Metoda Robust Blind Spectrum Sensing untuk Cognitive Radio

  Metoda Robust Blind Spectrum Sensing untuk Cognitive Radio (Seminar Kemajuan IV)

  Agus Subekti (NIM 33210011)

  15 Januari 2015 Agenda

  1

  2

  3

  4

  

  5

  Cognitive radio: suatu sistem radio yang dapat mengubah parameter-paramater transmisinya berdasarkan interaksi dengan lingkungan operasinya Kemampuan:

  Cognitive capability: deteksi kondisi lingkungan, parameter-parameter sinyal lain

yang sedang aktif, misalnya frekuensi transmisi, jenis modulasi, daya pancar, bandwidth, dan lain-lain Reconfigurability: kemampuan untuk secara cepat menyesuaikan parameter transmisinya berdasarkan hasil deteksi lingkungan yang dilakukan dengan cognitive capability Pengukuran menunjukkan, utilisasi spektrum frekuensi oleh pemegang lisensi rendah Spectrum sharing cognitive radio:

  Secondary user menggunakan spektrum yang sedang tidak digunakan oleh primary users

  Std: IEEE 802.22, IEEE 802.11af

  Secondary users/CR melakukan spectrum sensing:

  Mendeteksi spectrum holes Menjamin transmisi oleh cognitive radio tidak menimbulkan interferensi ke pengguna primer (pemilik lisensi spektrum)

  Tantangan Algoritma spectrum sensing:

  Persyaratan kinerja:

Detection rate:P d , constraints: false alarm rate P f dan waktu sensing Kompleksitas implementasi Keterbatasan parameter informasi sinyal primer Example: IEEE 802.22 MAN

  TV white spaces find vacant channel: geolocation database spectrum sensing

  Requirement Detection rate: 90 % False Alarm rate: 10 % SNR -22 dB Beberapa metoda spectrum sensing:

  

energy detection, waveform based detection, cyclostationarity

based detection, matched filtering, dan beberapa algoritma lainnya yang merupakan turunan atau perbaikan dari metoda-metoda tersebut

  Energy detection

  algoritma spectrum sensing yang paling popular karena kompleksitas implementasi yang rendah.

  Tetapi,

  kinerjanya jelek pada SNR rendah, energy detection memiliki kelemahan dalam hal ketidakkokohan dalam menghadapi ketidakpastian derau

  Fokus penelitian:

  algoritma spectrum sensing yang lebih robust dari energy

detection dalam menghadapi ketidakpastian derau pada SNR rendah Pendahuluan

  Diagram blok spectrum sensing Kondisi sinyal primer aktif, tidak ada spectrum hole: Kondisi sinyal primer non aktif, ada spectrum hole:

Received signals: r (n) = s(n) + w (n)

  Mathematical Model of Hypothesis Testing: H

  : r (n) = w (n) H : r (n) = s(n) + w (n)

  1

  for: n = 0, 1, , N − 1 w

  (n): noise, AWGN s (n): Primary User Signal r

  (n): signal received at spectrum sensing

  2 Possible Conditions:

  H : no primary signal, channel is vacant H : primary signal’s active, channel is

  1 Probability of detection: P

  d

  = P(H

  1

  |H

  1

  ) . Probability of false alarm: P f = P(H

  1

  |H )

  Neyman-Pearson detector:

  Threshold α: P f = R _x :L(x)>α p

(x|H

  )dx = α Likelihood ratio test bila L(x) = ^p (x|H ^{1 )} _p (x|H )

  > α Decision:H

  1 Energy Detection P N

  2

  2

  

1

  =

  n

  Test Statistics: T (r) = krk N =1 |r(n)| Detector decision rules:

  1

  , if T (r) > λ: H

  else: H Probability of False Alarm(P f ): ₂ !

  λ−σ

  P q

  f = P (H 1 ) = Q

  |H _{2 2 N}

  σ

  Probability of Detection (P ):

  d ₂ ! ) λ−(P+σ

  P = P (H ) = Q q

  d

  1

  1

  |H _{2 2 N}

  

(P+σ ) Pada SNR rendah, noise uncertainty membuat kenerja energy detection rendah Noise uncertainty:

  Calibration error perubahan thermal noise change karena perubahan temperature perubahan Amplifier gain change karena perubahan temperature change Interference selama kalibrasi

  bila noise variance bervariasi dengan uncertainty factor ρ, maka: σ

  2 w

  ∈

  1 ρ

  σ

  

2

w

  , ρσ

  2 w Probability of false alarm menjadi: _{2 n} !

  γ−ρσ

  P q

  f = Q _{2 2 N} ρσ _n

  Probability of detection: _{1 2} !

• P

  σ _w λ− _ρ

  P d = Q q _{2 1 2 N}

• P σ _{ρ w}

  Jumlah sample (N) - SNR - (P f , P d ): _{h i 1 2}

  2 ρQ (P (P ) SNR ^{−1 −1} _{fa )−Q d ρ}

• N =
_{1 2} ² ₂ SNR− ρ− _ρ ρ

  −1

  SNR

  wall = ρ Perbaikan Sensivitas Energy Detection Sensing: Metoda-metoda Non blind Sensing: memerlukan informasi parameter sinyal primer

  Waveform based sensing cyclostationarity based sensing radio identification based sensing mathed filter based sensing

  Metoda-metoda Blind Sensing: Tidak memerlukan informasi parameter sinyal primer

  Statistical covariance & correlation matrix blind sourse separation Distribution based sensing

  Tantangan: kompleksitas

  Diagram blok spectrum sensing

  Received signals: r (n) = s(n) + w (n) Hypothesis Testing: no primary signal: H : r (n) = w (n) n=0,1,,N-1 active primary signal: H : r (n) = s(n) + w (n)

  signal received at spectrum sensing

  H : r (n) = w (n), AWGN

  2

  w ) i.e. Gaussian random variable dengan

  w

  (n) ∼ N(0, σ probability density function (PDF): h i

  2

  1

  1

  p (w ) = exp ^{2 w )}

  √ _{2 2σ} − (w − µ _w

  2πσ _w

  H : r (n) = s(n) + w (n), s(n), primary signal, rayleigh random

  1

  variable dengan the probability density function (PDF): ₂

  s s

  p (s) = exp _{2 2} −

  σ _{s 2σ s} r (n) = s(n) + w (n), PDF r , p(r ) merupakan konvolusip(s) and p(w ) [Taub & Schiling 1986:pp 83-85], dengan asumsi s dan w independen: p

  (r ) = p(s) ⊗ p(w) R

  ∞

  p p (r ) =

  (s)p(r − s)ds ₂ R ²

  s 1 ∞ (r −s)

  d p √ s s (r ) = exp exp _{2 − − 2 2 w σ s w} 2σ 2σ 2πσ s p

  (r ) = _{r 2 r 2}

  −

_{2 σ2 −}

₂ σ s r w +σ s σ s r σ ^w _2σ2

  ( ^w e e

  √ _{2 2 σ w 3/2} ) Φ √ + _{2 2 2 2} 2π(σ +σ ) (σ +σ ) σ +σ w s _{w s w s}

  di mana Φ(x): cumulative distribution function standard normal random variable.

  PDF H : r (n) = s(n) + w (n) : r (n) = w (n) 6= PDF H

  PDF H : r (n) = w (n) Gaussian

  2

  4

  2 Kurtosis Guassian Distribution kurt(r ) = E r

  − 3 E r

  2

  mean r=0, dan varians r=1, : E (r ) = 1 ,

  4

  kurt (r ) = E (r ) − 3 karena r gaussion, maka

  2

  4

  kurtosis dari Gaussian distribution = 0

  Estimasi Kurtosis dari sample terbatas (N): !

  2 n−1 n−1

  X X

  1

  1

  4

  2

  b K

  (r ) = (r n (r n − r) − 3 − r)

  N N

  n =0 n =0

  Gaussian PDF, variance dari sample kurtosis: ₂

  24N(N−1)

  var K ( b ) =

  (N−3)(N−2)(N+3)(N+5) −4

  N = 30000, var ( b K ) = 7.9987x10 ≈ 0.0008 −4

  N K = 60000, var ( b ) = 3.9997x10 ≈ 0.0004

  −4 N K = 120000, var ( b ) = 1.9999x10

  ≈ 0.0002 Test Statistics: T

  1

  =

  1

  2 K

  (re(R(f ))) +

  1

  2 K

  (im(R(f ))) T

  2

  = K (re(R(f ))) T

  3

  = K (im(R(f ))) Algoritma spectrum sensing yang diusulkan: Step 1: R(f ) didapatkan dengan operasi DFT pada r (n).

  Step 2: Kurtosis dihitung untuk ouput real: kreal = (kurt(real(X (f )))

  Step 3: Kurtosis juga dihitung untuk tiap frame bagian imajiner output FFT kimag = (kurt(imag (X (f ))) Step 4: Perhitungan test statistic T , T , T

  1

  2

  3 Step 5: bila T > threshold, detector memutuskan H ,

  1 bila T < threshold, H . Kinerja Energy Detection

  Sample Complexity Kinerja Metoda yang diusulkan

  Rangkuman methoda hasil performansi kelebihan dan kelemahan