Ecoute Cooperative de Spectre pour la Radio Cognitive

Leonardo DI C ARDOSO1 , Pascal B IANCHI2 , Jamal NAJIM2 , Merouane D EBBAH1 , Myl`ene M AIDA3

1 SUPELEC - Chaire Alcatel-Lucent

Plateau du Moulon, F-91192 Gif-sur-Yvette
2 Telecom ParisTech - CNRS (LTCI)
46, rue Barrault, F-75013 Paris
3 Universite
de Paris Sud, Laboratoire de Mathematiques
Bat. 425, Faculte des sciences, F-91405 Orsay cedex
{leonardo.cardoso,merouane.debbah}@supelec.fr, {bianchi,najim}@telecom-paristech.fr
mylene.maida@normalesupr.org

Resume Dans cet article, nous proposons une methode decoute cooperative du spectre dans le but de detecter la presence de bandes de
frequences inoccupees. La methode en question est autodidacte en ce sens quaucune information sur le signal e mis nest requis. Nous analysons
les performances du test propose en termes de probabilite de fausse alarme et de puissance. Lanalyse theorique des performances repose sur la
theorie des matrices aleatoires appliquee aux mod`eles dits spiked.

Abstract In this paper, we propose a cooperative sensing method which allows to determine the unoccupied bands of the spectrum of wireless
communication systems. Our approach is blind i.e., it does not require any cooperation between the transmitters and the sensors. We study the
performance of the test in terms of probability of false alarm and miss probability. The theoretical analysis is based on results of Random Matrix
Theory for spiked models.

1 Introduction laps de temps tr`es court ;

1
Il est aujourdhui largement reconnu que les syst`emes sans
fil de communications numeriques nexploitent pas lintegralite
de la bande de frequence disponible. Les syst`emes sans fils de
futures generations seront donc amenes a` tirer parti de lexis-
tence de telles bandes de frequence inoccupees, grace a` leur
faculte decouter et de sadapter a` leur environnement. Une
telle aptitude rel`eve du concept de radio cognitive introduit
par Joseph Mitola en 2000 [1]. Dans ce contexte, il sagit donc
de rendre les syst`emes de communications capables de capter
des informations sur leur environnement, de facon a` ce quils
puissent transmettre de mani`ere opportuniste. On trouve dans
la litterature plusieurs techniques permettant decouter le spec-
tre afin de detecter leventuelle presence dun signal dans une
bande de frequence donnee. On peut citer les approches re-
posant sur des tests denergie ou la detection de la presence de
composantes cyclostationnaires dans le signal e coute. Toute-
fois, le probl`eme de lecoute de spectre pour la radio cognitive
se caracterise par des imperatifs particuliers :
labsence de connaissance a priori sur la structure du sig-
nal (statistiques, variance du bruit, etc.) ;
la necessite de detecter la presence dun e metteur dans un
1 Ce travail a e
te conjointement soutenu par le programme Projets Jeunes
Chercheurs du GdR-Isis et par lAgence Nationale de la Recherche (Projet
ANR MDCO SESAME).
la necessite de construire des tests robustes a` la presence
de canaux tr`es selectifs.
Les travaux de Cabric et al. [2], Akyildiz et al. [3] produisent
une synth`ese des approches classiques du point de vue des
reseaux cognitifs. Dapr`es ces travaux, il est clair quun tra-
vail reste a` mener afin de proposer des approches nouvelles
et adaptees aux fortes contraintes mentionnees ci-dessus. Le
probl`eme fondamental est de detecter la presence dun e metteur
par le biais de mesures bruitees. Ceci sav`ere e tre une tache
delicate lorsque la puissance du signal recu est susceptible detre
faible en raison des e vanouissements du canal, et en raison
de labsence de connaissance a` la fois des canaux et du sig-
nal e mis. Considerons le scenario suivant. Des utilisateurs pri-
maires communiquent vers leur destination. Au syst`eme pri-
maire se superpose un syst`eme dit secondaire, compose de K
stations de base. Ces stations de base e coutent le spectre, pour
decider de la presence/absence de bandes libres. Nous sup-
posons que les K stations de base du syst`eme secondaire parta-
gent leurs observations. Ceci peut e tre effectue par le biais dun
canal dedie (possiblement filaire). Nous supposons que le partage
dinformation nest pas limite en capacite. Designons par y(k) =
[y1 (k), y2 (k), . . . , yK (k)]T la serie temporelle obtenue en em-
pilant les K observations realisees par lensemble des capteurs
au meme instant k. Le probl`eme de la detection dune bande
libre revient au test dhypoth`eses suivant : est superieure a` un seuil N , o`u N est fixe de sorte a` ce que

w(k) : H0 la PFA P0 (LN > N ) nexc`ede pas un niveau (0, 1)
y(k) = , (1) predetermine. La proposition suivante fournit lexpression du
h s(k) + w(k) : H1
rapport de vraisemblance generalise LN . Designons par 1 >
o`u w(k) represente un bruit blanc gaussien complexe circulaire (distinctes avec
2 > K 0 les valeurs propres de R
centre de matrice de covariance e gale a` 2 fois lidentite, o`u
probabilite 1). Soit N,K la fonction definie pour tout x de lin-
h = [h1 , . . . , hK ]T est un vecteur colonne regroupant lensem- x (1K)N
tervalle (1, K) par N,K (x) = CN,K xN 1 K


ble des coefficients dattenuation complexes entre lemetteur ,
1 (1K)N


e ventuel et lensemble des K recepteurs. s(k) est le signal utile o`u CN,K = 1 K .
dont on souhaite detecter la presence. Pour simplifier, nous fer-
ons lhypoth`ese que s(k) est un processus gaussien complexe Proposition 1 ([4]). Le rapport de vraisemblance generalise
circulaire independant et identiquement distribue de variance secrit LN = N,K (TN ) o`u TN est la statistique definie par :
unite. 1
TN = . (5)
1
tr R
K
Notations
Notons que la fonction N,K est croissante sur lintervalle
Pour i {0, 1}, PHi [E] represente la probabilite dun e venement (1, K). Par consequent, le GLRT revient au test suivant :
E sous lhypoth`ese Hi . Pour toute variable aleatoire (v.a.) reelle
H1 H1
T et pour tout , la notation T H0 represente la fonction
TN N (6)
de test qui rejette lhypoth`ese nulle quand T > . Dans ce
H0
cas, la probabilite de fausse alarme (PFA) du test est donnee
par P0 [T > ]. La puissance du test est donnee par P1 [T > o`u N = 1
K (N ) est un certain seuil fix
e de sorte a` ce que la
p.s.
]. La notation represente la convergence presque sure PFA nexc`ede pas le niveau .
Hi
sous lhypoth`ese Hi . Pour chaque bijection F : X Y, o`u
X et Y sont deux ensembles, on designe par F 1 la fonction 3 Etude asymptotique du seuil
reciproque associee a` F . Pour chaque ensemble A R, x 7
1A (x) represente lindicatrice de A. Pour chaque vecteur x, Afin de completer la definition du test il est essentiel de
kxk represente la norme euclidienne de x. proposer une procedure permettant de fixer le seuil du test.
Selon lapproche usuelle, nous proposons de fixer le seuil N
de sorte a` maximiser la puissance P1 [TN > N ] du test, tout
2 Rapport de Vraisemblance Generalise en imposant que la PFA P0 [TN > N ] nexc`ede pas un certain
Soit Y = [y(0), . . . , y(N 1)] la matrice K N regroupant niveau (0, 1) fixe. Selon cette definition, le seuil vaut :
toutes les donnees, o`u N represente le nombre dechantillons N = p1
N () (7)
observe par chaque capteur. On designe par p0 (Y; 2 ) et par
p1 (Y; h, 2 ) les densites de probabilite de la matrice dobser- o`u pN (t) represente le fonction de repartition complementaire
vation Y indexee par les param`etres inconnus h et 2 sous les de TN sous lhypoth`ese H0 . Pour chaque t, le calcul de pN (t)
hypoth`eses H0 et H1 respectivement : necessite levaluation de lintegrale dune fonction de K vari-
  ables. Cette e valuation doit e tre effectuee par lorgane de deci-
2 2 N K N
p0 (Y; ) = ( ) exp 2 tr R (2) sion pour chaque valeur de K, N . Afin de simplifier la procedure
de test, nous suggerons detudier le comportement du seuil N
 
p1 (Y; h, 2 ) = ( K det R)N exp N tr (RR 1 ) (3) lorsque le nombre dobservations augmente. Plus precisement,
nous considerons le cas o`u le nombre K de sources et le nom-
o`u R = hhH + 2 IK est la matrice de covariance du processus bre N dobservations tendent vers linfini au meme rythme :
y(k) sous H1 et o`u R est la matrice de covariance empirique
= YY . Dans le cas ideal o`u les param`etres h et 2
1 H K
R N N , K , c, (8)
sont supposes connus, un test uniformement plus puissant est N
obtenu en rejetant lhypoth`ese nulle pour de grandes valeurs du o`u 0 < c < 1 est une constante. On definit cN = K/N . Le
rapport de vraisemblance p1 (Y; h, 2 )/p0 (Y; 2 ). Dans notre Theor`eme 1 ci-dessous e tablit que, dans le regime asympto-
contexte, h et 2 sont malheureusement inconnus : lexistence tique (8), le seuil N secrit en fonction dune loi de Tracy-
dun test uniformement plus puissant nest plus garantie. Une Widom. La fonction de repartition FT W (.) de Tracy-Widom
approche classique, dite test du rapport de vraisemblance gene- correspond a` la loi asymptotique de la plus grande valeur pro-
ralise (GLRT pour Generalized Likelihood Ratio Test) consiste pre (correctement recentree et renormalisee) dune matrice de
a` rejeter lhypoth`ese nulle lorsque la statistique : Wigner [5]. Pour tout t R,
suph,2 p1 (Y; h, 2 )
 Z 
2
LN = (4) FT W (t) = exp (x t)q (x) dx , (9)
sup2 p0 (Y; 2 ) t
o`u q est la solution de lequation differentielle de Painleve II lorsque les deux probabilites derreur tendent vers zero. Un
couple (a, b) (0, ) (0, ) est dit couple dexposants
q (x) = xq(x) + 2q 3 (x) ,
derreur atteignable sil existe une suite de niveaux N telle
q(x) Ai(x) pour x
que dans le regime asymptotique (8),
o`u Ai(x) represente la fonction dAiry. Soit FT W (t) la fonction 1
de repartition complementaire FT W (t) = 1FT W (t). Posons : lim log N = a (15)
N N
1/3 1


1 lim log N,T (N ) = b . (16)
bN = (1 + cN ) +1 . (10) N N
cN
On designe par ST lensemble des couples atteignables pour le
Theor`eme 1. Les propositions suivantes sont vraies. test TN . On nomera cet ensemble ST la courbe des exposants
1. Pour tout niveau (0, 1), la puissance du test (6) est derreur.
maximale si et seulement si
bN 4.2 Performance du GLRT
N = (1 + cN )2 + 2/3 N (11)
N
Rappelons que, sous H0 , la mesure empirique des valeurs
pour une certaine suite N qui converge vers F 1 ().
TW propres de la matrice de covariance R = 1 YYH converge
N
2. La PFA du test faiblement vers la loi de Marchenko-Pastur (renormalisee par
2 ) dans le regime asymptotique (8). Plus precisement, la fonc-
H1
bN tion de repartition #{i, K i x}
(, x2 ]


converge vers PMP
TN (1 + cN )2 + 2/3 FT1
W () (12)
N lorsque N, K o`u PMP est la loi de Marchenko-Pastur,
H0
definie par
converge vers dans le regime asymptotique (8). p
(+ y)(y )
PMP
(dy) = 1( ,+ ) (y) dy,
Le Theor`eme 1 indique que, lorsque N, K sont suffisamment 2cy
grands, le seuil N peut e tre approche par le membre de droite
o`u + = (1 + c)2 et = (1 c)2 . La transformee
de (12).
Rde Stieltjes de PMP
joue un role cle dans la suite : f (x) =
1
P
yx MP (dy). Elle sexprime sous la forme :
4 Exposants dErreur
(1 x c) +
p
(1 x c)2 4cx
si x > +


2cx

4.1 Notion dexposants derreur f (x) = p
2
(1 x c) (1 x c) 4cx si 0 < x <


Afin de caracteriser les performances du test, lapproche tra-
2cx
ditionnelle consiste a` e tudier sa puissance ou, de mani`ere e qui-
valente, la probabilite derreur de deuxi`eme esp`ece. La proba- On definit en outre f (x) = 1
x(1+cf (x)) . Introduisons main-
bilite derreur de deuxi`eme esp`ece N,T (), ou probabilite de tenant la fonction suivante, definie pour chaque x > + :
manque, correspond a` la probabilite sous H1 de decider lhy- 1
poth`ese H0 , lorsque la PFA est fixee a` la valeur , soit : F+ (x) = log(x)+ log(1+cf (x))+log(1+f (x))+xf (x)f (x) .
c
N,T () = inf P1 [TN < ] , (13) Dans la suite, nous faisons lhypoth`ese que la constante suiv-
ante existe :
o`u linfemum est pris sur tous les seuils tels que la PFA khk2
P0 [TN > ] nexc`ede pas . Comme la probabilite de manque = lim . (17)
K 2
na pas dexpression simple dans le cas general, on e tudie son
On nommera le rapport signal-sur-bruit (RSB) limite.  Nous
comportement asymptotique dans le regime (8). Lorsque le niveau c

(0, 1) est fixe, on definit lexposant derreur par la limite introduisons e galement la constante spk = (1 + ) 1 + .
suivante, si elle existe : Sous lhypoth`ese H1 , la plus grande valeur propre de la matrice
de covariance R a le comportement suivant quand N, K
1
ET = lim log N,T () . (14) :
N N ( 2
p.s. spk si > c ,
Lexposant derreur ET fournit une information precieuse au 1 (18)
sujet de la performance du test TN lorsque le nombre dobser- H1 2 + sinon,
vations est grand et lorsque est fixe. En pratique, si le nom-
voir par exemple [6] pour une preuve de ce resultat. Pour tout
bre dobservations dont on dispose est grand, on peut toute-
> c et tout x R, on definit :
fois penser a` reduire conjointement la PFA et la probabilite de
manque, plutot que de faire fonctionner le test a` niveau con- x spk x
I+ (x) = (1 c) log c F+ (x) F+ (


spk ) .
stant. Il est donc important detudier les performances du test (1 + ) spk
 Log of the Error exponent for different values of c
On peut demontrer (la preuve est omise par manque de place) 2

que la fonction I+ est la fonction de taux associe au principe de

deviations (PGD) de la statistique de test TN lorsque
grandes 0
> c. En particulier, I+ varie de I+ (+ ) a` 0 sur lintervalle
[+ ,
spk ] et varie de 0 a` sur lintervalle [ spk , ). Sous 2
NeymanPearson
lhypoth`ese H0 , on peut montrer de meme que la fonction de
taux associee au PGD de TN vaut pour tout x [+ , ) : 4
c=0.1

x
I0+ (x) = x + (1 c) log + 2c F+ (x) F+ (+ ) .


c=0.4
6 c=0.7
La fonction I0+ varie de 0 a` sur lintervalle [+ , ). Nous
pouvons maintenant e noncer le resultat de cette section. 8

Theor`eme 2. Les proprietes suivantes sont vraies.

1. Pour chaque niveau fixe (0, 1), lexposant derreur 10
0 2 4 6 8 10 12 14 16 18 20

ET defini par (14) existe et verifie :
ET = I+ (+ ) (19)
F IG . 1 Logarithme de lexposant derreur E en fonction
si > c et ET = 0 sinon.
du SNR pour differentes valeurs de c. Comparaison avec
2. La courbe dexposants derreur de TN est donnee par : lexposant derreur du test de Neyman-Pearson (cas o`u les
 +
(I0 (x), I+ (x)) : x (+ ,

ST = spk ) (20) param`etres sont connus).

si > c et ST = sinon.
La preuve de ce resultat est omise par manque de place. Nous
noterons toutefois que la demonstration repose sur lobtention
dun principe de grandes deviations portant sur TN .

5 Illustrations et Resultats Numeriques

La figure 1 represente lexposant derreur associe au test. On
se compare a` lexposant derreur du test de Neyman-Pearson,
que lon peut obtenir par application du lemme de Stein. La fig-
ure 2 represente la courbe COR (Caracteristique Operationnelle
de Reception) associee au test TN (Test 1), cest a` dire la puis-
sance maximale du test en fonction de son niveau. La courbe
COR du test TN est comparee a` la courbe COR du test pro-
pose dans [7] et qui fait appel au nombre de conditonnement
de la matrice de covariance empirique 1 /K . On observe que
le test fonde sur TN est uniformement plus puissant que le test
propose dans [7].
Remerciements
Nous tenons a` remercier Olivier Cappe pour ses commen-
taires qui ont considerablement enrichi le travail presente dans
cet article.
References
[1] J. Mitola. Cognitive Radio An Integrated Agent Architec-
ture for Software Defined Radio. PhD thesis, Royal Insti-
tute of Technology (KTH), May 2000.
[2] D. Cabric, S. M. Mishra, and R. W. Brodersen. Implemen-
tation issues in spectrum sensing for cognitive radios. In
Signals, Systems and Computers, 2004. Conference Record
of the Thirty-Eighth Asilomar Conference on, volume 1,
pages 772776 Vol.1, 2004.
F IG . 2 Courbe COR du Test TN (Test 1) et comparaison avec
le test fonde sur le nombre de conditionnement 1 /K (Test 2)
K=10, N =50, =1.
[3] I. F. Akyildiz, W. Y. Lee, M.C. Vuran, and S. Mohanty.
NeXt generation/dynamic spectrum access/cognitive ra-
dio wireless networks : a survey. Comput. Networks,
50(13) :21272159, 2006.
[4] M. Wax and T. Kailath. Detection of signals by informa-
tion theoretic criteria. IEEE Trans. on Signal, Speech, and
Signal Processing, 33(2) :387392, April 1985.
[5] C. A. Tracy and H. Widom. Level-spacing distributions
and the Airy kernel. Comm. Math. Phys., 159(1) :151174,
1994.
[6] J. Baik and J. Silverstein. Eigenvalues of large sample co-
variance matrices of spiked population models. J. Multi-
variate Anal., 97(6) :13821408, 2006.
[7] L. S. Cardoso, M. Debbah, P. Bianchi, and J. Najim. Coop-
erative Spectrum Sensing Using Random Matrix Theory.
2008.