基于信任簇的协作压缩频谱感知新算法

摘 要： 频谱感知是实施认知无线电CR的关键问题。一些恶意用户篡改数据，降低了频谱感知性能。为此，提出面向恶意用户环境的基于信任簇的压缩频谱感知TCCSS算法。先利用最大似然ML估计簇离主级用户的距离，并与预设的门限值比较，寻找到信任簇。然后，依据信任簇提供的信息，使用压缩频谱感知算法对信道状态进行检测。仿真结果表明，提出的TCCSS算法能够有效地应对恶意用户的环境，准确地检测恶意用户，同时保持高的频谱检测率。

关键词： 认知无线电； 频谱感知； 恶意用户； 攻击； 最大似然估计

中图分类号： TN911.23?34； TPT393 文献标识码： A 文章编号： 1004?373X（2016）19?0037?05

Abstract： The spectrum sensing is an important problem to implement the cognitive radio （CR） networks. Some malicious users tamper the data， which will reduce the performance of spectrum sensing. Therefore， the trustful cluster?based compressed spectrum sensing （TCCSS） algorithm oriented to the malicious users environment is proposed. The maximum likelihood （ML） is used to estimate the distance between the cluster and primary user， and the distance is compared with the preset threshold to search the trusted cluster. And then the compressed spectrum sensing algorithm is used to detect the channel condition according to the information provided by trustful cluster. The simulation results show that the proposed TCCSS algorithm can deal with the malicious user environment effectively， detect the malicious users accurately， and maintain the high spectrum detection rate.

Keywords： cognitive ratio； spectrum sensing； malicious user； attack； maximum likelihood estimation

0 引 言

随着无线频谱资源日益紧张，认知无线电CR（Cognitive Radio）技术受到广泛关注。频谱感知是CR网络中最关键的技术之一。如果不能正确地感知频谱，将损害主级系统的性能。每个次级用户SU（Secondary User）周期地感测频谱，如果信道没有被主级用户PU（Primary User）使用，SU就占用该信道。此外，当PU开始利用信道传输信息时，SU必须释放信道。

目前，许多研究学者密切关注频谱感知技术。作者提出了在频谱感知过程中估计时空检测性能[1]。文献[2]考虑了认知无线电的休眠模式，提出了频谱感知过程中最小化能量消耗的方案。此外，为了提高检测性能，文献[3]提出了基于相关检测算法。

然而，阴影衰落和多径影响降低了用户的感知性能。解决此问题的有效方法之一就是多个次级用户SU进行协作感知。目前，协作感知已得到广泛研究[4?5]。但是，目前这些方案并没有考虑到恶意用户的攻击问题，一旦遭遇恶意用户，频谱的检测性能将急剧下降。 目前主要有以下两类攻击：

（1） 恶意用户操纵感测数据，从而误导融合中心作出关于信道是否占用的错误决定。这类攻击称为频谱感测数据SSDA（Spectrum Sensing Data Attack）攻击[6?9]。

文献[6]利用简单的基于能量检测的方案挖掘恶意用户。文献[7]提出一个权值序列概率模型。将误报数据的次级用户SU称为攻击者。误报的数据越多，权值系数越小，文献[8]提出了基于迭代状态估计的鲁棒协作感知模型。先估计用户的状态，然后用迭代算法挖掘恶意用户。此外，文献[9]中将邻近用户划分成簇，将簇内用户的信号RSS发送至同一个基站。

（2） 攻击者伪造主级用户PU的一些重要特性，并把被篡改的数据发送给其他次级用户，这类攻击称为主级用户仿真攻击PUEA（PU Emulation attack）[10?14]。文献[10]提出了NA（Neighbor Assisted）频谱感知方案。每个SU先单独地进行频谱感知，并将感知的数据发送给邻居。仿真结果证实该方案能够防御PUEA攻击。

此外，文献[11]利用马可夫不等式（Markov inequa?lity）提出了分析PUEA的模型。文献[12]利用SU离主级用户以及恶意用户的距离信息检测PUEA攻击。文献[13]提出基于名誉的簇算法滤出恶意用户。簇算法是基于用户的历史感测数据。文献[14]针对衰落的无线环境，利用Neyman?Pearson复合假设检验和序贯概率比检验法SPRT（Sequential Probability Ratio Test）检验PUEA攻击。

为此，本文提出了一个有效防御SSDF和PUEA攻击TCCSS（Trustful cluster?based Compressed Spectrum Sensing）算法。通过TCCSS算法可以减少发送于融合中心的原始数据（Raw Data），提高检测恶意用户的准确性。先将次级用户SU进行簇划分，然后利用每个簇离主级用户间的距离估计主级用户发射的功率。

在TCCSS算法中，假定[NT]个协作次级用户，并形成[NC]个簇。在每段频谱感知阶段，簇将其簇内用户的感测信息发送至融合中心。基于簇[i]（[i=1，2，…，NC]）信息，融合中心利用最大似然估计ML（Maximum Likelihood）估计簇[i]离主级用户的距离。将真实距离与估计的距离差值称为簇[i]的距离误差。当簇的距离误差小于预设的门限值时，该簇就认为不含恶意用户的簇，并称为信任簇。一旦找到了信任簇，其他簇就停止给融合中心发送消息，融合中心就利用信任簇提供的信息对信道状态进行判断。仿真结果显示提出的方案在恶意用户存在的环境下，能够有效地提高检测性能。

1 系统模型

假定在半径为[R]的区域内，有[NT]个次级用户SU，一个融合中心。[NT]个次级用户SU形成[NC]个簇。簇的形成是基于用户离主级用户的距离信息。离主级用户的距离相近用户就形成一个簇。簇的形成算法不是本文的重点，在此不再叙述。每个簇内有[N]个用户，系统模型如图1所示。假定簇和主级用户PU的位置信息已知，其可通过geo?location数据库获取[15]。此外，本文考虑两类用户，即信任用户和恶意用户（攻击者）。攻击者属于SSDA或PUEA攻击。

假定系统中有[M]个恶意用户，且[M]

在每个频谱感知阶段，用户测量接收主级用户发送的信号功率。由于能量检测实施简单[16]，本文引用能量检测进行频谱感知。假定每个簇按固定的顺序向融合中心发送信息。即在本轮感知阶段，簇[i]向融合中心发送信息，那么在下一轮感知阶段，仍是簇[i]向融合中心发送信息。融合中心利用这些信息估计簇的状态。然后，将距离误差与门限值进行比较，判断簇内是否存在恶意用户。

假定做出判断耗时[t] s。因此，如果融合中心认为有恶意用户，那么它将等待[t]s。然后，第二个簇再向融合中心发送它的感测数据。如果第二个簇内也含有恶意用户，融合中心再等待[t]s，之后，第三个簇再向融合中心发送感测数据。这个过程一直进行，直到融合中心找到一个不含有恶意用户的簇，即找到了一个信任簇。一旦找到一个信任簇，融合中心就向其余的簇发送一个消息No_Mes，通知它们不要再向它发送信息。然后，融合中心就利用与信任簇提供的信息，使用基于压缩感知信息信道能量观测的协作频谱感知SSAMP（Simultaneous Sparsity Adaptive Matching Pursuit）算法[17]对信道频段进行判断，其是否被占用。

2 攻击检测分析

2.2 交互的原始信息量

本节分析由融合中心所接收到用于寻找信任簇的原始数据，证明在本文提出的方案中，交互的原始数据是非常少的。

假定恶意用户均匀分布。因此，用户是恶意用户的概率为[P=MNT]。那么[1-P]就为用户是信任用户的概率。根据之前分析，融合中心一直接收信息，直到找到一个信任用户。因此，定义概率[Ptr]，其表示融合中心找到一个信任用户的概率。

3 数值分析

本节建立仿真对提出的模型进行性能分析。假定在半径为1 km的区域，融合中心位于区域中心。融合中心与主级用户相距4 km。参考距离[d0]=20 m，[σ2ω=][-5 ]dB。主级用户SU的发射功率为10 kW，路径损耗指数[α=4]。此外，[δxi，][δyi]分别在[0，1，][-1，1]区域内随机选择。每次仿真独立重复10 000次，取平均值作为最终数据。

3.1 与融合中心交互的信息量[R]

本次仿真主要考虑提出的TCCSS算法融合中心与信任簇交互的原始信息量[R，]其反映了算法的系统开销。考虑[N=5，M=4，]将TCCSS算法与文献[8]中的算法进行比较，仿真结果如图3所示。

从图3可知，提出的TCCSS算法的交互信息量远小于文献[8]采用的算法，平均值至少降低了60%。另外，从图3可知，TCCSS算法的交互的信息量[R]基本上不随用户数变化，在整个用户数变化的范围内，保持较稳定的值，说明TCCSS算法有较强的鲁棒性。

3.2 误检测率

本次实验考查TCCSS算法对恶意用户的检测性能。用误检测率表征该性能，误检测率越高，检测性越差。

首先分析误检测率随门限值[η]的变化情况。用户数[NT]从40，50，60变化。簇数[NC=10]，恶意用户数[M=][NC-1]=9。仿真结果如图4所示。从图4可知，TCCSS算法对恶意用户的检测率随着用户数[NT]的增加而上升，原因在于[NT]增大，提高了检测难度。此外，随着门限值[η]的增大，误检测率也随之增加，主要因为[η]的增加，提高了恶意用户被误认为信任用户的概率。

图5为TCCSS算法的误检测率随恶意用户数[M]的变化情况，并与文献[12]中的算法进行比较，其中[NT]=60，[NC=10]。从图5可知，与文献[12]算法相比，提出的TCCSS算法的误检测率得到有效降低。此外，TCCSS算法的误检测率基本上不随恶意用户数变化，均保持在0.05左右，充分说明提出的算法能够有效应对恶意用户的攻击。

3.3 检测频谱的概率

仿真实验过程将提出的TCCSS算法与非合作式基于追踪压缩算法（BP算法）[18]和MBCS算法[19]进行比较。

考查检测率信噪比从-20～20 dB变化的情况，三个算法的检测率如图6所示。从图6可知，提出的TCCSS算法的检测率明显优于BP算法和MBCS算法。当信噪比大于0时，检测率趋于1。

4 结 语

本文提出了面向恶意用户环境基于信任簇的压缩频谱感知TCCSS算法。TCCSS算法在恶意用户环境下实施频谱检测。先利用最大似然估计计算簇离主级用户的距离，然后再利用距离信息找到一个信任簇。然后融合中心利用信任簇的信息对频谱进行能量检测，对信道状态进行判决。仿真结果表明，提出的TCCSS算法对恶意用户环境具有鲁棒性，对恶意用户的误检测率约为0.05。同时保持高的频谱检测率。

参考文献

[1] DING G R， WANG J L， WU Q H， et al， Spectrum sensing in opportunity?heterogeneous cognitive sensor networks： how to coo?perate [J]. IEEE sensors journal， 2013， 13（11）： 4247?4255.

[2] MALEKI S， PANDHARIPANDE A， LEUS G. Energy?efficient distributed spectrum sensing for cognitive sensor networks [J]. IEEE sensors journal， 2011， 11（3）： 565?573.

[3] SHARMA R K， WALLACE J W. Correlation?based sensing for cognitive radio networks： bounds and experimental assessment [J]. IEEE sensors journal， 2011， 11（3）： 657?666.

[4] NGUYEN?THANH N， KOO I. Optimal truncated ordered sequential cooperative spectrum sensing in cognitive radio [J]. IEEE sensors journal， 2013， 13（11）： 4188?4195.

[5] 卞荔，朱琦.基于数据融合的协作频谱感知算法[J].南京邮电大学学报，2009，29（2）：73?80.

[6] KALIGINEEDI P， KHABBAZIAN M， BHARGAVA V K. Secure cooperative sensing techniques for cognitive radio systems [C]// Proceedings of 2008 IEEE International Conference on Communications. Beijing， China： IEEE， 2008： 3406?3410.

[7] 岳文静，陈志，郑宝玉，等.基于可靠次用户信息的协作频谱感知算法研究[J].电子与信息学报，2012，34（5）：1208?1214.

[8] MIN A W， KIM K H， SHIN K G. Robust cooperative sensing via state estimation in cognitive radio networks [C]// Procee?dings of 2011 IEEE Symposium on New Frontiers in Dynamic Spectrum Access Networks. Aachen： IEEE， 2011： 185?196.

[9] MIN A W， SHIN K G， HU X. Attack?tolerant distributed sen?sing for dynamic spectrum access networks [C]// Proceedings of 17th IEEE International Conference on Network Protocols. Princeton： IEEE， 2009： 294?303.

[10] JIN Z， ANAND S， SUBBALAKSHMI K P. Neat： a neighbor assisted spectrum decision protocol for resilience against primary user emulation attacks [EB/OL]. [2010?12?04]. http：//www.stevens.edu/suba.

[11] ALAHMADI A， ABDELHAKIM M. Defense against primary user emulation attacks in cognitive radio networks using advanced encryption standard [J]. IEEE transactions on information forensics and security， 2014， 9（5）： 12?21.

[12] CHEN R， PARK J M. Ensuring trustworthy spectrum sensing in cognitive radio network [C]// Proceedings of 2006 1st IEEE Workshop on Networking Technologies for Software Defined Radio Networks. Reston： IEEE， 2006： 110?119.

[13] HYDER C S， GREBUR B， XIAO L. Defense against spectrum sensing data falsification attacks in cognitive radio networks [C]// Proceedings of 7th International Conference on Security and Privacy in Communication Networks. London： Springer?Verlag， 2011： 154?171.

[14] JIN Z， ANAND S， SUBBALAKSHMI K P. Mitigating primary user emulation attacks in dynamic spectrum access networks using hypothesis testing [J]. ACM SIGMOBILE mobile compu?ting communications review， 2009， 13（2）： 74?85.

[15] BARBIROLI M， CARCIOFI C， GUIDUCCI D， et al. White spaces potentially available in Italian scenarios based on the geo?location database approach [C]// Proceedings of 2012 IEEE International Symposium on Dynamic Spectrum Access Networks. Bellevue： IEEE， 2012： 416?421.

[16] SOFOTASIOS P C， FIKADU M K， HO?VAN K， et al. Energy detection sensing of unknown signals over Weibull fading channels [C]// Proceedings of 2013 International Conference on Advanced Technologies for Communications. Ho Chi Minh City： IEEE， 2013： 414?419.

[17] 顾彬，杨震，胡海峰.基于压缩感知信道能量观测的协作频谱感知算法[J].电子与信息学报，2012，34（1）：14?20.

[18] 张正浩，裴昌幸，陈南，等.宽带认知无线电网络分布协作压缩频谱感知算法[J].西安交通大学学报，2011，45（4）：67?74.

[19] 汪振兴，杨涛，胡波.基于互信息的分布式贝叶斯压缩感知[J].中国科学技术大学学报，2009，39（10）：1045?1051.