第36卷 第04期2018年 4月数字技术与应用Digital Technology &ApplicationVol.36 No.4April 2018期2018年第 04 算法分析DOI:10.19695/j.cnki.cn12-1369.2018.04.62面向5G网络的混合式双工随机MAC频谱共享算法研究罗守志 于林韬 朱一峰(长春理工大学 电子信息工程学院,吉林长春 130022)摘要:针对5G频谱资源短缺问题,本文提出了一种混合式双工的随机MAC频谱共享算法。利用基于机会概率(OP)的随机MAC,提出了混合半双工 / 全双工通信模型,其中每对的双工模式由OP值动态确定。通过仿真证实了算法可行性,并证明了其具有比传统系统高4倍的系统吞吐量。这对未来频谱资源的利用显示出巨大的潜力。关键词:5G；频谱共享；混合式双工；随机MAC中图分类号:TN92文献标识码:A文章编号:1007-9416(2018)04-0125-021 引言随着移动通信技术的快速发展,无线通信用户的快速增长使得频谱资源的供需矛盾日益突出[1]。频谱资源的稀缺和频谱利用不均衡的问题已经严重影响到了5G技术的发展。这可以通过频谱共享来解决,其允许利用率低的频谱接入使用。为此,共享网络应该实时准确地跟踪频谱使用程度。[3][2]机MAC决策的机会算法,在一定程度的概率满足足够的阈值时,即使主要性能保证程度较低,也能进行通信(表1)。4 仿真结果与分析4.1 随机MAC分析如图2实线所示,随着接入阈值的增加,系统吞吐量和次节点的吞吐量略有下降,而主节点增加。其中,主节点传输数据的概率为0.4,与次节点相比,显示主节点的吞吐量下降,而次节点吞吐量包括两个可以在全双工模式下工作的成对节点吞吐量。图1显示了节点的误码率,证明了主节点的BER减小而次节点增加。我们在主节点的BER图中只考虑了0.4的传输概率,并且确认了主节点可以在足够的接入阈值以上受到保护。2 系统模型针对准确的频谱感知还存的诸多限制,本文提出了一种新的共享模型,预测未安装传感器的位置处的频谱使用级别,并将访问机会级别表示为概率,即机会概率(OP)。每个节点根据OP值随机决定是否接入频谱。从而,提出了基于机会概率的介质访问控制(MAC)策略,可以通过减少在高OP值区域中的并发传输来解决传输冲突问题,同时保证了能量效率。4.2 确定性MAC分析根据图2的结果,确定性值为0.5的虚线显示,节点根据OP是否3 混合式双工随机MAC频谱共享算法为了克服主次节点竞争攻击问题,我们提出了基于传感器的随表1 算法描述表算法描述 步骤（1）：通过测量双工模式的功率，计算传感器与次级节点之间的距离。 步骤（2）：传感器每1 ms测量一次数据。 步骤（3）：与步骤（2）并行，收发器最初使用静音模式向服务器发送反馈。 步骤（4）：服务器利用感知数据库中的最新数据和反馈，来计算每个次节点的OP（因为感知数据库变化比反馈更频繁，计算OP的操作周期为1ms）。 步骤（5）：每个次节点都会考虑计算出的OP来确定双工模式。 步骤（6）：每个次节点将反馈发送给服务器。 步骤（7）：从步骤（4）到步骤（6）迭代。 图1 随机MAC策略中的误码率(BER)和接入阈值的关系收稿日期:2018-03-11作者简介:罗守志(1991—),男,江苏泰州人,硕士研究生,研究方向:无线通信系统理论与技术;于林韬(1972—),男,吉林长春人,博士,副教授, 研究方向:光通信;朱一峰(1979—),男,吉林长春人,博士,副教授,研究方向:空间光通信及光电检测。125第 36 卷 数字技术与应用 www.szjsyyy.com比,主节点在高接入阈值或适当的确定性值处保证是理想值,但是随机MAC应该考虑有一些性能下降。然而,从系统级角度来看,随机MAC确保稳定的高性能,即使是单对分析,而确定性MAC则表现出相对低得多的性能。此外,由于接入阈值是传输要求,因此基于结果迭代地控制接入阈值并非易事。故,受接入阈值影响较小且通常提供良好结果的随机MAC优于确定性MAC,而确定性MAC根据接入阈值偶尔产生良好结果。5 结语本文提出了一种混合式双工的随机MAC频谱共享算法。以概率的方式表示频谱使用级别,即机会概率(OP)。在机会概率基础上,提出了随机MAC策略,其中每个节点以与OP值成正比的概率接入频谱,并验证了其可行性。利用基于机会概率的随机MAC,还提出了混合半双工 / 全双工通信模型,其中每对的双工模式由OP值动态图2 MAC策略下的吞吐量和接入阈值的关系大于0.5来决定传输。次节点在低OP时开始停止传输信号,接入阈值为0,这代表主节点传输的高可能性。因此,它会降低系统和次节点的吞吐量,同时增加主节点的吞吐量。因此,主节点的吞吐量增加高于随机MAC决策,而次节点降低,因为确定性MAC不允许收发器传输信号。同样,确定性值为0.7的点线显示,如果从-3到2的接入阈值中存在主节点的传输,则次节点不传输信号。当接入阈值为3,确定性MAC停止,无论主节点是否正在发送信号,次节点都更频繁地发送信号。总之,与表示没有任何次节点的主节点的吞吐量的虚/点线相确定。通过仿真,我们证实了所提出的算法的可行性,并证明了其具有比传统系统高4倍的系统吞吐量。这对未来频谱资源的利用显示出巨大的潜力。参考文献[1]本刊讯.IMT-2020(5G)推进组发布5G技术白皮书[J].中国无线电,2015,(5).[2]小火车,好多鱼.大话5G[M].电子工业出版社,2016.[3]周钰哲.我国频谱共享的可行性研究与推进建议[J].电信科学,2016,32(5):146-151.Research on Hybrid Duplex Random MAC Spectrum Sharing Algorithm for 5G NetworkLUO Shou-zhi,YU Lin-tao,ZHU Yi-feng(College of Electronic Information Engineering, Changchun University of Science and Technology, Changchun Jilin 130022)Abstract:For the shortage of 5G spectrum resources, this paper proposed a hybrid duplex random MAC spectrum sharing algorithm. Using arandom MAC based on chance probability (OP), a hybrid half-duplex/full-duplex communication model was proposed, in which each pair of duplexmodes was dynamically determined by the OP value. The simulation proved the feasibility of the algorithm and proved that it has 4 times higher systemthroughput than the traditional system. This shows great potential for the use of future spectrum resources.Key words:5G; spectrum sharing; hybrid duplex; random MAC······上接第124页Real-time Vehicle Detection Algorithm for Traffic Based on Transfer LearningSHANG Guo-jun, YANG Li-hong, WANG Lie-wei(The 38th Research Institute of China Electronics Technology Group Corporation, Hefei Anhui 230088)Abstract:In order to achieve accurate and real-time vehicle detection, our algorithm bases on transfer learning and YOLOv2 (a deep learningreal-time detection algorithm). The convolution neural network of YOLOv2 is initialized by the classification model which is pre-trained on large-scale data sets. The collected vehicle images of traffic scene are marked then input to the network, using backpropagation to fine-tune the network toobtain the final vehicle detection model. The test results show that our algorithm achieves MAP of 0.788 in the test set containing 300 vehicle images.For each frame test, average cost time is 15 ms, meeting the real-time requirements of engineering applications.Key words:Transfer Learning; Vehicle Detection; Convolutional Neural Network; YOLOv2126