DOI:
https://doi.org/10.14483/22487638.15243Published:
2020-01-01Issue:
Vol. 24 No. 63 (2020): January - MarchSection:
ResearchPropuesta de acceso múltiple al espectro en redes inalámbricas cognitivas
Proposal for multiple spectrum access in cognitive wireless networks
Keywords:
multi-user access, spectral allocation, radio spectrum, swarm intelligence, cognitive radio, wireless networks (en).Keywords:
acceso multiusuario, asignación espectral, espectro radioeléctrico, inteligencia de enjambre, radio cognitiva, redes inalámbricas (es).Downloads
References
Bordón L., R. y Montejo S., S. (2015). La radio cognitiva y su impacto en el uso eficiente del espectro de radio. Revista de Ingeniería Electrónica, Automática y Comunicaciones, 36(1), 42-55.
Carrillo, D., Mathilde, F., Yoshimura, R. y Bazzo, J. (2013). Red Experimental Cognitiva: Algoritmos y Resultados. En IEEE Colombian Conference on Communications and Computing (COLCOM) (pp. 1-5). Medellín. https://doi.org/10.1109/ColComCon.2013.6564839
Casadevall Palacio, F. y Perejil Sabaté, I. (2016). Implementación de terminales de radio cognitiva en la banda de TV. Barcelona: Escola Tècnica Superior d'Enginyeria de Telecomunicació de Barcelona.
Ghosh, G., Das, P. y Chatterjee, S. (2014). Cognitive Radio and Dynamic Spectrum Access - A Study. International Journal of Next-Generation Networks, 6(1), 43-60. https://doi.org/10.5121/ijngn.2014.6104
Hernández, C.A., Páez, I.P. y Giral, D.A. (2015). Modelo AHP-VIKOR para handoff espectral en redes de radio cognitiva. Tecnura, 19(45), 29-40. https://doi.org/10.14483/udistrital.jour.tecnura.2015.3.a02
Hernández, C.A., Páez, I.P. y Giral, D.A. (2016). Modelo adaptativo multivariable de handoff espectral para incrementar el desempeño en redes de radio cognitiva. Bogotá: Universidad Distrital Francisco José de Caldas.
Hernández, C., Pedraza, L., Páez, I. y Rodríguez, E. (2015). Análisis de la movilidad espectral en redes de radio cognitiva. Información Tecnológica, 26(6). https://doi.org/10.4067/S0718-07642015000600018
Karaboga, D. y Basturk, B. (2007). Artificial Bee Colony (ABC) Optimization Algorithm for Solving Constrained Optimization Problems. En P. Melin, O. Castillo, L.T. Aguilar, J. Kacprzyk y W. Pedrycz (eds.), Foundations of Fuzzy Logic and Soft Computing (pp. 789-798). Berlín, Alemania: Springer. https://doi.org/10.1007/978-3-540-72950-1_77
Liu, Z., Nasser, N. y Hassanein, H.S. (2013). Heuristic Based Dynamic Spectrum Assignment in Cognitive Radio Network. En International Conference on Computing, Management and Telecommunications (ComManTel) (pp. 105-110). Ho Chi Min, Vietnam. https://doi.org/10.1109/ComManTel.2013.6482374
Mejía Ardila, A. F. (2017). Análisis de ocupación de canales para redes de Radio Cognitiva en el espectro de señales GSM durante un periodo de seis meses. [Tesis de maestría]. Facultad de Ingeniería, Universidad Nacional de Colombia. Bogotá.
Nandini, K.S. y Hariprasad, S.A. (2019). Optimal Spectrum Sensor Assignment in Multi-channel Multi-user Cognitive Radio Networks. Journal of Telecommunications and Information Technology, 8(4), 88-96. https://doi.org/10.26636/jtit.2018.124017
Narváez Romero, F.R. (2016). Diseño de un detector de energía para señales de radio FM en radio cognitiva. Loja: Universidad Nacional de Loja.
Ordoñez, J.C. (2016). Caracterización de usuarios primarios para la implementación de un modelo predictor para la toma de decisiones en redes inalámbricas de radio cognitiva. Bogotá: Universidad Distrital Francisco José de Caldas.
Pedraza, L.F., Forero, F. y Páez, I.P. (2014). Evaluación de ocupación del espectro radioeléctrico en Bogotá-Colombia. Ingeniería y Ciencia, 10(19), 127-143. https://doi.org/10.17230/ingciencia.10.19.6
Pedraza, L., López, D. y Salcedo, O. (2011). Enrutamiento basado en el algoritmo de Dijkstra para una red de radio cognitiva. Tecnura, 15(30), 94-100.
Peng Lim, C., Jain, L. y Dehuri, S. (2009). Innovations in Swarm Intelligence. India: Springer-Verlag Berlin Heidelberg. https://doi.org/10.1007/978-3-642-04225-6
Ponce Pinos, J.E. (2019). Evaluación de ocupación del espectro radioeléctrico y análisis de factibilidad de uso de radio cognitiva en la banda UHF (450-512 MHz) Para su optimización en la ciudad de Riobamba. Riobamba: Escuela Superior Politécnica de Chimborazo.
Sánchez López, C. (2016). Estudio sobre la viabilidad de redes radio cognitivas en el Campus Nord de la Universidad Politécnica de Cataluña. Barcelona: l’ Escola Tècnica d’Enginyeria de Telecomunicació de Barcelona.
Shetty, S., Agbedanu, K. y Ramachandran, R. (2011). Opportunistic spectrum access in multi-user multi-channel cognitive radio networks. En 19th European Signal Processing Conference, EUSIPCO 2011 (pp. 1229-1233). Barcelona, España.
Wang, B. y Ray Liu, K.J. (2011). Advances in Cognitive Radio Networks: A Survey. IEEE Journal of Selected Topics in Signal Processing, 5(1), 5-23. https://doi.org/10.1109/JSTSP.2010.2093210
How to Cite
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Download Citation
Recibido: 3 de septiembre de 2018; Aceptado: 14 de febrero de 2019
RESUMEN
Contexto:
El acceso a las redes inalámbricas es un proceso en el que intervienen múltiples agentes, por lo que resulta práctico e interesante realizar un análisis multiusuario.
Objetivo:
Evaluar un algoritmo de asignación espectral en redes inalámbricas cognitivas que permita simular entornos con múltiples usuarios secundarios que acceden al espectro de forma simultánea.
Metodología:
La asignación espectral se realiza mediante la evaluación, para cada usuario secundario, de las rutas espectrales encontradas con una adaptación del algoritmo colonia de abejas artificiales. La validación se da a partir de datos de ocupación espectral reales capturados en una campaña de medición.
Resultados:
A partir de los resultados de simulaciones de la red cognitiva con múltiples usuarios secundarios, a través del algoritmo propuesto, se evalúan sus parámetros de interés del rendimiento, como la población de abejas para el tiempo de evaluación, número de handoffs totales y tiempo de ejecución.
Conclusiones:
El rendimiento del algoritmo es aceptable con respecto al tiempo de ejecución y el número de handoffs totales; sin embargo, se encuentra unatendencia al incremento de handoffs espectrales, conforme aumenta el número de usuarios secundarios en la red de radio cognitiva, por lo que un número elevado de estos disminuye el rendimiento de la red.
Palabras clave:
acceso multiusuario, asignación espectral, espectro radioeléctrico, inteligencia de enjambre, radio cognitiva, redes inalámbricas.ABSTRACT
Context:
Access to wireless networks is a process in which multiple agents intervene, so it is practical and interesting to perform a multi-user analysis.
Objective:
To evaluate a spectral allocation algorithm in cognitive wireless networks that allows simulating environments with multiple secondary users that access the spectrum simultaneously.
Methodology:
The spectral assignment is performed by evaluating for each secondary user the spectral routes found with an adaptation of the Colony algorithm of Artificial Bees. Validation is performed based on actual spectral occupation data captured in a measurement campaign.
Results:
Based on the results of simulations of the cognitive network with multiple secondary users using the proposed algorithm, parameters of interest of the algorithm's performance are evaluated, such as the bee population for the evaluation time, number of total handoffs and execution time.
Conclusions:
The performance of the algorithm is acceptable with respect to the execution time and the number of total handoffs, however, there is a tenden cy to increase spectral handoffs as the number of secondary users in the cognitive radio network increases, so a high number of secondary users decreases network performance.
Keywords:
multi-user access, spectral allocation, radio spectrum, swarm intelligence, cognitive radio, wireless networks.INTRODUCCIÓN
El desarrollo tecnológico de las comunicaciones inalámbricas en la época actual ha posibilitado un aumento drástico en el uso de dispositivos inalámbricos, razón por la cual algunas bandas de frecuencia del espectro radioeléctrico son ampliamente usadas (Nandini y Hariprasad, 2019; Mejía, 2017; Narváez, 2016). La radio cognitiva plantea usar de una manera eficiente el espectro, mediante la búsqueda y asignación de bandas de frecuencia disponibles a usuarios secundarios, siempre que el original (primario) no le esté dando uso. En el caso de que el usuario primario (UP) requiera de su respectiva banda de frecuencia, el secundario (US) se retira y da un salto a otra frecuencia (handoff espectral) en búsqueda de una nueva disponible; así se da continuidad a la transmisión tanto de usuarios primarios como secundarios (Ponce, 2019; Sánchez, 2016; Hernández, Páez y Giral, 2015; Bordón y Montejo, 2015; Pedraza, López y Salcedo, 2011).
Hay varios estudios y publicaciones en el área de radio cognitiva, como se muestra en Wang y Ray Liu (2011) y Ghosh, Das y Chatterjee (2014); sin embargo, la mayoría de ellos se ha enfocado en proponer y validar algoritmos para el acceso al espectro en ambientes de un solo usuario, lo cual se aleja un poco de la realidad al no considerar un acceso multiusuario (Shetty, Agbedanu y Ramachandran, 2011; Carrillo,Mathilde, Yoshimura y Bazzo, 2013; Casadevall y Perejil, 2016; Hernández, Pedraza, Páez y Rodríguez, 2015; Ordoñez, 2016). Uno de los pocos trabajos que presenta un análisis multiusuario para redes de radio cognitiva es el de Liu, Nasser y Hassanein (2013), en el que se evalúa el rendimiento de dos algoritmos de asignación espectral en redes multiusuario: algoritmo genético y algoritmo heurístico. Los resultados, mediante el ajuste de los parámetros de la red cognitiva y el aumento el número de US, muestran que para niveles de tráfico bajo la asignación espectral es más eficiente el algoritmo genético, aunque pierda su funcionalidad en niveles de tráfico alto, donde dicho algoritmo conserva un buen rendimiento.
El presente artículo tiene por objetivo evaluar el desempeño de un algoritmo de asignación espectral para redes de radio cognitiva con un enfoque de acceso multiusuario simultáneo, basado en el algoritmo de colonia de abejas artificiales (ABC, por su sigla en inglés). El algoritmo propuesto se valida a través de datos de ocupación espectral reales, capturados en una campaña de medición espectral anterior, sobre la banda de frecuencia GSM (Pedraza, Forero y Páez, 2014). Las métricas de evaluación utilizadas son el número de handoffs espectrales totales, durante una transmisión de diez minutos. Posteriormente, se contrastan los resultados obtenidos con los de Liu, Nasser y Hassanein (2013), con el propósito de iniciar una evaluiciar una evaluación y análisis comparativo.
METODOLOGÍA
El punto de partida para desarrollar el algoritmo propuesto y su evaluación es obtener los datos de ocupación espectral obtenidos a partir de la monitorización del espectro. Luego, se les debe aplicar un tratamiento que se explicará a continuación, con el fin de que sea posible adaptar el algoritmo ABC y simular una red de radio cognitiva con cinco usuarios secundarios (US) que intentan transmitir simultáneamente.
Se adelantan múltiples simulaciones con variación de tamaño de la población de abejas, para así estudiar su influencia y encontrar un valor con el que tenga mejor rendimiento la red en general. Cuando se identifique dicho nivel de población, se estudian los cambios de otros parámetros importantes a tener en cuenta del algoritmo, con el fin de establecer nociones claras del comportamiento real de la red.
Datos de ocupación espectral
En campañas de mediciones previas, se obtuvieron los datos de ocupación espectral mediante la técnica de detección de energía, a partir de la cual se construyó una matriz de potencias. Posteriormente, se definió, por medio de la probabilidad de falsa alarma, el umbral de decisión para determinar la ocupación o disponibilidad de cada canal de frecuencia monitorizado, definiendo la matriz de disponibilidad.
Después de un análisis estadístico se categorizan dos niveles de ocupación espectral, los cuales se denominan tráfico alto y tráfico bajo, que se pueden ver como el comportamiento del espectro radioeléctrico en una condición de una gran cantidad de usuarios primarios intentando comunicarse (tráfico alto), y encondición de una baja cantidad de usuarios primariosintentando comunicarse (tráfico bajo).
Adicionalmente, el algoritmo propuesto requiere que se dividan los datos de ocupación espectral en dos trazas de igual tamaño: la primera se utiliza paraentrenar el algoritmo, de lo cual se obtienen alternativas de bandas de frecuencia libre (denominadas rutas espectrales); a la segunda se recurre para simular una red de radio cognitiva en la que cinco US intentarán establecer comunicación a través de las rutas espectrales halladas anteriormente.
Algoritmo ABC propuesto
Para llevar a cabo la etapa de entrenamiento del algoritmo propuesto se investigó en la literatura un método que tuviera las características de búsqueda, selección y versatilidad, junto con un tiempo de solución no tan elevado. Los aspectos anteriores son necesarios ya que, dentro de una red de comunicaciones real, la disponibilidad de las bandas de frecuencia puede presentar cambios abruptos en pequeños intervalos de tiempo (Peng, Jain y Dehuri, 2009).
En ese sentido, se escoge el algoritmo artificial bee colony (ABC), el cual es de inteligencia de enjambre que simula el comportamiento de una colonia de abejas durante la búsqueda de alimento. Como se evidencia más adelante, ABC se adapta a las necesidades requeridas debido a que la búsqueda y selección de fuentes de alimento por las abejas es un proceso cíclico que, aunque tiene matices tanto aleatorios como probabilísticos, su solución final mejora notablemente con cada ciclo. Esto se logra con el uso de pocas ecuaciones prácticas, por lo que también queda cubierto el requerimiento de un tiempo de ejecución bajo.
Ahora, se da una explicación del algoritmo ABC para luego indicar cómo se adapta en la búsqueda y determinación de las rutas espectrales que se usarán en la simulación de una red inalámbrica cognitiva con varios US simultáneos.
El algoritmo ABC concibe tres grupos de abejas en el proceso de búsqueda de fuentes de alimento: empleadas, observadoras y exploradoras, cada una de ellas tiene una función específica. Las empleadas explotan varias fuentes de alimento y comunican el potencial de cada fuente encontrada a las observadoras, quienes seleccionan las mejores fuentes de alimento basándose en su potencial; por último, las exploradoras encuentran nuevas fuentes de alimento para su explotación por parte de las empleadas (Karaboga y Basturk, 2007). Este proceso se repite cíclicamentecuando las observadoras seleccionan las mejores fuentes de alimento encontradas, las cuales corresponden a las posibles soluciones de un problema específico.
El algoritmo ABC termina cuando se cumple un determinado número de ciclos definido inicialmente o cuando se encuentra una solución aceptable.
Para mostrar las ecuaciones usadas en el algoritmo ABC se deben definir sus parámetros de entrada:
-Tamaño de la población de abejas: SN.
-Valores mínimo y máximo en el que se presume estará la solución:
-Número de ciclos máximo: MCN.
-Se puede definir un límite de ciclos en el que se conserva una fuente de alimento; si no mejora después de estos ciclos, será reemplazada por una nueva: L.
En un primer momento, se genera un número SN de soluciones iniciales xi con la ecuación (1):
Posteriormente, se evalúa el potencial si de cada fuente de alimento xi encontrada con la ecuación característica del problema a solucionar y se halla un número SN de nuevas fuentes de alimento cercanas yi con la ecuación (2). De igual forma, se evalúa el potencial si de las nuevas fuentes de alimento encontradas yi y se selecciona la mejor opción entre las posibles yi y xi, este valor es reemplazado en xi.
Ahora, la selección de fuentes de alimento por parte de las abejas observadoras se realiza teniendo en cuenta la probabilidad Pi para cada fuente de alimento xi que se calcula con la ecuación (3). El proceso se repite a partir de la ecuación (2), generando nuevas fuentes de alimento cercanas y seleccionando las mejores. Se repite un número de ciclos MCN o hasta que se encuentre una solución aceptable para el problema en cuestión.
El procedimiento del algoritmo ABC descrito se adapta para encontrar varias rutas espectrales libres que los US tendrán como referencia para establecer comunicación. Para dicho fin, se usará la primera traza de ocupación espectral para encontrar tales rutas espectrales. En ella, las soluciones xi serán los intervalos de tiempo en la que una banda de frecuencia se encuentre libre, y el potencial si de dicho intervalo será su tiempo de disponibilidad.
El procedimiento del algoritmo ABC descrito se adapta para encontrar varias rutas espectrales libres que los US tendrán como referencia para establecer comunicación. Para dicho fin, se usará la primera traza de ocupación espectral para encontrar tales rutas espectrales. En ella, las soluciones xi serán los intervalos de tiempo en la que una banda de frecuencia se encuentre libre, y el potencial si de dicho intervalo será su tiempo de disponibilidad.
De esta manera se busca seleccionar los intervalos xi que tengan mayor tiempo de disponibilidad y añadirlos uno a uno a la ruta espectral. La búsqueda de una ruta espectral se detiene cuando se tengan intervalos xi definidos para toda la extensión de la traza. La etapa de entrenamiento termina cuando se encuentre el número de rutas espectrales requeridas definidas inicialmente por quien realice la simulación.
Al terminar la etapa de entrenamiento se comienza la etapa de evaluación, en la que se usa la segunda traza de ocupación espectral y se busca asignar a cada US una banda de frecuencia libre para toda la extensión de tiempo de la traza. Para esto, se evalúa la disponibilidad de las bandas de frecuencia indicadas por las rutas espectrales encontradas en la etapa de entrenamiento, a partir del siguiente procedimiento.
En el inicio de la traza se evalúa si la banda de frecuencia indicada por la ruta espectral se encuentra ocupada para ese instante de tiempo; si está ocupada, se procede a evaluar la banda de frecuencia que indica la siguiente ruta espectral encontrad hasta hallar una disponible. Cuando se localice una banda de frecuencia disponible, el US establece comunicación a través de ella, y se le asigna otra banda de frecuencia libre al siguiente US de manera análoga. Cuando todos los US tengan asignada una banda de frecuencia libre, se aumenta el instante de tiempo de evaluación y se repite la asignación de bandas de frecuencia que se describió en el párrafo anterior. De esta forma se evalúan las rutas espectrales obtenidas a lo largo de toda la traza guardando la evolución de los handoffs espectrales totales y fallidos que serán el resultado de la simulación. Para tal efecto, se asume un handoff fallido cuando en medio de la simulación se requiere cambiar de banda de frecuencia y al evaluar la banda de la siguiente ruta espectral se encuentra ocupada; mientras que un handoff exitoso se da cuando al evaluar la banda de la siguiente ruta espectral se encuentra disponible. Los handoffs totales se toman como la suma de los exitosos y los fallidos.
Experimentación: Para realizar la validación y evaluación del algoritmo propuesto, en la presente investigación se adelanta un conjunto de simulaciones sobre un software para redes de radio cognitiva desarrollado previamente (Hernández, Páez y Giral, 2016). Dicho software fundamenta su funcionamiento en datos de ocupación espectral reales capturados en la banda de frecuencia GSM en una campaña de medición anterior, llevada a cabo en la ciudad de Bogotá. Lo anterior permite que la validación y evaluación se acerquen un poco más a la realidad en cuanto que su desempeño está medido sobre un patrón de comportamiento real de usuarios primarios. Adicionalmente, para tener un estadístico significativo se decidió adelantar diez simulaciones de cada experimento y tomar el valor promedio de los resultados obtenidos.
Métricas de evaluación
Para evaluar el algoritmo propuesto se tendrán en cuenta tres criterios: tamaño de población de colonia de abejas, número de handoffs totales por usuario y tiempo de ejecución. En la sección de resultados y conclusiones se discute sobre la forma de aplicar tales criterios.
RESULTADOS
Los resultados obtenidos se organizan en tres secciones. La primera muestra el análisis realizado para determinar el tamaño de población con mejores resultados. La segunda utiliza el resultado anterior para determinar las tasas de handoff espectral correspondientes a cada uno de los cinco usuarios secundarios (US) que acceden al espectro de manera simultánea, tanto en tráfico alto como en tráfico bajo. La tercera sección analiza los tiempos de ejecución del algoritmo propuesto en ambos niveles de tráfico, durante los diez minutos de transmisión simultánea de los cinco US. La cuarta sección presenta un análisis comparativo con otro trabajo relacionado.
Población de abejas
Según lo planteado en las secciones anteriores, en la tabla 1. se muestran los resultados promedio de cinco simulaciones, para handoffs totales (tráfico alto y bajo), en una red de radio cognitiva con cinco US y para cada nivel de población.
Fuente: elaboración propia.
Tabla 1: Promedio de handoffs totales para cinco niveles de población y dos niveles de tráfico
Promedio por población handoffs totales tráfico alto
SU/Población 100
200
300
400
500
SU1 519
450
465
437
449
SU2 499
474
448
449
473
SU3 524
532
494
483
505
SU4 576
582
511
526
550
SU5 573
609
589
529
543
Promedio por población handoffs totales tráfico bajo
SU/Población 100
200
300
400
500
SU1 328
313
317
326
324
SU2 283
358
335
370
315
SU3 395
378
351
366
372
SU4 420
397
362
361
353
SU5 422
423
404
392
395
Al obtener los resultados anteriores se procede a calcular una calificación del rendimiento por usuario para cada nivel de población, teniendo como referencia el número de handoffs totales: se compara el número de handoffs por US, con el valor mínimo obtenido entre todas las poblaciones; así se alcanza una calificación que puede tener un valor menor o igual a 1; donde 1 indica la población con la que se logra el menor número de handoffs totales para su correspondiente usuario, y una calificación menor a esta cifra desciende conforme el número de handoffs aumenta.
El procedimiento anterior se realiza para cada US y para los dos niveles de tráfico. Por último se obtiene un valor promedio de las calificaciones para los dos niveles de tráfico, el cual será con el que se defina el nivel de población que cuenta con un mayor rendimiento para un tiempo de evaluación de diez minutos.
El procedimiento descrito se detalla en la tabla 2, donde la población con mejor rendimiento es 400 al obtener la calificación total más alta (0,963).
El estudio previo para determinar la población más eficiente mostrado en las tablas 1 y 2 es un paso adicional característico del algoritmo propuesto, y se debe realizar siempre que se quiera encontrar el mayor rendimiento de la red inalámbrica cognitiva. Se debe tener en cuenta que la mejor población encontrada es válida para el tiempo de evaluación de estudio y puede sufrir variaciones si se cambia el tiempo de evaluación; es decir, en el estudio se encontró que la mejor población con la que se tiene un mayor rendimiento es de 400 abejas artificiales para un tiempo de evaluación de 10 minutos, si se cambia el tiempo de evaluación, se puede encontrar con que una población diferente a 400 es con la que se presenta el mayor rendimiento.
Fuente: elaboración propia.
Tabla 2: Calificación de cada nivel de población con base en el número de handoffs totales
Calificación por población handoffs totales tráfico alto
SU/población
100
200
300
400
500
SU1
0,842
0,971
0,940
1,000
0,973
SU2
0,898
0,945
1,000
0,998
0,947
SU3
0,922
0,908
0,978
1,000
0,956
SU4
0,887
0,878
1,000
0,971
0,929
SU5
0,923
0,869
0,898
1,000
0,974
Calificación por población handoffs totales tráfico bajo
SU/población
100
200
300
400
500
SU1
0,954
1,000
0,987
0,960
0,966
SU2
1,000
0,791
0,845
0,765
0,898
SU3
0,889
0,929
1,000
0,959
0,944
SU4
0,840
0,889
0,975
0,978
1,000
SU5
0,929
0,927
0,970
1,000
0,992
Calificación promedio por población
TOTAL
0,908
0,911
0,959
0,963
0,958
Tasa de handoff
Con la población de mejor rendimiento definida, se realizaron diez simulaciones para evaluar el desempeño del algoritmo propuesto de acuerdo con la tasa de handoff, cuyos resultados se muestran en las tablas 3 y 4.
Fuente: elaboración propia.
Tabla 3: Recuento de handoffs totales para tráfico alto, por cada simulación para una población de 400
Usuario
Handoffs totales
para
tráico alto por
simulación
1
2
3
4
5
6
7
8
9
10
Promedio
SU 1
471
536
463
409
455
391
414
444
514
394
449
SU 2
444
449
528
443
504
436
473
498
378
447
460
SU 3
559
580
456
525
446
525
436
436
493
515
497
SU 4
607
510
525
588
523
466
494
580
528
498
532
SU 5
653
604
694
502
554
608
541
614
543
507
582
Tabla 4: Recuento de handoffs totales para tráfico bajo, por cada simulación para una población de 400
Usuario
Handoffs totales
para
tráfico alto por
simulación
1
2
3
4
5
6
7
8
9
10
Promedio
SU 1
280
348
262
336
361
325
330
253
240
362
310
SU 2
354
367
333
433
298
332
340
396
388
390
363
SU 3
304
357
446
383
351
362
380
419
374
342
372
SU 4
324
377
343
408
309
377
352
421
333
403
365
SU 5
335
337
471
363
369
526
394
445
457
379
408
Con el valor promedio se puede identificar una tendencia del comportamiento de los handoffs totales. Principalmente, se encuentra que hay un mayor número de handoffs totales para un nivel de tráfico alto, para el que se tienen valores desde 449 hasta 582 handoffs, mientras que para el nivel de tráfico bajo se tienen valores desde 310 hasta 408, lo cual era de esperarse debido a que al tener un mayor nivel de ocupación se requiere cambiar, con mayor continuidad, de banda de frecuencia. Además, conforme aumenta el orden del US, se tiende a aumentar el número de handoffs, es decir, para el primer US se da el menor número de handoffs y para el quinto US se da el mayor número de handoffs. Lo anterior se debe a que para los primeros SU se usan las primeras rutas espectrales obtenidas en la etapa de entrenamiento, las cuales generalmente tienen un tiempo de disponibilidad mayor, mientras que para los últimos US se debe recurrir a las últimas rutas espectrales, con tiempo de disponibilidad menor, y además deben ajustarse a los nuevos cambios en la traza de disponibilidad generada por los primeros US.
Con respecto a los handoffs totales obtenidos en las tablas 3 y 4, se identifica una tendencia al incremento en el número de handoffs, conforme aumenta laposición del US al hacer una revisión de los handoffs promedio. Aunque en algunas simulaciones individuales no se presenta claramente dicha tendencia; esto se puede atribuir a cómo se construyen las rutas espectrales, en donde al usar una adaptación de las ecuaciones (1) y (2) en las que existe un factor aleatorio, se traduce en que no necesariamente las primeras rutas espectrales halladas son las que tienen los mejores tiempos de disponibilidad, ya que dependen de los tramos disponibles hallados en la búsqueda aleatoria.
Por otro lado, la tendencia encontrada en el promedio de los handoffs está condicionada por el hecho de que los primeros US van a ocupar primero las bandas de frecuencia libres, por lo que los últimos deben realizar una mayor búsqueda.
Tiempos de ejecución
Ahora, con la misma población de 400, se realizaron 10 simulaciones para estimar el tiempo de ejecución del algoritmo propuesto tanto en tráfico alto como bajo, cuyos resultados se muestran en las tablas 5 y 6.
Fuente: elaboración propia.
Tabla 5: Recuento de tiempo de ejecución para tráfico alto, por cada simulación, para una población de 400
Tiempo de ejecución para tráfico alto por simulación [s]
Usuario
1
2
3
4
5
6
7
8
9
10
Promedio
SU 1
SU 2
SU 3
108,8
143,9
127,4
131,9
138,7
138,6
150,9
122,2
128,4
131,0
132,2
SU 4
SU 5
Fuente: elaboración propia.
Tabla 6: Recuento de tiempo de ejecución para tráfico bajo, por cada simulación, para una población de 400
Tiempo de ejecución para tráfico bajo por simulación [s]
Usuario
1
2
3
4
5
6
7
8
9
10
Promedio
SU 1
SU 2
SU 3
47,7
69,3
58,3
62,3
62,3
64,2
54,6
59,8
57,9
64,5
60,1
SU 4
SU 5
En cuanto al tiempo de ejecución, este es mayor cuando se evalúa con una traza de disponibilidad de tráfico alto, para el que se tiene en promedio de ejecución de 132,2 segundos; mientras que para tráfico se tiene un promedio de 60,1 s. Esta tendencia se puede esperar debido a que un mayor nivel de ocupación se traduce en un mayor tiempo de búsqueda de las rutas espectrales requeridas.
Figura 1: Handoffs totales tráfico alto para 5 US, en una red de radio cognitiva propuesta
Figura 2: Handoffs totales tráfico bajo para 5 US, en una red de radio cognitiva propuesta
Los tiempos de ejecución encontrados en las tablas 5 y 6. no son excesivos si se comparan con el tiempo de evaluación; para la traza de nivel de tráfico alto se obtuvo en promedio de ejecución 132,2 s, lo que corresponde a 22,03 % del tiempo de evaluación (600 s), y para la traza de nivel de tráfico bajo se obtuvo en promedio un tiempo de ejecución de 60,1s, lo que corresponde a 10,01 % del tiempo de evaluación (600 s). Son cifras aceptables, si se piensa en una posible aplicación real en el futuro en la que se necesitan tiempos de ejecución menores que el tiempo de evaluación.
Evaluación comparativa Con el ánimo de plantear una discusión y demostrar el aporte del presente artículo, a continuación se aborda el trabajo realizado por Liu, Nasser y Hassanein (2013), quienes desarrollan un algoritmo genético para optimizar la asignación espectral en redes cognitivas con múltiples usuarios secundarios. También, utilizan una función objetivo en la que se relacionan parámetros de la red cognitiva como rendimiento de la red e ingresos del operador de red para cada usuario secundario, además de los parámetros propios de un algoritmo genético, como tasa de mutación, tasa de cruce, tamaño de la población de individuos y número de generaciones. Los autores se centran en las características cualitativas de los resultados obtenidos con el fin de evidenciar la posibilidad de tener enfoques diferentes que se le pueden dar a la misma tarea del desarrollo de algoritmos de asignación espectral; en vez de realizar un análisis cuantitativo completo debido a que no se especifican tiempos de evaluación y no se tiene en cuenta la evolución de los handoffs espectrales en los algoritmos propuestos.
El algoritmo genético presenta un buen rendimiento con respecto a velocidad y cumple su objetivo de optimizar el rendimiento de la red; sin embargo, este último disminuye drásticamente conforme aumenta el nivel de tráfico de la red hasta no poder ejecutar la asignación espectral dentro de una red cognitiva muy congestionada. En la misma publicación, se presenta el funcionamiento de un algoritmo heurístico y se compara su rendimiento con el algoritmo genético; aquí se encuentra que este último posee un buen rendimiento sin importar que el nivel de congestión de la red aumente, con lo cual queda claro que, para niveles de congestión bajo, el algoritmo genético ofrece mejores resultados. Aunque, en ninguno de los dos algoritmos se presentan datos que permitan comparar cuantitativamente los resultados obtenidos.
En cuanto a las diferencias en el método de simulación, en este se asigna un número de bandas del espectro disponible M y, para simular diferentes niveles de tráfico, se cambia el número de US, así: para simular una red congestionada asignan SU > M, y para simular una red no congestionada asignan SU < M; mientras que, en el presente artículo, los niveles de tráfico se diferencian por trazas generadas a partir de campañas de medición del espectro.
CONCLUSIONES
Las simulaciones del algoritmo propuesto con múltiples usuarios secundarios (US) simultáneos sirven como un primer acercamiento al estudio de la implementación de las redes inalámbricas cognitivas reales; brindan criterios de selección del tiempo de evaluación y del número de US máximos permitidos con el que se buscará un buen rendimiento sin handoffs totales excesivos y sin tiempos de ejecución del algoritmo excesivamente elevados.
REFERENCIAS
License
Esta licencia permite a otros remezclar, adaptar y desarrollar su trabajo incluso con fines comerciales, siempre que le den crédito y concedan licencias para sus nuevas creaciones bajo los mismos términos. Esta licencia a menudo se compara con las licencias de software libre y de código abierto “copyleft”. Todos los trabajos nuevos basados en el tuyo tendrán la misma licencia, por lo que cualquier derivado también permitirá el uso comercial. Esta es la licencia utilizada por Wikipedia y se recomienda para materiales que se beneficiarían al incorporar contenido de Wikipedia y proyectos con licencias similares.