Advanced
Handoff Scheme based on Adaptive Channel Prediction in Cognitive Radio Networks
Handoff Scheme based on Adaptive Channel Prediction in Cognitive Radio Networks
Journal of the Korea Institute of Information and Communication Engineering. 2014. Oct, 18(10): 2389-2396
Copyright © 2014, The Korea Institute of Information and Commucation Engineering
This is an Open Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License(http://creativecommons.org/li-censes/by-nc/3.0/) which permits unrestricted non-commercial use, distribution, and reproduction in any medium, provided the original work is properly cited.
  • Received : August 28, 2014
  • Accepted : October 01, 2014
  • Published : October 31, 2014
Download
PDF
e-PUB
PubReader
PPT
Export by style
Share
Article
Author
Metrics
Cited by
TagCloud
About the Authors
주현 이
형근 박
hkparke@koreatech.ac.kr

Abstract
인지 무선 네트워크에서 스펙트럼 핸드오프는 현재의 전송채널을 다른 유휴채널로 바꾸어 데이터를 전송하는 과정이다. 스펙트럼핸드오프의 목적은 부사용자에게 끊김 없는 데이터전송을 지원하여 지속적인 전송품질을 보장하기 위함이다. 그러나 이와 같은 핸드오프과정은 심각한 전송지연을 야기할 수 있다. 이때 채널 예측을 바탕으로 핸드 오프를 실행할 경우 핸드오프에서 시간이 소요되는 부분을 미리 실행하므로 핸드오프 지연을 줄일 수 있고 주사용자에 대한 간섭도 줄일 수 있다. 본 논문에서는 실시간으로 통계적 특성이 변화하는 채널 상황에서 채널 예측을 정확성을 높이기 위한 적응적 채널 예측 방법을 제안하였다. 또한 적응적 채널 예측을 바탕으로 하여 핸드오프시점을 미리 추정하고 적절한 채널을 선택하여 핸드오프 과정을 설계하였다.
Keywords
I. 서 론
인지무선통신 기술은 스펙트럼 홀을 활용하여 스펙트럼의 제약을 극복하기 위한 기술이다 [1 , 2] . 인지 무선 네트워크에서 인지무선 (Cognitive Radio)사용자가 스펙트럼 홀을 통해 데이터를 전송하는 중에 주사용자가 나타나게 되면 데이터 전송을 중단하고 다른 스펙트럼 홀로 핸드오프 한다 [3 , 4] . 이때 채널 예측을 바탕으로 핸드오프를 실행할 경우 핸드오프에서 시간이 소요되는 부분을 미리 실행하므로 핸드오프 지연을 줄일 수 있고 주사용자에 대한 간섭도 줄일 수 있다. 이때 전체 시스템 성능은 채널 예측 성능에 많이 의존하게 된다 [5 - 7] . 채널예측을 위한 채널의 통계적 특성은 어느 정도 긴 시간 동안 축척된 채널 센싱 정보를 바탕으로 구하므로 채널 상태가 실시간으로 빠르게 변할 경우 채널 예측 성능이 떨어지고 이는 주사용자에 대한 간섭 및 채널효율(throughput) 등의 성능에도 영향을 끼친다. 따라서 채널 예측을 바탕으로 스펙트럼 이동성을 지원할 경우 이러한 채널 예측 성능에 대한 고려도 필요하다.
사전 (proactive) 스펙트럼 핸드오프에서는 채널 예측을 통해 핸드오프 상황이 발생할 것을 미리 예측하고 실제 핸드오프 상황이 일어나기 전에 미리 채널을 스위칭 함으로써 핸드오프 과정에서 전송이 중단되고 전송 지연이 생기는 것을 방지한다 [8] . 반면 사전 스펙트럼 핸드오프는 핸드오프상황이 발생했을 때 가용채널검색하고 스펙트럼 스위칭을 시작한다 [9] . 그림 1 은 두 가지 방식에 대한 핸드오프 동작을 보여준다. 사전e 스펙트럼 핸드오프 방식은 핸드오프 상황이 발생했을 때 전송을 중단하고 스위칭 할 채널을 결정한 후에 핸드오프를 수행하므로 심각한 품질저하가 발생할 수 있다. 반면 사전 핸드오프 방식은 핸드오프 상황이 발생하기 전에 미리 핸드오프를 수행하므로 스위칭이 안정적으로 빠르게 수행될 수 있으나 채널 예측 기법과 복잡한 알고리즘이 필요하며 채널 예측 정확하지 않을 경우 성능이 저하될 수도 있다.
PPT Slide
Lager Image
두 가지 형태의 스펙트럼 핸드오프 (a) 사전 핸드오프 (b) 반응적 핸드오프 Fig. 1 Two types of spectrum handoff approaches (a) Proactive Handoff (b) Reactive Handoff
본 논문에서는 실시간으로 통계적 특성이 변화하는 채널 상황에서 채널 예측 에러를 반영하여 적응적으로 유휴채널의 길이를 예측하고 이를 바탕으로 하여 핸드오프시점을 미리 추정하고 적절한 채널을 선택하여 핸드오프 과정을 설계하였다.
II. 스펙트럼 이동성 지원을 위한 적응적 채널 예측기법
- 2.1. 스펙트럼 홀에 대한 채널예측
인지무선 네트워크에서는 스펙트럼 사용 가능성 유무가 실시간으로 변화하므로 인지무선 사용자가 데이터를 전송하는 도중에 주사용자의 출현으로 다른 스펙트럼 홀을 이용해야 하는 경우가 있는데 이렇게 현재 사용하는 스펙트럼에서 통신을 중단하고 다른 스펙트럼으로 이동해 통신을 재개하는 과정을 스펙트럼 핸드오프라고 한다. 일반적으로 스펙트럼 핸드오프 상황 발생 시 잠시 데이터 전송을 중단 했다가 다른 채널에서 전송을 재개하게 되므로 핸드오프로 인한 통신의 지연이 발생하게 된다.
이때 주사용자 채널의 통계적 특성을 파악하고 채널 예측을 통해 핸드오프 시점을 미리 설정할 경우 핸드오프로 인한 지연을 줄일 수 있고, 주사용자가 나타나기 전에 미리 핸드오프를 실행함으로써 주사용자에 대한 간섭도 줄일 수 있다. 한편 이러한 채널 예측에 기반한 핸드오프 방식의 경우 핸드오프 성능이 채널 예측 성능에 많이 의존한다. 채널예측이 정확할 경우 핸드오프 지연 최소화 할 수 있는 핸드오프가 가능하지만 채널 예측 성능이 떨어짐에 따라 핸드오프 성능 또한 떨어지게 된다.
스펙트럼 홀을 예측하기 위해서는 주 사용자의 트래픽에 대한 모델이 필요하다. 주사용자에 대한 트랙픽 모델로 기존의 전화네트워크에서 사용되던 대표적 모델링 방식인 포아송 모델을 사용하였다. 포아송 프로세스는 renewal 프로세스로 트래픽의 도착간격은 평균값 λ를 갖고 지수적 분포하고 있다. 스펙트럼 홀을 예측하기 위해 채널 i 에서 주사용자의 패킷이 t 시간까지 도착하지 않을 확률을 구한다.
PPT Slide
Lager Image
이때 λ i 는 채널 i 에서 주 사용자 패킷의 도착율이며 to 는 주사용자 패킷의 이전 도착시간과 스펙트럼 센싱 시간과의 시간간격이다. 스펙트럼 홀 th 를 한 채널에서 주 사용자와의 충돌 없이 데이터를 전송할 수 있는 확률 임계값 𝛼 로 정의하였다. 각각의 채널은 작은 시간 크기의 슬롯으로 나뉘어지며 스펙트럼 홀 th 은 이와 같은 슬롯의 수로 표현될 수 있다. 인지무선사용자가 스펙트럼 홀 Nh 을 이용하여 패킷을 전송하려할 때 성공률은 최소 임계값 𝛼 보다 더 커야한다. 임계값 𝛼 는 주 사용자에 대한 간섭을 제한하는 역할을 한다.
PPT Slide
Lager Image
이때 tslot 는 시간슬롯의 시간간격이다. 스펙트럼 홀은 식(2)를 만족시키는 최대 슬롯의 수가 된다. 따라서 다음과 같이 스펙트럼 홀의 슬롯수를 구할 수 있다.
PPT Slide
Lager Image
스펙트럼 홀의 슬롯수 Nh 는 전송성공률 𝛼를 만족시키면서 인지무선사용자에 의해 사용될 수 있는 최대 시간슬롯을 의미한다. 각각의 채널은 각각 다른 도착율 λ 를 갖을 수 있으며 각기 다른 스펙트럼 홀 Nh 을 가질 수 있다. 따라서 필요 전송성공률 𝛼와 각 채널의 도착율 λi 값을 바탕으로 최대 전송 길이를 예측할 수 있다 [10] . 본 논문에서는 이렇게 도출된 슬롯수 Nh 를 예측 스펙트럼 홀 길이 Tp 로 설정하고 Tp 구간만큼 슬롯을 할당한 후 스펙트럼 핸드오프를 실행하도록 하였다.
- 2.2. 적응적 채널예측
이와 같이 채널 예측을 통해 핸드오프 시점을 미리 예측하여 스펙트럼 핸드오프를 실행할 경우 타겟 채널 센싱 등 핸드오프를 위한 과정을 미리 수행할 수 있기 때문에 핸드오프 지연 시간을 최소화하고 효율적인 핸드오프가 가능하게 되지만 이러한 채널 예측이 언제나 정확하게 이루어지는 것은 아니다. 채널 예측에 필요한 채널의 통계적 파라미터는 어느 정도 긴 시간 동안 축척된 채널 센싱 정보를 바탕으로 구하므로 채널 상태가 실시간으로 빠르게 변할 경우 채널 예측 성능이 떨어진다. 특히 채널 예측을 바탕으로 핸드오프 시점을 결정할 경우 예측 성능에 따라 핸드오프 성능 또한 달라지므로 채널 예측 에러에 대한 고려도 필요하다. 따라서 본 논문에서는 채널 예측에서 채널 예측 에러를 반영하여 채널 예측을 정확성을 높이고자 한다. 이를 위해 먼저 채널 예측 에러를 정의한 뒤 이를 반영한 적응적 채널 예측 기법을 제안하였다.
먼저 잔여 유휴 길이 예측 에러는 그림2 에서와 같이 두 가지 경우로 정의할 수 있는데, 예측 구간에 비해 주 사용자 패킷이 먼저 나타나 핸드오프를 유발하는 경우와, 예측구간 보다 주사용자 패킷이 늦게 나타나는 경우로 나눌 수 있다. 예측 구간에 비해 주사용자 패킷이 먼저 나타난 경우는 주사용자에 대한 간섭이 발생하여 패킷 충돌률이 높아지고 전송 지연 시간이 커진다. 다른 에러 상황으로 주 사용자 패킷보다 예측구간이 더 짧은 경우가 있는데, 이 경우 주사용자에 대한 간섭은 유발하지 않으나 주어진 스펙트럼 홀을 충분히 활용하지 못한다는 점에서 데이터 전송 성능을 악화시킨다고 볼 수 있다.
PPT Slide
Lager Image
두 가지 경우의 예측에러길이 (a) 충돌에러 (b) 전송에러 Fig. 2 Prediction error length for two cases (a) Collision error (b) Transmission error
두 가지 경우 모두 예측 에러는 예상한 핸드오프 시점과 실제 주사용자 패킷이 도착한 시간의 차이를 의미하므로 채널 i n 번째 할당 시 채널 예측 에러 확률 pi ( n )은 (4)과 같이 정의할 수 있다.
PPT Slide
Lager Image
이때 tdsr,i tp,i 는 각각 주사용자 패킷의 도착시점과 핸드오프시점을 나타낸다. 두 번째 예시의 예측에러 Te 의 경우 주기적인 채널 센싱을 통해 채널 i 의 주사용자 출현 시점을 알 수 있다고 가정하였다. 여기서 Te 가 음수일 경우는 즉 예측된 구간보다 실제 주사용자 패킷 도착 시점이 빨라 충돌이 발생할 경우 이다. 전송 에러가 연속적으로 나타난다면 채널의 통계적 특성에 유의미한 변화가 있음을 의미하며 이에 따라 채널 예측에도 변화를 주어야 한다. 따라서 위에서 정의한 예측 에러 pi ( n ) 의 시간에 따른 변화 양상을 반영하는 파라미터를 정의할 필요가 있다. 이를 위해 측정된 에러 확률을 바탕으로 n +1번째 할당 시점에서의 채널 i 의 에러 누적율 ei ( n ) 를 식 (5)와 같이 정의하여, 각 채널의 채널 예측 에러를 다음과 같이 누적시킴으로써 실시간 채널 변화에 따라 채널 예측에 변화를 주도록 하였다.
PPT Slide
Lager Image
여기서 𝛿는 채널 적응율를 의미한다. 𝛿값이 크면 채널 에러에 따라 누적에러율 또한 크게 변화하여 적응 예측이 빠르게 변하고, 작을 경우 채널 예측에 큰 변화가 생길 때까지 어느정도 시간이 걸리게 되다.
예측한 구간 보다 빨리 핸드오프가 실행되면 예측 에러율 또한 음수가 되어 누적값은 줄어든다. 반대로 예측 지점에서 핸드오프가 이루어질 경우 예측 에러율은 양수가 되어 누적값은 증가하게 된다. 최종적으로 이를 이용한 실시간 채널 예측 구간 적응은 (6)과 같다.
PPT Slide
Lager Image
만약 충돌이 많이 일어나 에러 누적율 ei ( n ) 이 음수가 된다면 적응 예측 길이는 수집된 통계 파라미터를 바탕으로 계산된 예측 길이보다 줄어들고, 인지무선 사용자는 예측된 길이보다 더 적은 슬롯만을 할당한 후 핸드오프 하게 된다. 반대로 전송에 계속적으로 성공하면 ei ( n ) 는 큰 값을 가지게 되어 적응된 예측길이가 계산된 예측길이보다 커지게 되고, 인지무선 사용자는 더 많은 슬롯을 할당한 후 핸드오프 하게 될 것이다.
한편 에러 확률 측정에서 전송 성공에 따른 에러 확률은 에러 길이 계산에서 어느 정도 딜레이가 필요하기 때문에 실시간 환경에서 적합하지 않을 수 있다. 이를 위해 제안한 적응 할당 과정을 바탕으로 아래와 같은 변형된 적응 예측 방법을 추가적으로 제안하였다.
- 2.3. 고정에러방식에 의한 채널예측
앞에서 설명한 적응적 예측방식의 경우 에러가 발생했을 때 정확한 에러율을 계산한기 위해 주사용자 패킷의 정확한 도착시점이 요구되며 이를 위해 추가적인 센싱 등을 필요로 한다. 이는 채널적응과정에서의 오버해드를 증가시실 수 있다. 따라서 채널적응 과정을 보다 단순화시키기 위하여 충돌이나 전송에러가 발생했을 때 정확한 에러율을 계산하지 않고 고정된 오류값을 부여한다. 즉, 에러발생의 유무만을 체크하여 채널예측을 적응적으로 수행하는 방식이다. 이 경우 예측 에러확률은 고정 에러율 CER(constant error rate)의 고정값으로 할당하며 아래와 같이 표현할 수 있다.
PPT Slide
Lager Image
고정 에러 방식은 pi ( n ) 계산을 간략화 하여 채널 예측 적응 과정을 줄일 수 있으나, 정확한 에러 길이 Te 를 반영하지 않음으로 효과적으로 채널 적응을 하지 못할 가능성이 있다. 특히 이 경우 고정 에러율 CER 값에 따라 성능이 달라질 수 있으므로 CER 값의 적절한 선택이 중요하다.
III. 적응적 채널 예측 기반 사전 핸드오프 과정
본 장에서는 앞에서 제안한 적응적 채널 예측을 바탕으로 한 사전 핸드오프 과정을 제시하고자 한다. 제안하는 사전 핸드오프 과정은 채널 센싱, 채널 예측, 핸드오프 결정 및 채널 예측 적응으로 구성되어 있으며 자세한 사항은 아래와 같다.
- 3.1. 채널 센싱 및 히스토리 갱신
채널 센싱을 목적은 각 채널의 주사용자 출현 여부 확인 및 핸드오프 상황 발생시 전송을 재개할 가용 채널 탐색 등이 있다. 인지무선 사용자는 주기적으로 채널을 센싱하여 채널 상태 및 유휴성 여부 등을 확인하고 이를 채널 히스토리 정보를 저장한다. 이렇게 수집된 채널 정보는 채널의 통계적 특성을 파악하고 주사용자 트래픽 모델링 및 채널 예측 등을 위해 활용된다.
- 3.2. 채널 예측
인지무선 사용자는 채널 센싱을 통해 수집된 채널 정보를 바탕으로 채널 예측을 수행한다. 먼저 히스토리 정보를 바탕으로 각 채널의 도착율 λi 값을 구하고 식 (3)에 적용하여 채널 예측 길이 Tp 를 계산한다. 인지무선 사용자는 계산된 Tp 값을 바탕으로 어느 시점에서 핸드오프를 할지 결정하게 된다.
- 3.3. 핸드오프 결정
핸드오프 결정 과정은 크게 두 가지 부분으로 나누어진다. 먼저 핸드오프 시점을 결정하는데 이는 앞장에서 제안한 채널 예측길이 Tp 에 따라 결정된다. 인지무선 사용자는 예측된 구간만큼 데이터를 전송한 후 다른 채널로 핸드오프 한다. 이때 핸드오프 후 전송을 재개할 다음 타겟 채널 선정이 필요하다. 따라서 핸드오프 결정의 두 번째 과정은 타겟 채널 선정이다. 본 논문에선 효율적인 채널 할당을 위해 타겟 채널 선택 또한 채널 예측 기반으로 이루어지며, 식 (8)과 같이 센싱된 유휴 채널들 중 채널 예측 길이가 가장 긴 채널이 타겟 채널로 선택한다.
PPT Slide
Lager Image
- 3.4. 채널 예측 적응
핸드오프 결정에 따라 채널 예측 결과는 주사용자와의 충돌 또는 전송 성공으로 나타난다. 각 예측 결과에 따라 예측 에러 확률이 계산되고 에러 확률은 다시 채널 예측 길이를 조정하기 위해 적용된다. 제안한 적응적 채널 예측 기반 사전 핸드오프 과정을 도식화하면 그림 3 과 같다.
PPT Slide
Lager Image
적응적 채널예측기반 핸드오프과정 Fig. 3 Handoff procedure based on the adaptive channel prediction
IV. 시뮬레이션 및 결과분석
제안된 적응적 채널 예측 기반 핸드오프 방식에 대한 성능분석을 위해 시뮬레이션을 통하여 성능 평가를 하였다. 시뮬레이션은 크게 적응적 채널 예측 방식과 고정 에러 방식으로 나누었으며, 시뮬레이션 환경으로 하나의 일반적인 주 사용자 네트워크와 하나의 인지무선 네트워크를 고려하였다. 제안된 방식과의 성능비교를 위해 채널 적응을 하지 않은 비적응적 채널 예측 방식을 고려하였다.
그림 4 는 주사용자 평균 부하의 변동에 따른 적응적 채널 예측방식과 비적응적 방식의 충돌률을 보여준다. 여기서 최소 성공률 임계값 𝛼는 0.7이며, 실시간 트래픽 부하의 변화로 인해 충돌률이 채널 예측이 정확할 경우 예상되는 0.3 보다 더 큰 값을 나타내는 것을 알 수 있다. 제안한 적응적 채널 예측방식의 충돌률은 비적응적 방식에 비해 전반적으로 낮은 경향을 보인다. 비적응적 방식의 경우 트래픽 부하 변동 정도가 커질수록 낮아지는데 이는 트래픽 부하 변동이 클수록 예측된 길이보다 더 긴 구간의 스펙트럼 홀을 가지는 부하가 매우 낮은 채널이 나타날 가능성도 커져 충돌률을 낮추기 때문이다. 제안한 방식의 경우 채널 변화에 적응적이기 때문에 이러한 트래픽 부하 변동에 대한 충돌률 성능 차이가 적게 나타난다. 적응적 채널 예측 방식의 충돌률 성능은 채널 적응율 𝛿값에 따라 뚜렷한 차이를 보이며, 𝛿값이 낮을수록 충돌률이 낮아지는 것을 확인할 수 있다. 이는 𝛿값이 작을수록 예측 적응정도가 적어 전송구간 활용은 적은편이지만 주사용자에 대한 간섭 정도를 낮게 유지할 수 있기 때문이다.
PPT Slide
Lager Image
적응적 채널예측방식의 충돌률 Fig. 4 Collision rate of adaptive prediction
그림 5 에서는 주사용자의 트래픽 부하의 변동에 따른 전송효율성능을 보여준다. 트래픽 부하 변동이 클수록 적응적 채널 예측방식의 전송효율이 향상되는 것을 알 수 있는데 이는 트래픽 부하 변동이 클수록 적응적으로 활용할 수 있는 스펙트럼 홀 구간도 늘어나기 때문이다. 비적응적 방식의 경우 트래픽 변화와 상관없이 예측된 스펙트럼 홀 길이만을 활용하기 때문에 이러한 트래픽 부하 변동에 따른 성능 차이가 적게 나타난다. 한편 충돌률과는 달리 전송 효율 성능에 있어서는 채널 적응율 𝛿값에 따른 성능 차이가 뚜렷하지 않다. 일단 𝛿값이 크면 스펙트럼 홀 활용도가 높아지지만 충돌률도 함께 높아지므로 전송 실패 패킷도 늘어난다. 반면 𝛿값이 작으면 스펙트럼 활용도가 떨어져도 충돌률이 낮으므로 주사용자 간섭으로 인한 전송 실패율도 줄어든다. 이러한 요소들이 종합적으로 작용하여 적응적 예측 방식은 𝛿값이 높을수록 더 높은 전송효율 성능을 보이지만 𝛿값의 차이에 따른 두드러지는 성능 차이는 나타나지 않는다고 볼 수 있다. 본 실험에서도 전반적으로 적응적 할당 방식이 더 높은 성능을 보이는 것을 확인할 수 있다.
PPT Slide
Lager Image
적응적 채널예측방식의 채널효율 Fig. 5 Throughput of adaptive prediction
트래픽 부하 변동 정도에 따른 적응 및 비적응적 채널 예측 방식 성능을 비교해 본 결과 적응적 채널 예측 방식이 전반적으로 우수한 성능을 보이며 𝛿값 및 트래픽 부하 변동 정도에 따라 성능의 차이가 커지는 것을 확인할 수 있었다.
그림 6 7 은 평균 부하의 변동에 따른 충돌률을 고정 에러방식, 적응적 채널 예측 및 비적응적 채널 예측 방식들과 비교한 것이다. 각 실험결과에서 고정 에러 방식은 다른 방식들에 비해 다소 충돌률이 높은 대신 전송 효율 성능도 다소 높은 것을 확인할 수 있었다. 이는 고정 에러 방식이 어느 정도 채널 변화에 적응적으로 채널 예측을 하여 스펙트럼 활용도를 높일 수 있었지만, 예측 에러 확률을 정확하게 계산하지 않고 특정 값으로 고정시켰기 때문에 채널 적응의 정확성 및 효율성이 떨어졌기 때문이다. 이 실험에선 파라미터 CER 값에 따른 성능차이가 충돌률에서 뚜렷하게 나타났다. CER 값이 높을수록 스펙트럼 활용도가 높아지지만 충동률 또한 증가하는 경향이 있다.
PPT Slide
Lager Image
고정에러 채널예측방식의 충돌률 Fig. 6 Collision rate of constant error rate method
PPT Slide
Lager Image
고정에러 채널예측방식의 채널효율 Fig. 7 Throughput of constant error rate method
본 실험을 통해 고정 에러 방식은 채널 변화에 어느 정도 적응적으로 대응하여 전송효율을 높일 수 있었지만 적응적 채널 예측에 비해 채널 적응 정도가 어느 정도 한계가 있다는 것도 확인할 수 있었다.
V. 결 론
인지 라디오 네트워크에서 스펙트럼 이동성 지원은 중요한 요소 기술이다. 효율적인 스펙트럼 핸드오프를 위해서는 핸드오프 지연시간을 최소화 하면서 주사용자에 대한 간섭을 줄이고 전송효율을 높이는 것이 중요하다. 본 논문에서는 핸드오프 지연시간을 최소화하기 위해 채널 예측을 기반으로 한 핸드오프 과정을 설계하고, 이를 정확한 채널 예측 성능을 위해 채널 예측 에러를 적용한 적응적 채널 예측 기법을 제안하였다. 시뮬레이션 결과 제안된 적응적 채널 예측 방식은 실시간으로 변하는 채널의 잔여 유휴 구간을 적응적으로 예측함으로써 비적응적 예측 방식에 비해 전반적으로 우수한 성능을 보이며 채널적응율 𝛿값 및 트래픽 부하 변동 정도에 따라 성능의 차이가 커지는 것을 확인할 수 있었다. 함께 제안한 고정 에러 방식의 예측 적응방식에 대한 성능평가도 이루어졌다. 고정 에러방식의 경우 채널예측적응과정을 간소화할 수 있었으나 채널 적응 정도에 어느 정도 한계가 있음을 확인하였다.
Acknowledgements
이 논문은 2011년도 정부(교육과학기술부)의 재원으로 한국연구재단의 지원을 받아 수행된 기초연구사업임(2011-0021164)
BIO
이주현(Juhyeon Lee)
2006년 2월 한국기술교육대학교 정보기술공학부 (공학사)
2010년 2월 한국기술교육대학교 전기전자공학과 (공학석사)
2014년 8월: 한국기술교육대학교 전기전자통신공학과 (공학박사)
※관심분야 : 인지무선통신, 무선자원관리
박형근(Hyung Kun Park)
1995년 2월 고려대학교 전자공학과 (공학사), 1997년 2월 고려대학교 전자공학과 (공학석사)
2000년 8월 고려대학교 전자공학과 (공학박사)
2000년 9월~2001년 8월: University of Colorado at Colorado Springs, Postdoc.
2001년 9월~2004년 2월: 현대시스콤, 선임연구원
2010년 9월~2011년 8월 : Georgia Institute of Technology 방문교수
2004년 3월~현재 : 한국기술교육대학교 전기전자통신공학부 부교수
※관심분야 : 인지무선통신, 무선센서네트워크, 무선자원관리
References
Mitola J. , Maguire G. Q. 1999 “Cognitive radio: making software radios more personal,” IEEE Personal Communications 6 (4) 13 - 18
Haykin S. 2005 “Cognitive radio: brain-empowered wireless communications,” IEEE Journal on Selected Areas in Communications 23 (2) 201 - 220
Trigui E. , Esseghir M. , Boulahia L. M. 2013 “Spectrum handoff algorithm for mobile cognitive radio users based on agents' negotiation” in Proceeding of the 9th international conference on Wireless and Mobile Computing, Networking and Communications 750 - 756
Yao Y. , Ngoga S. R. , Erman E. , Popescu A. 2012 “Performance of cognitive radio spectrum access with intra-and inter-handoff,” in Proceeding of the international conference on Communications 1539 - 1544
Marinho J. , Monteiro E. 2012 “Cognitive radio: survey on communication protocols, spectrum decision issues, and future research directions,” Wireless Networks 18 (2) 147 - 164
Kim H. , Shin K.G. 2008 “Efficient discovery of Spectrum opportunities with MAC-layer sensing in cognitive radio networks,” IEEE Transactions on Mobile Computing 7 (5) 533 - 545
Li X. , Zekavat S. 2008 “Traffic pattern prediction and performance investigation for cognitive radio systems” in Proc. IEEE WCNC 2008 894 - 899
Yang L. , Cao L. , Zheng H. 2008 “Proactive channel access in dynamic spectrum networks,” Physical communication 1 (2) 103 - 111
Wang C. W. , Wang L. C. 2012 “Analysis reactive spectrum handoff in cognitive radio networks,” IEEE journal on selected areas in communications 30 (9) 2016 - 2028
Lee J. , Park H. 2014 “Channel Predictin-Based Channel Allocation Scheme for Multichannel Cognitive Radio Networks” Journal of Communications and Networks 16 (2) 209 - 216    DOI : 10.1109/JCN.2014.000032