电讯技术投稿论文格式参考:未来复杂网络环境下动态频谱高效感知技术研究进展*

关键词：复杂网络;动态频谱共享;高效感知;多维协同预测;联合稀疏采样;机器学习

作者：崔翠梅;殷昌永;杨德智

作者单位：常州工学院;东南大学;中兴通讯股份有限公司

　　摘 要: 动态频谱共享被认为是解决未来 5G/6G 复杂网络环境“频谱赤字危机”这一问题直接有效 的手段之一。然而，由于 5G/6G 网络超密集、高异构、高动态、智能化的新特征，频谱共享发现( 频谱 感知) 面临着海量数据获取成本高、价值密度低、检测结果不准确、机会发现不充分等问题与挑战， 基于机器学习的动态频谱高效感知成为电磁频谱领域重要的研究方向。首先分析了电磁频谱动态 共享的国家战略需求和技术挑战，然后从动态频谱信息的联合稀疏采样、协同感知、多维协同预测三 方面介绍了国内外研究现状和发展动态，提出了动态频谱高效感知的核心科学问题; 最后给出了问 题解决思路，为实现未来复杂无线网络频谱高效利用提供理论和使能技术支撑。  

　　0 引 言

　　电磁频谱是支撑未来宽带无线移动通信网络发 展的基本要素，是信息时代不可或缺的国家战略资 源。随着 5G 的大规模商用及陆续普及，物联网、自 动驾驶、虚拟/增强现实等新兴技术和服务的不断涌 现，未来社会朝着“移动互联”和“万物智联”的方向 发展。由此伴随通信、雷达、导航、传感等各类无线 电设备和智能终端数目指数增长，导致了无线数据 业务量爆炸式增长，电磁频谱空间日益错综复杂。 据预 测，到 2030 年 全 球 移 动 数 据 流 量 将 达 到 5 016 EB /月( 1 EB = 1 0242 TB) ［1］。信息通信产业 的持续迅猛发展在引发社会信息化提升与变革的同 时也进一步加剧了有限频谱资源的紧缺现状: 一方 面，用于无线通信6 GHz以下低频段( Sub－6 GHz) 大 部分以专用授权的方式分配殆尽，其频谱资源稀缺 性愈发明显; 另一方面，当前频谱划分固定不变，而 实际通信场景对频谱的需求动态变化，其使用情况 在频率、时间、空间上呈现出高度不均衡性。日益严 峻的“频谱赤字”现象已成为制约 5G 和未来宽带无 线移动通信技术发展的瓶颈。

　　为了满足日益增长的频谱需求，2015 年世界无 线电大会批准了 24 ～ 100 GHz毫米波范围一些候选 频带，以及60 GHz的非授权频带［2］，但由于 5G 网络 超密集、高异构的动态复杂特性，单纯依靠增加公共 通信频谱资源来解决问题的传统静态资源分配方式 已无法满足未来“智慧 5G”发展的需要。因此，除 积极开发尚未使用的新频段之外，更为重要和根本 的是如何提高有限频谱资源的利用效率。而认知无 线电技术( Cognitive Ｒadio，CＲ) 具有提高频谱效率 的巨大潜能［3］，被认为是解决频谱赤字危机的有效 途径之一。它通过使能的智能终端，也称认知用户 ( Secondary Users，SUs) ，挖掘主用户( Primary Users， PUs) 在时域、频域、空域各维度上暂未使用的授权 频段而伺机占用，同时需避免对 PUs 的干扰，突破 了传统固定频谱授权的藩篱，可以大幅提升电磁频 谱的复用率，有望在短期内缓解 5G 频谱需求的燃 眉之急。

　　但是，随着研究的不断深入、海量智能化终端的 不断涌现，以及 5G 网络呈现的超密集、大连接、高 异构、低时延、智能化的新特征，未来网络通信环境 呈现出愈加明显的复杂动态特性，单纯提高频谱复 用率已不能满足“智慧 5G”发展的需求。因此，在 复杂的电磁频谱环境下，基于认知无线电技术的 5G 频谱共享发现技术呈现出新的问题与挑战。

　　1) 电磁空间复杂性和高动态性。5G 网络具有 高异构和超密集性，用频设备种类繁多和数量丰富， 应用场景更加多元化，电磁环境和频谱供需关系瞬 息万变，频谱资源竞争更加激烈，加之非法与恶意用 户的干扰行为，导致频谱使用耦合性与关联性更加 复杂，可用频谱动态性和不确定性愈加严重。

　　2) 海量频谱信息快速准确获取难度大，感知成 本巨大。随着 5G 网络部署密集程度的不断提高， 认知用户实时监测全网频谱状态信息所需的信令开 销日 益 增 加，其 感 知 能 量 成 本 将 面 临 着 严 峻 挑战［4］。

　　3) 感知信息真实性和价值密度低。5G 超密集 异构网络部署导致了不规则的网络拓扑，如果仅采 用传统的线性协同频谱感知方法，频谱感知准确性 和时间敏捷性等性能不会明显改善。而且超密集的 网络特征，频谱信息在时域－频域－空域各维度上和 维度间存在相关性，感知信息价值密度低。

　　4) 频谱感知信息实时性差、发现不充分。由于 5G 网络的高动态性和噪声变化的不确定性，被动式 的频谱感知( 周期性感知或有需求才感知) 使感知 结果时效性较低，已不能满足智能化设备的需求。 而且由于历史感知信息的不完整，在单一维度上感 知不能充分挖掘时域－频域－空域三维度上的全部 空闲可用机会。

　　因此，在 5G 与未来移动通信网络中，如何创新 频谱多维协同感知理论方法，设计合理的认知学习 预测推理机理和策略，以从海量的异构频谱大数据 中挖掘出有价值的特征参数，并归纳推演出其内在 规律，从时域－频域－空域多维度上发现更多的频谱 共享机会，充分提高频谱效率、能量效率和时效性， 使感知质量综合性能“一体化”，以有效服务于高动 态频谱资源分配，实现频谱高效利用、智能化秩序管 理，成为当前亟需解决的新课题。

　　鉴于此，本文对未来复杂网络环境下动态频谱 高效感知技术的研究现状和发展动态进行了分析， 提出了核心科学问题。在此基础上，重点从联合稀 疏采样、协同感知、多维协同预测 3 个方面讨论了动 态频谱高效感知的基本解决思路与方法，为相关人 员在未来复杂网络动态频谱共享方面进一步研究提 供思路和可行参考。

　　1 国内外研究现状与发展动态分析

　　5G 频谱共享是目前的国际研究热点和研究前 沿，引起学术界、工业界、标准化组织、政府频谱管理部门等多方力量的密切关注。文献［5］从频谱态势 理论模型、广域频谱态势感知、动态频谱态势生成和 频谱态势高效利用 4 个方面讨论了电磁频谱空间认 知新范式，综述了对电磁频谱空间认知基础理论和 关键技术的研究现状，并指出将孤立、分散、静态的 频谱数据整合成一个整体、动态、关联、可视的异构 数据集合是频谱态势未来的发展方向。吴启晖教授 团队［6］还提出了基于区块链的动态频谱共享方法， 指出实现基于区块链的动态、高效、安全的频谱共享 急需解决区块链体系架构、频谱交易激励机制和频 谱协作管理等关键问题。文献［7］面向 5G、6G 的 智能频谱管理研究，分析了未来无线通信系统频谱 管理面临的四大挑战，提出了智能频谱管理的构想 及体系架构，探讨了智能频谱管理的关键技术，为充 分合理有效利用有限的频谱资源提供思路和建议。 但是，目前难以科学、有效地开展 5G 乃至未来移动 通信网络频谱研究工作。

　　下面根据前述频谱共享发现所呈现出的问题与 挑战，分别从高动态频谱态势信息的联合稀疏采样 ( 信息获取) 、频谱协同感知( 信息融合) 、频谱协同 预测( 信息认知) 3 个方面展开阐述与分析，其结构 如图 1 所示。

　　1．1 复杂动态频谱的联合稀疏采样技术

　　频谱感知( 即频谱共享发现) 是频谱接入( 即频 谱共享利用) 的前提与基础，是实现动态频谱共享 的核心技术。目前国内外关于频谱感知技术的研究 已取得了丰硕成果: 文献［8－9］分别在不同历史阶 段对频谱感知的研究进展进行了较为系统全面的梳 理; 文献［10］全面综述了面向 5G 宽带移动通信网 络复杂无线网络架构的全频谱共享研究，分析表明 面向 5G/6G 宽带频谱感知研究还有待深入。下面 具体分析 5G/6G 宽带频谱感知相关理论方法的总 体研究趋势与技术挑战。

　　1．1．1 感知采样速率

　　在 CＲ 情况下宽带频谱感知的主要挑战之一是 采样速率瓶颈问题。因为 CＲ 感知典型的宽带信号 时，其奈奎斯特速率需非常高，甚至超过最优模数转 化器( Analog-to-Digital Converter，ADC) 前端宽带，而 这种 ADC 复杂且昂贵。因此，对于宽带信号，传统 以奈奎斯特速率抽样进行频谱感知的方法实际上很 难执行。其次，宽带信号的高抽样速率会产生巨量 的样本数据，将影响数据处理速度，增加感知时延和 计算复杂度，同时也会增加功率消耗。现有的宽带 频谱感知系统大都采用扫频的方式进行，因此会丢 失很多短时存在信号。为了解决上述问题，考虑到 频谱利用具有稀疏性，一些稀疏采样技术吸引了越 来 越 多 研 究 者 的 关 注，例 如 压 缩 感 知［11－12］ ( Compressed Sensing，CS) 、稀疏快速傅里叶变换［13］ ( sparse Fast Fourier Transform，sFFT) 等，而基于 CS 和 sFFT 的宽带频谱感知方法要求宽带输入信号具 有稀疏性。

　　同时，利用稀疏采样技术时，时域、频域和空域 稀疏采样的时间间隔( 抽样速率) 、频率间隔与空间 距离的设置十分重要。如图 2 所示( 图中粉色曲线 和填充颜色表示频谱空闲，蓝色表示被 PU 占用) ， 频域采样参数要大于等于抽样带宽且小于单个信道 宽度，如果设置参数太小会产生如图所示信号交叠 现象，参数太大则出现漏检，不能准确判断信道是否 被 PU 占用。对于时域观察时长与周期，空域测量 设备的移动速度与测量间距的设置存在类似的道 理，这里不再一一详述。

　　关于采样参数的设置，机器学习方法被认为是 一个有效的工具。例如，文献［15］基于强化学习的 方法构建了一种认知无线电网络中的认知环，使得 整个网络范围动态信道选择的能力均获得了增强。 Flokas 等［16］研究了基于稀疏的在线宽带频谱感知， 利用基于最小均方根的在线学习从频率维度估计非 零元素数的上限。

　　1．1．2 噪声不确定性影响

　　能量检测作为最简单通用的频谱感知方法不需 要输入信号的先验知识，但对噪声很敏感，当输入信 号信噪比( Signal-to-Noise Ｒatio，SNＲ) 很低时，检测 性能很差。若用 Sub-Nyquist 欠采样机制进行感知 时检测性能更差，由于噪声混叠而使能量检测的敏 感性被放大［17］。因此，在低 SNＲ 时，欠采样压缩感 知方法很难达到 CＲ 性能要求。但由于能量检测简 单易实现，呈现出较多克服噪声影响的研究: 文献 ［18］研究了基于循环前缀自相关性的频域稀疏频 谱感知和共享问题，提出了在宽带噪声不确定环境 下基于压缩感知的频域自相关方法，以有效提高频 谱感知的准确性; 文献［19］基于压缩感知理论，研 究了 sub-Nyquist 抽样的宽带频谱感知预决策算法， 该算法对噪声不确定性的影响比较健壮，而且不需 要主用户信号先验信息; 文献［20］研究了实时信号 数据低复杂度的压缩频谱感知方案，依据压缩感知 的 sub-Nyquist 抽样率给出了非线性重加权的最小 均方数据处理算法，通过减少抽样率来降低计算复 杂度; 同样，利用 sub-Nyquist 抽样速率，文献［21］研 究了宽带频谱感知中一个两阶段单节点的协同频谱 感知算法来减少计算复杂度，同时提高感知对噪声 不确定性影响的鲁棒性。但是，前述 Sub-Nyquist 采 样方法都需要将稀疏采样的宽带信号重构作为 CＲ 感知信号。然而，CＲ 的最终目标通常是只需要检 测，并不需要重构 PU 发射的信号。

　　1．2 复杂动态频谱的多维协同感知技术

　　为了克服频谱感知过程阴影衰落、隐藏终端、多 径衰落和干扰等多重不确定因素的影响，协同频谱 感知方法被提出，相关成果在文献［8，22］中有较全 面系统的介绍。文献［23］利用强化学习的方法克 服诸如感知时延、网络流量拥塞等问题，让每位非授 权用户的学习策略能够最小化感知开销。文献 ［24］提出了基于机器学习的协同频谱感知方法，将 非监督学习( K－均值分类法与高斯混合模型) 和监 督学习( 支持向量机与基于加权的最近 K 邻居学习 分类技术) 方法融入协同频谱感知技术，利用超平 面将空闲可用授权频谱与主用户正在占用的授权频 谱分类。文献［25］利用深度感知方法，提出了一个 基于伯努利滤波算法的随机有限集，以感知 5G 通 信中未来频谱状态与主用户位置。然而，上述研究 没有综合考虑时域－频域－空域多域环境频谱信息 相关性影响，存在检测结果不准确这一问题。

　　此外，由于 5G 网络的超密集特征，海量频谱感 知大数据价值密度低，协同频谱感知在数据融合过 程中从海量低价值密度的数据中获取重要的价值信 息是颇具挑战的工作。

　　1．2．1 空间相关性

　　由于空间相关性，局部范围内的频谱数据可能 存在较大的冗余，而且距离 PU 位置较近的认知用 户一般会比距离 PU 位置远的认知用户检测的更准 确可靠。例如，密集或热点区域内的认知用户感知 结果多存在相似性。如图 3 所示，认知用户 CＲ1，与 在其射频覆盖范围内近 PU 一侧的特定扇区范围内 的其他认知用户( CＲ2 和 CＲ3) 感知结果相似。

　　1．2．2 时间相关性

　　由于时间相关性，同一设备对于某一空间某一 频段在短时间内的感知样本存在冗余。例如，同样 在某一用户密集区域，CＲ1 在晚上 7—8 点间检测 TV 频段的结果应该非常相近，而若是上午 7—8 点 与晚上 7—8 点两个时间段的检测结果将会相差 甚远。

　　1．2．3 频率相关性

　　由于频率相关性，相邻频段上的频谱数据存在 冗余。例如，检测两相邻频段，其检测结果亦存在很 大相似性。

　　由上述分析可知，频谱信息同样存在时间与空 间、空间与频率、时间与频率之间的相关性，频谱信 息各维度内与各维度间的这种相关性成为推动优化 协同频谱感知因素。同时，由于频谱信息相关性而 显示出稀疏性，意味着可在各感知节点利用压缩感 知算法仅需抽样很少部分的压缩测量数据传送给数据融合中心来取代大部分的抽样测量表示，从而减 少低功耗节点用于感知、数据处理与通信所消耗的 功率。因此，为有效获取频谱价值信息，研究更加智 能的协同数据融合处理方法显得尤其紧迫。

　　1．3 复杂动态频谱的多维协同预测技术

　　频谱预测的重要特性是频谱状态的主动感知， 利用频谱数据之间的相关性实现由已知频谱数据样 本推演未知频谱数据，由稀疏、不完整样本推演完整 频谱态势。频谱预测与频谱感知的融合有助于提高 频谱接入的性能，减少频谱感知的时间和能量消耗。 当前国内外关于无线频谱状态预测的研究已经取得 了阶段性成果，吴启晖教授团队［26－27］对频谱态势推 理进行了系统的分析梳理，并总结了未来研究趋势。

　　下面结合图 4，从时域－频域－空域 3 个维度对 多维协同预测技术进行分析。

　　1．3．1 时域预测

　　早期频谱预测方面的研究主要集中于时域频谱 预测。加利福尼亚大学的 Acharya 教授等人［28］于 2006 年首次引入线性预测机制，来推演时域频谱空 洞出现的时刻和持续时间。Sarikhani 等人［29］将深 度增强学习方法用于认知无线网络的协同频谱感 知，通过选择部分认知用户而不是所有用户参与协 作来提高信号分类的准确度。为了优化认知网络系 统的能量效益，He 等人［30］将图神经网络与增强学 习 算 法 相 结 合，提 出 了 基 于 深 度 学 习 ( Deep Learning，DL) 的分布式协同频谱感知方法。

　　1．3．2 频域预测

　　伴随着基于频谱实测的数据分析工作的不断深 入，频 域 相 关 性 现 象 逐 渐 引 起 研 究 者 们 的 关 注［18，31］，基于频域相关性的多信道联合频谱预测算 法也不断涌现。文献［32］设计了基于频繁模式挖 掘的多信道联合频谱预测算法，并通过实测数据论 证了该算法相对于单信道时域频谱预测算法的有 效性。

　　1．3．3 空域预测

　　空域频谱预测研究也取得了阶段性研究成果。 文献［33］基于空域卡尔曼滤波理论实现了多用户 分布式空域频谱预测算法，每个用户通过与邻居用 户交互观测信号，经过多次迭代，所有用户均可获得 整个区域的频谱状态。文献［34］进一步利用字典 学习和压缩感知理论，基于稀疏空间采样实现了空 域干扰图的构建。

　　1．3．4 协同预测

　　频谱信息时域、频域和空域多维协同预测的研 究主要以吴启晖教授团队成果居多。吴教授团 队［35］提出一种结合预测模型的频谱张量补全方法， 用于恢复由于压缩感知或者受传输噪声的影响而缺 失的数据。Ding 等人［36］提出了一种增强的在线频 谱预测方法，根据不完整的和/或受损的历史信息， 从时间－频率两维度进行感知矩阵补全与恢复，并 通过实际信号验证了预测性能。文献［37］针对时 空分布复杂多变的无线网络提出了一种基于协同学 习的频谱智能感知算法，通过用户感知层和边缘融 合层的协同学习感知频谱状态。

　　从调研文献可以看出，目前频谱预测的研究多 以时域、频域或空域一维预测为主，由于频谱信息的 相关性与稀疏性，以及历史信息的不完整性，多维协 同预测开始引起研究者的重视，相关研究还有待 深入。

　　2 复杂动态频谱高效感知需要解决的核心

　　科学问题 纵观上述技术研究成果，结合分析未来宽带移 动通信网络( 含 5G) 的核心内容，在未来宽带移动 通信网络复杂电磁环境下动态频谱高效感知亟待解 决的关键科学问题可归结为如下几点:

　　第一，面向未来宽带移动通信系统业务流量数 量级增长对系统高频谱效率、高功率效率和低时延 需求，迫切需要更多的频率资源提供支撑，而有限的 频谱资源与传统静态的资源分配管理政策无法满足 频谱需求。频谱“赤字危机”日益严峻，迫切需要动 态频谱高效感知的新理论和新方法。

　　第二，未来宽带移动通信网络大规模、超密集、 高异构、高动态的新特征，以及海量异构频谱大数据 在时域－频域－空域的相关性而呈现出的动态时变 稀疏性和低价值密度，给频谱信息获取与数据分析处理带来巨大挑战，迫切需要从多域、多维创新协同 频谱感知预测方案。

　　第三，未来宽带移动通信系统需要综合提高频 谱效率、能量效率和时效性 3 个关键性能指标，而频 谱状态信息的动态稀疏性和不完整性迫切需要设计 新的认知协同控制策略。

　　3 解决思路与面临技术挑战

　　3．1 基于压缩感知的自适应联合稀疏采样模型 设计

　　针对上述 5G 超密集、高异构、大连接的网络结 构特征，若采用以奈奎斯特频率持续全网感知，将产 生海量频谱大数据，感知成本与数据认知分析处理 压力将面临巨大挑战。在保证感知性能的情况下， 应探究如何使总抽样数最小化，具体包括多用户协 同感知参与感知的用户数最小化、多带联合检测感 知信道数的最小化，以及如何自适应调整抽样速率 与能量判决阈值，根据动态与非预期的环境变化自 动调整感知策略。

　　基于能量检测的自适应联合稀疏采样理论结构 具体可概括为 4 步: ①认知用户接收稀疏信号; ② 认知用户利用所设计的自适应联合稀疏测量矩阵收 集信号样本; ③认知用户或数据中心根据压缩感知 理论恢复信号; ④认知用户或数据中心利用所设计 的基于在线学习的非线性能量检测方法判决 PU 是 否存在。

　　3．2 基于稀疏学习的深度协同感知技术

　　针对上述频谱大数据的多源异构性、价值密度 性、真实性等特征，应利用稀疏学习、鲁棒学习、核学 习等机器学习方法，探究频谱资源在时域、频域和空 域等多维空间的多重关联动态特征和信息描述方 法，进行关联分析与多维整合，去除冗余与异常数 据，提取能全面反映频谱态势的指标信息，建立协同 频谱感知综合性能“一体化”评价体系的函数表 达式。

　　考虑到感知信息的多源异构性，可用稀疏学习 中的鲁棒学习方法，提取更加本质的关联认知信息， 以提高整体认知效率。所谓稀疏学习中的鲁棒学习 方法是将稀疏学习与鲁棒学习相结合，所形成的新 算法可以快速求解各参数和其学习输出值，有效去 除异常值。因此，基于该学习方法可以有效去除多 源异构频谱大数据中不相关的特征向量、冗余值和 异常值，进而提高感知的时效性。

　　3．3 基于深度学习的多维协同预测方法

　　在目前单域( 多集中于时域) 频谱预测研究的 基础上，应针对频谱数据的不确定性、动态性、时变 性和历史数据不完整性等挑战，考虑频谱时－频相 关性及可预测性的特点，利用深度学习、归纳推理、 统计学等相关理论与算法，通过对历史频谱数据的 关联分析、分类分析和聚类分析等，从时域－频域－ 空域多维协同的角度，发现频谱数据在时、频、空等 多维空间上的特点及规律，搭建自适应、快速时变、 多粒度的态势演化的概率预测模型，以满足复杂多 样的频谱环境趋势分析的需要。即利用已知频谱数 据在时域－频域－空域本质的统计相关性，推断未知 频谱的状态。

　　可以利用卷积神经网络( Convolutional Neural Network，CNN ) 与 长 短 期 记 忆 ( Long Short-term Memory，LSTM) 结合的深度学习算法，构建频谱不 同态势演化的概率预测模型。深度学习预测模型包 括以下几个模块:

　　1) 自适应压缩感知模块: 根据不同场景不同要 求自动调整抽样稀疏度参数，负责以尽量少的抽样 数收集无线环境的测量数据信息，也就是说首先要 产生 固 定 长 度 的 矢 量 以 描 述 状 态 变 量，如 xt = ［x1( t) ，…，xn( t) T ］。

　　2) CNN 算法模块: 该模块用 3 层的 CNN 抽取 频谱的关键特征参数存入数据池，并对这些非线性 数据进行预处理，有助于 LSTM 模块层学习。 3) LSTM 模块: 实际是回归神经网络( Ｒecurrent Neural Network，ＲNN) 的拓展，用 2 层 LSTM 训练 CNN 中提取的数据，译码下一时刻行为状态变量。 因为已有研究验证，用 2 层的结构，信号分类的准确 性优于 3 层的，特别是对于低 SNＲ 的信号，性能改 善显著。

　　4) 预测推理模块: 该模块是完全连接的线性 层，预测输出下一时刻的状态 xt+1 =［x1 ( t+1) ，…， xn( t+1) ］T 。

　　5) 频谱大数据存储模块: 负责保存历史数据、 当前数据与预测数据。 最后，可以加入 Softmax 功能层以对各状态进 行分类提取。

　　将 CS、CNN 与 LSTM 集成一体化的深度学习结 构模型具有如下优点:

　　1) 特征相关性提取: CNN 预训练可以提取所有 相关与交互变量较好的状态表征。

　　2) 动态实时性: 具有长短记忆的 LSTM 层可建 模和预测动态系统，相比于传统神经网络具有更强 的鲁棒性和准确性，以及实时控制能力。

　　3) 低抽样( 低成本) : 低抽样率、低功耗的频谱 传感器同样适用，可以动态学习训练变化长度的时 域测量数据，并分类到相应的群以聚类，对于低 SNＲ 样本学习预测效果相对比较好。

　　4) 隐藏特征挖掘: 深度学习算法可以恢复隐藏 的模式特征，使历史信息与当前信息高度匹配与 融合。