Comparación de métodos de detección de espectro aplicados a redes móviles de radio cognitiva
Comparison of spectrum detection methods applied to cognitive mobile radio networks
Pablo Geovanny Palacios Játiva1,*, Carlos Andrés Saavedra Arancibia2,† .
1Departamento de Ingeniería Eléctrica, Universidad de Chile
2Kyung Hee University, República de Corea.
pablo.palacios@ug.uchile.cl;carlossaavedra@khu.ac.kr
Fecha de recepción:17 de enero de 2018 — Fecha de aceptación:24 de marzo de 2018
Cómo citar: Palacios Játiva, P., & Saavedra Arancibia, C.A. (2018). Comparación de métodos de detección de espectro aplicados a redes móviles de radio cognitiva. Journal of Science and Research: Revista Ciencia e Investigación, 3(10), 16-20. https://doi.org/10.26910/issn. 2528-8083vol3iss10.2018pp16-20p.
*Magíster en Ingeniería de Redes de Comunicaciones
†Master in Electronics and Radio Engineering
Resumen. Este trabajo presenta un estudio de los niveles de ruido al que están expuestos el personal que realiza actividades en el área de entrenamiento técnico de la compañía Talleres PMIASA en la ciudad de Guayaquil. El propósito de esta investigación fue determinar la naturaleza y extensión del problema de ruido que se presenta en esta área para lo cual se estableció la línea y base con lo cual se identificó que, a pesar de ser un área de entrenamiento, existen problemas relacionados con ruidos que están fuera de la ley ecuatoriana (Instituto Ecuatoriano de Seguridad Social, 2010) y que involucra riesgos de pérdida de audición para las personas expuestas (El Instructor principalmente) y también niveles de ruido que afectan las actividades de concentración en zonas dedicadas a estudiar (las personas que se encuentra en los salones de clases). Las mediciones de ruido se lo hicieron por sonometría simulando las actividades bajo condiciones de trabajo habituales y los resultados mostraron altos niveles de ruido continuo (100 dBA) en las áreas donde el Instructor y los estudiantes realizan las actividades propias de los cursos que reciben. En la parte final de esta investigación se proponen alternativas de mitigación del ruido desde el punto de vista administrativo (distribuir las horas de prácticas diarias de tal forma que no superen 2 horas continuas, cursos de concientización al personal) y desde el punto de vista ingenieril (Uso de protectores auditivos, mejorar el aislamiento del cuarto de compresor, mejorar el aislamiento de la sala “Héctor Andrade”) entre otras alternativas de mitigación.
Palabras Clave: Ruido, Riesgo Laboral, Sonometría.
Abstract.This paper presents a study of the noise levels to which the personnel performing activities in the technical training area of the PMIASA Talleres company in the city of Guayaquil are exposed. The purpose of this research was to determine the nature and extent of the noise problem presented in this area for which baseline was established. It was identified that, despite being a training area, there are problems related to Noises that are outside Ecuadorian law (Instituto Ecuatoriano de Seguridad Social, 2010) and that involves risks of hearing loss for the exposed people (The Instructor mainly) and also noise levels that affect the activities of concentration in areas dedicated to study (the people in the classrooms). Noise measurements were made by sonometry simulating activities under usual working conditions and the results showed high levels of continuous noise (100 dBA) in areas where the Instructor and students perform the activities of the courses they receive. In the final part of this research, alternatives to noise mitigation are proposed from the administrative point of view (distribute daily practice hours so that they do not exceed 2 continuous hours, staff awareness courses)) and from the technical point of view (Use of hearing protectors, improve the isolation of the compressor room, improve the isolation of the room ”Héctor Andrade”) among other mitigation alternatives.
Keywords: Noise, Occupational hazard, Sonometry.
INTRODUCCIÓN
La Radio Cognitiva (CR) es una tecnología presentada como
una solución a la ineficiencia en el uso del espectro electromagnético, que generalmente es causado por una alta demanda de tecnologías inalámbricas, especialmente WiFi y LTE (Shahrasbi, B. et al., 2017). Un sistema CR detecta huecos espectrales asignándolos a usuarios secundarios (SU) o sin licencia, sin causar interferencia a usuarios primarios (PU) o usuarios con licencia. (Muchandi y Khanai, 2016; Patil, V. y Patil, S., 2016). Un sistema CR consta de un ciclo cognitivo basado en cuatro etapas principales: detección de PU, decisión de uso del espectro, distribución del espectro entre PU y SU y movilidad espectral (Liu et al., 2013).
La principal diferencia entre los PU y los SU es la autoridad para el uso del espectro por parte de los PU, mientras que los SU están a la espera de su ingreso a algún canal del espectro. Bajo estos parámetros, la detección correcta y efectiva de los PU se convierte en una prioridad. Por lo tanto, una serie de métodos se han propuesto en la literatura, incluidos, Métodos de Detección de Energía (ED) Verma y (Mahapatro, 2017), Detección de forma de onda (WD), detección de
filtro adaptado (MFD), Detección por identificación de radio (RID), CDM (Liu et al., 2016), EVD (Jacob et al., 2015), SVD (Xu et al., 2014), entre otros.
En
relación con los métodos de detección basados en valores propios (Ali et al., 2014), el umbral de decisión que determina la presencia de la señal se deriva de la teoría de la matriz aleatoria (RMT). La detección SVD es más general ya que se puede aplicar a cualquier tipo de matriz (Palacios, Castro, Azurdia-Meza, y Estevez, 2017). En el caso de los métodos de detección cicloestacionarios (CDM), esta técnica es más resistente a la incertidumbre del ruido que la detección de energía. Cuando la señal transmitida por un PU es
cicloestacionaria, puede ser detectada mediante la exploración periódica de la forma del parámetro cicloestacionario. La señal puede detectarse incluso cuando la SNR es pobre; una desventaja de esta detección se produce al ser más difícil de implementar que la detección de energía porque este método requiere información previa sobre la señal a transmitir (Yawada y Wei, 2016).
La principal contribución de este trabajo es comparar el rendimiento del método de detección SVD, el método de detección de valores propios EVD y la detección de cicloestacionaria aplicadas por separado a una red móvil de radio cognitiva, específicamente una red cognitiva mixta entre las tecnologías WiFi y LTE a través de los módulos implementados en Network Simulator 3 (NS- 3.23)(2015). Esto validará la eficiencia de los tres métodos en una red móvil funcional de última tecnología, en términos de probabilidad de detección (Pd) frente a señal-ruido (SNR) a través de simulaciones. Por último, se verificará el método con mayor eficiencia, utilizando el estimador de máxima verosimilitud (MLE) con su respectivo error y desviación.
METODOLOGÍA
Entorno
El estudio se realizó en el Departamento de Ingeniería Eléctrica de la Universidad de Chile, en la ciudad de Santiago, Chile. Contempló un análisis que llevó alrededor de un año y medio, y su proceso fue de investigación, desarrollo, simulación y análisis.
Para realizar los experimentos, se desarrolló un módulo en Network Simulator 3 (NS-3.23) que contiene las cuatro etapas básicas de un sistema CR, simulando una red mixta de radio cognitiva basada en las tecnologías LTE y WiFi. Cabe destacar que NS3 tiene módulos WiFi y LTE incluidos, pero estas tecnologías fueron adaptadas y modificadas para darle la capacidad cognitiva. En la detección del espectro, Se presenta la opción de utilizar el EVD (Omar et al., 2011), SVD (Palacios, 2017) o CDM (Thomas y Sudha, 2014), por separado, para poder analizarlo en el trabajo. La etapa de decisión del espectro se basa en la teoría de juegos, específicamente juego de coalición (Wang et al., 2013), y la etapa de compartición y movilidad se basa en parámetro de potencia RSSI, utilizado para realizar el “hand-off” entre WiFi y LTE (Gerasimenko,
M., et al., 2013).
El experimento está basado en una topología de red mostrada en la Figura 1, cabe resaltar que esta topología presentada sólo se muestra como un ejemplo ya que la posición y el movimiento de los UE es dinámico y aleatorio durante todo el tiempo de simulación. El experimento consta de las siguientes características:
Topología de la red propuesta para simulación
Fuente: autor
Parámetros |
Valor |
Frecuencia
LTE |
729 MHz |
Celdad
eNB |
3 |
Frecuencia
WiFi |
2400 MHz |
Ancho
de banda LTE |
20
MHz |
Ancho
de banda WiFi |
20 MHz |
Potencia
Tx |
0.037
mW |
Potencia
Rx |
0.06 mW |
CR
LTE UE |
10 |
CR
WiFi UE |
10 |
CR UE dual |
20 |
LTE
UE primario |
10 |
WiFi
UE primario |
10 |
Rango
de cobertura AP |
200 m |
Rango
de cobertura eNB |
350
m |
Time
de simulación |
1200 s |
Número
de muestras |
16000 |
Tráfico |
TCP |
Modelo
de Movilidad |
Random
Waypoint |
Modelo
de Propagación |
Range Propagation Loss |
Fuente: autor
Población
Para conocer el número de simulaciones que se deben realizar que vendrían a ser la población, tomando en cuenta factores como número de muestras en cada simulación, recursos computacionales y confiabilidad de los datos generados por las simulaciones, se generaron simulaciones con las siguientes características:
Intervenciones y Descripción de técnicas evaluadas
Para poder realizar la comparación de eficiencia de los métodos en términos de Probabilidad de detección, basada en los datos obtenidos en la simulación, se tuvo que realizar el proceso de diseño y población para cada método, con la configuración de parámetros semejante en cada simulación en NS-3 para obtener resultados comparables.
El método de detección por descomposición en valores singulares (SVD) aplicado e implementado en el desarrollo, se encuentra descrito en Palacios et al.(2017), cuyo algoritmo se resume en la Figura 2.
Comparación de métodos de detección de espectro aplicados a redes móviles de radio cognitiva
Figura 2. Algoritmo del método de detección SVD
Fuente: autor
El método de detección por descomposición en valores propios (EVD) aplicado e implementado en el desarrollo, se encuentra descrito en (Omar, Hassan y Nor, 2011), cuyo algoritmo se resume en la Figura 3.
Comparación de métodos de detección de espectro aplicados a redes móviles de radio cognitiva
Figura 3. Algoritmo del método de detección EVD
Fuente: autor
El método de detección cicloestacionario (CDM) aplicado e implementado en el desarrollo, se encuentra descrito en Yawada y Wei (2016); Thomas y Sudha (2014), cuyo algoritmo se resume en la Figura 4.
Comparación
de métodos de detección de espectro aplicados a redes móviles de radio
cognitiva
Figura 4. Algoritmo del método de detección CDM
Fuente: autor
Análisis Estadístico
Para comparar el rendimiento de los métodos, y utilizando los datos y modelos obtenidos, es necesario utilizar un método estadístico fiable que permita la validación de estos resultados. El estimador estadístico MLE derivado en Held y Sabanés Bové (2014) es utilizado y su
metodología aplicada en un desarrollo en el software R (Team,
2014). El MLE estima los parámetros de un determinado modelo, en este caso los modelos de los métodos de detección obtenidos experimentalmente, permitiendo una comparación estadística.
Cabe señalar que el error estándar (SE) y la desviación estándar (SD) de los parámetros MLE se incluye en el trabajo, porque un modelo de datos es incompleto si el error asociado con los datos no está indicado y el rango de validez de los modelos presentados no podría ser estimado.
RESULTADOS
La
probabilidad de detección (Pd) vs SNR se presenta como una función de
distribución acumulativa (CDF) para SVD, EVD y CDM, como se muestra en la
Figura 5.
Comparación
de métodos de detección de espectro aplicados a redes móviles de radio
cognitiva
Figura 5. Funciones de distribución acumulada para SVD, EVD Y
CDM
Fuente: autor
Usando el
estimador estadístico MLE, los resultados obtenidos se muestran en la Tabla 2.
Se observa que el método SVD (Palacios, Castro, Azurdia-Meza, y Estevez, 2017)
supera a método EVD y el método cicloestacionario propuestos en Omar, Hassan, y
Nor (2011), y Thomas y Sudha (2014), respectivamente.
|
MLE |
Std
Error |
SD |
SVD |
0.587388 |
0.084956 |
0.281768 |
EVD |
0.476233 |
0.088727 |
0.294274 |
CDM |
0.574531 |
0.088076 |
0.292115 |
Fuente: autor
DISCUSIÓN
De acuerdo a los resultados numéricos y gráficos obtenidos, las funciones de distribución acumulada de cada método de detección y sus respectivas comparaciones entre sí, indican que estos métodos presentados en la literatura teóricamente, se pueden aplicar perfectamente a una red móvil estructurada y funcional, algo que no se había comprobado hasta ahora, debido a que todas las pruebas realizadas por la literatura investigada, son pruebas simples y teóricas, usando señales RC (Raised Cosine) y enlaces punto a punto. Además, el desempeño de los tres métodos analizados en este trabajo se puede mejorar disminuyendo la probabilidad de alarma (Pfa) y aumentando el número de muestras en el CR, que
podría considerarse como una futura comprobación para un trabajo futuro. Cabe recalcar que el simulador tiene las cuatro etapas del proceso cognitivo ciclo, por lo que se pueden llevar a cabo estudios en las etapas de decisión, compartición y movilidad.
CONCLUSIONES
En este trabajo probamos el desempeño de tres métodos de detección de PU aplicados a la radio cognitiva e implementados en redes inalámbricas WiFi y LTE. Estos métodos se evaluaron y analizaron en términos de la probabilidad de detección de Pd vs SNR, y fueron comparados entre sí. El estimados estadístico MLE, su desviación estándar y error estándar fueron usados para verificar la eficiencia de los métodos evaluados. Mediante este análisis, concluimos que el método de detección SVD es más eficiente que EVD y MDL en
términos de Pd.
REFERENCIAS
Alfonso, U. M. y Carla, M. V., (2013). Modelado y simulación de eventos discretos. UNED.
Ali, S. S., Liu, C. y Jin, M., (2014) “Minimum eigenvalue detection for
spectrum sensing in cognitive radio,” International
Journal of Electrical and Computer Engineering, 4 (4), 623–630.
Jacob, S. M. y N. S., (2015). “Spectrum sensing technique in cognitive
radio based on sample covariance matrix,” In: 2015 International Conference on Control, Instrumentation,
Communication and Computational Technologies (ICCICCT) (pp. 139–144).
Kumaracoil, India: IEEE.
Omar, M., H., Hassan, S., and Nor, S. A. (2011) “Eigenvalue-based signal detectors
performance comparison,” In: The 17th
Asia Pacific Conference on Communications, edit. IEEE, Sabah Malaysia, 10. 1–6.
Muchandi, N. y R. Khanai, (2016) “Cognitive radio spectrum sensing: A
survey,” In: 2016 International
Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT) (pp.
3233–3237). Chennai, India : IEEE.
Liu, X., Zhang, Y., Li, Y., Zhang, Z., y K. Long, (2013). “A survey of cognitive radio technologies and their optimization approaches,” In: 2013 8 International Conference
on Communications and Networking in China (CHINACOM) (pp. 973–978). Guilin, China: IEEE.
Palacios, P., Castro, A., Azurdia-Meza, C. y Estevez, C., (2017). “Svd
detection analysis in cognitive mobile radio networks,” In: 2017 Ninth International Conference on
Ubiquitous and Future Networks (ICUFN) (pp. 222-224). Milan, Italy: IEEE.
Patil, V. M. y Patil, S. R., (2016) “A survey on spectrum sensing
algorithms for cognitive radio,” In: 2016 International Conference on Advances in
Human Machine Interaction (HMI) (pp. 1–5).
Doddaballapur, India: IEEE.
Shahrasbi, B., Rahnavard, N., y Vosoughi, A., (2017) “Cluster-cmss: A
clusterbased coordinated spectrum sensing in geographically dispersed mobile
cognitive radio networks,” IEEE
Transactions on Vehicular Technology, 66 (7), 6378–6387.
Song, L., Han, Z. y Saad, W.,
(2013). “Overlapping coalitional games for collaborative sensing in cognitive
radio networks,” In: 2013 IEEE Wireless
Communications and Networking Conference (WCNC), (pp. 4118–4123). Shanghai,
China: IEEE.
Sphinx, (2015). ns-3 Model Library, Release ns-3.23, Linux Ubuntu 14.04,
C++. Recuperado de https://www.nsnam.org/docs/release/3.23/models/ns-
3-model-library.pdf
Thomas, A. A. y Sudha, T. (2014).
“Primary user signal detection in cognitive radio networks using
cyclostationary feature analysis,” In: IEEE National Conference on Communication, Signal Processing and Networking (NCCSN). Palakkad, India: IEEE. 1–5. ISBN 978-1-4799-6646-2.
Ramírez, I. C., Barrera, C. J. y Correa, J. C., (2013). “Efecto del tamaño de muestra y el número de réplicas bootstrap,”. Ingeniería y Competitividad, 15 (1). 93–101.
Team, R. C., (2014). R: A language and environment for
statistical Computing. Vienna: R Foundation for Statistical Computing. ISBN
3-900051-07-0. Recuperado de www.R-project.org.
Verma, R. y Mahapatro, A., (2017). “Cognitive radio: Energy detection
using wavelet packet transform for spectrum sensing,” In: 2017 Third International Conference on Advances in Electrical,
Electronics, Information, Communication and Bio-Informatics (AEEICB) (pp.
168–172). Chennai, India: IEEE.
Xu, S., Kwak, K. S. y Rao, R. R., (2014) “Svd based wideband spectrum
sensing and carrier aggregation for lte-advanced networks,” In: 2014 IEEE 25th Annual International
Symposium on Personal, Indoor, and Mobile Radio Communication (PIMRC) (pp.
1190-1194). Washington DC, USA: IEEE.
Yawada P. S. y Wei, A. J., (2016). “Cyclostationary detection based on
non-cooperative spectrum sensing in cognitive radio network,” In: 2016 IEEE International Conference on Cyber
Technology in Automation, Control, and Intelligent Systems (CYBER) (pp.
184-187). Chengdu, China: IEEE.
Z. Liu, R. Ali, I. Khan, I. A. Khan, and A. A. Shah, “Performance
comparison of energy and cyclostationary spectrum detection in cooperative
cognitive radios network,” In: 2016 IEEE
International Symposium on Circuits and Systems (ISCAS), edit. IEEE,
Montreal QC Canada, May 2016, pp. 1734–1737.