Artículos

 

Control de admisión y asignación de canal para acceso dinámico de espectro usando cómputo multi-objetivo

 

Admission Control and Channel Allocation for Dynamic Spectrum Access using Multi-objective Optimization

 

Anabel Martínez-Vargas¹, Ángel G. Andrade², Roberto Sepúlveda¹, Oscar Montiel-Ross¹

 

¹ Instituto Politécnico Nacional, Centro de Investigación y Desarrollo de Tecnología Digital (CITEDI-IPN), Tijuana, México. anmartinezv@ipn.mx, rsepulvedac@ipn.mx, oross@ipn.mx

² Universidad Autónoma de Baja California (UABC), Mexicali, México. aandrade@uabc.edu.mx

Autor de correspondencia es Anabel Martínez Vargas.

 

Artículo recibido el 07/02/2014.
Aceptado el 17/04/2015.

 

Resumen

El incremento en el desarrollo de aplicaciones y su tiempo de uso, así como de nuevas tecnologías, han generado una mayor cantidad de transmisión de datos y demanda de los recursos finitos espectrales. Ello ha formado una idea errónea de que existe una escasez de espectro, sin embargo; diversos estudios han concluido que se trata de un problema de acceso al espectro ya que se ha observado que mientras ciertas bandas se encuentran saturadas otras presentan un uso escaso. En este contexto, el Acceso Dinámico de Espectro (DSA, por sus siglas en inglés Dynamic Spectrum Access) se propone como una solución para reciclar el espectro, compartiendo bandas de frecuencia entre las tecnologías y servicios inalámbricos que así lo requieran. El principal reto de la tecnología DSA, radica en que se les debe garantizar a los usuarios primarios (PU, usuarios con prioridad alta de acceso a un canal) protección contra la interferencia que pudieran generar los usuarios secundarios (SU, usuarios con prioridad baja de acceso a un canal). Una de las estrategias del DSA es la explotación simultánea de un canal tanto por el PU y por uno o más SU's, siempre y cuando, estos últimos no sobrepasen un umbral de la potencia de interferencia impuesto por el PU. Lo anterior limita el acceso a una cantidad excesiva de SU's a la red, de forma tal que se logre una coexistencia pacífica con los PU's presentes en el área de cobertura. Este trabajo propone un algoritmo multi-objetivo (MO) de control de admisión y asignación de canal para establecer el compromiso entre la máxima tasa de datos y el número máximo de SU's que pueden compartir concurrentemente un canal primario bajo restricciones de Calidad de Servicio (QoS, por sus siglas en inglés Quality of Service). Para resolver el problema de optimización se utiliza una estrategia híbrida consistente en la Optimización por Cúmulo de Partículas (PSO, por sus siglas en inglés Particle Swarm Optimization) y el Método MO de Suma Ponderada.

Palabras clave: Optimización multi-objetivo, acceso dinámico de espectro, optimización por cúmulo de partículas, método de suma ponderada.

 

Abstract

The growing development of applications, utilization time, technologies, and data rates are increasing the demands for and value of the finite spectral resources. It creates an idea of spectrum scarcity; however, several studies concluded that the shortage of the spectrum is a spectrum access problem since certain bands are used sporadically while in others the spectrum resource is scarce. In this context, dynamic spectrum access (DSA) is proposed as a solution to reuse spectrum sharing spectrum bands. Its main challenge is to guarantee protection against interference to primary users (PU, users with high priority to access a channel), when a frequency band is shared with secondary users (SU, users with low priority to access a channel). To achieve this, a DSA strategy is that a SU transmits simultaneously with the PU as long as the resulting interference is constrained. The aforementioned involves controlling the number of selected SUs to the network to assure a peaceful coexistence with the PUs in the area. This work proposes a multi-objective admission control and channel allocation algorithm to determine the tradeoff between the maximum data rate and the maximum number of selected SUs to concurrently share a spectral resource considering Quality of Service (QoS) constraints. To figure out the solution that considers the two conflicting objectives, Particle Swarm Optimization (PSO) and the Weighted Sum Method are applied.

Keywords: Multi-objective optimization, dynamic spectrum access, particle swarm optimization, weighted sum method.

 

DESCARGAR ARTÍCULO EN FORMATO PDF

 

Agradecimientos

Los autores agradecen al Instituto Politécnico Nacional (IPN) y al Consejo Nacional de Ciencia y Tecnología (CONACYT) por su apoyo.

 

Referencias

1. CISCO (2013). The zettabyte Era - Trends and Analysis.         [ Links ]

2. Cave, M., Doyle, C., & Webb, W. (2007). Essentials of Modern Spectrum Management (1a ed.). New York: Cambridge University Press.         [ Links ]

3. Roberson, D. A., Hood, C. S., LoCicero, J. L., & MacDonald, J. T. (2006). Spectral Occupancy and Interference Studies in support of Cognitive Radio Technology Deployment. 1st IEEE Workshop on Networking Technologies for Software Defined Radio Networks (SDR), Reston, USA, pp. 26-35.         [ Links ]

4. Mitola, J., & Maguire, G. Q. (1999). Cognitive radio: making software radios more personal. IEEE Personal Communications, Vol. 6, No. 4, pp. 13-18.         [ Links ]

5. Zhao, Q., & Sadler, B. M. (2007). A survey of dynamic spectrum access. IEEE Signal Processing Magazine, Vol. 24, No. 3, pp. 79-89. DOI: 10.1109/MSP.2007.361604        [ Links ]

6. Jankulovska, B., Pavloski, M., Zahariev, M., Atanasovski, V., & Gavrilovska, L. (2010). Efficient spectrum utilization: A cognitive approach. 8th International Conference on Communications (COMM), Bucharest, Romania, pp. 527-530.         [ Links ]

7. Talbi, E.G. (2009). Metaheuristics: from design to implementation. New Jersey: John Wiley & Sons.         [ Links ]

8. Zhang, Y., Zhang, Z., Luo, H., Wang, W., & Yu, G. (2012). Initial spectrum access control with QoS protection for active users in cognitive wireless networks. International Journal of Communication Systems, Vol. 25, No. 5, pp. 636-651.         [ Links ]

9. Tadrous, J., Sultan, A., & Nafie, M. (2011). Admission and power control for spectrum sharing cognitive radio networks. IEEE Transactions on Wireless Communications, Vol. 10, No. 6, pp. 1945-1955. DOI: 10.1109/TWC.2011.040411.101571        [ Links ]

10. Wang, B. & Zhao, D. (2008). Performance analysis in CDMA-based cognitive wireless networks with spectrum underlay. IEEE Global Telecommunications Conference (IEEE GLOBECOM), New Orleans, USA, pp. 1-6.         [ Links ]

11. Roy, S. D. & Kundu, S. (2011). Gradual removal of secondary user in cognitive-CDMA spectrum underlay network. International Conference on Devices and Communications (ICDeCom), Mesra, Algeria, pp. 1-4.         [ Links ]

12. Wang, B. & Zhao, D. (2010). Scheduling for long term proportional fairness in a cognitive wireless network with spectrum underlay. IEEE Transactions on Wireless Communications, Vol. 9, No. 3, pp. 1150-1158. DOI: 10.1109/ TWC.2010.03.090802        [ Links ]

13. Liu, P., Li, J., Li, H., & Wang, K. (2013). An iteration resource allocation method to maximize number of users with QoS demand in femtocell networks. IEEE/CIC International Conference on Communications in China (ICCC), Xi'an, China, pp. 554-558.         [ Links ]

14. Liu, Y., Cai, L.X., Shen, X., & Luo, H. (2013). Deploying cognitive cellular networks under dynamic resource management. IEEE Wireless Communications, Vol. 20, No. 2, pp. 82-88. DOI: 10.1109/MWC.2013.6507398        [ Links ]

15. Martínez-Vargas, A. & Andrade, Á. G. (2013). Comparing particle swarm optimization variants for a cognitive radio network. Applied Soft Computing, Vol. 13 No. 2, pp. 1222-1234. DOI: doi:10.1016/j.asoc.2012.10.016        [ Links ]

16. Kennedy, J. & Eberhart, R. (1995). Particle swarm optimization. Proceedings of the IEEE International Conference on Neural Networks, 4, pp. 1942-1948. DOI: 10.1007/978-0-387-30164-8_630        [ Links ]

17. Kennedy, J. & Eberhart, R. C. (1997). A discrete binary version of the particle swarm algorithm. IEEE International Conference on Systems, Man, and Cybernetics, Orlando, USA, 5, pp. 4104-4108.         [ Links ]

18. Kennedy, J. F., Kennedy, J., Eberhart, R. C. (2001). Swarm intelligence. San Francisco: Morgan Kaufmann Publishers.         [ Links ]

19. Pampara, G., Franken, N., & Engelbrecht, A. P. (2005). Combining particle swarm optimisation with angle modulation to solve binary problems. IEEE Congress on Evolutionary Computation, Edinburgh, UK, 1, pp. 89-96.         [ Links ]

20. Deb, K. (2001). Multi-objective optimization using evolutionary algorithms. New York: John Wiley & Sons.         [ Links ]

21. Marler, R. T., & Arora, J. S. (2010). The weighted sum method for multi-objective optimization: new insights. Structural and Multidisciplinary Optimization, Vol. 41 No. 6, pp. 853-862. DOI: 10.1007/s00158-009-0460-7        [ Links ]

22. Marler, R.T., & Arora, J. S. (2004). Survey of multi-objective optimization methods for engineering. Structural and Multidisciplinary Optimization, Vol. 26, No. 6, pp. 369-395. DOI: 10.1007/s00158-003-0368-6        [ Links ]

23. Andrews, J. G., Claussen, H., Dohler, M., Rangan, S., & Reed, M. C. (2012). Femtocells: past, present, and future. IEEE Journal on Selected Areas in Communications, Vol. 30, No. 3, pp. 497-508. DOI: 10.1109/JSAC.2012.120401        [ Links ]

24. Deep, K. & Bansal, J. C. (2008). A socio-cognitive particle swarm optimization for multi-dimensional knapsack problem. International Conference on Emerging Trends in Engineering and Technology (ICETET), Nagpur, India, pp. 355-360.         [ Links ]