基于聚类算法的鲁棒性频谱感知研究

作     者：任瑾璇 

作者单位：广东工业大学 

学位级别：硕士

导师姓名：万频;吕燚

授予年度：2022年

学科分类：12[管理学] 080904[工学-电磁场与微波技术] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 0810[工学-信息与通信工程] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 0835[工学-软件工程] 081001[工学-通信与信息系统] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：认知无线电 频谱感知 恶意用户 聚类算法 矩阵分解 

摘      要：针对频谱资源不足与频谱用户激增的现实矛盾以及恶意用户对认知无线电网络的攻击等问题,频谱资源的感知、分配和应用成为认知无线电的重要话题。与此同时,保障认知网络的安全,排除或者减少恶意用户的干扰,关系到频谱分配和应用能否顺利进行。频谱感知技术在抵御恶意用户攻击方面仍然存在一些值得优化的地方。本文现针对一些关于频谱感知的安全性问题进行研究,将有效的信号提取方式和机器学习算法应用于频谱感知技术的安全问题上,从而保障感知网络的安全性,具体内容如下:为了保障频谱感知的安全性,本文提出了一种基于模糊数学的数据处理机制和Kmeans++算法来减少恶意用户干扰的方案。在多天线并行融合的场景下,为了准确地提取能反映当前感知环境的样本数据,并使样本数据所代表的感知环境弱化恶意攻击的影响,本文提出了一种将模糊处理机制运用在感知样本中,对每个感知样本数据赋予不同的隶属度值。在数据聚类阶段,利用K-means++算法对初始的聚类中心进行有效选择,避免了误将恶意样本点选为初始聚类中心所产生的性能损耗、检测结果不理想等后果。该方案的整体设计思路是:首先将检测节点各个天线所接收到的感知数据进行特征提取操作,然后通过模糊处理机制中的隶属度函数对每个样本特征进行赋值权衡,用K-means++算法对处理后的数据进行训练,从而获得合适的分类器,利用此分类器进行测试数据集的分类,判断出所用信道上主用户的状态。该方案无需感知环境的先验信息,避免了繁杂的门限推导,在保障感知系统安全性的同时,也展现了良好的性能。将K-means++算法应用在初始聚类中心的选择上,也有效的提升了感知结果的准确性和感知效率。为了进一步抵御恶意用户的攻击,保障认知无线电网络的安全性,本文提出了一种基于LU矩阵分解和ISODATA聚类算法的鲁棒性频谱感知方案。在多天线的系统中,为了减少网络中的恶意用户干扰,该方案提出了一种基于LU矩阵分解的特征提取方式和一种基于离群点挖掘的数据融合方式。该方案的整体设计思路是:首先将检测节点的各个天线所接收的感知数据进行特征提取操作,然后将感知矩阵进行LU矩阵分解,取其分解后的U矩阵作为新的样本矩阵,最终经过计算取得一个二维的特征向量;在数据融合阶段,将此二维特征向量进行离群点的挖掘操作,初步排除恶意点并对其进行数据清洗,最后使用ISODATA算法对清洗后的数据进行训练,从而得到相应的分类器,使用该分类器来判定主用户的状态。该方案可以根据实际感知环境和恶意用户攻击的方式变化来改变预设参数的值,更好地保障认知网络的安全性,从仿真图可以看出使用该方案也能使频谱感知性能有较大提升。