I- Introduction :
Le « Spectrum Sensing » est la fonctionnalité de base dans une radio cognitive. C’est la détection
de présence des utilisateurs primaires dans un spectre sous licence, elle consiste à détecter les bandes non
utilisées du spectre et à les partager sans interférences avec d’autres [Link] qui est un problème
fondamental pour la RI. En conséquence, le SS est redevenu un sujet de recherche très actif ces dernières
années en dépit de sa longue histoire.
Spectrum Sensing est souvent connu comme une mesure du contenu spectrale, ou la mesure de
l’énergie de la Radio Fréquence autour du spectre ; quand la Radio Cognitive est considérée, ce terme de
Spectrum Sensing devient général en impliquant l’obtention des caractéristiques de l’usage du spectre à
travers des dimensions multiples telles que le temps, l’espace, la fréquence et le code. Il implique aussi la
détermination de type du signal occupant la bande spectrale y compris la modulation, la forme d’onde, la
largeur de bande, la fréquence sous-porteuse, etc. Cependant, cela a besoin des techniques d’analyse du
signal très puissante avec une complexité computationnelle ajoutée.
Des aspects divers de la tâche du Spectrum Sensing sont illustrés dans la Fig 1.
II- Défis:
Avant d'entrer dans les détails des techniques de détection du spectre, des défis associés à la
détection de spectre pour la Radio Cognitive sont donnés dans cette section.
A . Configuration matérielle requise
Le SS pour les applications de radio cognitive nécessite un taux d'échantillonnage élevé, une haute
résolution des convertisseurs analogique-numérique avec une grande gamme dynamique, et évidemment
des processeurs de traitement de signaux à haute vitesse. Des techniques d'estimation du bruit de la
variance ont été populairement utilisées pour la conception de récepteurs optimaux tels que l'estimation
de canal, génération d'information quantifiée, etc. Ainsi que pour améliorer le transfert, contrôle de
puissance, et techniques d'allocation de canal [13].
B. Problème d’utilisateur primaire caché :
Le problème de l’utilisateur primaire caché est similaire au problème du nœud caché dans
« Carrier Sense Multiple Accès » (CSMA). Il peut être causé par de nombreux facteurs, y compris le
sévère évanouissement multitrajets ou l'ombrage (shadawing) observé par les utilisateurs secondaires lors
la détection de la transmission par les UP. Figue. La figure 2 montre une illustration d'un problème du
noeud caché où les cercles en pointillés montrent les plages de fonctionnement de l’UP et le disposotof
RC. Ici, le dispositif de radio cognitive provoque des interférences indésirables à l'UP (récepteur) dont le
signal de l'émetteur principal ne peut pas être détecté en raison de l’emplacements des dispositifs. La
détection coopérative est proposé dans la littérature pour la manipulation du problème de l’UP caché [23]
– [25].
Nous élaborons sur la
détection de coopération
prochainement.
C. La durée de détection et la fréquence :
Les UP peuvent revendiquer leurs bandes de fréquences à tout moment pendant que la RC
fonctionne sur ces bandes. Afin d’empêcher les interférences aux et des propriétaires de licences
primaires, la RC devrait être capable d’identifier la présence des UP aussi rapidement que possible et
devrait abandonner la bande immédiatement. Par conséquent, les méthodes de détection doivent pouvoir
identifier la présence des UP durant une certaine durée. Cette exigence pose une limite à la performance
de l’algorithme de détection et crée un défi pour la conception de la RC.
La sélection des paramètres de détection provoque un compromis entre la vitesse (temps de
détection) et la fiabilité de détection.
La fréquence de détection, à savoir à quelle fréquence la RC devrait effectuer la détection du
spectre, est un paramètre de conception qui doit être choisis avec soin. La valeur optimale dépend des
capacités de la radio cognitive elle-même et aussi des caractéristiques temporelles
des UP dans l’environnement [27]. Si les états des UP sont connus par leur changement lent, les
exigences de la fréquence de détection peuvent être assouplies. Un bon exemple pour un tel
scénario est la détection des chaînes de télévision. La présence d’une station TV ne change généralement
pas fréquemment dans une zone géographique, à moins qu’une nouvelle station commence à émettre ou
une station existante est hors ligne.
Un autre facteur qui influe sur la fréquence de détection est la tolérance d’interférence des
propriétaires de licences primaires. Par exemple, lorsque la RC exploite les possibilités dans des bandes
de sécurité publique, la détection doit être effectuée aussi souvent que possible afin d’éviter toute
interférence. En outre, la RC doit immédiatement quitter la bande si elle est demandée par des unités de
sécurité publique. L’effet du temps de détection sur la performance des US est étudié dans [29]. Des
durées de détection optimale pour la recherche d’un canal disponible et pour suivre et contrôler un canal
utilisé sont obtenues.
L’objectif est de maximiser le débit moyen des US tout en protégeant les UP d’interférences. De
même, le temps de détection est obtenu en utilisant l’optimisation numérique dans [16]. L’efficacité des
canaux est maximisée pour une probabilité de détection donnée. Une autre méthode
est donnée dans [30] où l’intervalle de garde entre les symboles OFDM (multiplexage par
répartition orthogonale de la fréquence) est remplacé par des périodes de silence et la détection est
réalisée au cours de ces périodes.
Un canal qui est utilisé par les utilisateurs secondaires ne peut pas être utilisé pour la détection. Par
conséquent, les US doivent interrompre leur transmission de données pour le SS [30]. Ceci, cependant
diminue l’efficacité spectrale du système global [27]. Pour remédier à ce problème, une méthode dite le
saut dynamique de fréquences (DFH) « Dynamic Frequency Hopping » est proposé dans [32].
F. sécurité :
Dans la RC, un utilisateur égoïste ou malveillant peut modifier son interface air pour imiter un UP.
Par conséquent, il peut induire une grave erreur pour le détecteur du spectre effectué pour les UP
légitimes. Un tel comportement ou attaque est étudié dans [46] et s’est nommé comme l’attaque
d’émulation d’utilisateur primaire (PUE) « primary user emulation » .
Ses effets nocifs sur le réseau de la RC sont étudiés. La position de l’émetteur est utilisée pour
identification de l’attaquant dans [46]. Plus de problèmes difficile est de développer des contre-mesures
efficaces une fois qu'une attaque est identifiée. Basant sur le chiffrement à clé publique, l'identification
de l'UP est proposée dans [47] pour éviter que les US se font passer pour des UP. Les UP légitimes
sont tenus de transmettre une valeur chiffrée (signature) en même temps que leur transmission est générée
en utilisant une clé privée, cette signature est alors utilisée pour la validation de l’UP.
Cette méthode, cependant, ne peut être utilisée qu’avec les modulations numériques. En outre, les
US devraient avoir la capacité de synchroniser et démoduler le signal des UP.
III- METHODES SPECTRE DE DÉTECTION POUR COGNITIVE RADIO
La littérature actuelle pour le SS reste toujours à ses débuts stades de développement. Un certain
nombre de méthodes différentes sont proposées pour identifier la présence de transmissions de signaux.
Dans certaines approches, les caractéristiques de la transmission identifiée sont détectées pour
décider la présence de transmission des signaux ainsi pour identifier le type de signal transmis. Dans cette
section, on entame une brève explication de certaines techniques utilisées dans le SS.
A. Détecteur d’énergie :
Cette approche connue aussi sous le nom radiométrie ou périodogramme, est la façon la plus
commune du SS en raison de son faible calcul et sa mise en œuvre la moins complexe.
En outre, il est plus générique (par rapport aux méthodes indiquées dans cette section) que les
récepteurs n’ont pas besoin d’aucune connaissance à priori sur le signal des UP. Le signal est détecté en
comparant la sortie du détecteur d'énergie avec un seuil qui dépend du bruit de fond [64]. Certains des
défis avec la détection à base d'énergie comprennent la sélection du seuil pour détecter les UP,
l'incapacité pour différencier l’interférence des utilisateurs primaires et le bruit et de mauvaises
performances sous faible valeur du rapport signal sur bruit (SNR) [48].
B. Détecteur basé sur la forme d’onde :
Les modèles connus sont généralement utilisés dans les systèmes sans fils pour faciliter la
synchronisation, ou pour d'autres [Link] tels modèles comprennent des préambules, des mi-ambles, des
modèles de pilotes régulièrement transmis, d'étalement des séquences, etc.
Un préambule est une séquence connue transmise avant chaque rafale et un mi-amble est transmis
au milieu d'une rafale ou un slot. En présence d'un motif connu, la détection peut être effectuée en
corrélant le signal reçu avec une copie connue de lui-même [48], [58], [63]. Cette méthode est
uniquement applicable à des systèmes avec des motifs de signaux connus, et il est appelé comme
détection à base de forme d'onde ou détection cohérente. Dans [48], il est montré que la détection à base
de forme d'onde sur surpasse le détecteur d'énergie dans la fiabilité et la convergence du temps. En outre,
il est démontré que les performances des algorithmes de détection augmentent tant que la longueur du
motif du signal connu augmente.
En utilisant le même modèle donné pour le signal reçu : y (n)=s (n)+w (n), la métrique de
détection basée sur la forme d'onde peut être obtenue comme
[∑ ]
N
¿
M =ℜ y (n) s (n)
n=1
où * représente l'opération de conjugaison. En absence de l’UP, la valeur métrique devient
[∑ ]
N
M =ℜ w (n) s¿ (n)
n=1
De même, en présence d'un signal d'UP, la détection de la métrique devient
[∑ ]
N N
M =∑ |s (n)| + ℜ
2
w(n)s ¿ (n)
n=1 n=1
La décision de présence d'un signal d'UP peut être faite en comparant la décision métrique M contre un
seuil fixe λ w.
C. Détection basée sur la cyclostationnarité :
La détection de caractère cyclostationnaire est un procédé pour détecter les transmissions des UP,
en exploitant les caractéristiques cyclostationnaires des signaux reçus [15], [26], [30], [44], [72] - [79].
Les caractéristiques cyclostationnaires sont causées par la périodicité du signal ou dans ses
statistiques telles que la moyenne et l’autocorrélation [80], ou elles peuvent être induites
intentionnellement pour l’aide à la détection [81] - [83]. La fonction de corrélation cyclique est utilisée
pour détecter les signaux présents dans un spectre donné.
Les algorithmes de détection à base de la cyclostationnarité peuvent différencier entre le bruit et
les signaux des UP. Ceci est un résultat du fait que le bruit est stationnaire au sens large (WSS) avec
aucune corrélation alors que les signaux modulés sont cyclostationnaire avec une corrélation spectrale due
à la redondance des périodicités du signal [74]. De plus, la cyclostationnarité peut être utilisée pour
distinguer entre les différents types de transmissions et les UP [78].
D. Détection basée sur l’identification de la Radio :
Une connaissance complète sur les caractéristiques du spectre peut être obtenue en identifiant les
technologies de transmission utilisés par les UP. Une telle identification permet la RC avec une
connaissance dimensionnelle supérieure de fournir une précision plus élevée [59]. Par exemple,
supposons que la technologie d'un UP est identifié comme un signal Bluetooth. La RC peut utiliser cette
information pour extraire des informations utiles dans la dimension de l'espace comme la gamme des
signaux Bluetooth est connue d’être autour de 10 mètres. En outre, la RC peut vouloir communiquer avec
les systèmes de communication identifiés dans certaines applications.
Le but est d'identifier la présence de certaines technologies de transmission connues et de réaliser une
communication à travers eux. Les deux tâches principales sont l'identification du mode initial (IMI) et le
suivi du mode alternatif (AMM). Dans IMI, le dispositif cognitif cherche un mode possible de
transmission (réseau) après la mise sous tension. AMM est la tâche qui surveille les autres modes pendant
que le dispositif cognitif communique dans un certain mode.
Dans cette méthode de détection, plusieurs caractéristiques sont extraites du signal reçu et ils sont utilisés
pour la sélection de la technologie la plus probable de l'UP en employant diverses méthodes de
classification. Dans [14], [87], les caractéristiques obtenues par les détecteurs d'énergie sont utilisées pour
la classification.
E. Filtrage adapté :
Le filtrage adapté est connue comme la méthode optimale pour la détection des UP lorsque le
signal transmis est connu [91]. Le principal avantage de filtrage adapté est le court laps de temps pour
atteindre une certaine probabilité de fausse alarme ou la probabilité d'une mauvaise détection [92] par
rapport à d'autres méthodes qui sont abordés dans cette section. Cependant, pour démoduler les signaux
reçus cette méthode fait appel à la RC et nécessite une parfaite connaissance des fonctionnalités des UP
telles que la bande passante, la fréquence de fonctionnement, le type de modulation, la mise en forme
d'impulsion, et le format de trame de signalisation.
En outre, étant donné que la RC a besoin de récepteurs pour tous les types de signaux, la
complexité de l'unité de détection de mise en œuvre est non pratiquement grande [26]. Un autre
inconvénient de filtrage adapté est sa grande consommation d'énergie que divers algorithmes de récepteur
doivent être exécutées pour la détection.
F. Autres méthodes de détection :
D'autres méthodes alternatives de détection de spectre sont proposées, l’estimation spectrale
multitaper, l’estimation basée sur la transformée en ondelettes, la transformée de Hough, et l'analyse
temps-fréquence.
L’estimation spectrale Multitaper est proposée dans [93]. L'algorithme proposé est indiqué comme
étant une approximation de l'estimateur du maximum de vraisemblance PSD et pour les signaux à large
bande, il est presque optimal. Bien que la complexité de cette méthode est plus petite que l'estimateur du
maximum de vraisemblance, il est encore exigeant informatiquement.
La transformée aléatoire de Hough du signal reçu est utilisé dans [94] pour identifier la présence
des impulsions de radar dans les canaux de fonctionnement des systèmes IEEE 802.11. Cette méthode
peut être utilisée pour détecter n'importe quel type de signal avec un motif aussi bien périodique.
Dans [96], les ondelettes sont utilisées pour détecter les bords dans le PSD d'un canal à large
bande. Une fois les bords, qui correspondent à des transitions d'une bande occupée à une bande vide ou
vice versa, sont détectés, les pouvoirs au sein de bandes entre deux bords sont estimés. En utilisant cette
information et les positions de bord, le spectre de fréquences peut être caractérisé comme étant occupé ou
vide de façon binaire. Les hypothèses formulées dans [96], cependant, doivent être assouplies pour la
construction d'un algorithme de détection pratique. La méthode proposée dans [96] est étendue dans [97]
à l'aide du sous-échantillonnage de Nyquist. Si l'on suppose que le spectre du signal est clairsemé, le
sous-échantillonnage de Nyquist permet d'obtenir une bonne connaissance du spectre d'une manière
efficace.
La mise en oeuvre analogique de détection par la TEO est proposée dans [18], [98], [99]. Les
rendements de cette mise en œuvre affaiblit la consommation d'énergie et permet un fonctionnement en
temps réel. Multi-résolution SS est obtenue en modifiant les fonctions de base sans aucune modification
de circuit de détection dans [18]. fonction de base est modifiée en ajustant la largeur d'impulsion et la
fréquence porteuse de l'ondelette. Par conséquent, la détection rapide est possible en se concentrant sur les
fréquences avec les transmissions actives après une numérisation rugueuse initiale. Une mise en œuvre de
testbed de cet algorithme est expliqué dans [99].
G. Comparaison de différentes méthodes de détection
Une comparaison de base des méthodes de détection indiquées dans cette section est présentée à la
Fig 4. On constate que la détection à base de formes d'ondes est plus robuste que les méthodes en raison
du traitement cohérent qui provient de la base en utilisant le détecteur d'énergie et la composante
cyclostationnaire du signal déterministe [48]. Toutefois, il devrait y avoir une information a priori sur les
caractéristiques de l'UP qui doivent transmettre des motifs ou des pilotes connus.
La performance du détecteur d'énergie est limitée lorsque deux hypothèses communes ne tiennent
pas [25]. Le bruit peut ne pas être stationnaire et sa variance ne peut pas être connue. D'autres problèmes
avec le détecteur d'énergie comprennent des effets de filtre en bande de base et des tonalités parasites
[63]. Il est indiqué dans la littérature que les méthodes basées sur la cyclostationnarité, sont de moins
bons résultats que les méthodes de détection en fonction du détecteur d'énergie lorsque le bruit est
stationnaire. Cependant, en présence de co-canal ou une interférence de canal adjacent, le bruit est non
stationnaire. Par conséquent, les systèmes basés sur le détecteur d'énergie échouent alors que les
algorithmes basés sur la cyclostationnarité ne sont pas affectées [85].
D'autre part, les caractéristiques cyclostationnaires peuvent être complètement perdus à cause de la
décoloration canal [83], [100].
En outre, la détection cyclostationnaire est connue pour être vulnérable à l'échantillonnage des
décalages d'horloge [85]. Lors de la sélection d'une méthode de détection, certains compromis doivent
être considérés. Les caractéristiques des principaux utilisateurs sont le principal facteur dans le choix
d'une méthode.
D'autres facteurs
comprennent la précision requise, les exigences de durée de détection, la complexité de calcul, et les
exigences du réseau.
L’estimation du trafic dans une zone géographique spécifique peut être faite localement (par une
radio cognitive seulement) en utilisant l'un des algorithmes donnés dans cette section. Cependant, les
informations provenant de différentes radios cognitives peuvent être combinés pour obtenir une prise de
conscience plus précise du spectre.
Dans la section suivante, nous présentons le concept de détection coopérative où plusieurs radios
cognitives travaillent ensemble pour effectuer des tâches de détection de spectre en collaboration.
IV- La détection Coopérative :
La coopération est proposée comme une solution face aux problèmes survenant dans Spectrum
Sensing et dû aux incertitudes du bruit, le canal à évanouissement multi-trajets, et l’ombrage. La détection
coopérative diminue les probabilités de mauvaise détection et de fausse alarme considérablement. De
plus, la coopération peut résoudre le problème de l’utilisateur primaire caché et peut aussi diminue la
durée de détection.[23]--[25].
Les résultats montrent d’une part qu’une simple détection locale peut être utilisée pour explorer la
bande spectrale non-utilisée sans causer l’interférence aux utilisateurs existant. D’autre part, il est montré
analytiquement et à travers des résultats numériques que la détection collaborative fournit une très haute
capacité spectrale par rapport à la détection locale. Du fait que la radio cognitive agit sans la moindre
connaissance à propos de la location de l’utilisateur primaire dans la détection locale, cela dégrade la
performance de détection.
Les défis de la détection coopérative incluent le développement des algorithmes efficaces de
partage des informations en augmentant la complexité [101], [102].
La coopération peut être parmi les radios cognitives ou comme des capteurs externes peuvent être
utilisés pour construire un réseau de détection coopérative. Dans le premier cas, la coopération peut être
mise en œuvre en deux modes: centralisée ou distribuée [107]. Ces deux méthodes et de détection externe
sont discutées dans les sections suivantes.
A. Détection centralisée
Dans la détection centralisée, une unité centrale recueille des informations de détection de
dispositifs cognitifs, identifie le spectre disponible, et diffuse ces informations à d'autres radios cognitives
ou contrôle directement le trafic radio cognitive.
Les résultats binaires de la détection sont réunis à un endroit central qui est connu comme AP dans
[34]. L'objectif est d'atténuer les effets d'évanouissement du canal et d'augmenter les performances de
détection. La détection résultante et le taux de fausses alarmes sont donnés dans [108] pour l'algorithme
de détection utilisé dans [34]. Dans [33], les résultats de détection sont combinés dans un noeud central,
nommé comme noeud maître.
B. Détection distribuée
Dans le cas de la détection distribuée, les nœuds cognitifs partagent des informations entre eux,
mais ils prennent leurs propres décisions concernant la partie du spectre qu'ils peuvent utiliser. Cette
détection est plus avantageuse que la détection centralisée dans le sens qu'il n'y a pas besoin d'une
infrastructure de base ce qui réduit les coûts.
Seules les décisions finales sont partagées afin de réduire au minimum les frais généraux du réseau
dû à la collaboration. Les résultats présentés dans [70] montrent clairement les améliorations de
performance obtenus grâce à la détection de collaboration.
C. Sensing externe
Une autre technique pour l’obtention des informations de spectre est de détection externe. Dans la
détection externe, un agent externe effectue la détection et diffuse les informations d'occupation de canal
pour les radios cognitives. Les algorithmes de détection externes résolvent certains problèmes associés à
la détection interne dans laquelle la détection est effectuée par les émetteurs-récepteurs cognitifs internes.
En interne la détection est nommée Co localisée dans [15]. Les principaux avantages de cette
dernière surmontent au problème de l’UP caché et l'incertitude due à l'observation et à la décoloration.
En outre, comme les radios cognitives ne passent pas de temps pour la détection, l'efficacité du
spectre est augmentée. Le réseau de détection n'a pas besoin d'être mobile et pas nécessairement alimenté
par des piles. Par conséquent, le problème de la consommation d'énergie de détection interne peut
également être pris en compte.
