МАРКІВСЬКА МОДЕЛЬ ОПТИМІЗАЦІЇ РОЗПОДІЛУ СПЕКТРА У КОГНІТИВНИХ РАДІОМЕРЕЖАХ

Yurii Merkulenko; Mykola Savchenko

doi:10.26906/SUNZ.2026.2.237

Автор(и)

Yurii Merkulenko
Mykola Savchenko

DOI:

https://doi.org/10.26906/SUNZ.2026.2.237

Ключові слова:

когнітивна радіомережа, марківський процес прийняття рішень, стохастична модель, управління радіоресурсами, бездротові системи, канал зв’язку

Анотація

Актуальність. В сучасних бездротових телекомунікаційних системах стрімко зростають обсяги трафіку та виникає дефіцит радіочастотного спектра, особливо в діапазонах нижче 6 ГГц. Статичні моделі розподілу частотних ресурсів призводять до неефективного використання спектра. Вони не відповідають вимогам високодинамічних мереж 5G/6G та систем IoT. Когнітивні радіомережі забезпечують динамічний доступ вторинних користувачів до вільних частотних каналів. Проте ефективність такого доступу визначається коректністю, враховується стохастична поведінка первинних користувачів. Виникає необхідність розробки математично обґрунтованих моделей для оптимізації спектрального доступу, що базуються на основі ймовірнісних процесів. Об’єкт дослідження: процеси управління розподілом спектра у когнітивних радіомережах з випадковою появою та зникненням первинних користувачів. Мета статті: розробка та дослідження марковської моделі оптимізації спектрального доступу, що основана на процесі прийняття рішень Маркова (MDP). Вона забезпечує збільшення ефективності використання спектра при зменшенні інтерференції з первинними системами. Результати дослідження. У статті представлено формалізовану модель управління спектром у вигляді MDP. Модель враховує переходи між станами зайнятості каналів та багатоканальну структуру радіосередовища. Враховані також інтенсивності зміни станів, параметри SINR і характеристики радіоканалу. Оптимальна політика доступу визначається функцією винагороди, яка балансує між покращенням спектральної ефективності та зменшенням ризику конфлікту з первинним користувачем. Результати моделювання показали приріст ефективності використання спектра на 13–15% у порівнянні з базовими підходами. Зменшення частоти конфліктів не перевищує 1,8% та збільшення середньої пропускної здатності вторинного користувача на 15–25%. Отримані характеристики залишаються постійними у широкому діапазоні інтенсивностей появи та зникнення первинних користувачів, що свідчить про адаптивність моделі. Висновки. Продемонстровано, що використання марковських процесів прийняття рішень дозволяє досягти оптимального балансу між ефективністю використання спектра та інтерференцією в когнітивних радіомережах. Запропонована система перевершує статичну та жадібну стратегії доступу. При цьому покращена спектральна продуктивність та стабільність роботи у динамічному радіосередовищі. Сфера використання отриманих результатів: когнітивні радіомережі, системи динамічного доступу до спектра, бездротові мережі 5G/6G, інфраструктури IoT, завдання оптимізації радіоресурсів, інтелектуальні алгоритми управління спектром.

Завантажити

Дані для завантаження поки недоступні.

Посилання

1. Ian F. Akyildiz, Won-Yeol Lee, Mehmet C. Vuran, Shantidev Mohanty. NeXt generation/dynamic spectrum access/cognitive radio wireless networks: A survey. Computer Networks. 2006. Vol. 50, no. 13. P. 2127-2159. DOI: https://doi.org/10.1016/j.comnet.2006.05.001

2. Arjoune Y., Kaabouch N. A Comprehensive Survey on Spectrum Sensing in Cognitive Radio Networks: Recent Advances, New Challenges, and Future Research Directions. Sensors. 2019. Vol. 19, no. 1:126. DOI: https://doi.org/10.3390/s19010126

3. Li H., Wang F., Qian J., Zhu P., Zhou A. Partitioned RIS-Assisted Vehicular Secure Communication Based on Meta-Learning and Reinforcement Learning. Sensors. 2025. Vol. 25, no. 18:5874. DOI: https://doi.org/10.3390/s25185874

4. Das D., Das S. A Survey on Spectrum Occupancy Measurement for Cognitive Radio. Wireless Personal Communication. 2015. Vol. 85. P. 2581–2598. DOI: https://doi.org/10.1007/s11277-015-2921-1

5. Sumit Kumar Agrawal, Abhay Samant, Sandeep Kumar Yadav. Spectrum sensing in cognitive radio networks and metacognition for dynamic spectrum sharing between radar and communication system: A review. Physical Communication. 2022. Vol. 52:101673. DOI: https://doi.org/10.1016/j.phycom.2022.101673

6. Abdelbaset S. E., Kasem H. M., Khalaf A. A., Hussein A. H., Kabeel A. A. Deep Learning-Based Spectrum Sensing for Cognitive Radio Applications. Sensors. 2024. Vol.24, no. 24:7907. DOI: https://doi.org/10.3390/s24247907

7. Xu W., Zhang J., Su Z., Jia L. Explainable Multi-Frequency Long-Term Spectrum Prediction Based on GC-CNN-LSTM. Electronics. 2025. Vol. 14, no. 17:3530. DOI: https://doi.org/10.3390/electronics14173530

8. Safavinejad Ramin, Chang Hao-Hsuan, Liu Lingjia. Deep Reinforcement Learning for Dynamic Spectrum Access: Convergence Analysis and System Design. IEEE Transaction on Wireless Communications. 2024. Vol. 23, no. 12(2). P.18888-18902. DOI: https://doi.org/10.1109/TWC.2024.3414428

9. K. B. Letaief, W. Chen, Y. Shi, J. Zhang, Y. -J. A. Zhang. The Roadmap to 6G: AI Empowered Wireless Networks. IEEE Communications Magazine. 2019. Vol. 57, no. 8. P. 84-90. DOI: https://doi.org/10.1109/MCOM.2019.1900271

10. I. F. Akyildiz, A. Kak, S. Nie. 6G and Beyond: The Future of Wireless Communications Systems. IEEE Access. 2020. Vol. 8. P. 133995-134030. DOI: https://doi.org/10.1109/ACCESS.2020.3010896

11. Soares M. D., Passos D., Castellanos P. V. G. Cognitive Radio with Machine Learning to Increase Spectral Efficiency in Indoor Applications on the 2.5 GHz Band. Sensors. 2023. Vol. 23, no. 10:4914. DOI: https://doi.org/10.3390/s23104914