Вы находитесь на странице: 1из 7

Системы массового обслуживания

П.В. КРАШЕНИННИКОВ1,
Д.В. КЛЕЙКО2,
А.Г. ШАПИН3, канд. техн. наук
О.Г. МЕЛЕНТЬЕВ1, д-р техн. наук
1 Сибирский Государственный Университет Телекоммуникаций и Информатики
2 Lulea University of Technology
3 Ericsson Research
РАСЧЕТ ПАРАМЕТРОВ РЕЗУЛЬТИРУЮЩЕГО ЛОГИЧЕСКОГО КАНАЛА,

ОБРАЗОВАННОГО ПУТЕМ МИНИМИЗАЦИИ СМЕН КАНАЛОВ, ДЛЯ

ПРИОРИТЕТНОГО ВТОРИЧНОГО АБОНЕНТА

В работе предложена методика расчета параметров результирующего дискретного


канала для вторичных абонентов (SU) в системах когнитивного радио, образованного
алгоритмом минимизации смен каналов, описываемых простой Марковской цепью.
Получены математические выражения для определения переходных вероятностей графа
свернутого до двух состояний при любом количестве исходных каналов.

This paper considers the scenario when the resulting logical channel for a secondary user in a
cognitive radio system is formed by the algorithm minimizing the number of changes of physical
channels. The stochastic activity of primary users in a physical channel is characterized by a simple
Markov chain. We present the analytical method for forming an accurate stochastic model (a simple
Markov chain) of the resulting logical channel. The method is valid for any number of physical
channels. The result of the method describes the stochastic availability of the resources for the
secondary user in the formed logical channel.

Ключевые слова: Когнитивное радио, оппортунистический доступ, первичный


абонент, вторичный абонент, логический канал, Марковская цепь, агрегирование состояний.
Keywords: Cognitive radio, opportunistic spectrum access, primary subscriber, secondary
subscriber, logical channel, Markov Chain, states aggregation.
1. Введение
Отрасль информационных технологий является одной из наиболее динамично
развивающихся как в мире, так и в России, что приводит к быстрому увеличению
потребностей частотных ресурсов. В то же время использование уже задействованных частот
не превышает 15% [1,2]. Один из подходов к решению проблемы эффективного
использования частотных ресурсов, является использование когнитивного радио [3,4].
Системы когнитивного радио обычно предполагают наличие группы каналов, временные
слоты которых засинхронизированы и имеют одинаковую длительность t. Слоты каналов
предоставляются для передачи данных первичных (PU) и вторичных пользователей (SU). В
начале каждого слота SU определяет доступность первичных каналов и при наличие
свободных ресурсов может передавать информацию [5]. В данной работе предполагается что,
время определения доступности слота мало и влияния на систему не имеет [6]. PU имеют
высший приоритет и получает при необходимости все слоты одного канала. Статистический
характер занятости слотов PU и, следовательно, доступности слотов для SU в каждом канале
часто имеет группирующийся характер и может быть описана Марковской цепью с двумя
состояниями [7,8,9].
Для обслуживания требований SU из имеющегося ресурса первичных каналов можно
организовать логический каналы, динамически выделяя свободные слоты исходных каналов.
В работах [7,10,11] предложены алгоритмы построения логического канала,
использующие прогнозирование качества передачи в группе каналов, дана их классификация,
получены количественные оценки эффективности их применения с помощью имитационного
моделирования. Сложность оперативного принятия решения о целесообразности применения
подобных алгоритмов, в тех или иных условиях обусловлена, отсутствием математических
моделей, связывающих параметры выделенного логического канала с параметрами исходных
каналов.
В своей работе, мы предлагаем точную аналитическую модель, которая позволяет
оперативно принимать решение о достаточности ресурсов и качестве логического канала для
обслуживания требований SU, используя алгоритм с минимизацией смен каналов А1-МСК
[10]. Как показано в работе [12], данный алгоритм показывает лучшие результаты по
сравнению с алгоритмом предложенным в работе [13].
2. Постановка задачи
Пусть имеется N исходных каналов, характер недоступности слотов в каждом канале
задается Марковской цепью с двумя состояниями и известной матрицей переходных
вероятностей:
P111 P121 P112 P122 N 1 P11N 1 P12N 1 N P11N P12N
P1  , P 2
 , …, P  ,P  N
P211 P221 P212 P222 P21N 1 P22N 1 P21 P22N
В использованных обозначениях верхний индекс соответствует порядковому номеру
канала. По аналогии с [14] P11 соответствует состоянию паузы активности PU, P22 состоянию

активности, соответственно. P12 , P21 вероятности перехода между состояниями.


Выбирая слоты исходных каналов, алгоритм строит логический канал для SU. В каждый
момент времени SU выделяется только один слот любого исходного канала. Логика принятия
решения алгоритма А1-МСК такова: если доступность последнего слота выделенного
логического канала не хуже чем в других каналах, не меняем текущий канал, иначе выбираем
слот в одном из каналов с лучшим результатом.
Целью анализа является определение переходных вероятностей, для логического
канала, полученного посредством алгоритма А1-МСК, то есть

SU
P11SU P12SU
(1) P = SU
P21 P22SU

3 Общая методика расчета для случая N каналов


Принцип работы алгоритма сводится к построению подробной цепи, включающей в
себя все переходы из условных состояний. Под условным состоянием имеется ввиду такое
состояние, которое учитывает доступность текущего канала и состояние других каналов. В
общем случае, когда число каналов равно N, число условных состояний приходящихся на
один физический канал s  2N .
Общее число условных состояний системы (m) определится всеми возможными
сочетаниями состояний каналов, при условии, что каждый из них может быть текущим, т.е.:
m  N  s  N  2N .
Расположим условные вероятности в векторе таким образом, чтобы все состояния
одного текущего канала шли непрерывно. При этом, сначала размещаются состояния когда
текущий канал доступен для SU, затем состояния, в которых текущий канал занят PU, т.е.
недоступен.
При формировании матрицы условных состояний (S) для обозначения доступности
канала будем использовать 1, для недоступного – 2. Для примера ниже приведена
транспонированная матрица при трех физических каналах. Каждая строка описывает
состояния соответствующего канала.
1 1 1 1 2 2 2 2 1 1 2 2 1 1 2 2 1 1 2 2 1 1 2 2
1 1 2 2 1 1 2 2 1 1 1 1 2 2 2 2 1 2 1 2 1 2 1 2
1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 2 1 1 1 1 2 2 2 2
Первые восемь столбцов соответствуют первому текущему каналу из них с первого по
четвертый текущий канал доступен, с пятого по восьмой - недоступен. Аналогично для двух
других каналов. Здесь и далее Sij обозначает состояние j-го канала, когда SU пребывает в i-м

условном состоянии.
Далее, формируем матрицу переходных вероятностей (T) системы c условными
состояниями, отображающую построение логического канала для SU. Переберем все
условные состояния i  {1,, m } .

i 
Определим, какому текущему каналу принадлежит условное состояние c    .
s 
Если текущий канал в доступном состоянии Sic  1, или все каналы недоступны, то

смены канала не происходит. Это значит, что переходы возможны только между состояниями
данного канала. Условные состояния текущего канала принадлежат диапазону
j  {(c  1)  s  1,, c  s } .

Тогда предварительное значение переходной вероятности определится выражением


N
Tij   PSkikS jk , j  {(c  1)  s  1,, c  s }
k 1

Вероятности вне диапазона равны нулю.


В оставшихся случаях, когда есть хотя бы один доступный канал, но при этом текущий
канал находится в недоступном состоянии, формируем вектор A, включающий в себя номера
доступных каналов. Для всех элементов в A вычисляем переходные вероятности из текущего
состояния i в условные состояния этих каналов.
N
Tij   PSkikS jk , j  {[( A1  1)  s  1, A1  s],, [( An  1)  s  1, An  s]} , n  {1,, dim( A)}
k 1

После вычисления всех элементов матрицы T, необходимо провести нормализацию и


вычислить вектор финальных вероятностей состояний F.
Далее приступаем к первой агрегации. На данном этапе агрегируем все s условных
состояния каждого канала до двух состояний, соответствующих доступному и недоступному
состояниям текущего канала. В результате m условных состояний системы уменьшается до
2N агрегированных.
Номер агрегированного состояния, в которое войдет текущее условное, можно
 i 
определить следующим выражением a   N 1  . Тогда в a -е агрегированное состояние
2 
войдут условные состояния с номерами из диапазона j  {(a  1)  2N 1,, a  2N } .
Сумма финальных вероятностей всех условных состояний входящих в a -е
агрегированное определится выражением:
a  2N 1
d (a )  F i .
i  ( a 1) 2N 1 1

Перебирая все условные i  1


, , s и все агрегированные состояния j  1
, ,2N ,

формируем матрицу переходных вероятностей системы после первой агрегации A1,


размерностью 2N  2N  .
N 1
j 2
F
T 1aj  T 1aj  i  Tin .
d (a) n ( j 1)2N 1 1
Полученная матрица сразу соответствует требованиям нормировки, поэтому можно
сразу определить вектор финальных вероятностей агрегированных состояний (F1).
Остается совершить последний (второй) этап агрегации. После первой агрегации
первым является состояние доступности первого канала, третьим – доступности второго и
т.д. Аналогично все четные состояния являются состояниями недоступности
соответствующего канала. Вторая агрегация объединяет все доступные состояния в одно и,
соответственно, все недоступные. В результате получаем матрицу переходных вероятностей
результирующей Марковской цепи с двумя состояниями. Для различия четных и нечетных
состояний введем переменную: b  ( 1) mod( i ,2)  2 , которая возвращает 1 или 2.
Суммируем финальные вероятности нечетных и четных состояний.
 2N
  F12n 1 для нечетных
d (b)   2Nn 1
 F12n для четных b
 n 1
Для каждого состояния первого шага агрегации i  1
, , 2N , модифицируем переходные
вероятности выходной матрицы j  1,2

 F1(i ) 2N
 T 2 bg   A1i [2n 1] для нечетных
d ( b ) n 1
T 2bg  Nc
T 2bg  F1(i )  A1i [ 2n ] для четных j
 d ( b ) n 1
В результате преобразований получаем матрицу переходных вероятностей Марковской
цепи с двумя состояниями (1), описывающую логический канал построенный алгоритмом с
минимизацией смен каналов для произвольного количества исходных физических каналов.

4. Заключение
В работе предложен новый математический подход для определения переходных
вероятностей логического канала SU, построенного посредством алгоритма А1-МСК, в
системах когнитивного радио. Матрица переходных вероятностей результирующего
логического канала SU позволяет получить количественные оценки многих вторичных
параметров, например: скорости передачи, коэффициента доступности (или коэффициента
потерь пакетов), среднего времени задержки и т.д. Эти параметры дают возможность
оперативно принимать решение о достаточности ресурсов и качества логического канала для
обслуживания требований SU.

СПИСОК ЛИТЕРАТУРЫ
1. G. Ghosh, P. Das, and S. Chatterjee Cognitive radio and dynamic spectrum access // A study
International Journal of Next-Generation Networks, vol.6, no.1, pp.43–60.
2. M.A.McHenry NSF spectrum occupancy measurements project summary // Shared Spectrum
Company Report, Aug. 2005.
3. S. Huang, X. Liu, and Z. Ding Opportunistic spectrum access in cognitive radio networks //
in Proc. IEEE INFOCOM, 2008, Phoenix, AZ, USA.
4. Senhua Huang, Xin Liu, and Zhi Ding On Optimal Control for Opportunistic Spectrum
Access of Cognitive Radio Networks // IEEE INFOCOM, 2010, San Diego, CA, USA.
5. L. Ferrari, Qing Zhao, A. Scaglione Utility Maximizing Sequential Sensing Over a Finite
Horizon // IEEE Transactions on Signal Processing, 2017, vol: 65.
6. Bowen Li; Panlong Yang, Jinlong Wang, Qihui Wu, Shaojie Tang, Xiang-Yang Li, Yunhao
Liu Almost Optimal Dynamically-Ordered Channel Sensing and Accessing for Cognitive Networks
// IEEE Transactions on Mobile Computing, 2014, vol.13.
7. Q. Zhao, B. Krishnamachari, K. Liu On myopic sensing for multi-channel opportunistic
access: structure, optimality, and performance // IEEE Wireless Commun., vol. 7, no. 12, Dec. 2008.
pp. 5431-5440.
8. M. R. Hueda, C.E. Rodriguez On the relationship between the block error and channel-state
Markov Models in transmissions over slow-fading channels // IEEE Transactions on
Communications, August, 2004.
9. Shibing Zhang, Huijian Wang, and Xiaoge Zhang Estimation of Channel State Transition
Probabilities Based on Markov Chains in Cognitive Radio // Journal of Communications Vol.9,
No.6, June 2014.
10. Мелентьев О.Г., Шевнина И.Е. Сравнение алгоритмов выбора логического канала, с
учетом приоритетов // Электросвязь. 2010, № 2, с.50 – 52.
11. Yuan Zhao, LuyiBai1 Performance Analysis and Optimization for Cognitive Radio Networks
with Classified Secondary / Mobile Information Systems Vol. 2017.
12. O.G. Melentyev, N.V. Lyamin, D.V. Kleiko Comparison of Algorithms for Construction of
Logical Channels for Secondary Subscribers // International Conference and Seminar on
Micro/Nanotechnologies and Electron Devices Proceedings, 2011.
13. Qing Zhao; B. Krishnamachari; Keqin Liu On Myopic Sensing for Multi-Channel
Opportunistic Access: Structure, Optimality, and Performance // IEEE Transactions on Wireless
Communications, 2008, vol.7.
14. László Csurgai-Horváth, János Bitó Primary and secondary user activity models for
cognitive wireless network // Telecommunications (ConTEL), 2011.