认知无线电对无线电监察的影响研讨

本文作者：张涛 单位：青海省无线电监测站

常用的单节点频谱感知技术有匹配滤波、能量检测和周期性检测3种[4]。(DSA)DSA是基于频谱检测的结果，在授权用户中进行可用频段的分配，以达到系统的最优化。由于CR网络中的用户对带宽、信道和所处的位置都是随机的，传统的分配算法不能完全适应，所以要有一种新的动态频谱分配算法。目前基于CR的DSA主要是基于频谱共享池(Spectrumpooling)这一策略，也就是将分配给不同业务的频谱合并成一个公共的频谱池，并将其划分为若干个子信道，而子信道是频谱分配的最小单元[5]。频谱共享池的DSA实质是一个信道受限的最优化问题。在保证相对公平和最小化干扰的情况下，最大化信道的利用率。CR系统中每个CR用户的发射功率是对其他用户造成干扰的主要原因[6]，所以要对CR系统内的用户进行功率控制。功率控制的目标是在不对授权用户造成有害干扰的前提下，增加认知用户的发射功率或者是接入更多的认知用户，提高信道利用率和CR网络的通信容量。

认知无线电带给无线电监测的挑战

认知无线电环境下，无线电站台的技术参数如发射功率、调制方式、编码方式和传输速率等都将随着环境的变化而不断变化，从而提高了无线电监测对信号的跟踪要求，如灵敏度、动态性[7]等；主用户、次用户以及非法用户等多重使用者身份的出现也使得频谱的合法性使用分析变得更加复杂。

静态的频谱分配机制，也就是将某一段固定的频谱指定给某个通信业务类型的用户，得到这种授权的用户才能使用该频段，不同类型的授权用户之间不能共享。认知无线电技术通过找出不同频率、不同时间、不同地理位置的频谱“空洞”，并实现频谱的动态共享，两种共享方式见图1。认知无线电技术采用动态频谱共享的方式显然能够大大提高频谱的利用率，但是，对于无线电管理和无线电监测，它也带来了挑战。首先，需要对频谱进行重新分配和规划，对于已经分配的频率，需要重新评估其合理性，对于不适应现有技术发展的频段要重新整合和分配；其次，不同用户共享频谱，使得同一频段内用户类型增多，加之各种接入的认知设备标准不一，极有可能加大电磁环境的干扰；最后，对于某一频段上的频段数据统计和分析也要做相应的改变，必须找到更有效的数据统计和分析方式，来描述特定频谱整体的使用状况。

无线电监测系统对信号的监测包括合法用户信号的识别和干扰、非法用户信号的监测识别。对于现有的监测系统，被监测频段的唯一使用者即授权用户，其信号为唯一合法的信号。通常该频段授权信号的发射功率、能量、出现的时间以及背景噪音等都有详细的记录，并写入了监测数据库，对授权信号的识别甚至可以简单地通过判别监测频段是否存在信号即可。使用认知无线电技术，某一频段上的合法信号不止是授权用户的信号，正常接入的认知用户信号也是合法信号，认知信号的参数和出现的时间都是可变的，对监测信号不能简单地通过判定频段上信号的有无来确定该信号是否为授权用户信号。在认知无线电环境下，干扰信号的来源更加多样化，由于大量认知用户的接入，即使所有认知用户都是按照自身不对授权用户造成干扰的情况进行通信，但是从系统的整体来看，还是有可能对授权用户造成干扰。无线电监测系统必须采用新的机制对特定频段的干扰水平进行划分和测定。认知信号在认知用户漏检以及认知用户异常的情况下有可能造成干扰，对于认知用户造成的干扰必须通过无线电监测发现和纠正。此外，现有系统不能对非法信号和认知信号进行有效的区分，会把授权信号以外的其他信号作为非法信号处理，所以，必须采用新的监测技术对违法的信号和认知信号进行区分。

基于认知无线电的新型监测系统

现有的无线电监测系统已经不能胜任新环境下的监测要求，必须对现有的无线电监测系统进行改进，形成一个针对认知无线电环境下的新型无线电监测系统以便应对上文所述的种种挑战。新的监测系统需要从两个方面对现有无线电系监测统进行升级改进：一是完善现有无线电监测的不足之处；二是采用认知无线电技术之后，针对原有监测系统不能适应的地方或做改进，或采用新的方法，使其能够合理地解决新环境下无线电监测的问题。新型监测系统模型如图2所示，该系统是一个联网联合监测的网络拓扑系统，它由多个监测子系统构成，每个监测子系统由天线系统、接收机系统、监测数据库系统和测向定位系统组成。

在认知用户与授权用户共存的网络中，授权用户受到潜在的干扰情况可能为：淤认知用户漏检，错判当前频段可用，接入当前频段会与授权信号发生“碰撞”，从而干扰授权用户的通信；于认知用户异常，如，认知设备受到攻击或者设备故障变成异常认知设备，不遵守认知无线电接入的规则，自身不进行功率控制，很可能对授权用户造成干扰；盂非法信号占用频段。新型的无线电监测系统应该能够检测出以上几种情况。新型监测系统首先对监测信号进行干扰评估，由此建立授权用户可承受认知用户的干扰图，通过对在监测过程中出现的认知信号和干扰评估结果的对比，可以粗略地判别出认知信号是否已经造成了干扰。在干扰识别过程中，通过频谱分析、信号分类、信号估计提取等步骤，逐步将信号归类，最终识别信号归属。具体的识别过程见图3。

监测数据库的建设和管理的好坏直接影响到整个监测系统性能的优劣。所以合理的设计监测数据库，对无线电监测起着重要的作用。新型监测系统数据库维护的重点之一在于建立各种信号的样本数据库和统计分析数据库，如图4所示。信号特征数据库用于对信号特征的描述，便于与监测信号对比，识别合法信号和发现不明信号。而数据统计分析数据库主要是管理频段的使用情况，如占用度的统计、电磁环境的分析等，对于认知无线电下的信号数据进行统计和分析，需要更进一步细化步骤。

新型的无线电监测系统则采用联网控制，通过融合相邻监测站的监测信号，完成联网信号的采集。各个监测站通过与具有强大数据处理能力的监测处理中心相连，完成对信号的联合监测，采用一定的模型对不同监测站接收到的数据进行综合分析，得出与原始信号最接近的分析结果。此外，通过联网控制，可以对干扰实施联网排查。监测中心可以通过网络连接控制的监测设备终端，并且终端监测设备不需要具有强大的数据处理功能，只负责简单的信号采集，降低了终端设备和人工成本。监测数据可以实时传输至监测的数据处理中心，并快速得到反馈，对干扰信号的判断更为精准。不同的监测数据中心可以实现网络共享，还可以通过更高一层的监测中心进行联合调度，实现更大范围的联合监测任务。

监测系统测向仿真结果

测向算法是查找信号源的关键，为后续处理提供支撑。本节对目前两种基于空间谱的高性能测向算法（MUSIC算法[8]和ESPRIT算法[9]）进行了仿真。仿真参数为：信号1、信号2和信号3为信号序列长度为500的随机信号，入射角分别为10毅、30毅和60毅，迭代次数为360次，输入信噪比为10dB。MUSIC算法和ESPRIT算法仿真结果分别如图5和表1所示。一般来说，信噪比越高，快拍数越多，精度也就越高。对于MUSIC算法，其中信号1的测向结果为10.23毅，信号2的测向结果为30.17毅，信号3的测向结果为60.23毅。相比之下，ESPRIT算法精度更高。两种算法也各有其局限性：如果到达的信号中有相干信号，那么理论上其空间相关矩阵的秩就会比实际到达的信号数小，这样，观察到的谱峰数与到达的信号数不相等。因此，对于相干信号，MUSIC方法就不再适合。而ESPRIT算法是直接以输入信号的参数进行估值，在实际情况中会受到噪声的影响，结果可能会受到影响。应根据实际情况予以选择。

结语

本文完成了对认知无线电环境下新型监测系统模型的雏形的设计。新型系统能够在信号识别、干扰检测、数据库维护、联网监测等各方面适应认知无线电环境，解决了现有无线电技术不能适应认知无线电环境的难题。尽管只是系统的初步雏形，但对于未来监测系统的设计具有较好的参考价值。