valor óptimo de muestras pasadas para la toma de...

Valor óptimo de muestras pasadas para la toma de

decisiones en redes de radio cognitiva

Optimal value of past samples for decision making in

cognitive radio networks

Jefferson Jara Estupiñan

Estudiante de ingeniería eléctrica por ciclos en la Universidad Distrital Francisco José de

Caldas, Bogotá, Colombia. Contacto: [email protected]

Cesar Augusto Hernández Suarez

Doctor en Ingeniería de Sistemas y Computación de la Universidad Nacional de Colombia,

Magíster en ciencias de la información y las comunicaciones, Ingeniero Electrónico. Docente

e investigador de la Universidad Distrital Francisco José de Caldas, Bogotá, Colombia.

Contacto: [email protected]

ORCID: https://orcid.org/0000-0001-9409-8341

Diego Armando Giral Ramírez

Candidato a doctor en Ingeniería de la Universidad Distrital Francisco José De Caldas,

Magister en Ingeniería Eléctrica, Ingeniero Eléctrico. Docente e investigador de la

Universidad Distrital Francisco José de Caldas, Bogotá, Colombia. Contacto:

[email protected]

mailto:[email protected]


https://orcid.org/0000-0001-9409-8341


RESUMEN

Contexto: El modelado y predicción del uso del espectro por parte de los PU es un aspecto

importante para reducir la interferencia entre los SU y PU, y mejorar el desempeño de la

decisión espectral. Lo anterior requiere de información espectral pasada, que permita al

algoritmo modelar el comportamiento del PU.

Objetivo: Determinar el valor óptimo de muestras pasadas y tiempo de recalculo de criterios

de decisión, para los algoritmos de toma de decisiones en redes de radio cognitiva.

Metodología: Se realizan varios experimentos de simulación a partir del algoritmo FFAHP,

en dos diferentes enfoques, tiempo-real y mejor-esfuerzo, con tráfico alto y bajo, en la banda

de frecuencia GSM. Se realiza un análisis estadístico de los datos obtenidos, variando los

parámetros de time range, mientras criteria time permanece constante, y viceversa.

Resultados: Para tráfico alto es suficiente con tomar 1800 muestras anteriores para calcular

el valor inicial de los parámetros y actualizarlos cada 10 minutos (1800). Si el tráfico es bajo

es suficiente con tomar 5400 muestras anteriores para calcular el valor inicial de los

parámetros y actualizarlos cada 10 minutos (1800).

Conclusiones: No es necesario un número elevado de muestras anteriores para determinar el

valor inicial de los parámetros de decisión para obtener un buen desempeño de la tasa de

handoff, así como tampoco lo es para la actualización de los mismos, para un tráfico

correspondiente a la banda de frecuencia GSM.

Financiamiento: El presente trabajo es un resultado de un proyecto de investigación

financiado por el Centro de Investigaciones y Desarrollo Científico de la Universidad

Distrital Francisco José de Caldas.

Palabras clave: Decisión espectral, handoff espectral, información espectral, radio cognitiva,

redes inalámbricas.

ABSTRACT

Context: Modeling and prediction of spectrum use by PUs is an important aspect to reduce

interference between SUs and PUs, and improve the performance of the spectral decision.

This requires past spectral information, which allows the algorithm to model the behavior of

the PU.

Objective: Determine the optimal value of past samples and time to recalculate decision

criteria for decision-making algorithms in cognitive radio networks.

Methodology: Several simulation experiments are performed from the FFAHP algorithm, in

two different approaches, real-time and best-effort, with high and low traffic, in the GSM

frequency band. A statistical analysis of the data obtained is performed, varying the time

range parameters, while time criteria remains constant, and vice versa.

Results: For high traffic it is enough to take 1800 previous samples to calculate the initial

value of the parameters and update them every 10 minutes (1800). If the traffic is low, it is

enough to take 5400 previous samples to calculate the initial value of the parameters and

update them every 10 minutes (1800).

Conclusions: A large number of previous samples is not necessary to determine the initial

value of the decision parameters to obtain a good performance of the handoff rate, nor is it

necessary for updating them, for traffic corresponding to the band of GSM frequency.

Financing: This work is a result of a research project funded by the Center for Research and

Scientific Development of the Francisco José de Caldas District University.

Keywords: Spectral decision, spectral handoff, spectral information, cognitive radio, wireless

networks.

INTRODUCCIÓN

La Unión Internacional de Telecomunicaciones (ITU), define la radio cognitiva (CR) como

“una radio o sistema que detecta y está al tanto de su entorno y se puede ajustar de forma

dinámica y autónoma de acuerdo con sus parámetros de funcionamiento de radio”

(Hernández, Pedraza, Páez, & Rodriguez-Colina, 2015). La solución que plantea la radio

cognitiva al uso ineficiente del espectro radioeléctrico no es otra que el acceso dinámico al

espectro (DSA), permitiendo la utilización oportunista de las frecuencias disponibles por

parte de los usuarios secundarios (SU), sin causar interferencia a los usuarios primarios (PU)

(Hernández, Pedraza, et al., 2015; R. López & Montejo Sánchez, 2015). Lo anterior se

materializa a través del proceso denominado ciclo cognitivo (Játiva, 2017; Romero, 2015).

Dentro del ciclo cognitivo, la función de decisión espectral juega un papel muy importante y

relevante para un óptimo desempeño de la red de radio cognitiva (CRN) (Lala, Balkhi, &

Mir, 2017), ya que el movimiento acertado, a tiempo y optimo dentro del espectro

radioeléctrico, garantiza por un lado que los PU no tengan ningún tipo de interferencia o

afectación en el uso de sus canales licenciados, y por otro, que los SU puedan tener una

comunicación sin interrupciones ni retardos prolongados que permitan la perdida de

información, es por ello, que muchos de los trabajos de investigación actuales se han centrado

en este aspecto con el fin de mejorarlo y de establecer estrategias cada vez más acertadas en

cuanto a su optimo desempeño (Das, Ghosh, Das, & Barman, 2017; Hoque, Azmal, & Arif,

2017; Kyryk & Yanyshyn, 2017)

Para lograr lo anterior, se hace necesario utilizar algoritmos y técnicas de inteligencia

artificial (Bayrakdar & Çalhan, 2018), aprendizaje de máquina (A. M., Matyjas, Hu, &

Kumar, 2017; Koushik, Hu, & Kumar, 2018), toma de decisiones multicriterio (Hernández,

Giral, & Santa, 2015; Salgado, Hernandez, Molina, & Beltran-Molina, 2016), entre otras,

como por ejemplo, enjambre de partículas (Agrawal, Tyagi, & Singh, 2018; Alhammadi,

Roslee, & Alias, 2017) transferencia de espectro en tiempo real (Chakraborty & Misra, 2015),

lógica difusa (Javed & Naeem, 2018). Pero al no tener certeza respecto a que frecuencia del

espectro estará disponible durante el tiempo de transmisión que requiere la comunicación del

SU, es importante tomar en cuenta el patrón de comportamiento de los PU. A partir de la

información espectral pasada, tal como la ocupación espectral, la mayoría de algoritmos

utilizados en la CR, logran modelar e incluso algunos predecir el comportamiento del uso del

espectro por parte de los PU. (Harold Vásquez Suarez, 2017; Hernández & Luis Fernando

Pedraza Martínez, 2016; D. A. López, Trujillo, & Gualdron, 2015).

Para realizar un modelado o predicción con una adecuada precisión se hace necesario utilizar

una gran cantidad de información espectral histórica. Y así como una gran cantidad de

información pasada incide positivamente en la precisión de la predicción o modelado del

patrón de ocupación espectral, también afecta negativamente los tiempos de procesamiento

de los algoritmos y, por ende, la magnitud de los retardos generados durante la

correspondiente comunicación. De acuerdo con lo anterior, se hace necesario determinar la

menor cantidad de información espectral necesaria y suficiente, para generar pronósticos con

una adecuada precisión y un bajo nivel de retardo. Es por lo anterior, que el presente trabajo

de investigación tiene por objetivo determinar el número óptimo de datos pasados necesarios

para realizar un satisfactorio modelado del comportamiento de la ocupación espectral en una

determinada banda de frecuencia, así como el máximo tiempo en el que se hace necesario

reajustar los parámetros de los algoritmos utilizados, reduciendo los tiempos de

procesamiento, el consumo de energía, los requerimientos de hardware y software de los

radios cognitivos, entre otros.

Este trabajo se realizó a partir de una serie de simulaciones de movilidad espectral en la banda

de frecuencia GSM, con el software de simulación para CRN, desarrollado en (Hernández &

Giral, 2015). En este software se variaron los parámetros de Criteria Time y Time Range, los

cuales cuentan con unos tiempos máximos de 1800 y 10800 respectivamente (donde cada

180 unidades equivalen a 1 minuto), mientras los demás parámetros permanecen constantes.

TRABAJOS RELACIONADOS

Uno de los principales problemas que enfrentan las redes de radio cognitiva es su alto

consumo de energía, con mayor impacto en las alimentadas por medio de baterías es por ello

que en su trabajo (Abdullah & Abed, 2016) , realizan simulaciones reduciendo el número de

muestras utilizadas en la etapa de detección de los PU. Se realizan reducciones en el 50%,

33% y 25%, con el fin de determinar la cantidad de ahorro de energía que se puede llegar a

lograr. Encontrando que la reducción en el consumo de energía cuando Eb/No de 10 dB es

del 50%, 60% y 63% respectivamente, para las reducciones de muestras anteriormente

nombradas. Sin embargo, no todas las detecciones fueron apropiadas, así que concluyeron

que se puede llegar hasta una reducción del 40% en el consumo de energía, siempre y cuando

se utilicen la mitad o más de la mitad del número de muestras, con un error aceptable en la

detección del usuario primario.

En (Syed & Safdar, 2017) se mejora la eficiencia y la demanda de energía del sistema de CR,

usando en la detección del espectro el historial de detección del mismo, que no es otra cosa

que datos adquiridos a través del tiempo, de esta manera se reduce la frecuencia de

exploración del espectro, en este esquema denominado asistido, la base de datos del motor

analítico centralizado ofrece un amplio historial acerca del uso del espectro para ser utilizado

por los SU, los cuales adquieren dichos datos y los procesan de tal manera que la detección

se realice de forma efectiva, la reducción del consumo de energía es de alrededor del 50%.

En (Marino, Paura, & Savoia, 2016), con el fin de optimizar el consumo de energía en el

proceso de detección del espectro, realizan un análisis teórico sobre un modelo de red de

movilidad arbitraria, para mostrar que existe un único tiempo de detección el cual eleva el

rendimiento para la detección de movilidad de un SU, luego de esto, realizan varias

simulaciones con el fin de demostrar la existencia de este valor.

METODOLOGÍA

El software de simulación para CRN utilizado para el presente trabajo, fue desarrollado

dentro del proyecto de investigación “Desarrollo de un algoritmo adaptativo de handoff

espectral encaminado a incrementar el desempeño y la eficiencia en redes móviles”,

financiado por el Centro de Investigaciones y Desarrollo Científico de la Universidad

Distrital Francisco José de Caldas(Hernández & Giral, 2015). Dicho software permite la

parametrización de diferentes variables como:

Tipo de tecnología: Wi-Fi o GSM.

Tiempo de simulación: Transmisión del SU, puede ir desde 1 min hasta 10 min.

Modelos de Handoff: AHP RT, AHP BE, FAHP RT, FAHP BE, FFAHP RT, FFAHP

BE, SAW RT, SAW BE, MEW RT, MEW BE, TOPSIS RT, TOPSIS BE, VIKOR RT,

VIKOR BE, GRA y RANDOM, entre otros.

Nivel de tráfico: tráfico alto, trafico medio y trafico bajo.

Threshold: Umbral de potencia que permite determinar la presencia o ausencia de un PU

en un canal determinado.

Noise Floor: Piso de ruido medido por el analizador de espectro durante la campaña de

medición.

BW Fixed: Ancho de banda fijo de cada canal.

Criteria time: Tiempo periódico, al cabo del cual se recalculan y actualizan los valores

de los criterios de decisión durante la ejecución del algoritmo. Puede tomar un valor

máximo de 1800 instantes de tiempo (10 minutos).

Time Range: Tiempo para el cual se calculan los valores iniciales de los criterios de

decisión, previo a iniciar la evaluación. Puede tomar un valor máximo de 10.800 (60

minutos).

Multichannels: Número de canales contiguos que puede utilizar el algoritmo para

realizar una transmisión multicanal.

Tipo de modulación: se tienen cuatro tipos de modulación 16QAM, 64QAM, QPSK y

BFSK.

Weight (pesos): En esta parte se deben definir los pesos para los cuatro criterios de

decisión, Probabilidad de Disponibilidad (PD), Ancho de Banda (AB), Relación Señal a

Ruido más Interferencia (SINR), Tiempo Estimado de Disponibilidad (TED).

El software funciona a partir de tres niveles de tráfico: Alto, Medio y Bajo, tanto para la fase

de entrenamiento (utilizada para configurar los parámetros iniciales de los algoritmos) como

de evaluación (utilizada para evaluar el desempeño de los algoritmos), lo que equivale a seis

bases de datos, para cada uno de los dos tipos de tecnología: GSM y Wi-Fi, dando un total

de 12 bases de datos (ver Tabla 1).

Tabla 1 . Datos seleccionados

Tecnología Trafico Nivel de trafico Pasos de tiempo

Filas Columnas

GSM

Evaluación

Alto 1800 (10 min) 1800

551 Bajo

Medio

Entrenamiento

Alto 10800 (60 min) 10800

551 Bajo

Medio

Wi-Fi

Evaluación

Alto 1800 (10 min) 1800

461 Bajo

Medio

Entrenamiento

Alto 10800 (60 min) 10800

461 Bajo

Medio

Fuente :Tomado de (Hernández & Giral, 2015).

El software de simulación funciona con datos de ocupación espectral reales capturados

durante una campaña de medición previa en la ciudad de Bogotá, durante un periodo de una

semana. La cantidad de datos capturados para cada una de las tecnologías se muestra en la

Tabla 2 y Tabla 3 respectivamente (Hernández & Giral, 2015).

Tabla 2. Datos capturados

Tecnología Cantidad de datos capturados

Filas Columnas Total, de Datos

GSM 1.145.700 551 631.280.700

Wi-Fi 2.490.000 461 1.147.890.000


Donde las columnas representan los canales de frecuencia y las filas el tiempo (1/3 de

segundo cada una aproximadamente).

Tabla 3. Numero de datos para entrenamiento y evaluación

Tecnología Proceso Numero de datos

GSM Evaluación 991.800

Entrenamiento 5.950.800

Wi-Fi Evaluación 829.800

Entrenamiento 4.978.800


El software también permite cargar algunos datos por defecto; para esta investigación los

datos por defecto cargados fueron: los pesos de: Available Average (PD), Bandwidth

Average (AB), PSINR (SINR), Median Availability Time (TED), los parámetros: Threshold,

Noise Floor, BW Fixed y se parametrizó con 4 canales en el criterio (Multichannels), además

de esto la tecnología escogida fue GSM.

Las simulaciones se realizaron para el algoritmo de toma de decisiones: Algoritmo

multivariable difuso realimentado (FFAHP), debido a su excelente desempeño en CRN

(Hernández-Suárez, Pedraza-Martínez, & de la Colina, 2016). Se tuvieron en cuenta cuatro

tipos diferentes de escenarios: (1) Enfoque de tiempo-real (RT) con tráfico alto (HT), (2)

Enfoque de tiempo-real (RT) con tráfico bajo (LT), (3) Enfoque de mejor-esfuerzo (BE) con

tráfico alto (HT), y (4) Enfoque de mejor-esfuerzo (BE) con tráfico bajo (LT). En cada uno

de los cuatro escenarios se variaron los parámetros de time range, mientras permanecía

constante criteria time, y viceversa.

La Figura 1 muestra la parametrización de las variables antes descritas, en la interfaz gráfica

del software, para FFAHP con enfoque RT en HT.

Figura 1. Parámetros en la interfaz gráfica del software para FFAHP con RT en HT

Fuente: Pantalla principal software en Matlab

Simulaciones

Para determinar la mínima cantidad de información espectral suficiente y necesaria, se

realizaron tres conjuntos de simulaciones.

Inicialmente se dejó constante el parámetro “Criteria_Time” en 1800 (valor máximo) y se

varió el parámetro “Time_Range”, para los cuatro tipos de escenarios: RT-HT, RT-LT, BE-

RT y BE-LT. Los rangos de variación de cada parámetro se muestran en la Tabla .

Luego, se realizó un procedimiento similar, pero dejando constante el parámetro

“Time_Range” en 10.800 (valor máximo) y variando el parámetro “Criteria_Time”, para los

cuatro tipos de escenarios: RT-HT, RT-LT, BE-RT y BE-LT. Los rangos de variación de

cada parámetro se muestran en las Tablas 4 y 5.

Finalmente, se realizaron simulaciones conjuntas utilizando los mejores resultados en los dos

experimentos anteriores, con el fin de determinar el comportamiento óptimo de los mismos.

Para cada uno de los tres experimentos se realizaron 10 simulaciones y se tomaron los valores

promedios con el objetivo de tener estadísticos más significativos

Tabla 4. Variación de Time_Range para FFAHP

FF

AH

P

RT

-HT

, R

T-L

T, B

E-R

T,

BE

-LT

Criteria Time Time Range

1800

180

360

540

720

900

1080

1260

1440

1620

1800

3600

5400

7200

9000

10800

Fuente: Elaboración propia de los autores

Tabla 5. Variación de Criteria_Time para FFAHP

FF

AH

P

RT

-HT

, R

T-L

T, B

E-R

T,

BE

-LT

Criteria Time Time Range

180

10800

360

540

720

900

1080

1260

1440

1620

1800


RESULTADOS

Para la presente investigación se tuvieron como insumo principal las campañas de simulación

anteriormente mencionadas, producto de las cuales se obtienen las gráficas correspondientes

al handoff espectral con base en datos de ocupación espectral reales, con un tiempo de

transmisión del SU de 10 minutos.

Los resultados están organizados en tres secciones: (1) Time_Range, (2) Criteria_Time y (3)

Resultados conjuntos. En la primera sección las figuras 2, 3, 4 y 5 muestran los resultados de

las simulaciones en las que el parámetro “Time_Range” permaneció constante en un valor

de 10800, mientras se varió el parámetro “Criteria_Time”. En la segunda sección las figuras

6, 7, 8 y 9 describen los resultados de las simulaciones en las que el parámetro

“Criteria_Time” permaneció constante en un valor de 1800, mientras se varió el parámetro

“Time_Range”. Tanto en la primera como en la segunda sección, las figuras describen los

resultados en cada uno de los cuatro escenarios de simulación descritos en la metodología

RT-HT, RT-LT, BE-HT y BE-LT. En la tercera sección, las tablas 6, 7, 8 y 9, muestran la

información correspondiente a la tercera campaña de simulaciones en la cual se tomaron en

cuenta los valores de cada parámetro que tuvieron un mejor comportamiento en las primeras

simulaciones.

Time_range

Figura 2. Handoffs FFAHP RT Hight Traffic


Figura 3. Handoffs FFAHP RT Low Traffic


Figura 4. Handoffs FFAHP BE Hight Traffic


Figura 5. Handoffs FFAHP BE Low Traffic


De la observación de las figuras 2, 3, 4 y 5, se puede realizar varios análisis. Primero, que

cuando el tiempo de reactualización de los parámetros de decisión aumenta, las variaciones

en la tasa de handoff para los escenarios de tráfico bajo (RT-LT y BE-LT) son más fuertes

que para los escenarios de tráfico alto (RT-HT y BE-HT). Segundo, que en la mayoría de

valores de la variable Criteria Time los resultados son similares, evidenciando que no resulta

necesario realizar una actualización de los parámetros de decisión de forma tan frecuente,

incluso no se observa un punto de inflexión significativo en las figuras. Debido a lo anterior,

se tomaron tres de los valores más altos de Criteria Time: 900, 1260 y 1800, para realizar un

análisis conjunto en la subsección tres de la sección de resultados para determinar con mas

objetividad el mejor valor del parámetro Criteria Time. Sin embargo, para el valor de Criteria

Time igual a 720 (4 minutos) se observa un cambio abrupto negativo en tres de los cuatro

escenarios (RT-LT, BE-HT, BE-LT), volviendo a normalizarse para el siguiente valor de

Criteria Time igual a 900 (5 minutos), configurando el punto de 720 como un valor atípico.

Preliminarmente, se podría pensar en que no es necesario realizar una reactualización (o

recalculo) de los parámetros de decisión en periodos tan cortos, haciendo que el valor de

Criteria Time igual a 1800 (10 minutos) se la mejor opción entre los valores analizados, pero

estableciendo al mismo tiempo que talvez la mejor opción sea un valor superior a este.

Criteria_time

Figura 6. Handoffs FFAHP RT Hight Traffic


Figura 7.Handoffs FFAHP RT Low Traffic


Figura 8.Handoffs FFAHP BE Hight Traffic


Figura 9.Handoffs FFAHP BE Low Traffic


De la observación de las figuras 6, 7, 8 y 9, se puede realizar varios análisis. Primero, que de

forma similar a como sucedió con Criteria Time, cuando el número de muestras anteriores se

reduce, las variaciones en la tasa de handoff para los escenarios de tráfico bajo (RT-LT y BE-

LT) son más fuertes que para los escenarios de tráfico alto (RT-HT y BE-HT), con la salvedad

de que en el caso de los escenarios de tráfico alto, existe un valor de Time Range (360

equivalentes a 2 minutos) que produce unos resultados atípicos en la tasa de handoff

espectral, por lo que dicho valor no será tenido en cuenta para los correspondientes valores.

Segundo, que en la mayoría de valores de la variable Time Range los resultados son similares,

evidenciando que no resulta necesario realizar una configuración inicial de los parámetros de

decisión con demasiados datos pasados. A diferencia de Criteria Time, aquí si se observan

puntos de inflexión para cada escenario. En el caso de RT-HT se observa que cuando se

toman 720 muestras (4 minutos) en adelante, los resultados son muy similares, pero cuando

el número de muestras pasadas es igual o menor a 540 (3 minutos), el desempeño de la tasa

de handoff espectral se reduce en un 25,87%. En el caso de BE-HT el punto de inflexión está

en 360 (2 minutos), se observa que cuando se toman 540 muestras (3 minutos) en adelante,

los resultados son muy similares, pero cuando el número de muestras pasadas es igual o

menor a 360 (2 minutos), el desempeño de la tasa de handoff espectral se reduce en un

14,28%. En el caso de RT-LT el punto de inflexión está en 3600 (20 minutos), se observa

que cuando se toman 5400 muestras (30 minutos) en adelante, los resultados son muy

similares, pero cuando el número de muestras pasadas es igual o menor a 3600 (20 minutos),

el desempeño de la tasa de handoff espectral se reduce en un 27,77%. El caso de BE-LT tiene

el mismo comportamiento de BE-RT.

Se analiza entonces, que para tráfico alto (HT) son necesarios alrededor de 720 (4 minutos),

una cantidad mucho menor que los 5400 (30 minutos) datos requeridos para tráfico bajo. Lo

anterior se podría explicar en el hecho de que como es en tráfico alto el comportamiento es

más dinámico y frecuente resulta más fácil modelar un patrón de comportamiento en la

ocupación espectral. Es importante aclarar que la anterior explicación tiene sentido para la

información espectral del presente trabajo la cual corresponde a la banda GSM.

Dado que el objetivo es determinar el mínimo valor de muestras pasadas necesarias y

suficientes, y de acuerdo con el análisis anterior, se seleccionaron los valores de 720, 1260,

1800, 3600 y 5400, de Time Range, para realizar el análisis conjunto.

Resultados conjuntos

Dado que en los análisis anteriores se determinaron los valores de Criteria Time y Time

Range, que mejores resultados proporcionaban de forma independiente, ahora se evaluaran

las diferentes combinaciones entre dichos valores para determinar la pareja que mejores

resultados alcanza. Para Criteria Time se tienen los valores: 720, 1260, 1800, 3600 y 5400,

y para Time Range se tienen los valores: 900, 1260 y 1800. El análisis se realiza para los

cuatro escenarios descritos anteriormente: RT-HT, RT-LT, BE-HT y BE-LT, cuyos

resultados se pueden observar en las Tablas 6, 7, 8 y 9, respectivamente.

Tabla 6. Handoffs para valores conjuntos de Criteria Time y Time Range, para RT-HT

Time Range

720 1260 1800 3600 5400

Cri

teri

a T

ime

900 228 228 224 227 227

1260 227 229 225 230 230

1800 228 228 224 231 231

Fuente: Elaboración propia de los autores.

Tabla 7. Handoffs para valores conjuntos de Criteria Time y Time Range, para RT-LT

Time Range

720 1260 1800 3600 5400

Cri

teri

a T

ime

900 179 178 179 169 144

1260 177 172 165 186 144

1800 178 172 174 184 144


Tabla 8. Handoffs para valores conjuntos de Criteria Time y Time Range, para BE-HT

Time Range

720 1260 1800 3600 5400

Cri

teri

a T

ime

900 291 279 272 279 279

1260 279 277 279 297 296

1800 288 291 270 291 290


Tabla 9. Handoffs para valores conjuntos de Criteria Time y Time Range, para BE-LT

Time Range

720 1260 1800 3600 5400

Cri

teri

a T

ime

900 174 174 175 167 144

1260 174 173 166 186 144

1800 174 174 175 185 145


Del análisis de las Tablas 6, 7, 8 y 9, se observa que las mejores tasas de handoff (las más

pequeñas), para escenario, se dan con la siguiente combinación de valores para Criteria Time

y Time Range, respectivamente, para RT-HT: 1800 y 1800, para RT-LT 1800 y 5400, para

BE-RT 1800 y 1800, y para BE-LT 1800 y 5400.

En conclusión, si el tráfico es alto es suficiente con tomar 1800 muestras anteriores para

calcular el valor inicial de los parámetros y actualizarlos cada 10 minutos (1800). Si el tráfico

es bajo es suficiente con tomar 5400 muestras anteriores para calcular el valor inicial de los

parámetros y actualizarlos cada 10 minutos (1800). Lo anterior, se traduce en una reducción

de energía y esfuerzo computacional de la red y/o usuarios de la red, de 10 veces para el

Criteria Time y 6 veces para el Time Range, es decir, el costo computacional se redujo

aproximadamente, 60 veces.

CONCLUSIONES

A partir de los resultados obtenidos, se evidencia que no es necesario un número elevado de

muestras anteriores para determinar el valor inicial de los parámetros de decisión para obtener

un buen desempeño de la tasa de handoff, así como tampoco lo es para la actualización de

los mismos, para un tráfico correspondiente a la banda de frecuencia GSM. Lo anterior,

permitió reducir significativamente el costo y retardo de procesamiento de la información, el

consumo de energía, optimizando los recursos de la red de radio cognitiva.

FINANCIAMIENTO

El presente trabajo es un resultado de un proyecto de investigación financiado por el Centro

de Investigaciones y Desarrollo Científico de la Universidad Distrital Francisco José de

Caldas.

REFERENCIAS BIBLIOGRÁFICAS

A. M., K., Matyjas, J. D., Hu, F., & Kumar, S. (2017). Channel/Beam Handoff Control in

Multi-Beam Antenna Based Cognitive Radio Networks. IEEE Transactions on

Cognitive Communications and Networking, 4(1), 30–42.

https://doi.org/10.1109/tccn.2017.2771777

Abdullah, H. N., & Abed, H. S. (2016). Improvement of energy consumption in cognitive

radio by reducing the number of sensed samples. Al-Sadiq International Conference

on Multidisciplinary in IT and Communication Techniques Science and Applications,

AIC-MITCSA 2016, 301–306. https://doi.org/10.1109/AIC-MITCSA.2016.7759954

Agrawal, R., Tyagi, D., & Singh, H. M. (2018). PHSCR: Particle Swarm Optimization

Based Handoff Spectrum Using Cognitive Radio. 2018 International Conference on

Advances in Computing, Communication Control and Networking (ICACCCN), 996–

999. https://doi.org/10.1109/ICACCCN.2018.8748569

Alhammadi, A., Roslee, M., & Alias, M. Y. (2017). Analysis of spectrum handoff schemes

in cognitive radio network using particle swarm optimization. 2016 IEEE 3rd

International Symposium on Telecommunication Technologies, ISTT 2016, 103–107.

https://doi.org/10.1109/ISTT.2016.7918093

Bayrakdar, M. E., & Çalhan, A. (2018). Comparative performance evaluation of efficient

spectrum handoff methods in wireless cognitive networks. 26th IEEE Signal

Processing and Communications Applications Conference, SIU 2018, 1–4.

https://doi.org/10.1109/SIU.2018.8404573

Chakraborty, T., & Misra, I. S. (2015). Designing a real-time spectrum handoff algorithm

for VoIP based Cognitive Radio Networks. 2015 IEEE Radio and Antenna Days of the

Indian Ocean, RADIO 2015, 1–2. https://doi.org/10.1109/RADIO.2015.7323370

Das, A., Ghosh, S. C., Das, N., & Barman, A. Das. (2017). Q-Learning Based Co-

Operative Spectrum Mobility in Cognitive Radio Networks. Proceedings - Conference

on Local Computer Networks, LCN, 2017-Octob, 502–505.

https://doi.org/10.1109/LCN.2017.80

Harold Vásquez Suarez. (2017). Modelo de handoff espectral proactivo-predictivo que

permite reducir el nivel de interferencia en redes de radio cognitiva. Universidad

Distrital Francizco José De Caldas.

Hernández-Suárez, C. A., Pedraza-Martínez, L. F., & de la Colina, E. R. (2016). Fuzzy

feedback algorithm for the spectral handoff in cognitive radio networks. Revista

Facultad de Ingenieria, 2016(81), 47–62. https://doi.org/10.17533/udea.redin.n81a05

Hernández, C., & , Luis Fernando Pedraza Martínez, F. H. M. S. (2016). Algoritmos para

asignación de espectro en redes de radio cognitiva. Tecnura, 20(48), 69–88.

https://doi.org/10.14483/udistrital.jour.tecnura.2016.2.a05

Hernández, C., & Giral, D. A. (2015). Spectrum mobility analytical tool for cognitive

wireless networks. International Journal of Applied Engineering Research, 10(21),

42265–42274.

Hernández, C., Giral, D., & Santa, F. (2015). MCDM Spectrum Handover Models for

Cognitive Wireless Networks. International Journal of Electrical, Computer,

Energetic, Electronic and Communication Engineering, 9(10), 1143-1147 EM-

[email protected]. Retrieved from http://waset.org/publications/10002749 PU -

World Academy of Science, Engineering and Technology NX - International Science

Index 106, 2015

Hernández, C., Pedraza, L., Páez, I., & Rodriguez-Colina, E. (2015). Análisis de la

Movilidad Espectral en Redes de Radio Cognitiva. Informacion Tecnologica, 26(6),

169–186. https://doi.org/10.4067/S0718-07642015000600018

Hoque, S., Azmal, M., & Arif, W. (2017). Analysis of spectrum handoff under secondary

user mobility in cognitive radio networks. IEEE Region 10 Annual International

Conference, Proceedings/TENCON, 1122–1125.

https://doi.org/10.1109/TENCON.2016.7848183

Játiva, P. G. P. (2017). Análisis de cognitive radio en redes móviles. Universidad De Chile -

Ingeniería Eléctrica.

Javed, S., & Naeem, B. (2018). Reduction of ping-pong effect in cognitive radio spectrum

handoffs using fuzzy logic based inference. Proceedings - 2018 UKSim-AMSS 20th

International Conference on Modelling and Simulation, UKSim 2018, 9–13.

https://doi.org/10.1109/UKSim.2018.00014

Koushik, A. M., Hu, F., & Kumar, S. (2018). Intelligent Spectrum Management Based on

Transfer Actor-Critic Learning for Rateless Transmissions in Cognitive Radio

Networks. IEEE Transactions on Mobile Computing, 17(5), 1204–1215.

https://doi.org/10.1109/TMC.2017.2744620

Kyryk, M., & Yanyshyn, V. (2017). Proactive spectrum handoff performance evaluation

model for Cognitive Radio. 2016 3rd International Scientific-Practical Conference

Problems of Infocommunications Science and Technology, PIC S and T 2016 -

Proceedings, 18–20. https://doi.org/10.1109/INFOCOMMST.2016.7905323

Lala, N., Balkhi, A., & Mir, G. M. (2017). Spectrum Handoff in Cognitive Radio

Networks: A Survey. Oriental Journal of Computer Science and Technology, 10(04),

765–772. https://doi.org/10.13005/ojcst/10.04.10

López, D. A., Trujillo, E. R., & Gualdron, O. E. (2015). Elementos fundamentales que

componen la radio cognitiva y asignación de bandas espectrales. Informacion

Tecnologica, 26(1), 23–40. https://doi.org/10.4067/S0718-07642015000100004

López, R., & Montejo Sánchez, S. (2015). La Radio Cognitiva y su Impacto en el Uso

Eficiente del Espectro de Radio. Ingeniería Electrónica, Automática y

Comunicaciones, 36(1), 42–55. https://doi.org/10.1234/rielac.v36i1.268

Marino, F., Paura, L., & Savoia, R. (2016). On spectrum sensing optimal design in spatial-

temporal domain for cognitive radio networks. IEEE Transactions on Vehicular

Technology, 65(10), 8496–8510. https://doi.org/10.1109/TVT.2015.2505087

Romero, K. J. G. (2015). Modelo de decisión del espectro para radio cognitiva que integra

las pérdidas de propagación en la banda GSM del espectro radioeléctrico.

Universidad Distrital Francisco José De Caldas.

Salgado, C., Hernandez, C., Molina, V., & Beltran-Molina, F. A. (2016). Intelligent

Algorithm for Spectrum Mobility in Cognitive Wireless Networks. Procedia

Computer Science, 83(Ant), 278–283. https://doi.org/10.1016/j.procs.2016.04.126

Syed, T. S., & Safdar, G. A. (2017). History-Assisted Energy-Efficient Spectrum Sensing

for Infrastructure-Based Cognitive Radio Networks. IEEE Transactions on Vehicular

Technology, 66(3), 2462–2473. https://doi.org/10.1109/TVT.2016.2585763


http://waset.org/publications/10002749

valor óptimo de muestras pasadas para la toma de...

Documents