配函数表示每个可信节点的报告结果；可信节点suj的报告结果用概率分配函数qj表示；qj的识别框架θ为{h0,h1}，其中h0表示“信道是空闲的”命题，h1表示“信道是繁忙的”命题，θ的
幂集为qj的取值为：
[0031][0032]
进一步的，然后对m个可信节点的证据进行组合，选取组合后的概率分配函数中值较大的命题作为最终的融合结果；具体来说，对于每两个概率分配函数q1和q2，采用d-s合成公式进行组合，合成公式如下：
[0033][0034]
k由如下式得到：
[0035][0036]
即：
[0037][0038]
若q
′
({h1})≥q
′
({h0})，则最终融合结果p(t)为1，即信道的状态为繁忙状态；否则p(t)为0，即信道的状态为空闲状态。
[0039]
进一步的，所述步骤103根据步骤102得到的最终融合结果，认知基站进行信誉值更新；为了缓解恶意次用户的影响，将信誉模型应用到协作频谱感知的融合过程中；信誉模型被引入协作频谱感知算法的基本思想是：根据次用户的历史行为得到一个信誉值，通过信誉值来反映每个次用户对协作频谱感知的影响，信誉值较高的次用户以更高的权重参与融合，信誉值较低的次用户以较小的权重参与融合；
[0040]
认知基站融合得到融合结果p(t)后，可信节点融合结果oj(t)与p(t)之间的关系可能有两种：一致或者不一致；因此，可信节点若干次得到融合结果的过程可以被抽象为伯努利试验，多次报告的行为可看作是二项分布模型。
[0041]
进一步的，在概率论中，beta分布是指一组定义在(0,1)区间上的连续概率分布，beta分布包括α和β两个参数(α,β＞0)，通常被记作beta(α,β)；假设变量为θ，则beta(α,β)的概率密度函数f(θ；α,β)为：
[0042][0043]
假设似然函数pr(x|θ)满足二项分布b(n,θ)，将beta分布作为先验概率分布，运用贝叶斯定理进行推理，则后验概率分布为：
[0044][0045]
由式(10)中可见，先验概率分布中与θ有关的核为θ
α-1
(1-θ)
β-1
；由(11)可见，后验概率分布中与θ有关的核为θ
α+x-1
(1-θ)
n-x+β-1
；两个核具有相同的函数形式，因此beta分布为二项分布的共轭先验分布函数；同时，参数为α,β的beta分布函数的数学期望为：
[0046][0047]
进一步的，将次用户的信誉值通过beta函数来进行建模，sui的两个信誉值参数分别用αi和βi来表示；初始时隙，所有次用户的信誉值参数均被初始化为0.5，即信誉初始值rpi(0)＝e(θ)＝0.5；
[0048]
认知基站融合得到p(t)后，若p(t)为1，此时不进行信道分配，认为信道真实状态为空闲状态；若p(t)为0，此时通过信道分配算法将信道分配给某个次用户使用，若未与主用户发生碰撞，则认为信道真实状态为空闲状态，否则认为信道处于繁忙状态；当可信节点报告结果oj(t)与信道真实状态一致时，增加可信节点区域内次用户的信誉值，否则，降低可信节点区域内次用户的信誉值；
[0049]
对于可信节点suj，更新sui(sui∈lj)的策略为：
[0050][0051]
在时隙t，信誉值参数αi和βi更新后，αi/(αi+βi)为rpi(t+1)，rpi(t+1)被sui用于参与t+1时隙的协作感知。
[0052]
进一步的，所述步骤104根据步骤103得到的最终融合结果，认知基站进行可信节点安全性评估；
[0053]
随着感知次数的增加，认知基站最终融合的结果可能会多次产生错误；同时，随着感知时隙的推演，可信节点的报告行为可能会发生变化，此时当前的可信节点处于不可靠的状态，这将会影响协作感知的准确性；此时，需要选择更加可靠的节点作为下一轮的可信节点；
[0054]
每轮感知结束后，认知基站对当前的可信节点进行安全性评估，以评估是否触发可信节点的更新；触发可信节点更新的条件为：
[0055]
条件一：当认知基站融合结果为0的连续三次感知对主用户均造成了干扰，直接触发可信节点的更新算法；
[0056]
条件二：若不符合条件一，则每时隙窗口t，进行一次可信节点更新算法，若有更加可靠的m个次用户，即更好的选择，对当前的可信节点进行更新；t的取值在模型中是预定义的，通过仿真对不同的值进行测试，以更好地适应网络中次用户行为的变化。
[0057]
进一步的，在进行网络初始化时，由于认知基站与所有的次用户节点之间均无历史交互信息，因此认知基站对所有次用户节点的了解均为空白；因此，认知基站初始随机选
取m(m《n)个次用户作为可信节点；随着交互信息的增多，认知基站通过对次用户信誉值的更新，选取更加可靠的次用户作为可信节点；
[0058]
通过信誉值rpi(t)、历史正确概率pi(t)、历史漏检概率qi(t)三个参数对次用户sui进行综合评价；历史正确概率的定义为，sui作为可信节点时，sui的融合结果与信道真实状态一致的比例；历史漏检概率的定义为，sui作为可信节点时，sui的融合结果为0然而信道真实状态为1的比例；初始时隙，认知基站对所有次用户的了解缺乏先验信息，因此pi(0)与qi(0)均初始化为1。
[0059]
进一步的，模糊综合评价法是一种基于模糊数学的多因素决策方法，被用于解决多指标的评价问题，其主要的思想是将各因素的权重，评语和贡献值用模糊数来表达，通过模糊逻辑运算，得到最终的综合评价结果；通过模糊综合评价法对次用户进行评价，以sui为研究对象，主要包括以下五个步骤：
[0060]
1)确定因素集u＝{u1,u2,u3}，其中，u1为因素“次用户的可信程度”，u2为因素“次用户的历史正确概率”，u3为因素“次用户的历史漏检概率”；
[0061]
2)确定评语集v＝{v1,v2,v3}，其中，v1为评语“差”，v2为评语“中”，v3为评语“优”；
[0062]
3)确定各因素的权重集c＝{c1,c2,c3}，其中，c1,c2,c3分别对应u1,u2,u3三个因素的权重，三者之间的关系满足c1+c2+c3＝1，三者的取值由认知基站来决定；获得权重c1,c2,c3后，记作向量c＝[c1,c2,c3]；
[0063]
4)确定模糊综合评价矩阵；将rpi(t)、pi(t)和qi(t)通过隶属度函数进行模糊化，获得u1,u2,u3三个因素在v1,v2,v3三个评语中的隶属度，其中隶属度函数通过三角形和梯形隶属度函数相结合的形式进行设计；u1,u2,u3三个因素的隶属度函数如图3(a)～(c)所示；三角形隶属度函数如图4(a)所示，e和g分别为模糊集合输入参数的上下限，f为隶属度函数峰值所对应的输入参数；三角形隶属度函数为：
[0064][0065]
梯形隶属度函数如图4(b)所示，隶属度函数为：
[0066][0067]
式中，h和k分别为模糊集合输入参数的上下限；i和j分别为隶属度函数峰值所对应输入参数的上下限；
[0068]
通过图3(a)～(c)设计的各输入参数的隶属度函数，代入式(14)、式(15)，即可得到u1,u2,u3三个因素对应v1,v2,v3三个评语的隶属度；
[0069]
令u1对评语v1,v2,v3的隶属度构成向量g1，u2对v1,v2,v3的隶属度构成向量g2，u3对v1,v2,v3的隶属度构成向量g3，三者构成模糊综合评价矩阵g＝[g1；g2；g3]；
[0070]
5)模糊综合评价
[0071]
将c和g两个模糊矩阵进行合成，通过最大-最小合成法得到评价结果然后取隶属度数值最大的评语作为此次综合评价的结果；最后根据次用户综合评价的结果，将次用户按照“优”“中”“差”的顺序排序，当评语相同时，按照隶属度的值进行降序排列，取前m个次用户作为更新后的可信节点。
[0072]
本发明的优点及有益效果如下：
[0073]
1.设计了一种两阶段安全协作感知方法，将恶意风险控制在区域内，减少了对认知基站融合的影响。协作感知的融合过程分为两个阶段。第一阶段，可信节点通过融合模型进行区域融合，并通过置信度评估模型计算该融合结果的置信度，然后将两者报告给认知基站。第二阶段，认知基站将两者作为证据，通过证据理论的组合规则进行融合，得到最终融合结果。
[0074]
2.基于所提出的置信度评估模型，结合beta分布模型和贝叶斯推理规则，设计了一种次用户信誉更新机制，通过信誉值来缓解恶意次用户对融合的影响。同时，设计了可信节点更新机制对可信节点进行更新。
附图说明
[0075]
图1为简化的网络场景；
[0076]
图2为所提算法进行一轮感知的流程图；
[0077]
图3为模糊隶属度函数；
[0078]
图4为三角形和梯形的隶属度函数；
[0079]
图5为四种算法的决策成功率随恶意次用户的比例增加的变化；
[0080]
图6为四种算法的漏检概率随恶意次用户的比例增加的变化；
[0081]
图7为四种算法的虚警概率随恶意次用户的比例增加的变化；
[0082]
图8为正常次用户和恶意次用户平均信誉值随恶意次用户的比例增加的变化。
具体实施方式
[0083]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
[0084]
本发明的技术方案如下：
[0085]
在存在恶意次用户的认知无线电网络中，从缓解单阶段融合误差、降低时间复杂度的角度出发，设计了一种基于beta信誉模型的两阶段安全协作频谱感知方法，以此来缓解恶意次用户的影响，提高认知基站融合的准确率。
[0086]
本发明提出的协作频谱感知方法包括以下步骤：
[0087]
步骤一、可信节点进行区域融合。次用户将本地检测的结果报告给距离最近的可信节点后，可信节点通过融合算法和置信度评估模型获得本区域的融合结果及融合结果的
置信度，并将两者报告给认知基站；
[0088]
步骤二、认知基站进行最终融合。认知基站通过证据理论组合规则进行最终融合，然后取基本概率数较大的命题作为最终的融合结果；
[0089]
步骤三、认知基站进行信誉值更新。融合结束后，以信道真实状态为标准，认知基站对报告结果不一致的可信节点内的次用户的信誉值进行惩罚，通过信誉值来对次用户的行为进行区分，从而降低恶意次用户对协作感知的影响；
[0090]
步骤四、认知基站进行可信节点安全性评估。认知基站对当前的可信节点进行安全性评估，若当前正在工作中的可信节点已处于不安全状态，则对可信节点进行更新。
[0091]
为了评估所提出方法的性能，通过matlab仿真实验平台对网络场景进行了部署，网络场景包括主用户网络和认知网络，认知网络中包含100个次用户，可信节点的数量设定为5，其中恶意次用户的攻击类型是随机设置的。对认知基站融合的决策成功率、漏检概率、虚警概率、次用户的平均信誉值等方面进行了仿真。
[0092]
为了保证仿真的公平性，对比了两组两阶段协作感知的算法。一组是文献[biswas r,wu j,du x,et al.mitigation of the spectrum sensing data falsifying attack in cognitive radio networks[j].cyber-physical systems,2021,7(3):159-178.]所提出的基于置信度与分布式融合的协作频谱感知算法(cooperative spectrum sensing algorithm based on confidence and distributed fusion，cdf-cssa)，该算法将分布式网络通过图论进行建模，同时将连通支配集中的次用户设定为分布式数据融合中心，首先通过分布式数据融合中心得到该区域内的融合结果，然后通过分布式数据融合中心之间结果的共享获得最终融合结果。另外一组是文献[hyder c s,grebur b,li x,et al.arc:adaptive reputation based clustering against spectrum sensing data falsification attacks[j].ieee transactions on mobile computing,2014,13(8):1707-1719.]所提出的基于聚类的协作频谱感知算法(cooperative spectrum sensing algorithm based on clustering algorithm，ca-cssa)，该算法基于修正的k-medoid算法将次用户划分为k个簇，首先通过簇内投票得到簇内的感知结果，然后在有效簇之间进行多数投票得到最终的融合结果。同时，由于本方法通过beta分布函数进行信誉模型建模，与文献[luo x.secure cooperative spectrum sensing strategy based on reputation mechanism for cognitive wireless sensor networks[j].ieee access,2020,8:131361-131369.]提出的基于beta信誉模型的协作频谱感知算法(cooperative spectrum sensing algorithm based on beta reputation model，brm-cssa)进行了对比，该算法与所提方法的区别在于，该算法属于单阶段融合算法，在更新beta参数时，基于计算得到的置信度进行更新，而对比算法的更新方式较为简单。
[0093]
图5为四种算法的决策成功率，随恶意次用户的比例增加的变化。决策成功率的定义为感知100个时隙后，认知基站融合结果p t与信道真实状态一致的时隙数的比例。可以看出，随着恶意次用户比例的增加，决策成功率都有一定的下降。其中，ca-cssa算法从最初的0.94降低到0.75，下降了0.19；brm-cssa算法从最初的0.93降低到0.73，下降了0.2；cdf-cssa算法从最初的0.93降低到0.7，下降了0.23；而本算法从最初的0.95降低到0.78，仅下降了0.17。所提算法的决策成功率始终处于最高，且下降趋势是最慢的。这是因为本算法在对可信节点进行更新时考虑了该节点作为可信节点时的历史正确概率，保证了较可靠的次
用户来担任可信节点。同时，两阶段融合算法将安全风险限制在局部，避免了融合误差增加的问题，因此决策成功率要高于单阶段的brm-css算法。
[0094]
图6为四种算法的漏检概率，随着恶意次用户的比例增加的变化。漏检概率的定义为感知100个时隙后，信道处于繁忙状态，然而融合结果p t为0的时隙数的比例。从图中可见，随着恶意次用户比例的增加，四种算法的漏检概率都在上升。其中cdf-cssa算法的漏检概率上升速度最快，其次是brm-cssa算法，再次是ca-cssa算法，所提算法的漏检概率最低。这是因为在cdf-cssa算法中，是通过构造连通支配集的方式来构建分布式数据融合中心，可能分布式数据融合中心本身就是恶意次用户，而本算法综合多个因素来选择可信节点，从而规避了这个问题。其他三种对比算法未充分考虑次用户的历史漏检行为，而本算法在更新可信节点时将历史漏检概率作为评价属性，因此所提的算法可以降低漏检概率，减少对信道中主用户的干扰。
[0095]
图7为虚警概率随恶意次用户的比例的变化情况。虚警概率的定义为感知100个时隙后，信道处于空闲状态，然而融合结果p t为1的时隙数的比例。从图中可以看出，随着恶意次用户比例的增加，四种算法的虚警概率均在上升。恶意次用户的比例小于0.1时，虚警概率上升还不大，这是因为存在攻击行为的次用户的数量较少，对虚警概率的影响还不大。随着恶意次用户比例的增加，虚警概率开始上升，cdf-cssa算法和ca-cssa算法的虚警概率始终高于本算法，而本算法的虚警概率使用高于brm-cssa算法。这是因为与brm-cssa算法相比，brm-cssa算法通过对信誉值阈值进行了理论推导，保证了较低的虚警概率。虽然在虚警概率的表现上低于brm-cssa算法，但与brm-cssa算法的差距不大。
[0096]
从上面三组实验可知，随着恶意次用户比例的增加，恶意次用户的攻击对检测的概率均产生了较大的影响。采用所提算法后，漏检概率相比其他算法得到了明显的改善，尤其是网络中恶意次用户比例较高时，因此能够降低恶意次用户对主用户数据传输的干扰，同时在决策成功率和虚警概率上也与其他对比算法的差距不大。
[0097]
图8反映了随着恶意次用户比例的增加，正常次用户和恶意次用户平均信誉值的变化。从图8可以看得出，在恶意次用户不同的比例下，两者之间的差距基本处于稳定。此外，随着恶意次用户比例的增加，两者之间的差值逐渐拉大，因此根据次用户的信誉值基本能够区分出恶意次用户。这是因为本算法的信誉模型基于beta参数，每轮感知结束后，根据可信节点报告结果与信道真实状态的一致性，对信誉值参数αi或者βi进行更新，进而更新beta函数的数学期望，以通过信誉值来区分正常次用户和恶意次用户。
[0098]
相较于brm-cssa算法，所提算法的时间开销是较低的，这是因为brm-cssa是单阶段融合算法，融合时间开销与网络中次用户的数量有关，而本算法融合的时间开销与可信节点的设定数量有关。同时，所提算法的时间开销也低于cdf-cssa和ca-cssa两个双阶段融合算法，这是因为cdf-cssa算法是基于分布式架构，虽然采取了两阶段融合，但是需要次用户之间进行交换数据，并不断迭代最后达到共识，因此其时间开销较高。同时，ca-cssa算法基于k-medoid聚类算法实现分簇，需要定期划分簇，因此其时间开销也是较高的。
[0099]
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何
设备的组合。
[0100]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0101]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0102]
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

技术特征：
1.一种认知无线电网络中基于信誉模型的协作频谱感知方法，其特征在于，包括以下步骤：101、可信节点进行区域融合；次用户将本地检测的结果报告给距离最近的可信节点后，可信节点通过融合算法和置信度评估模型获得本区域的融合结果及融合结果的置信度，并将两者报告给认知基站；102、根据步骤101得到的区域融合结果及置信度，认知基站进行最终融合；认知基站通过证据理论组合规则进行最终融合，然后取基本概率数较大的命题作为最终的融合结果；103、根据步骤102得到的最终融合结果，认知基站进行信誉值更新；融合结束后，以信道真实状态为标准，认知基站对报告结果不一致的可信节点内的次用户的信誉值进行惩罚，通过信誉值来对次用户的行为进行区分，从而降低恶意次用户对协作感知的影响；104、根据步骤103得到的最终融合结果，认知基站进行可信节点安全性评估；认知基站对当前的可信节点进行安全性评估，若当前正在工作中的可信节点已处于不安全状态，则对可信节点进行更新。2.根据权利要求1所述的一种认知无线电网络中基于信誉模型的协作频谱感知方法，其特征在于，所述步骤101根据次用户报告的本地检测结果进行区域融合；次用户通过能量检测的方式进行本地检测，并构造统计量t，然后根据认知基站预设的门限阈值λ和判决规则进行判决，判决规则为：式中，d
i
(t)表示su
i
在时隙t的本地检测结果，取值为0或1；当d
i
(t)为1时表示su
i
检测到信道中存在主用户信号，即信道是繁忙的；当d
i
(t)为0时表示信道中不存在主用户，即信道是空闲的；检测结束后，正常次用户将d
i
(t)报告给距离最近的可信节点，同时恶意次用户可能会报告与d
i
(t)不一致的结果给可信节点。3.根据权利要求2所述的一种认知无线电网络中基于信誉模型的协作频谱感知方法，其特征在于，用su
j
表示编号为j的可信节点，其中j∈{1,2,...,n}；l
j
为su
j
区域内次用户集合；在t时隙，su
j
区域的信誉偏差程度s
j
(t)为：式中，rp
i
(t)表示su
i
在时隙t的信誉值，rp
i
(t)值的更新见后文基于beta分布的信誉更新机制；根据s
j
(t)，求得可信节点的融合结果o
j
(t)为：su
j
通过置信度来评估该融合结果的可靠程度；置信度的定义为参与融合的次用户的整体可靠性；在概率论和数理统计中，变异系数是衡量概率分布离散程度的参数，其计算方式为标准差与平均值之比，其值的大小不仅受参与数据离散程度的影响，而且还受数据平均水平的影响；使用变异系数ε
j
来衡量区域中参与融合的次用户的整体可靠性，对于可信节点su
j
，变异系数ε
j
的计算公式为：
式中，σ
j
为集合l
j
中次用户信誉值的标准差；μ
j
为集合l
j
中次用户信誉值的均值；在上式中，σ
j
越小，意味着l
j
集合中次用户信誉值的离散程度越小；μ
j
越大，则意味着集合中次用户信誉值越高；因此，变异系数ε
j
越小，意味着参与融合的次用户整体可靠性越高；由于ε
j
的取值范围是0到正无穷，为了方便地对数据进行处理，对ε
j
进行归一化处理，置信度f
j
(t)的计算方式被定义为：然后，可信节点su
j
将o
j
(t)和f
j
(t)报告给认知基站。4.根据权利要求1所述的一种认知无线电网络中基于信誉模型的协作频谱感知方法，其特征在于，所述步骤102根据步骤101得到的区域融合结果及置信度，认知基站进行最终融合；认知基站接收到m个可信节点报告的数据后，首先通过证据理论中的概率分配函数表示每个可信节点的报告结果；可信节点su
j
的报告结果用概率分配函数q
j
表示；q
j
的识别框架θ为{h0,h1}，其中h0表示“信道是空闲的”命题，h1表示“信道是繁忙的”命题，θ的幂集为q
j
的取值为：5.根据权利要求4所述的一种认知无线电网络中基于信誉模型的协作频谱感知方法，其特征在于，对m个可信节点的证据进行组合，选取组合后的概率分配函数中值较大的命题作为最终的融合结果；具体来说，对于每两个概率分配函数q1和q2，采用d-s合成公式进行组合，合成公式如下：k由如下式得到：即：若q
′
({h1})≥q
′
({h0})，则最终融合结果p(t)为1，即信道的状态为繁忙状态；否则p(t)为0，即信道的状态为空闲状态。
6.根据权利要求1所述的一种认知无线电网络中基于信誉模型的协作频谱感知方法，其特征在于，所述步骤103根据步骤102得到的最终融合结果，认知基站进行信誉值更新；为了缓解恶意次用户的影响，将信誉模型应用到协作频谱感知的融合过程中；信誉模型被引入协作频谱感知算法的基本思想是：根据次用户的历史行为得到一个信誉值，通过信誉值来反映每个次用户对协作频谱感知的影响，信誉值较高的次用户以更高的权重参与融合，信誉值较低的次用户以较小的权重参与融合；认知基站融合得到融合结果p(t)后，可信节点融合结果o
j
(t)与p(t)之间的关系可能有两种：一致或者不一致；因此，可信节点若干次得到融合结果的过程可以被抽象为伯努利试验，多次报告的行为可看作是二项分布模型。7.根据权利要求6所述的一种认知无线电网络中基于信誉模型的协作频谱感知方法，其特征在于，在概率论中，beta分布是指一组定义在(0,1)区间上的连续概率分布，beta分布包括α和β两个参数(α,β＞0)，通常被记作beta(α,β)；假设变量为θ，则beta(α,β)的概率密度函数f(θ；α,β)为：假设似然函数pr(x|θ)满足二项分布b(n,θ)，将beta分布作为先验概率分布，运用贝叶斯定理进行推理，则后验概率分布为：由式(10)中可见，先验概率分布中与θ有关的核为θ
α-1
(1-θ)
β-1
；由(11)可见，后验概率分布中与θ有关的核为θ
α+x-1
(1-θ)
n-x+β-1
；两个核具有相同的函数形式，因此beta分布为二项分布的共轭先验分布函数；同时，参数为α,β的beta分布函数的数学期望为：将次用户的信誉值通过beta函数来进行建模，su
i
的两个信誉值参数分别用α
i
和β
i
来表示；初始时隙，所有次用户的信誉值参数均被初始化为0.5，即信誉初始值rp
i
(0)＝e(θ)＝0.5；认知基站融合得到p(t)后，若p(t)为1，此时不进行信道分配，认为信道真实状态为空闲状态；若p(t)为0，此时通过信道分配算法将信道分配给某个次用户使用，若未与主用户发生碰撞，则认为信道真实状态为空闲状态，否则认为信道处于繁忙状态；当可信节点报告结果o
j
(t)与信道真实状态一致时，增加可信节点区域内次用户的信誉值，否则，降低可信节点区域内次用户的信誉值；对于可信节点su
j
，更新su
i
(su
i
∈l
j
)的策略为：
在时隙t，信誉值参数α
i
和β
i
更新后，α
i
/(α
i
+β
i
)为rp
i
(t+1)，rp
i
(t+1)被su
i
用于参与t+1时隙的协作感知。8.根据权利要求1所述的一种认知无线电网络中基于信誉模型的协作频谱感知方法，其特征在于，所述步骤104根据步骤103得到的最终融合结果，认知基站进行可信节点安全性评估；随着感知次数的增加，认知基站最终融合的结果可能会多次产生错误；同时，随着感知时隙的推演，可信节点的报告行为可能会发生变化，此时当前的可信节点处于不可靠的状态，这将会影响协作感知的准确性；此时，需要选择更加可靠的节点作为下一轮的可信节点；每轮感知结束后，认知基站对当前的可信节点进行安全性评估，以评估是否触发可信节点的更新；触发可信节点更新的条件为：条件一：当认知基站融合结果为0的连续三次感知对主用户均造成了干扰，直接触发可信节点的更新算法；条件二：若不符合条件一，则每时隙窗口t，进行一次可信节点更新算法，若有更加可靠的m个次用户，即更好的选择，对当前的可信节点进行更新；t的取值在模型中是预定义的，通过仿真对不同的值进行测试，以更好地适应网络中次用户行为的变化。9.根据权利要求8所述的一种认知无线电网络中基于信誉模型的协作频谱感知方法，其特征在于，进行网络初始化时，由于认知基站与所有的次用户节点之间均无历史交互信息，因此认知基站对所有次用户节点的了解均为空白；因此，认知基站初始随机选取m(m<n)个次用户作为可信节点；随着交互信息的增多，认知基站通过对次用户信誉值的更新，选取更加可靠的次用户作为可信节点；通过信誉值rp
i
(t)、历史正确概率p
i
(t)、历史漏检概率q
i
(t)三个参数对次用户su
i
进行综合评价；历史正确概率的定义为，su
i
作为可信节点时，su
i
的融合结果与信道真实状态一致的比例；历史漏检概率的定义为，su
i
作为可信节点时，su
i
的融合结果为0然而信道真实状态为1的比例；初始时隙，认知基站对所有次用户的了解缺乏先验信息，因此p
i
(0)与q
i
(0)均初始化为1。10.根据权利要求9所述的一种认知无线电网络中基于信誉模型的协作频谱感知方法，其特征在于，模糊综合评价法是一种基于模糊数学的多因素决策方法，被用于解决多指标的评价问题，其主要的思想是将各因素的权重，评语和贡献值用模糊数来表达，通过模糊逻辑运算，得到最终的综合评价结果；通过模糊综合评价法对次用户进行评价，以su
i
为研究对象，主要包括以下五个步骤：1)确定因素集u＝{u1,u2,u3}，其中，u1为因素“次用户的可信程度”，u2为因素“次用户的历史正确概率”，u3为因素“次用户的历史漏检概率”；2)确定评语集v＝{v1,v2,v3}，其中，v1为评语“差”，v2为评语“中”，v3为评语“优”；3)确定各因素的权重集c＝{c1,c2,c3}，其中，c1,c2,c3分别对应u1,u2,u3三个因素的权重，三者之间的关系满足c1+c2+c3＝1，三者的取值由认知基站来决定；获得权重c1,c2,c3后，
记作向量c＝[c1,c2,c3]；4)确定模糊综合评价矩阵；将rp
i
(t)、p
i
(t)和q
i
(t)通过隶属度函数进行模糊化，获得u1,u2,u3三个因素在v1,v2,v3三个评语中的隶属度，其中隶属度函数通过三角形和梯形隶属度函数相结合的形式进行设计；u1,u2,u3三个因素的隶属度函数如图3(a)～(c)所示；三角形隶属度函数如图4(a)所示，e和g分别为模糊集合输入参数的上下限，f为隶属度函数峰值所对应的输入参数；三角形隶属度函数为：梯形隶属度函数如图4(b)所示，隶属度函数为：式中，h和k分别为模糊集合输入参数的上下限；i和j分别为隶属度函数峰值所对应输入参数的上下限；通过图3(a)～(c)设计的各输入参数的隶属度函数，代入式(14)、式(15)，即可得到u1,u2,u3三个因素对应v1,v2,v3三个评语的隶属度；令u1对评语v1,v2,v3的隶属度构成向量g1，u2对v1,v2,v3的隶属度构成向量g2，u3对v1,v2,v3的隶属度构成向量g3，三者构成模糊综合评价矩阵g＝[g1；g2；g3]；5)模糊综合评价将c和g两个模糊矩阵进行合成，通过最大-最小合成法得到评价结果然后取隶属度数值最大的评语作为此次综合评价的结果；最后根据次用户综合评价的结果，将次用户按照“优”“中”“差”的顺序排序，当评语相同时，按照隶属度的值进行降序排列，取前m个次用户作为更新后的可信节点。

技术总结
本发明请求保护一种认知无线电网络中基于信誉模型的协作频谱感知方法，属于移动通信技术和计算机网络技术领域，用于解决协作频谱感知融合时如何降低频谱感知数据伪造攻击，并降低融合的时间复杂度的问题。首先，可信节点进行区域融合得到区域融合结果，同时通过置信度评估模型来计算该融合结果的置信度，并将两者上报给认知基站。其次，认知基站对可信节点报告的结果及置信度进行分析，并通过证据理论组合规则进行最终融合。仿真结果表明，该算法能够提高认知基站融合的决策成功率，同时能够降低漏检概率和虚警概率。降低漏检概率和虚警概率。降低漏检概率和虚警概率。


技术研发人员：马彬 张佳吉
受保护的技术使用者：重庆邮电大学
技术研发日：2023.04.20
技术公布日：2023/7/21