認知無線網(wǎng)絡(luò)中的分布式可信頻譜協(xié)作感知方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及無線通信技術(shù)的安全領(lǐng)域，特別是一種認知無線網(wǎng)絡(luò)中的分布式可信 頻譜協(xié)作感知方法。
【背景技術(shù)】
[0002] 無線網(wǎng)絡(luò)與通信的飛速發(fā)展使得頻譜需求不斷增加，認知無線電技術(shù)作為一種有 效的頻譜管理方法被引入無線網(wǎng)絡(luò)和通信中，并形成了一個新的研究領(lǐng)域，即認知無線網(wǎng) 絡(luò)（CognitiveRadioNetwork，CRN)。CRN利用頻譜管理對頻譜資源進行合理動態(tài)協(xié)調(diào)，最 終大大提升頻譜資源的利用率。
[0003]CRN中，對目標頻譜進行有效、準確、安全的感知是實現(xiàn)CRN廣泛應(yīng)用的前提非授 權(quán)用戶又稱次用戶對某個頻段狀態(tài)的檢測，發(fā)現(xiàn)沒有授權(quán)用戶和其他次用戶的占用時，便 可以接入使用。同時當(dāng)授權(quán)用戶出現(xiàn)時，要能夠及時退出，避免對授權(quán)用戶的通信造成干 擾。經(jīng)研究表明協(xié)作頻譜感知能大大提高感知準確性，但也帶來了新的安全挑戰(zhàn)，比如頻譜 感知數(shù)據(jù)篡改（spectrumsensingdatafalsification，SSDF)攻擊，同時激勵次用戶反饋 真實的信息，將博弈論引入了協(xié)作頻譜感知中成為的近年研究的熱點，提高協(xié)作頻譜感知 的有效性、準確性和可信性。
[0004] 針對這些問題，有學(xué)者提出以下方案：基于博弈論的經(jīng)濟學(xué)原理，建立有效地激 勵機制給出回報函數(shù)和懲罰函數(shù)，選擇一個最優(yōu)價格迅速促進系統(tǒng)達到平衡狀態(tài)，基于進 化模型激勵參與者給出對決策有價值的信息。在不完全信息的條件下，還有方案是基于信 任基礎(chǔ)的VCG-Kelly機制，方案考慮測量每個人行動的成功回報變化來定帶寬分配，并考 慮攻擊和防御行為。此外還通過迭代學(xué)習(xí)算法使得系統(tǒng)可以收斂到一個穩(wěn)定的網(wǎng)絡(luò)狀態(tài)。 利用博弈論中的VCG機制設(shè)計能以激勵的措施使得網(wǎng)絡(luò)節(jié)點給出說真話。以往的方法都可 以較好激勵次用戶反饋真實的信息，但是對于內(nèi)部合謀欺騙及對可靠的協(xié)作頻譜感知次用 戶的選擇存在著不足。
[0005] 因此，針對CRN協(xié)作頻譜感知過程中面臨的安全威脅，設(shè)計符合CRN的特點，能夠 提供有效地、安全地、可靠地分布式協(xié)作頻譜感知方法已成為本領(lǐng)域技術(shù)人員亟待解決的 技術(shù)課題。

【發(fā)明內(nèi)容】

[0006] 有鑒于此，本發(fā)明的目的是提供一種認知無線網(wǎng)絡(luò)中的分布式可信頻譜協(xié)作感知 方法，該方法基于VCG機制能實現(xiàn)激勵次用戶說真話，及信譽機制建立一個可信的網(wǎng)絡(luò)環(huán) 境等優(yōu)點，提出了一種內(nèi)部合謀攻擊并能選擇可靠協(xié)作頻譜感知次用戶的方法。
[0007] 本發(fā)明采用以下方案實現(xiàn)：一種認知無線網(wǎng)絡(luò)中的分布式可信頻譜協(xié)作感知方 法，包括以下步驟：
[0008] 步驟S1 :復(fù)數(shù)個次用戶qG{1，2,…，y}作為請求者向鄰居次用戶廣播協(xié)作頻譜 感知請求報告，請求對方提供他們的感知結(jié)果；所述次用戶為非授權(quán)用戶；
[0009] 步驟S2:任意鄰居次用戶收到請求報告后，選擇是否進行協(xié)作頻譜感知并反饋感 知結(jié)果給所述次用戶q;所述次用戶q收集協(xié)作信息，并記錄發(fā)送協(xié)信息的協(xié)作次用戶集合 為?，遍歷?中的協(xié)作次用戶d是否在本地數(shù)據(jù)庫中與其有交互記錄，如果有則計算協(xié)作 次用戶的直接信譽度值；否則對協(xié)作次用戶采用自適應(yīng)初始化信譽值；其中愿意提供協(xié)作 信息給次用戶的鄰居次用戶為協(xié)作次用戶，所述協(xié)作次用戶dG? ;
[0010] 步驟S3 :所述協(xié)作次用戶d的可信度的閾值下限為t，可信度的閾值上限為小2; 若協(xié)作次用戶d的直接信譽度值或自適應(yīng)初始化信譽值小于，則刪除協(xié)作次用戶集合 ?中的該協(xié)作次用戶d;若協(xié)作次用戶d的直接信譽度值或自適應(yīng)初始化信譽值大于小2， 則將該協(xié)作次用戶d作為可信次用戶，直接將其直接信譽度值或自適應(yīng)初始化信譽值作為 綜合信譽值；若協(xié)作次用戶d的直接信譽度值或自適應(yīng)初始化信譽值介于（^和巾2之間， 則次用戶q向鄰居次用戶i廣播對協(xié)作次用戶d的信譽推薦請求，鄰居次用戶i查詢本地 數(shù)據(jù)庫中協(xié)作次用戶d的信譽度值Rld，并啟動VCG機制向次用戶q反饋推薦信息Vl (Rld);
[0011] 步驟S4 :次用戶q接收到鄰居次用戶i反饋的所有推薦信息后，計算綜合推薦信 譽值；
[0012] 步驟S5 :次用戶q將所述步驟S4中得出的綜合推薦信譽值作為權(quán)值代入到數(shù)據(jù) 融合過程中，做出決策，并進行信譽值更新。
[0013] 進一步地，所述步驟S1中任意次用戶都能可作為請求者，并假設(shè)協(xié)作頻譜感知能 在一個感知周期里面完成，其中所述協(xié)作頻譜感知包括所述請求者最后做出決策判斷感知 頻段是否是空閑。
[0014] 進一步地，所述步驟S2中計算協(xié)作次用戶d的直接信譽度值采用以下公式：
[0015]
[0016] 其中，Tn表示第n個時段，每個時段可分為m個感知周期大小，^表示到1；時 段為止，總的發(fā)生交互的感知周期個數(shù)；為到Tn為止，總的回復(fù)正確感知報告的感知 周期個數(shù)；其中P(Tt) &是到Tn時段為止歷史交互次數(shù)密度，表示交互次數(shù)分布的 影響系數(shù)。
[0017] 進一步地，所述步驟S2中若本地數(shù)據(jù)庫中沒有協(xié)作次用戶d與發(fā)出請求的次用戶 q間的交互記錄，則根據(jù)實時的網(wǎng)絡(luò)環(huán)境，采用以下公式計算得到自適應(yīng)初始信譽值：
[0018]
[0019] 其中G表示請求者經(jīng)過交互發(fā)現(xiàn)的所有協(xié)作次用戶中的可能的合謀次用戶個 數(shù)，Wr,所有協(xié)作次用戶的個數(shù)。
[0020] 進一步地，所述步驟S3中當(dāng)協(xié)作次用戶的直接信譽度值或自適應(yīng)初始化信譽值 介于（^和巾2之間時，次用戶q作為請求者向鄰居次用戶i發(fā)送推薦信譽請求，鄰居次用 戶則啟動VCG機制，向次用戶反饋推薦信息，具體包括以下步驟：
[0021] 步驟S31 :構(gòu)建信譽估值函數(shù)<:由于協(xié)作次用戶d會遭受到請求者認為是合謀攻 擊的次用戶降低其信任值的風(fēng)險，則推薦信譽值是一種成本，即所述< 為鄰居次用戶i作為 推薦者為對協(xié)作次用戶d愿意付出所述成本的推薦意愿；
[0022] 步驟S32 :構(gòu)建請求者支付函數(shù)p1:由于推薦會給推薦者造成損失，則請求者會在 最終決策后對推薦者進行支付作為收益；
[0023] 步驟S33:構(gòu)建效益函數(shù)為：-乃(?);
[0024] 步驟S34:證明每個理性的鄰居次用戶，都會參與基于VCG機制的推薦信譽機制當(dāng) 中，使自己獲益；
[0025] 步驟S35:證明每個鄰居次用戶講真話，即當(dāng)鄰居次用戶給出真實的推薦信譽值 Rld時，可得到自身的效益將比給虛假的推薦值C得到的效益高。
[0026] 進一步地，所述步驟S4中采用以下公式計算綜合推薦信譽值：
[0027]
[0028] 其中a，0分別為請求者自身的信任值和推薦者綜合信譽值的權(quán)重，且a+0 = 1，a彡 〇, 0 彡 0〇
[0029] 進一步地，所述步驟S5中次用戶進行協(xié)作頻譜感知做出決策，判斷是否考察頻段 的狀態(tài)是空閑，采用如下公式：
[0030]
[0031]其中P乂為lDq請求s頻段時，其他鄰居次用戶發(fā)送感知報告的融合結(jié)果；statei 為IDi次用戶感知到頻段s的狀態(tài)，state{0, 1}，1代表空閑，0代表忙碌；
[0032] 得到朽丨后，計算決策K;
[0033]
[0034] 其中0 G，表示相信現(xiàn)在頻譜s狀態(tài)忙碌，0 =1，表示相信現(xiàn)在頻譜s狀態(tài)空 閑。
[0035] 與現(xiàn)有技術(shù)相比，本發(fā)明運算量適中，實現(xiàn)簡單，充分考慮了時間和移動性的影 響，非常適合認知無線網(wǎng)絡(luò)的應(yīng)用場景，具有以下有益效果：
[0036]a)本發(fā)明提出了一種分布式的頻譜感知方法，實現(xiàn)了對頻譜的分布式感知，避免 了基礎(chǔ)設(shè)施帶來的限制，減少了由集中式安全機制和可信第三方所面臨的安全威脅帶來的 影響；
[0037]b)本發(fā)明提出了一種新的基于VCG機制的推薦激勵策略，防止了共謀攻擊對推薦 信息的影響，保證了推薦信息和推薦用戶的可靠性，同時也保證了用戶信譽度評估的準確 性和有效性；
[0038]c)本發(fā)明提出了一種初始信譽值的動態(tài)分配和信譽值的動態(tài)更新的方法，提高信 譽度計算和更新的準確性和有效性，更符合CRN的特點；
[0