认知无线网络中的分布式可信频谱协作感知方法

摘要

本发明涉及一种认知无线网络中的分布式可信频谱协作感知方法，包括用于设置未知次用户初始信誉度值的自适应初始信誉度赋值方法；用于评估次用户直接信誉度的动态直接信誉度计算模型；用于激励次用户提供真实推荐意见的VCG机制；用于综合直接信誉度和推荐信誉度的综合信誉度计算模型；用于更新次用户信誉度的信誉度更新机制；用于完成最终决策的数据融合与决策机制。本发明综合考虑影响次用户直接信誉度评估的各种因素以及推荐信息的安全可靠性，能够有效提高对协作次用户信誉度评估和频谱感知的准确性；同时基于VCG的推荐信誉度计算模型，能够有效激励次用户提供真实的推荐信息，抑制内部合谋欺骗，提高协作次用户选择的可靠性以及网络的安全性。

说明书

技术领域

本发明涉及无线通信技术的安全领域，特别是一种认知无线网络中的分布式可信频谱协作感知方法。

背景技术

无线网络与通信的飞速发展使得频谱需求不断增加，认知无线电技术作为一种有效的频谱管理方法被引入无线网络和通信中，并形成了一个新的研究领域，即认知无线网络(CognitiveRadioNetwork，CRN)。CRN利用频谱管理对频谱资源进行合理动态协调，最终大大提升频谱资源的利用率。

CRN中，对目标频谱进行有效、准确、安全的感知是实现CRN广泛应用的前提非授权用户又称次用户对某个频段状态的检测，发现没有授权用户和其他次用户的占用时，便可以接入使用。同时当授权用户出现时，要能够及时退出，避免对授权用户的通信造成干扰。经研究表明协作频谱感知能大大提高感知准确性，但也带来了新的安全挑战，比如频谱感知数据篡改(spectrumsensingdatafalsification，SSDF)攻击，同时激励次用户反馈真实的信息，将博弈论引入了协作频谱感知中成为的近年研究的热点，提高协作频谱感知的有效性、准确性和可信性。

针对这些问题，有学者提出以下方案：基于博弈论的经济学原理，建立有效地激励机制给出回报函数和惩罚函数，选择一个最优价格迅速促进系统达到平衡状态，基于进化模型激励参与者给出对决策有价值的信息。在不完全信息的条件下，还有方案是基于信任基础的VCG-Kelly机制，方案考虑测量每个人行动的成功回报变化来定带宽分配，并考虑攻击和防御行为。此外还通过迭代学习算法使得系统可以收敛到一个稳定的网络状态。利用博弈论中的VCG机制设计能以激励的措施使得网络节点给出说真话。以往的方法都可以较好激励次用户反馈真实的信息，但是对于内部合谋欺骗及对可靠的协作频谱感知次用户的选择存在着不足。

因此，针对CRN协作频谱感知过程中面临的安全威胁，设计符合CRN的特点，能够提供有效地、安全地、可靠地分布式协作频谱感知方法已成为本领域技术人员亟待解决的技术课题。

发明内容

有鉴于此，本发明的目的是提供一种认知无线网络中的分布式可信频谱协作感知方法，该方法基于VCG机制能实现激励次用户说真话，及信誉机制建立一个可信的网络环境等优点，提出了一种内部合谋攻击并能选择可靠协作频谱感知次用户的方法。

本发明采用以下方案实现：一种认知无线网络中的分布式可信频谱协作感知方法，包括以下步骤：

步骤S1：复数个次用户q∈{1,2,…,γ}作为请求者向邻居次用户广播协作频谱感知请求报告，请求对方提供他们的感知结果；所述次用户为非授权用户；

步骤S2：任意邻居次用户收到请求报告后，选择是否进行协作频谱感知并反馈感知结果给所述次用户q；所述次用户q收集协作信息，并记录发送协信息的协作次用户集合为Θ，遍历Θ中的协作次用户d是否在本地数据库中与其有交互记录，如果有则计算协作次用户的直接信誉度值；否则对协作次用户采用自适应初始化信誉值；其中愿意提供协作信息给次用户的邻居次用户为协作次用户，所述协作次用户d∈Θ；

步骤S3：所述协作次用户d的可信度的阈值下限为φ₁，可信度的阈值上限为φ₂；若协作次用户d的直接信誉度值或自适应初始化信誉值小于φ₁，则删除协作次用户集合Θ中的该协作次用户d；若协作次用户d的直接信誉度值或自适应初始化信誉值大于φ₂，则将该协作次用户d作为可信次用户，直接将其直接信誉度值或自适应初始化信誉值作为综合信誉值；若协作次用户d的直接信誉度值或自适应初始化信誉值介于φ₁和φ₂之间，则次用户q向邻居次用户i广播对协作次用户d的信誉推荐请求，邻居次用户i查询本地数据库中协作次用户d的信誉度值R_id，并启动VCG机制向次用户q反馈推荐信息v_i(R_id)；

步骤S4：次用户q接收到邻居次用户i反馈的所有推荐信息后，计算综合推荐信誉值；

步骤S5：次用户q将所述步骤S4中得出的综合推荐信誉值作为权值代入到数据融合过程中，做出决策，并进行信誉值更新。

进一步地，所述步骤S1中任意次用户都能可作为请求者，并假设协作频谱感知能在一个感知周期里面完成，其中所述协作频谱感知包括所述请求者最后做出决策判断感知频段是否是空闲。

进一步地，所述步骤S2中计算协作次用户d的直接信誉度值采用以下公式：

$T_{qj,T_n}^D=(N_{jq,Tk}^s/{\mathrm{NA}}_{jq,T_n})*{\rho }_{T_n}*W_{qj,T_n},$

其中，T_n表示第n个时段，每个时段可分为m个感知周期大小，表示到T_n时段为止，总的发生交互的感知周期个数；为到T_n为止，总的回复正确感知报告的感知周期个数；其中ρ(Tt)是到T_n时段为止历史交互次数密度，表示交互次数分布的影响系数。

进一步地，所述步骤S2中若本地数据库中没有协作次用户d与发出请求的次用户q间的交互记录，则根据实时的网络环境，采用以下公式计算得到自适应初始信誉值：

$T_{qd}^D=0.5-\frac{E_{T_n}}{N_{T_n}},$

其中表示请求者经过交互发现的所有协作次用户中的可能的合谋次用户个数，所有协作次用户的个数。

进一步地，所述步骤S3中当协作次用户的直接信誉度值或自适应初始化信誉值介于φ₁和φ₂之间时，次用户q作为请求者向邻居次用户i发送推荐信誉请求，邻居次用户则启动VCG机制，向次用户反馈推荐信息，具体包括以下步骤：

步骤S31：构建信誉估值函数由于协作次用户d会遭受到请求者认为是合谋攻击的次用户降低其信任值的风险，则推荐信誉值是一种成本，即所述为邻居次用户i作为推荐者为对协作次用户d愿意付出所述成本的推荐意愿；

步骤S32：构建请求者支付函数p_i：由于推荐会给推荐者造成损失，则请求者会在最终决策后对推荐者进行支付作为收益；

步骤S33：构建效益函数为：

步骤S34：证明每个理性的邻居次用户，都会参与基于VCG机制的推荐信誉机制当中，使自己获益；

步骤S35：证明每个邻居次用户讲真话，即当邻居次用户给出真实的推荐信誉值R_id时，可得到自身的效益将比给虚假的推荐值得到的效益高。

进一步地，所述步骤S4中采用以下公式计算综合推荐信誉值：

$T_{qd}^C=\alpha \times T_{qd}^D+\beta \times (\underset{i\in \Theta }{\Sigma }{\omega }_i\times T_{id}^D),$

其中α，β分别为请求者自身的信任值和推荐者综合信誉值的权重，且α+β＝1，α≥0，β≥0。

进一步地，所述步骤S5中次用户进行协作频谱感知做出决策，判断是否考察频段的状态是空闲，采用如下公式：

${\mathrm{PS}}_q^s=(\underset{i=1,i\ne q}{\overset{n}{\Sigma }}{T}_{qi}^c\times {\mathrm{state}}_i)/\underset{i=1,i\ne j}{\overset{n}{\Sigma }}{T}_{qi}^c,$

其中为ID_q请求s频段时，其他邻居次用户发送感知报告的融合结果；state_i为ID_i次用户感知到频段s的状态，state_i＝{0,1}，1代表空闲，0代表忙碌；

得到后，计算决策

$D_q^s=\{\begin{array}{c}1,{\mathrm{PS}}_q^s\ge threshold\\ 0,otherwise\end{array},$

其中表示相信现在频谱s状态忙碌，表示相信现在频谱s状态空闲。

与现有技术相比，本发明运算量适中，实现简单，充分考虑了时间和移动性的影响，非常适合认知无线网络的应用场景，具有以下有益效果：

a)本发明提出了一种分布式的频谱感知方法，实现了对频谱的分布式感知，避免了基础设施带来的限制，减少了由集中式安全机制和可信第三方所面临的安全威胁带来的影响；

b)本发明提出了一种新的基于VCG机制的推荐激励策略，防止了共谋攻击对推荐信息的影响，保证了推荐信息和推荐用户的可靠性，同时也保证了用户信誉度评估的准确性和有效性；

c)本发明提出了一种初始信誉值的动态分配和信誉值的动态更新的方法，提高信誉度计算和更新的准确性和有效性，更符合CRN的特点；

d)本发明提出了一种基于信誉机制的协作频谱感知方法，将信誉机制与感知结果的数据融合与最终的感知决策相集合，保证了协作频谱感知的安全性和可靠性，提高了协作频谱感知的准确性。

附图说明

图1是本发明的方法流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

本实施例提供一种认知无线网络中的分布式可信频谱协作感知方法，如图1所示，包括以下步骤：

步骤S1：复数个次用户q∈{1,2,…,γ}作为请求者向邻居次用户广播协作频谱感知请求报告，请求对方提供他们的感知结果；所述次用户为非授权用户；

步骤S2：任意邻居次用户收到请求报告后，选择是否进行协作频谱感知并反馈感知结果给所述次用户q；所述次用户q收集协作信息，并记录发送协信息的协作次用户集合为Θ，遍历Θ中的协作次用户d是否在本地数据库中与其有交互记录，如果有则计算协作次用户的直接信誉度值；否则对协作次用户采用自适应初始化信誉值；其中愿意提供协作信息给次用户的邻居次用户为协作次用户，所述协作次用户d∈Θ；

步骤S3：所述协作次用户d的可信度的阈值下限为φ₁，可信度的阈值上限为φ₂；若协作次用户d的直接信誉度值或自适应初始化信誉值小于φ₁，则删除协作次用户集合Θ中的该协作次用户d；若协作次用户d的直接信誉度值或自适应初始化信誉值大于φ₂，则将该协作次用户d作为可信次用户，直接将其直接信誉度值或自适应初始化信誉值作为综合信誉值；若协作次用户d的直接信誉度值或自适应初始化信誉值介于φ₁和φ₂之间，则次用户q向邻居次用户i广播对协作次用户d的信誉推荐请求，邻居次用户i查询本地数据库中协作次用户d的信誉度值R_id，并启动VCG机制向次用户q反馈推荐信息v_i(R_id)；

步骤S4：次用户q接收到邻居次用户i反馈的所有推荐信息后，计算综合推荐信誉值；

步骤S5：次用户q将所述步骤S4中得出的综合推荐信誉值作为权值代入到数据融合过程中，做出决策，并进行信誉值更新。

在本实施例中，所述步骤S1中任意次用户都能可作为请求者，并假设协作频谱感知能在一个感知周期里面完成，其中所述协作频谱感知包括所述请求者最后做出决策判断感知频段是否是空闲。

在本实施例中，所述步骤S2中计算协作次用户d的直接信誉度值采用以下公式：

$T_{qj,T_n}^D=(N_{jq,Tk}^s/{\mathrm{NA}}_{jq,T_n})*{\rho }_{T_n}*W_{qj,T_n}---\left(1\right)$

其中，T_n表示第n个时段，每个时段可分为m个感知周期大小，表示到T_n时段为止，总的发生交互的感知周期个数；为到T_n为止，总的回复正确感知报告的感知周期个数；其中ρ(Tt)是到T_n时段为止历史交互次数密度：

${\rho }_{T_n}=1-e^(-\frac{{\mathrm{NA}}_{dq,T_n}}{m\times n})---\left(2\right)$

的表示交互次数分布的影响系数：

$W_{qj,T_n}=\underset{l=1}{\overset{n}{\Sigma }}(\frac{h_l}{m}\times \frac{l}{n})---\left(3\right)$

其中h_l表示在第l时段中交互次数；可以看出离现在比较近的所占的比重比较大，即对信任值的影响大。

在本实施例中，所述步骤S2中若本地数据库中没有协作次用户d与发出请求的次用户q间的交互记录，则根据实时的网络环境，采用以下公式计算得到自适应初始信誉值：

$T_{qd}^D=0.5-\frac{E_{T_n}}{N_{T_n}}---\left(4\right)$

其中表示请求者经过交互发现的所有协作次用户中的可能的合谋次用户个数，所有协作次用户的个数。

在本实施例中，所述步骤S3中当协作次用户的直接信誉度值或自适应初始化信誉值介于φ₁和φ₂之间时，次用户q作为请求者向邻居次用户i发送推荐信誉请求，邻居次用户则启动VCG机制，向次用户反馈推荐信息，具体包括以下步骤：

步骤S31：构建信誉估值函数由于协作次用户d会遭受到请求者认为是合谋攻击的次用户降低其信任值的风险，则推荐信誉值是一种成本，即所述为邻居次用户i作为推荐者为对协作次用户d愿意付出所述成本的推荐意愿，请求者的估值是固定值-V，V＜0，当决策结果为拒绝时为0；

其中估值函数应满足以下条件：

a)在考虑共谋的环境下，当次用户不给推荐时，v_i＝0；否则，根据通过自己对被推荐者的主观信任值做推荐值，即构造出v_i＝f(R_id)，是个递减的函数，即随着r_i^d给的值越大，愿意承受成本估值v_i会增大。

b)根据实际情况，除了共谋的若干个次用户，其他的都是互相不知道各自对他人的真实推荐信任值。

根据上述假设，我们构造该成本估值函数为：

$v_i^d=f\left(R_{id}\right)=ln(1-\frac{{\omega }_i{R}_{id}}{\underset{k\in \Theta }{\Sigma }{\omega }_k{R}_{kd}})---\left(5\right)$

基于VCG机制的推荐工作的过程可以当作一个社会选择的过程。其中所有的推荐者通过个体自身的偏好给一个成本估值，并由请求者产生一个社会决策结果C，即选择接受或拒绝被推荐者。将个体愿意承担的成本估值映射成社会决策结果的社会选择函数，表示为：

则社会选择函数实现了社会财富最大化。

证明：因为协作者本身数据库中有记录交互记录，可以自己计算自身的综合信誉，即公式与式(6)可得

$\alpha \times T_{qd}^D+\beta \times (\underset{i\in \Theta }{\Sigma }{\omega }_i\times T_{id}^D)=\alpha \times T_{qd}^D+\beta \times (\underset{i\in \Theta }{\Sigma }{\omega }_i\times R_{id})\ge \lambda ,$

$\underset{i\in \Theta }{\Sigma }{\omega }_i\times R_{id}\ge \frac{\lambda -\alpha \times T_{qd}^D}{\beta }.$按照式(5)可以得到，

$\underset{i\in \Theta }{\Sigma }{v}_i^d\ge \ln \left[\underset{i\in \Theta }{\Pi }1-\frac{{\omega }_i\times R_{id}}{\frac{\lambda -\alpha \times T_{qd}^D}{\beta }}\right]=\ln \left[\underset{i\in \Theta }{\Pi }\frac{\beta -\beta \times {\omega }_i\times R_{id}}{\lambda -\alpha \times T_{qd}^D}\right]\ge \ln \left[\underset{i\in \Theta }{\Pi }\frac{\beta -\beta \times {\omega }_{\min }}{\lambda -\alpha \times T_{qd}^D}\right]$

其中，ω_min＝min{ω₁,…,ω_n}保证支付为负值。令那么，

$\underset{i\in \Theta }{\Sigma }{v}_i^d-V\ge 0---\left(7\right)$

通过上面的证明，在社会选择函数选择的结果为接受时，社会财富最大达到当则的结果是拒绝，这时候社会财富最大为0，因此，式(6)中的社会选择函数实现了社会财富最大化，证毕。

步骤S32：构建请求者支付函数p_i：由于推荐会给推荐者造成损失，则请求者会在最终决策后对推荐者进行支付作为收益，在推荐者的角度看支付为负值；

支付函数如下：

$p_i(v_i^d,v_{-i}^d)=\underset{k\in \Theta ,i\notin \Theta }{\Sigma }f(R_{kd},o^{*-i})-\underset{k\in \Theta ,i\in \Theta ,k\ne i}{\Sigma }f(R_{kd},o^{*})+V=\underset{k\in \Theta ,i\notin \Theta }{\Sigma }f(R_{kd},o^{*-i})-[\underset{k\in \Theta }{\Sigma }f(R_{kd},o^{*})-v_i^d]+V---\left(8\right)$

请求者的估值是固定值-V，V＜0，当决策结果为拒绝时为0，其计算在下面证明中给出。在请求者做出决策集合o的时候寻找一个使得Θ中所以协作次用户的成本估值总和达到最大时的集合o^*，其计算公式如式(9)。式(10)表示协作次用户i没在Θ中的情况下，所有Θ中协作次用户的成本估值总和达到最大，即愿意承担的风险最大，得到的推荐值集合o^*-i。支付函数表示在协作次用户i没在Θ所有协作次用户的成本估值之和减去i在Θ中除了i外的协作次用户的成本估值之和，为了保证支付为负值，还要加上V。

步骤S33：构建效益函数为：

步骤S34：证明每个理性的邻居次用户，都会参与基于VCG机制的推荐信誉机制当中，使自己获益；

证明：分以下两种情况：

(1)如果协作次用户i不参与推荐，那么

$\underset{k=1}{\overset{n}{\Sigma }}f(R_{kd},o^{*})=\underset{k=1,k\ne i}{\overset{n}{\Sigma }}f(R_{kd},o^{*-i})$

则收益为0，所以参与是占优策略。

(2)可以明显地看出协作次用户i参与推荐时，根据式(11)：

$\left(\begin{array}{c}{u}_i=v_i^d-p_i\left(v_i^d,v_{-i}^d\right)=v_i^d-\left\{\underset{k\in \Theta ,i\notin \Theta }{\Sigma }f\left(R_{kd},o^{*-i}\right)-\left[\underset{k\in \Theta }{\Sigma }f\left(R_{kd},o^{*}\right)-v_i^d\right]+V\right\}\\ =\underset{k\in \Theta }{\Sigma }f\left(R_{kd},o^{*}\right)-\underset{k\in \Theta ,i\notin \Theta }{\Sigma }f\left(R_{kd},o^{*-i}\right)-V\end{array}\right)$

分三种情况讨论：

a)由于无论次用户i有没有参与评价，决策结果都是拒绝，那么$\underset{k\in \Theta ,i\notin \Theta }{\Sigma }f(R_{kd},o^{*-i})=0,\underset{k\in \Theta }{\Sigma }f(R_{kd},o^{*})=0,$因此支付为V，效益为u_i＝0-V＝V；

b)因为无论次用户i有没有参与，决策结果都是接受，那么的支付也是V，效益为u_i＝v_i-V；

c)若用户i没参与到Θ中，决策结果是接受，那么如果次用户i参与，则请求者做出的决策时拒绝，那么所以这时次用户i的支付为效益为$u_i=0-\underset{k\in \Theta ,i\notin \Theta }{\Sigma }{v}_k^d=\underset{k\in \Theta ,i\notin \Theta }{\Sigma }{v}_k^d.$

由上面的支付情况分析，在第1种和第3种情况下，因为V＝0，所以此时效益为非负。而第2种情况下，由公式(11)有$v_i-V=\underset{i\in \Theta }{\Sigma }{v}_i^d-V-\underset{k\in \Theta ,i\notin \Theta }{\Sigma }{v}_k^d\ge -\underset{k\in \Theta ,i\notin \Theta }{\Sigma }{v}_k^d,$因为那么v_i-V≥0，综上该机制满足个人理性。

步骤S35：证明每个邻居次用户讲真话，即当邻居次用户给出真实的推荐信誉值R_id时，可得到自身的效益将比给虚假的推荐值得到的效益高。

证明：从上述u_i公式，每个协作次用户选择参与推荐是占优策略。在共谋攻击的网络环境中，需要的目的是得到一个安全真实的推荐，达到一个最优的推荐效果。

真实推荐下，获得的效益为：$u_i=v_i^d-p_i(v_i^d,v_{-i}^d)=\underset{k\in \Theta }{\Sigma }f(R_{kd},o^{*})-V-\underset{k\in \Theta ,i\notin \Theta }{\Sigma }f(R_{kd},o^{*-i})$

虚假推荐下，获得的效益为：$u_i^f=v_i^{\mathrm{fd}}-p_i(v_i^{\mathrm{fd}},v_{-i}^{\mathrm{fd}})=\underset{k\in \Theta }{\Sigma }f(R_{\mathrm{kd}}^f,\hat{o})-V-\underset{k\in \Theta ,i\notin \Theta }{\Sigma }f(R_{kd},o^{*-i})$

由于得到最大的社会财富，即$\underset{k\in \Theta }{\Sigma }f(R_{kd},o^{*})-V>\underset{k\in \Theta }{\Sigma }f(R_{kd}^f,\hat{o})-V,$并且与独立无关，所以该机制满足激励相容。这意味，对于所有R_id：

所以协作次用户i说真话是较好的选择。

VCG机制激励i说真话，给出对被推荐者真实的主观信任值做估值的参数，即计算间接推荐信誉值

$R_i^d=\underset{i\in \Theta }{\Sigma }({\omega }_i\times T_{id}^D)---\left(13\right)$

其中ω_i分别是请求者对每个协作者的推荐值的权重，且ω_i＞0。

在本实施例中，所述步骤S4中采用以下公式计算综合推荐信誉值：

$T_{qd}^C=\alpha \times T_{qd}^D+\beta \times (\underset{i\in \Theta }{\Sigma }{\omega }_i\times T_{id}^D)---\left(14\right)$

其中α，β分别为请求者自身的信任值和推荐者综合信誉值的权重，且α+β＝1，α≥0，β≥0。

在本实施例中，所述步骤S5中次用户进行协作频谱感知做出决策，判断是否考察频段的状态是空闲，采用如下公式：

${\mathrm{PS}}_q^s=(\underset{i=1,i\ne q}{\overset{n}{\Sigma }}{T}_{qi}^c\times {\mathrm{state}}_i)/\underset{i=1,i\ne j}{\overset{n}{\Sigma }}{T}_{qi}^c---\left(15\right)$

其中为ID_q请求s频段时，其他邻居次用户发送感知报告的融合结果；state_i为ID_i次用户感知到频段s的状态，state_i＝{0,1}，1代表空闲，0代表忙碌；

得到后，计算决策

$D_q^s=\{\begin{array}{c}1,{\mathrm{PS}}_q^s\ge threshold\\ 0,otherwise\end{array}---\left(16\right)$

其中表示相信现在频谱s状态忙碌，表示相信现在频谱s状态空闲。

在做出决策后进行信誉值更新，

$T_{qi,t+1}^C=T_{qi,t}^C+\frac{1}{2n}\times u_{i,t+1}---\left(17\right)$

随着推荐的交互次数n变多，推荐值会累计到主观信信任值中，所以推荐所占的比重会变小；更新后记录最新的交互信息。

仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。