多跳认知无线电网络动态信道接入问题研究

Cognitive radio technology, allowing secondary users dynamically access idle channels, is thought to be a promising solution to solve the dilemma of rare wireless spectrum resources and inefficient fixed spectrum allocation. As unpredictable activity of primary users and changing channel quality, secondary users have to learn for the best quality channels to maximize the total throughput. Current research on dynamic channel accessing of CRN limits to single-hop networks, whereas multi-hop networks are primary in practice. For these works for single-hop CRNs, they generally adopt the classical MAB formulation to model the online learning process on unknown channel quality. But this formulation is not applicable to multi-hop CRNs, or it causes exponential time and space complexity, as well as arbitrarily bad throughput. In this proposal we focus on the problem of throughput-optimal dynamic channel accessing in multi-hop CRNs. We first propose novel learning models to learn the unknown channel quality for dynamic channel accessing in multi-hop CRNs, and then respectively for the case of stochastic and nonstochastic channel quality, design specific learning algorithms and distributed channel accessing algorithms with almost optimal throughput in low overhead.

认知无线电技术允许次用户动态接入闲置信道，被认为是解决目前无线频谱资源稀缺与固定信道分配频率利用率低的有效方案。由于主用户活动具有未知性和信道质量处于未知且不断变化之中，次用户需要通过学习选择质量最好的信道动态接入以最大化网络的总吞吐量。目前关于认知无线电网络动态信道接入算法的研究局限于单跳网络的场景，而在实际应用中网络大多以多跳的形式部署。在单跳网络下的动态信道接入通常采用一个经典的MAB在线学习模型学习未知的信道质量，不能直接用于多跳网络，否则将引入指数级别的时间和空间复杂度，以及带来极低的吞吐性能。本项目将针对吞吐量最优的多跳认知无线电网络动态信道接入问题展开深入研究，针对多跳认知无线网络动态信道接入问题提出全新的在线学习模型用于学习未知的信道质量；然后针对随机和非随机变化这两类信道质量情况，分别设计相应的学习算法和低复杂度且吞吐量几乎最优的分布式信道接入算法。

本课题针对吞吐量最优的多跳认知无线电网络动态信道接入问题展开深入研究，针对未知随机和非随机变化的两类信道质量情况，分别设计相应的在线学习算法和低复杂度且吞吐量几乎最优的分布式信道接入算法，取得以下创新性研究成果： .1）未知随机信道质量的在线学习算法和分布式动态信道接入算法.已有相关工作只适用于单跳无线电网络的场景，这些动态信道接入方案所需的时间和空间复杂度直接与未知随机信道数目线性相关，因此不适用于未知信道数目为指数级别的多跳网络场景。本课题提出针对多跳认知无线电网络动态信道接入问题的新网络冲突图，在此基础上，分别设计基于Robust PTAS和可用信道评估的在线学习和动态信道接入策略。算法在理论上被证明可以达到的平均吞吐量与最优算法的平均吞吐量的差值趋近于零，并通过仿真实验验证所提算法的有效性。.2）未知非随机信道质量的在线学习算法和分布式动态信道接入算法.未知非随机信道质量情况更加复杂，目前的解决方案同样只适用于单跳无线电网络，不能直接应用于多跳场景。我们首先将信道质量为非随机变量的多跳认知无线电网络信道接入问题进行严格的数学定义与形式化，其次针对目标问题，分别设计基于深度增强学习和基于博弈理论的分布式信道接入算法，能够在信道质量未知非随机这种十分复杂的场景，实现实时在线学习，以及吞吐量近似最优的信道接入策略。.整个项目进展顺利，截止到目前为止，该项目的计划工作均已顺利完成。在本项目的开展过程中，我们共发表/录用论文15篇，其中国际期刊论文9篇（顶级国际期刊论文（CCF A类）: IEEE JSAC一篇）、国际学术会议论文6篇（顶级国际学术会议论文2篇（CCF A类）: IEEE INFOCOM一篇，IJCAI一篇）；取得专利授权3项，专利申请1项。