MODELO DE HANDOFF ESPECTRAL PROACTIVO-PREDICTIVO QUE PERMITE REDUCIR EL NIVEL DE INTERFERENCIA EN REDES DE RADIO

COGNITIVA

Autor

Ing. HAROLD VÁSQUEZ SUAREZ

Director de Tesis

Ing. CESAR AUGUSTO HERNANDEZ SUAREZ Esp. MSc. PhD.

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS MAESTRÍA EN CIENCIAS DE LA INFORMACIÓN Y LAS COMUNICACIONES

ÉNFASIS EN TELEINFORMÁTICA BOGOTÁ, COLOMBIA

ABRIL 2017

MODELO DE HANDOFF ESPECTRAL PROACTIVO-PREDICTIVO QUE

PERMITE REDUCIR EL NIVEL DE INTERFERENCIA EN REDES DE RADIO COGNITIVA

Ing. HAROLD VASQUEZ SUAREZ CÓDIGO: 20122195008

TESIS PARA OPTAR POR EL TITULO DE MAGISTER EN CIENCIAS DE LA INFORMACIÓN Y LAS COMUNICACIONES

DIRECTOR DE TESIS Ing. CESAR AUGUSTO HERNANDEZ SUAREZ Esp. MSc. PhD.

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS MAESTRÍA EN CIENCIAS DE LA INFORMACIÓN Y LAS COMUNICACIONES

ÉNFASIS EN TELEINFORMÁTICA BOGOTÁ, COLOMBIA

ABRIL DE 2017

RESUMEN Está demostrado a partir de varias investigaciones (FCC, 2003) (C.-J. Kim et al., 2010) que la asignación del espectro actualmente es ineficiente. Esto se constata en la saturación de algunas bandas debido a la cantidad de usuarios que ocupan un mismo espectro, como por ejemplo, las bandas de comunicación celular y en el bajo porcentaje de uso de otras como es el caso de las bandas de televisión digital. Para dar solución a este problema se propone un modelo de Acceso Dinámico al Espectro (DSA) que rompe el paradigma actual de asignación espectral, cambiando la teoría que indica que un usuario solo puede acceder y permanecer en el espectro asignado, por una más eficiente en términos de interferencia y saturación (degradación de la señal), el usuario puede movilizarse a cualquier parte del espectro si encuentra las condiciones para hacerlo; para lograr esto se propone la materialización de la Radico Cognitiva (CR). Sobre la bibliografía actual, en su mayoría se encuentran investigaciones que describen el Handoff de tipo REACTIVO que establece que el usuario reacciona saltando a otro canal aleatorio cuando se detecta la interferencia, o de tipo HÍBRIDO donde a diferencia del modelo anterior se ha hecho la selección de canal previa a la interferencia lo que supone una menor latencia. Son pocos los trabajos que describen un modelo de Handoff Espectral Proactivo como una solución al problema y aún menos las que proponen un modelo de Handoff espectral proactivo-predictivo que dicta que previamente a que exista la interferencia el usuario ya ha debido moverse a otro canal logrando un mayor desempeño a nivel de interferencia y de retardos. Para determinar si un modelo de Handoff proactivo–predictivo cumple con su objetivo de disminuir la interferencia con el usuario primario, esta investigación plantea cuatro algoritmos de predicción junto a otros cuatro de selección de canal, para determinar cuál modelo es el más eficiente. Dentro de los modelos de predicción basados en el comportamiento del usuario se usan los modelos de series de tiempo AR, MA y ARMA. Por otra parte, para la selección de canal y siendo un problema de múltiples variables como el ancho de banda, tiempo medio de disponibilidad entre otros, se definen algoritmos MADM o multi-criterio. Se seleccionaron los algoritmos SAW, TOPSIS, AHP y VIKOR. Los resultados muestran para todos los casos una reducción de interferencia del usuario secundario contra el primario de al menos un 5%, comparado con un modelo Handoff Reactivo Puro. El algoritmo que mejor desempeño muestra dentro de la simulación es TOPSIS-MA al reducir en menor porcentaje la interferencia con el usuario primario, sin embargo, el que menor error medio aritmético en predicción arrojo fue TOPSIS-AR.

INDICE DE CONTENIDO

RESUMEN ................................................................................................................ 5

INDICE DE CONTENIDO ......................................................................................... 7

1 INTRODUCCIÓN ............................................................................................ 13 1.1 Planteamiento del Problema .................................................................... 13 1.2 Justificación ............................................................................................. 14 1.3 Objetivos .................................................................................................. 15 1.4 Objetivo General ...................................................................................... 15 1.5 Objetivos Específicos: .............................................................................. 15 1.6 Alcance y Limitaciones ............................................................................ 16

2 MARCO TEÓRICO ......................................................................................... 17 2.1 Características de la Radio Cognitiva ...................................................... 17 2.2 Ciclo Cognitivo de la Radio Cognitiva ...................................................... 18 2.3 Handoff Espectral .................................................................................... 20

2.3.1 Causas de un Handoff Espectral .......................................................... 20 2.3.2 Tipos de Handoff Espectral .................................................................. 21 2.3.3 Criterios de Handoff espectral .............................................................. 22

2.4 Modelos de Decisión Handoff Espectral .................................................. 24 2.4.1 SAW (Simple Aditive Weighting) .......................................................... 24 2.4.2 TOPSIS (Technique for Order Preference by Similarity to Ideal Solution) .......................................................................................................... 25 2.4.3 MEW ..................................................................................................... 26 2.4.4 GRA (Grey Relational Analysis) ........................................................... 26 2.4.5 VIKOR .................................................................................................. 28 2.4.6 AHP (Analitycal Hiararchical Procces) ................................................. 30 2.4.7 ELECTRE (Elimination and Choice Translating Priority) ...................... 31 2.4.8 Procesos de Decision de Markov / WMC ............................................. 32 2.4.9 Lógica Difusa ........................................................................................ 32

2.5 Investigaciones Previas ........................................................................... 32 2.5.1 Modelos de Handoff Reactivos ............................................................ 32 2.5.2 Modelos de Handoff Proactivos ........................................................... 34 2.5.3 Modelos de Handoff Híbridos ............................................................... 34

2.6 Series de Tiempo: Modelos de Predicción .............................................. 37 2.6.1 Modelos Autorregresivos (AR) ................................................................. 37 2.6.2 Modelo de Media Móviles (MA): .............................................................. 38 2.6.3 Modelos Autorregresivos de Media Móvil (ARMA): ................................. 38 2.7 Modelos basados en patrones para CRNs. ............................................. 38

3 METODOLOGÍA Y DISEÑO ........................................................................... 39 3.1 Metodología ............................................................................................. 39 3.2 Diseño del Algoritmo ................................................................................ 40 3.3 Procesamiento de la Base de Datos ........................................................ 41 3.4 Selección de Canal y Predicción del Tiempo de Arribo del PU ............... 44 3.5 Selección de las Métricas de Desempeño ............................................... 45

3.5.1 Modelos de Predicción Basados en Series de Tiempo ........................ 46 3.6 Descripción del Simulador ....................................................................... 49 3.6.1 Entradas del Sistema ............................................................................... 50 3.6.2 Procesamiento: Ranking de canal y Tiempo de Arribo ............................ 51 3.6.3 Salidas del Sistema ................................................................................. 52 3.7 Validación del Sistema. ............................................................................ 54 3.8 Escenario de Pruebas .............................................................................. 54 3.9 Experimentación ...................................................................................... 56

4 RESULTADOS ................................................................................................ 57 4.1 SAW ......................................................................................................... 57 4.2 VIKOR ...................................................................................................... 62 4.3 TOPSIS .................................................................................................... 68 4.4 AHP .......................................................................................................... 73 4.5 Comparativa de Modelos ......................................................................... 79

5 CONCLUSIONES ........................................................................................... 87 5.1 Trabajo Futuro ......................................................................................... 87

REFERENCIAS BIBLIOGRAFICAS ...................................................................... 89

INDICE DE FIGURAS Figura 1 Ciclo cognitivo propuesto para la RC ....................................................... 18

Figura 2 Clasificación de las técnicas para detección del espectro ....................... 19

Figura 3 Diagrama de selección de la mejor red para Handoff en AHP ................ 30

Figura 4 Handoff reactivo ....................................................................................... 33

Figura 5 Modelo de priorización de tráfico ............................................................. 36

Figura 6 Diagrama de casos de uso para realizar Handoff proactivo-predictivo .... 40

Figura 7 Diagrama de flujo del algoritmo de selección y predicción ...................... 41

Figura 8 Diagrama gráfico en el tiempo de la ocupación de canal f1 = f2 ............. 43

Figura 9 Diagrama de secuencia canónico para los métodos de selección .......... 45

Figura 10 Diagrama de secuencia para la predicción de arribo del PU ................. 48

Figura 11 Diagrama de clases, basado en patrón de diseño método fábrica. ....... 49

Figura 12 Diagrama de flujo del simulador ............................................................. 53

Figura 13 Diagrama de Despliegue de la Solución ................................................ 55

Figura 14 Ancho de banda promedio - tráfico bajo – SAW .................................... 58

Figura 15 Ancho de banda promedio - tráfico alto - SAW ..................................... 58

Figura 16 Número de Handoff totales - tráfico bajo – SAW ................................... 59

Figura 17 Número de Handoff totales - tráfico alto - SAW ..................................... 59

Figura 18 Número de Handoff fallidos - tráfico bajo – SAW ................................... 60

Figura 19 Número de Handoff fallidos - tráfico bajo – SAW ................................... 61

Figura 20 Número de Handoff por interferencia - tráfico bajo – SAW .................... 61

Figura 21 Número de Handoff por interferencia - tráfico alto – SAW .................... 62

Figura 22 Ancho de banda utilizado - tráfico bajo – VIKOR ................................... 63

Figura 23 Ancho de banda utilizado - tráfico alto – VIKOR .................................... 64

Figura 24 Handoff totales - tráfico bajo – VIKOR ................................................... 65

Figura 25 Handoff totales - tráfico alto – VIKOR .................................................... 65

Figura 26 Handoff fallidos - tráfico bajo – VIKOR .................................................. 66

Figura 27 Handoff fallidos - tráfico alto – VIKOR ................................................... 67

Figura 28 Handoff por interferencia - tráfico bajo – VIKOR .................................... 67

Figura 29 Handoff por interferencia - tráfico alto – VIKOR ..................................... 68

Figura 30 Ancho de banda utilizado - tráfico alto – TOPSIS .................................. 69

Figura 31 Ancho de banda utilizado - tráfico bajo – TOPSIS ................................. 69

Figura 32 Handoff totales - tráfico bajo – TOPSIS ................................................. 70

Figura 33 Handoff totales - tráfico alto – TOPSIS .................................................. 71

Figura 34 Handoff fallidos - tráfico bajo – TOPSIS ................................................ 71

Figura 35 Handoff fallidos - tráfico alto – TOPSIS ................................................. 72

Figura 36 Handoff por interferencia - tráfico bajo – TOPSIS .................................. 73

Figura 37 Handoff por interferencia – tráfico alto – TOPSIS .................................. 73

Figura 38 Ancho de banda utilizado - tráfico alto – AHP ........................................ 74

Figura 39 Ancho de banda utilizado - tráfico bajo – AHP ....................................... 75

Figura 40 Handoff totales - tráfico bajo – AHP ....................................................... 75

Figura 41 Handoff totales - tráfico alto – AHP ........................................................ 76

Figura 42 Handoff fallidos - tráfico bajo –AHP ....................................................... 77

Figura 43 Handoff fallidos - tráfico alto – AHP ....................................................... 77

Figura 44 Handoff por interferencia - tráfico bajo – AHP ....................................... 78

Figura 45 Handoff por interferencia – tráfico alto – AHP ........................................ 78

INDICE DE TABLAS

Tabla 1. Clase que almacena la información de cada predicción ......................... 47

Tabla 2. Variables estáticas dentro del algoritmo .................................................. 50

Tabla 3 Descripción de los componentes base para la simulación ........................ 55

Tabla 4 Escenarios donde se aplica el algoritmo desarrollado .............................. 56

Tabla 5 Error medio de predicción frente a la muestra original – SAW ................. 57

Tabla 6 Ancho de banda promedio - SAW ............................................................. 57

Tabla 7 Número total de Handoff –SAW ................................................................ 59

Tabla 8 Número de Handoff fallidos - SAW ........................................................... 60

Tabla 9 Número de Handoff por interferencia SAW ............................................... 61

Tabla 10 Error medio de predicción frente a la muestra original - VIKOR ............. 62

Tabla 11 Ancho de banda promedio VIKOR .......................................................... 63

Tabla 12 Número total de Handoff -VIKOR ............................................................ 64

Tabla 13 Número de Handoff fallidos VIKOR ......................................................... 66

Tabla 14 Número de Handoff por interferencia VIKOR .......................................... 67

Tabla 15 Error medio de predicción frente a la muestra original TOPSIS ............. 68

Tabla 16 Ancho de banda promedio utilizado TOSIS ............................................ 68

Tabla 17 Número total de Handoff realizados TOPSIS .......................................... 70

Tabla 18 Handoff Fallidos TOPSIS ........................................................................ 71

Tabla 19 Número de Handoff por interferencia TOPSIS ........................................ 72

Tabla 20 Error medio de predicción frente a la muestra original AHP ................... 73

Tabla 21 Ancho de banda promedio utilizado AHP ................................................ 74

Tabla 22 Número total de Handoff realizados AHP ............................................... 75

Tabla 23 Handoff fallidos AHP ............................................................................... 76

Tabla 24 Número de Handoff por interferencia AHP .............................................. 77

Tabla 25. Resultados del ancho de banda obtenido en tráfico alto. ...................... 79

Tabla 26. Resultados del ancho de banda obtenido en tráfico bajo. ..................... 79

Tabla 27. Resultados del número total de Handoff obtenido en tráfico alto. .......... 80

Tabla 28. Resultados del número total de Handoff obtenido en tráfico bajo. ......... 80

Tabla 29. Número total de Handoff fallidos obtenidos en tráfico Alto .................... 81

Tabla 30. Número total de Handoff fallidos obtenidos en tráfico bajo. ................... 81

Tabla 31. Número total de Handoff por interferencia en tráfico alto. ...................... 81

Tabla 32. Número total de Handoff por interferencia en tráfico bajo. ..................... 82

Tabla 33. Evaluación comparativa general de los algoritmos ................................ 85

13

1 INTRODUCCIÓN

Las redes inalámbricas han tenido un crecimiento exponencial durante la última década debido a tres aspectos fundamentales: el aumento de la capacidad (ancho de banda) de las comunicaciones inalámbricas, la diversidad de aplicaciones inalámbricas desarrolladas y la capacidad de cualquier dispositivo de establecer una comunicación inalámbrica (Grigoris Gkionis, 2017). Pero con este gran crecimiento también surgen nuevos retos que son necesarios considerar para las personas que trabajan en el campo de las redes, como lo es la saturación que se presenta en el espectro radioeléctrico debido a estos nuevos dispositivos y como evitar que se presente degradación del servicio por interferencia cómo la asignación dinámica del espectro (DSA) (Liang, 2011). El espectro radioeléctrico es un bien que cada país tiene regulado ya que es un recurso limitado y el cual está dictado por estándares internacionales (Grigoris Gkionis, 2017). La asignación del espectro se divide en dos grupos principalmente: las bandas de frecuencia licenciadas y las bandas de frecuencia libre. Cuando un rango de frecuencias (bandas) es administrado por una entidad, se afirma que el espectro es licenciado, por tanto, los usuarios que acceden a ésta son licenciados también, un ejemplo son las entidades prestadoras de servicios móviles celulares; los usuarios licenciados serían todos los que se conectan a esta red, también denominados usuarios primarios (PU) (Mangold, 2004) en radio cognitiva. Por otro lado, están las frecuencias libres en las cuales no hay una entidad que administre el acceso a la red como las redes Wi-Fi y Bluethoot. Cuando un usuario no licenciado accede a una banda de frecuencia licenciada se le denomina usuario secundario (SU) (Haykin, 2005). 1.1 Planteamiento del Problema Actualmente las políticas de acceso (banda licenciada y banda libre) al espectro radioeléctrico son fijas. Varios estudios a lo largo de la última década (FCC, 2003) han revelado que la utilización de las frecuencias licenciadas se encuentra entre 15% y un 85%, evidenciando la subutilización de este importante recurso. En el caso de las redes celulares las bandas de frecuencia asignadas se encuentran sumamente saturadas, mientras otras tienen muy poca ocupación como las asignadas a la TV digital (al., 2010). Lo anterior, evidencia un uso ineficiente del espectro, lo que sugiere que se debe cambiar la forma como se asigna el espectro. Las redes de siguiente generación proponen un Acceso Dinámico al Espectro (DSA) (Ian F. Akyildiz W.-Y. L., 2006), lo cual presenta una forma novedosa de aprovechar

14

eficientemente el espectro, fundamentado en la transmisión y recepción oportuna de los SU sobre las bandas licenciadas sin que los PU se vean afectados de alguna manera. La tecnología que permite realizar el DSA es la Radio Cognitiva (CR). La CR permitiré a través de su ciclo cognitivo interactuar con el entorno para identificas oportunidades espectrales para realizar la transmisión de los SU, éste concepto permite según (Chowdhury, Song, & Pang, 2017) (Luís, Oliveira, Dinis, & Bernardo, RF-Spectrum Opportunities for Cognitive Radio Networks operating over GSM Channels, 2017), incluso llegar a realizar eficiente los espectros actuales de más alta utilización como los son GSM y Wi-Fi. Uno de los problemas que presenta mayores desafíos en la CR, es la selección de canal en el ciclo cognitivo y cuando realizar el salto espectral para no interferir con el PU (Mangold, 2004). Para abordar el tema, se han enmarcado cuatro técnicas de Handoff: No Handoff, Reactivo Puro, Proactivo Puro e Hibrido. De las investigaciones realizadas en estos cuatro campos, la que menor número de soluciones ha planteado es el Handoff Proactivo Puro, ya que presenta un gran número de desafíos pues es el único de las técnicas que ataca los dos temas referentes al Handoff Espectral: cuando y donde hacer el Handoff. De acuerdo a las problemáticas expuestas anteriormente, la siguiente investigación plantea la siguiente problemática, ¿Cómo desarrollar un modelo de Handoff espectral que permita disminuir el nivel de interferencia entre el Usuario Primario y el Usuario Secundario en redes de Radio Cognitiva? Para resolver el problema expuesto, la hipótesis propuesta es aplicar un modelo de Handoff proactivo–predictivo, basados en series de tiempo para pronosticar el comportamiento del PU junto a métodos de selección Multivariables para determinar el canal de mejores prestaciones para realizar la transmisión. 1.2 Justificación La CR es una tecnología que se perfila a remplazar la forma en que las comunicaciones inalámbricas interactúan actualmente, ya que rompe con el paradigma donde un solo un usuario licenciado puede acceder a la porción del espectro asignada. Esta teoría ha tomado tanta fuerza que se están liberando los primeros estándares como el 802.22 que permite de manera regulada acceder a las bandas 54 y 862 MHz por parte de los SU para establecer comunicaciones en lugares remotos; por tanto cualquier aporte que se haga a este estándar es un tema de investigación que está en la frontera del conocimiento.

15

A pesar de las investigaciones en CR, uno de los categorías que menos tiene aportes es la movilidad espectral, por tanto al desarrollar esta propuesta de investigación en este campo abrirá aún más la brecha del conocimiento y dará una perspectiva de cómo abordar un modelo de Handoff. Pocos de los modelos de Handoff propuestos hasta ahora contienen algoritmos que abarquen los dos aspectos que propone el aparte de movilidad del espectro en CR: espacio temporal y espectral, el enfoque de esta propuesta de investigación abarca estas dos variables lo cual permitirá tener un escenario más real en cuanto a la solución se refiere. Siendo el objetivo de la CR aprovechar las oportunidades espectrales y no presentar interferencia con el PU mientras exista la transmisión, está investigación se centra en el modelo Proactivo Puro, ya que es la única técnica de los modelos de Handoff establecidos en hacer predicción del PU. No existe dentro de las investigaciones un modelo que utilice datos reales en Latinoamérica, siendo este documento de relevancia para comprender como es el comportamiento de un algoritmo de Handoff para Radio Cognitiva en ambientes reales, y cómo este se desenvuelve en diferentes tipos de tráfico. 1.3 Objetivos 1.4 Objetivo General Desarrollar un modelo de Handoff espectral proactivo-predictivo que permita reducir el nivel de interferencia en redes de radio cognitiva 1.5 Objetivos Específicos:

Ø Determinar los criterios de interés y métricas de desempeño para el modelo de

Handoff espectral proactivo-predictivo.

Ø Diseñar e implementar el algoritmo de Handoff espectral proactivo-predictivo para redes de Radio Cognitiva.

Ø Evaluar y validar el modelo desarrollado a través de datos de ocupación espectral reales, frente a un modelo Handoff Reactivo Puro.

16

1.6 Alcance y Limitaciones Se desarrollará un algoritmo capaz de reducir la interferencia entre el PU y SU en CR, a través de un modelo de Handoff Proactivo Puro con datos de ocupación espectral reales. Las limitaciones específicas del problema de investigación son: • La caracterización de los SU no será tenida en cuenta para el modelo de

pronóstico de ocupación espectral • La asignación de canal del modelo de Handoff no utilizará detección de

Subportadoras • No se establece ningún canal de comunicación entre SU diferente al

realizado a través de la estación central • El aparte de movilidad espectral solo define lo relacionado con la selección

de canal y el instante de tiempo cuando se deba hacer un salto espectral • No se realiza evaluación del algoritmo desde el punto de vista de Hardware.

17

2 MARCO TEÓRICO La Radio Cognitiva (Ian F. Akyildiz W.-Y. L., 2006) es una técnica que da la capacidad a un SU (también conocido como usuario secundario de CR) de usar o compartir el espectro de manera oportunista a partir de la coexistencia con los PU (José Marinho, 2011), cambiando los parámetros de transmisión, permitiéndole operar en el mejor canal disponible a partir del comportamiento del entorno. La CR debe determinar que segmentos del espectro no tienen PUs (detección del espectro), seleccionar el mejor canal disponible de acuerdo a los requerimientos de transmisión (decisión del espectro), compartir el espectro con otros SUs y PUs (compartición del espectro), y moverse a otro canal si el actual es requerido por algún PU, sin que se afecte la comunicación actual (movilidad del espectro). 2.1 Características de la Radio Cognitiva El concepto de CR tiene como idea principal poder cambiar de manera flexible los servicios radioeléctricos de los dispositivos inalámbricos de acuerdo al entorno en el que este interactuando, y de esta manera encontrar el mejor canal disponible para realizar la transmisión. Esto se logra a través de las dos características principales de la CR: la capacidad Cognitiva y la reconfiguración (Ian F. Akyildiz W.-Y. L., 2006). Capacidad Cognitiva: Se refiere a la capacidad de detectar la información de radio de su entorno, como la potencia media en que se está transmitiendo en un contexto espacio-temporal determinado, el nivel de interferencia con otros usuarios, y los espacios con ausencia de señales de transmisión (también conocidos como oportunidades espectrales, huecos espectrales o espacios blancos) esto con la finalidad de seleccionar el mejor canal disponible (Ian F. Akyildiz W.-Y. L., 2006) (Ian F. Akyildiz W.-Y. L., 2009) Capacidad de Reconfiguración: Se refiere a la capacidad para cambiar los parámetros de transmisión dinámicamente de acuerdo a la detección que se haya realizado por la Capacidad Cognitiva (Ian F. Akyildiz W.-Y. L., 2009). Actualmente el Radio Definido por Software (SDR) es la principal tecnología que proporciona esta capacidad. Dentro de los parámetros de transmisión que se pueden cambiar dinámicamente están: la frecuencia de operación, el sistema de codificación y modulación, la potencia de transmisión, el ancho de banda y la tecnología de comunicación.

18

2.2 Ciclo Cognitivo de la Radio Cognitiva El funcionamiento de la CR se puede describir a través un diagrama de interacción que es conocido como ciclo cognitivo (ver Figura 1). Las cuatro principales funciones que intervienen dentro del ciclo cognitivo (C.-J. Kim et al., 2010) de la CR son: detección de espectro, decisión de espectro, compartición de espectro y movilidad de espectro. Aunque la CR afecta a todas las capas de transmisión, básicamente el ciclo cognitivo se desarrolla en la capa física y de acceso al medio (MAC) (José Marinho, 2011). Todo este ciclo se realiza de manera continua a la espera de algún cambio en el entorno que obligue a modificar la decisión del espectro hecha con anterioridad.

Figura 1 Ciclo cognitivo propuesto para la RC, tomada de (Ian F. Akyildiz W.-Y. L., 2006)

Detección del Espectro La detección del espectro (Wenjie Zhang, 2014) se encarga de encontrar los huecos espectrales para poder realizar la transmisión de un SU. Para lograr esto se debe monitorear de manera constante el ambiente y determinar cuándo un PU o SU esté utilizando el canal. Actualmente existen varias técnicas para monitorizar el espectro, las cuales se clasifican como se muestra en la Figura 2, siendo la detección de energía la más básica de ellas.

19

Figura 2 Clasificación de las técnicas para detección del espectro, tomada de (Ian F.

Akyildiz W.-Y. L., 2006)

Decisión de Espectro Determina cual es el mejor canal para realizar la transmisión a partir de dos procesos (Ian F. Akyildiz W.-Y. L., 2006): Análisis del espectro y decisión del espectro; la primera determina los niveles de los parámetros necesarios para que haya una transmisión exitosa como la interferencia, perdida de ruta, retardo de transmisión, entre otros. La segunda evalúa las condiciones establecidas anteriormente y dependiendo de la Calidad de Servicio (QoS) requerida por la aplicación, seleccionará el mejor canal disponible para realizar la transmisión. Otro enfoque para realizar la decisión del espectro se puede basar en 3 perspectivas: (1) aprender basado en la experiencia pasada y predecir parámetros de interés, (2) modelar el tráfico de los PU, y por último, (3) proponer un modelo cognitivo basado en predicciones (Wenjie Zhang, 2014). Compartiendo el Espectro Acceder al espectro es uno de los temas que más retos propone en las redes de Siguiente Generación (NGN) (Berezdivin, Breinig, & Topp, 2002), debido a que se pueden presentar colisiones al acceder a la red en cualquier momento y con cualquier tipo de usuario (primario o secundario). Para abordar este tema se han contemplado tres clasificaciones: (1) de acuerdo a la arquitectura puede ser centralizada o distribuida, (2) de acuerdo al comportamiento del acceso al medio puede ser cooperativo o no cooperativo, y (3) de acuerdo a la forma en que se accede al medio, puede ser por superposición o subyacente al PU. (Ian F. Akyildiz W.-Y. L., 2009). Movilidad del espectro La movilidad espectral (DUAN & LI, 2011) se da cuando es necesario cambiar el canal de frecuencia actual por uno nuevo debido a que un PU requiere dicho canal, este procedimiento también se conoce como Handoff del espectro.

20

Uno de los principales problemas que se presenta durante la movilidad espectral es el tiempo que pueda tomar encontrar un nuevo canal disponible y establecer todo el protocolo requerido. Esto incide directamente en el nivel de latencia, que dependiendo del tipo de aplicación que se esté transmitiendo puede resultar tolerable o no (Ian F. Akyildiz W.-Y. L., 2006). 2.3 Handoff Espectral El Handoff en CR es el tema central de la movilidad de espectro. Existen dos variables importantes para determinar el comportamiento y éxito del Handoff espectral: espacio y tiempo (Debasis Das, 2013). El espacio es la oportunidad espectral donde se continuará con la transmisión del SU, su selección depende de las funciones de detección y decisión de espectro. El tiempo es el instante en el cual se debe realizar el cambio de canal requerido, su determinación depende del tipo de estrategia de Handoff espectral que se esté utilizando. (Ivan Christian, 2012). Existen fundamentalmente dos tipos de estrategias Handoff: reactiva y proactiva, sin embargo, más adelante se mencionarán otras dos. En la estrategia de Handoff reactiva (Goyal & Singh, 2017) la detección de espectro se realiza solo en el momento que es percibido un PU, y posteriormente se realiza el cambio de canal, pero, aunque este proceso se realice rápidamente existirá interferencia temporal con el PU. La ventaja que presenta la estrategia reactiva es que el proceso únicamente se realizará cuando sea necesario (detección del PU), lo que presenta una eficiencia en el manejo de los recursos. En la estrategia de Handoff proactiva (Debasis Das, 2013) la detección de espectro se realiza antes y/o durante la transmisión del SU y se predice la llegada del PU, por tanto, no existirá interferencia temporal con el PU debido a que el cambio de canal se realizará con anterioridad, rápidamente ya que desde el inicio se tiene seleccionado el nuevo canal de frecuencia. La desventaja de la estrategia de Handoff proactiva es la necesidad de contar con algoritmos sofisticados y la importancia de la precisión en la predicción del comportamiento del PU (José Marinho, 2011). 2.3.1 Causas de un Handoff Espectral Se pueden describir tres causas principales que provocan un Handoff espectral por parte de un SU (Ivan Christian, 2012): • El arribo de un PU al canal que está utilizando un SU. • La ocupación del nuevo canal seleccionado. • La degradación de los parámetros de servicio de la transmisión en el canal

actual.

21

2.3.2 Tipos de Handoff Espectral La clasificación del Handoff en la CR se divide en cuatro tipos de estrategias: No Handoff, Handoff reactivo puro, Handoff proactivo puro e Handoff hibrido. No Handoff El usuario secundario varía sus parámetros de transmisión (energía), para ser tomado como ruido mientras dura la transmisión del PU (Ivan Christian, 2012), al momento que el canal es liberado retoma la transmisión. Este tipo de Handoff genera latencia considerable si el PU está activo durante un tiempo extendido, por otro lado el modelo podría fallar en aplicaciones que requieran QoS pero sería útil si la transmisión del PU fuese corta y de poca utilización del canal. Reactivo puro El ciclo cognitivo se realiza únicamente cuando un PU arriba al canal que está siendo ocupado por el SU (Ivan Christian, 2012) (Goyal & Singh, 2017). Este modelo enmarca dos procesos que ocurren cuando el evento de arribo del PU se genera, el SU detecta el espectro de manera inmediata y realiza el salto espectral permitiendo trasladar la comunicación a otro canal desocupado disminuyendo la latencia en comparación al modelo de No Handoff, pero de igual forma puede ser considerable tomando en cuenta el tiempo que transcurre mientras el sistema detecta y se decide por otro canal. En cuanto al comportamiento del PU es aplicado para cualquiera y no es necesario caracterizarlo. Proactivo puro Antes de que arribe el PU ya se ha hecho el ciclo cognitivo, realizando el proceso de Handoff antes que se presente alguna interferencia. Este modelo es logrado a través de dos procesos: detección, que selecciona un canal de contingencia para realizar el salto espectral antes que el PU arribe, y Handoff, que realiza el salto espectral evitando interferencia con PU (Debasis Das, 2013). Para lograr esto se debe caracterizar el comportamiento del PU para evacuar el canal antes que se presente interferencia. Las ventajas de este modelo son numerosas, baja latencia ya que se realiza el salto espectral antes que ocurra cualquier interferencia lo que introduce retardo solo por el cambio de canal, disminución del número de saltos espectrales ya que hay una estrategia de Handoff definida (Ivan Christian, 2012). Las desventajas que muestra son los altos requerimientos computacionales debido a las variables que utiliza como modelar el comportamiento del PU, y el vencimiento del canal de contingencia, si ya se hizo una selección de canal para realizar el salto espectral este puede ya haber sido ocupado por un PU o SU, esto es conocido como expiración del canal seleccionado.

22

Hibrido Integra las dos estrategias de Handoff mencionadas anteriormente, la selección de canal la realiza de manera proactiva lo que permite tener un canal de contingencia ya seleccionado (Ivan Christian, 2012); y de manera reactiva el salto espectral, manteniendo la transmisión hasta el momento en que arriba el PU. Las ventajas que presenta este modelo son la disminución de los saltos espectrales innecesarios, al igual que la complejidad computacional y baja latencia. Las desventajas son expiración del canal seleccionado y la interferencia relativa con el PU. 2.3.3 Criterios de Handoff espectral Para poder evaluar el desempeño de los algoritmos de Handoff espectral propuestos se hace necesario establecer criterios o métricas que permitan a la vez realizar un análisis comparativo con otras propuestas. Los autores en (Ivan Christian, 2012) establecen los siguientes criterios de evaluación: Latencia, Número de Handoffs, efectividad en la velocidad de transmisión, y probabilidad de mantener el enlace, sin embargo, el número de criterios es mucho más alto. Algunos enfoques que se desarrollan no podrían aplicar todas las métricas, por ejemplo, si el enfoque prefiere esperar que el PU se vaya para transmitir (estrategia No Handoff) no aplicará el criterio Número de Handoff ya que jamás realizará alguno. A continuación, se describen los criterios de evaluación más relevantes en el Handoff espectral. Interferencia/potencia La interferencia es uno de los criterios de evaluación más utilizados a la hora de realizar la selección de canal durante el Handoff espectral (Elias Z. Tragos, 2013). Varios autores tienen diferentes enfoques para considerar la interferencia. Algunos consideran que es un problema que compete únicamente a la colisión generada por los PU, otros afirman que la verdadera interferencia es la generada entre los mismos SU, y por último algunos consideran que es necesario tener en cuenta los dos enfoques. Retardo El retardo es una métrica que se puede calcular a partir de dos puntos de vista: retardo end-to-end y retardo por switching (Atiq Ahmed, 2013). El primero hace referencia al tiempo que le toma a un paquete viajar desde su punto de origen hasta su destinatario final. El segundo, únicamente toma en cuenta el tiempo que toma realizar el cambio de canal (switching).

23

Numero de Handoff La cantidad de saltos espectrales (Atiq Ahmed, 2013) o número de Handoff es una métrica que es fácil de aplicar para evaluar la eficiencia de los algoritmos, ya que por cada Handoff se introduce un retardo, si un método utiliza un menor número de Handoff será un buen punto de partida. Número innecesarios de Handoff Realizar saltos espectrales, no solamente introduce retardo a la comunicación entre dos nodos cognitivos, sino que también provoca que haya un consumo de recursos que puedan tener efectos en la funcionalidad de la red. Por ejemplo, el efecto ping-pong es uno de los temas que más consume y provoca inestabilidad en las redes inalámbricas actuales, por tanto, es considerado como un criterio de evaluación del Handoff espectral. (Atiq Ahmed, 2013) Probabilidad de fallo en el Handoff La probabilidad que el Handoff no ocurra, ya sea porque la velocidad del dispositivo cognitivo es muy alta y no se alcanza a procesar la petición, o porque el recurso espectral no está disponible, genera latencia extra en la comunicación. Debido a lo anterior, la probabilidad de fallo en el Handoff espectral también es un criterio de evaluación del Handoff. (Atiq Ahmed, 2013) Ancho de banda La CR debe tener la capacidad de poder expandir el ancho de banda si la QoS lo necesita, así que la selección de canal debe tener como criterio si se puede adaptar a los requerimientos de un servicio, esto implica que debe se debe tener varios canales a diferentes frecuencias. (Moshe Timothy Masonta, 2013) Eficiencia espectral La correcta utilización del espectro, es un aspecto fundamental en la CR, por tanto, maximizar el uso del espacio radioeléctrico entre los SUs y PUs es un criterio de evaluación aplicado por varios autores. Los autores en (X. Li, 2009) maximizan la eficiencia espectral, utilizando una modulación por Amplitud de Cuadratura M-aria, cuyo problema de maximización se describe por la Ecuación 1.

!"#1% &'() *(,)

.

,/0

Ecuación 1. Maximización de la eficiencia espectral para modulación QAM

Donde L es el número par de posibles canales disponibles para cada nodo cognitivo y M los posibles número de símbolos en cada constelación, el autor convierte un problema de maximización de recursos por uno de maximización de potencia, pues cada uno de los actores debe transmitir a la potencia máxima permitida. Esto

24

impacta considerablemente otros aspectos como la interferencia entre vecinos y la utilización de la energía debido a que la duración de la batería de los dispositivos decaerá. Equidad La maximización del espectro radioeléctrico puede generar que el recurso no sea equitativo entre SUs; este inconveniente se vuelve más notorio si no hay cooperación entre los usuarios. Para dar solución a esto se establece que debe existir una red centralizada junto a un modelo de priorización de acuerdo al tipo de servicio requerido por el SU (T. Zhang, 2009) (Elias Z. Tragos, 2013). 2.4 Modelos de Decisión Handoff Espectral Los modelos de Handoff espectral suelen tener múltiples variables para realizar la selección de canal, por tanto, los métodos MADM son ampliamente utilizados en este tipo de problemas donde la relación entre atributos y criterios de selección son ponderados por pesos que ajusta el diseñador de acuerdo a sus requerimientos, que al final de ciertas iteraciones darán la mejor solución concebida por el algoritmo.

2.4.1 SAW (Simple Aditive Weighting) A través de una matriz de decisión donde se relacionan los parámetros atributos M y alternativas N, para cada intersección se asigna un peso w según criterio del diseñador. Esto arroja un ponderado para cada una de las redes que se esté evaluando conocido como el Ranking, la alternativa que tenga mayor puntaje será la solución a aplicar (Ramírez Perez & Ramos Ramos, 2010). La alternativa Ai está dada por (Ramos-R., 2013) en la Ecuación 2:

12 = 4,52,,7,/0 ∀9 ∈ 1,… ,=

Ecuación 2. Calculo de las alternativas para SAW

donde la 52,, pertenecen a la matriz X acorde al i-ésima alternativa y a la j-ésima y donde los pesos satisfacen la sumatoria igual a uno.

Los pasos para llevar a cabo el método son (Hübner, 2007):

a. Identificar los objetivos y las alternativas. b. Evaluar las alternativas. c. Determinar los pesos de los sub-objetivos d. Agregación aditiva de valores de preferencia parciales ponderados

25

e. Análisis de sensibilidad.

2.4.2 TOPSIS (Technique for Order Preference by Similarity to Ideal Solution)

El desarrollo de este algoritmo se basa en determinar dos componentes, la solución ideal del sistema y la solución que por ningún caso se aceptaría. Al tener estos estándares se realiza la comparación de los resultados obtenidos para determinar qué solución esté más cerca posible a la ideal y los alejada a la que no se aceptaría (Ramírez Perez & Ramos Ramos, 2010). Esta métrica es obtenida a partir de la distancia Euclidiana entre el criterio y los pesos, para esto se definen los siguientes pasos (Ramos-R., 2013):

1. Normalizar la Matriz de decisión X usando el método de normalización de raíz cuadrada, donde Xij es el valor del j-ésimo alternativa e es el i-ésimo criterio.

2. Construir la matriz de decisión con los pesos normalizados X dada por la Ecuación 3

> =#00 ⋯ #07⋮ ⋱ ⋮#B0 ⋯ #B7

= 40#00 ⋯ 47#07⋮ ⋱ ⋮

40#B0 ⋯ 47#B7

Ecuación 3. Matriz canonizada de Decisión para los criterios y los pesos

donde wi es el peso asignado a al criterio i-th verificando que la suma de los pesos sea igual a uno.

3. La solución ideal CD (Ecuación 4) y la que por ningún caso se aceptaría (Ecuación 5) CEson descritas como:

CD = !"# #2, F ∈ >D , !9G #2, F ∈ >E = #0D, … , #7D ,

Ecuación 4. Selección de la solución ideal (CD)

CE = !9G #2, F ∈ >D , !"# #2, F ∈ >E = #0E, … , #7E ,

Ecuación 5. Selección de la solución la que por ningún caso se aceptaría (CE)

donde i = 1,…N y X+ y X- son el conjunto de beneficios y costos, respectivamente

26

4. Para cada alternativa N, se calcula la distancia Euclidiana D (Ecuación 6 y Ecuación 7), y M el número de criterios

H2D = #2, − #,D)

7

,/0

,9 = 1,… ,=,

Ecuación 6. Distancia Euclidiana H2Dpara la Mejor Opción.

H2E = #2, − #,E)

7

,/0

,9 = 1,… ,=,

Ecuación 7. Distancia Euclidiana H2Epara la Opción que nunca se aceptaría.

5. Por último, las alternativas son ordenadas de manera descendente de acuerdo al índice de preferencia J2Ddado por la Ecuación 8:

J2D =H2E

H2D + H2E,9 = 1,… ,=.

Ecuación 8. Calculo de la mejor alternativa de acuerdo al índice de selección. 2.4.3 MEW Es otro de los métodos para resolver problemas con varios atributos, para este al igual que SAW se tienen M números que representan la ganancia de los criterios, y por otra parte están N números que son las alternativas. El puntaje de cada una de estas es calculado por la Ecuación 9:

M2 = #2,NO

,∈B

Ecuación 9. Cálculo de puntaje para cada una de las alternativas.

Donde Xij es el valor del j-ésimo atributo y i-ésimo criterio, y wj es el peso que se ha asignado a cada uno de los atributos. El valor de wj tiene rangos positivos y negativos, para el primero significa que es un beneficio para la matriz, por el contrario, cuando el peso es negativo representa un factor de costo. De acuerdo a los resultados se realiza una clasificación donde se selecciona la red de mayor puntaje, y las de menor serán las de última opción (H.A.Vine1, 2010). 2.4.4 GRA (Grey Relational Analysis) El Objetivo de este algoritmo es establecer las redes candidatas y seleccionar las

27

que tengan más alta puntuación de acuerdo a unos parámetros definidos. Para lograr esto se establecen relaciones de Grey entre elementos de dos series, la primera serie contiene las mejores cualidades mientras que la otra contiene entidades comparativas, siendo parte importante el coeficiente de Grey que se usa para describir las relaciones entre las series calculado a partir del nivel de similitud y variabilidad (Ramírez Perez & Ramos Ramos, 2010). Al igual que los demás algoritmos M representa los criterios y N las alternativas. El método GRA tiene los siguientes pasos (R., 2012):

1. Generar el vector de referencia Xo, de la matriz X, a través de la escogencia de los valores mínimos para los costos y los valores máximos para los criterios de beneficios. Las filas que representan los criterios de las alternativas están representadas por #,.

2. La secuencia de datos debe ser normalizada para X de acuerdo a tres situaciones: largo el mejor, pequeño el mejor o nominal el mejor.

3. Calcular el coeficiente P relacional de grey mostrado en la Ecuación 10:

P #Q 9 , #, 9 =∆S2T + U∆SVW∆Q,, 9 + U∆SVW

,

Ecuación 10. Coeficiente Relacional de Grey donde se utiliza la Ecuación 11 para hallar los coeficientes y la Ecuación 12 y Ecuación 13 para la Minimización y Maximización respectivamente

∆Q,,= #Q 9 − #, 9

Ecuación 11. Función para hallar los coeficientes

∆S2T= !9G

,∈B!9G2∈7

#Q 9 − #, 9

Ecuación 12. Función de Minimización para los coeficientes

∆SVW= !"#

,∈B!"#2∈7

#Q 9 − #, 9

Ecuación 13. Función de Maximización para los coeficientes.

28

donde el coeficiente U pertenece [0,1] compensa el efecto de ∆max, donde este generalmente es colocado como 0.5.

4. Se calcula el grado relacional de grey (Ecuación 14) para cada uno de las diferentes series de datos. X(#Y, #2) representa el grado relacional de Grey para las j-ésimas alternativas.

X #Q, #, = 42P #Q 9 , #, 97

2/0

Ecuación 14. Calculo del grado relacional del Grey. El peso de la importancia para los i-ésimos criterios es wi.

2.4.5 VIKOR El método de clasificación de compromiso (VIKOR) asume que cada alternativa N es evaluada de acuerdo a cada función de criterio M, la clasificación de compromiso puede ser desarrollada a través de la comparación de las medidas que estén más cercanas a la alternativa ideal (Tetsuzo Tanino, 2003). El método VIKOR sigue los siguientes pasos (E. Stevens-Navarro & Pineda-Rico, 2012):

1. Para cada parámetro j = 1,2,3,…, N, determinar el mejor (Ecuación 15) y peor valor (Ecuación 16) dado por:

Z,D = !"#2∈7

#2, F ∈ =[ , !9G2∈7

#2, F ∈ =\ ,

Ecuación 15. Cálculo del mejor Z,Dvalor según algoritmo Vikor

Z,E = !9G

2∈7#2, F ∈ =[ , !"#

2∈7#2, F ∈ =\ ,

Ecuación 16. Cálculo del peor valor Z,E según algoritmo Vikor

1. donde Nb que pertenece a N es el conjunto de parámetros de beneficios y Nc que pertenece a N es el conjunto de parámetros de costos y donde Xij es el valor del j-ésimo alternativa e es el i-ésimo criterio.

2. Se calcula los valores de Si (Ecuación 17) y Ri (Ecuación 18) para i=

1,2,3,…,M y dado por

29

M2 = ],Z,D − #2,Z,D − Z,E,∈B

,

Ecuación 17. Cálculo para Si

^2 = !"#2∈B

],Z,D − #2,Z,D − Z,E

,

Ecuación 18. Cálculo para Ri

donde wj es la importancia del peso del parámetro j.

3. Se calcula los valores de Qi (Ecuación 19) para i= 1, 2, 3, …, M dado por

_2 = PM2 − MD

ME − MD + 1 − P^2 − ^D

^E − ^D ,

Ecuación 19. Cálculo para los valores de Qi

donde los argumentos de S y R se calculan de la Ecuación 20 y Ecuación 21 respectivamente

MD = !9G2∈7

M2,ME = !"#2∈7

M2,

Ecuación 20. Cálculo para argumentos de S

^D = !9G

2∈7^2,^E = !"#

2∈7^2,

Ecuación 21. Cálculo para argumentos de R y el parámetro γ con 0 ≤ P ≤ 1 pertenece al peso de la estrategia.

4. Dado los valores para Q, para todos lo i pertenecientes a M, se clasifican de mayor a menor las redes candidatas. La red seleccionada es dado por la Ecuación 22:

Cbcd∗ = "5(!9G2∈7

_2∗

Ecuación 22. Cálculo de la red candidata

30

2.4.6 AHP (Analitycal Hiararchical Procces) Debido a la complejidad en que consiste el Handoff en CR por la gran cantidad de variables que intervienen, AHP es uno de los métodos de toma de decisiones que más parece acoplarse a una solución real (Ramírez Perez & Ramos Ramos, 2010). A través de estructuras jerárquicas el problema es desglosado en sub-problemas. Se establecen matrices de comparación entre atributos para obtener un valor ponderado, además la solución se verifica a través de un índice de consistencia. Para desarrollar este método es necesario identificar los aspectos que son relevantes para dar solución al problema, tales aspectos puedes ser cualitativos o cuantitativos. La decisión debe mostrarse como un solo objetivo, con un conjunto de elementos de decisión finitos, por último, un conjunto de alternativas; la relación entre los diferentes aspectos puede ser mostrada como una estructura jerárquica multinivel. En (R., 2012) se considera una estructura AHP para realizar Handoff vertical y es diagramado en la Figura 3:

Figura 3 Diagrama de selección de la mejor red para Handoff en AHP, tomado de (R.,

2012)

• Objetivo: Seleccionar la red con mejor desempeño para los requerimientos

de una aplicación de un elemento móvil. • Criterio: Las preferencias de la aplicación son el retardo, Jitter, PER y el bit

rate. Estos parámetros son considerados como atributos para comparar las alternativas de redes.

• Alternativas: Un conjunto finito de tecnologías heterogéneas que representan posibles selecciones.

Con este algoritmo se logra reducir los costos que son considerados negativos como

31

el retardo de paquete, jitter, y BER y por otro lado se logra una maximización del beneficio que es el Bit Rate (R., 2012). 2.4.7 ELECTRE (Elimination and Choice Translating Priority) Se establecen dos índices: satisfacción y no concordancia, la solución puede estar dada por la selección de la red de mayor índice de satisfacción o la de menor índice de no concordancia. Para lograr estos índices se usa un vector de atributos para poder establecer relaciones entre las redes alternativas. Las diferencias entre los atributos se lleva a una matriz de decisión donde se normalizan, siguiente a esto se establecen los índices que indican el grado de dominio (satisfacción) que tiene una red con respecto a las otras y el grado de debilidad (no concordancia) (Ramírez Perez & Ramos Ramos, 2010). Para lograr esto, el valor de cada uno de los atributos en la matriz de decisión es comparado con un valor de correspondencia perteneciente al atributo M de referencia #,

fgh con F = 1,…* (E. Stevens-Navarro & Pineda-Rico, 2012), y se toma el valor de la diferencia entre los dos valores el cual es el que se colocará en la matriz. Para hallar la concordancia se obtiene un conjunto Jigj(k, &) (Ecuación 23) que indica el atributo de la red k que tiene mayor grado de satisfacción que el de la red l, en contra parte está el conjunto Higj(k, &) (Ecuación 24) que muestra el atributo de la red K posee una no concordancia mayor que la red l. Los conjuntos son descritos como:

JMlmno = F 5n, ≥ 5o,

Ecuación 23. Conjunto de Concordancia para los atributos de red

HMlmno = F 5n, < 5o,

Ecuación 24. Conjunto de no concordancias para los tributos para cada red. Usando los conjuntos de Satisfacción y de no concordancia, se construye la matriz de correspondencia, representada por C en la Ecuación 25.

Jno = ],,∈rsgjtu

Ecuación 25. Matriz de correspondencia para los atributos de acuerdo a los pesos.

32

2.4.8 Procesos de Decision de Markov / WMC Diseñado originalmente como un método de búsqueda en la Web (E. Stevens-Navarro & Pineda-Rico, 2012), el algoritmo basado en Cadena de Markov Ponderando primeramente construye una matriz de transición basada en una lista de clasificación que luego es actualizada basada en la experiencia y en la importancia de los pesos establecidos. La probabilidad estacionaria es derivada para ordenar los candidatos:

a. Construcción de la matriz de transición WMC de MxM, con todos sus elementos iniciados en 0, en los cuales representan la probabilidad de transición de la alternativa pi de la red pj.

b. Para cada factor q, la clasificación de la lista es obtenida como un vector ordenado de mayor a menor.

c. Para cada valor de la matriz, se actualiza de acuerdo al resultado obtenido en el paso dos.

d. Se calcula las probabilidades estacionarias, y se selecciona la red con mayor clasificación.

2.4.9 Lógica Difusa Como se ha observado en la implementación de los anteriores algoritmos, es necesario establecer valores ponderados a las matrices para seleccionar la mejor solución que en este caso será realizar el Handoff; el problema ciertamente radica en la imprecisión de los valores cuantitativos que son introducidos por el diseñador. La lógica difusa se especializa en brindar una herramienta para procesar datos difusos caracterizados por la imprecisión y hacerlos datos precisos a través de funciones de correspondencia y métodos difusos de evaluación, lo cual permite que los valores asociados a la respuesta sean una solución más fiable (Ramírez Perez & Ramos Ramos, 2010). 2.5 Investigaciones Previas A pesar de su importancia, la movilidad del espectro es uno de los temas en que menos investigación se ha hecho. Existen varios modelos desarrollados que apuntan a que la solución del problema del Handoff para radio cognitiva será dado por algoritmos MADM, a continuación, se describe algunos de ellos. 2.5.1 Modelos de Handoff Reactivos La característica especial de la estrategia de reacción pura es que la detección del espectro da inicio en el momento que un PU arriba al canal que está siendo utilizado por un SU. Para la estrategia de reacción pura se han realizado una gran cantidad de propuestas, una de ellas es el protocolo Hardware-Limitado Cognitiva Mac (HC-

33

MAC) en (Ren, Wang, Du, & Xu , 2012). A través de la teoría de decisión de secuencia y detección óptima se determina el número de canales a monitorear y así maximizar la expectativa de caudal. El algoritmo plantea lo siguiente: si t es el intervalo del tiempo de detección por cada canal, T el tiempo de transmisión del SU y B el ancho de banda, el valor máximo de ancho de banda estará dado por BT/(T+2t) si solo se toman dos canales, como se muestra en la Figura 4a. Si se agrega un tercer canal para realizar detección se puede presentar dos escenarios, si el tercer canal no está ocupado la ganancia estará dada por 2BT/(T+2t) (Figura 4b), en caso contrario donde si lo esté la ganancia será BT/(T+3t) (Figura 4c). Este tipo de solución es aplicable a canales que no están correlacionados dado que si lo estuvieran se podría seleccionar otro tipo de modelo que tuviera en cuenta la predicción para realizar la transmisión como el caso de P-DSA lo cual disminuiría el número de canales a percibir (Ren, Wang, Du, & Xu , 2012).

En (Wang & Wang, 2012) se asume que la red es un sistema dividido por ranuras de tiempos, donde los SUs realizan la detección de los PUs al inicio de cada ranura. Los SU ocupan esta ranura para realizar recepción o transmisión de datos siempre y cuando el canal este desocupado, de igual forma se asume que los M canales son independientes, y cada uno tiene dos colas virtuales para tráfico de alta y baja prioridad, correspondientes a los tráficos generados para cada uno de los usuarios. Al momento que un SU encuentra más de un canal para realizar la transmisión, la selección de este se hace de manera aleatoria con distribución uniforme, y toma el tiempo descrito por la Ecuación 26.

Figura 4 Handoff reactivo, (a) Detener la detección en el tiempo t2, (b) Continuar la detección en t2 con en canal 3 desocupado, (c) Continuar la detección en t2 con en canal

3 ocupado. Tomada de (Ren, Wang, Du, & Xu , 2012)

34

vwxyz{|| = } + ~� + ~Ä

Ecuación 26. Tiempo total de Handoff para sistemas modelados por ranuras. donde τ es el tiempo invertido en realizar la detección, th es el tiempo que toma en realizar la negociación entre los nodos y ts tiempo que demora en hacer el cambio de canal. El autor realiza la comparación del algoritmo de reacción pura, con una estrategia de selección aleatoria y una estrategia de minimización de la potencia. Para la función acumulativa de retardo el algoritmo propuesto presentó una disminución del 40% con respecto a los otros dos algoritmos, siempre y cuando el tiempo de detección se aproximara a cero (durante el slot } =0), si los tiempos de detección para los slot }=2 y 4 el comportamiento del algoritmo es similar a las otras dos estrategias. 2.5.2 Modelos de Handoff Proactivos Los autores en (Song & Xie, 2010) proponen un modelo con diversas variables para realizar la predicción de canal, incluyendo un modelo de predicción del comportamiento del PU para evitar la interferencia y un modelo multi-usuario para controlar la colisión entre SUs. El control de colisión entre SUs es uno de los temas más complicados a la hora de realizar modelos asertivos, debido a su comportamiento aleatorio. Para solucionar esto (Song & Xie, 2010) propone un esquema de coordinación HopPing Común en el diseño del protocolo de Handoff. Todos los SUs están sincronizados al hop a través de los canales con el mismo Hopping de Secuencia. Para realizar la detección del espectro se asume que el dispositivo cognitivo tiene dos antenas, una para la transmisión y control, y otra exclusiva para realizar la detección del espectro. El resultado demuestra que la estrategia proactiva es eficiente cuando la carga de los PUs es baja, reduciendo el número de Handoff y colisiones, pero si la demanda es alta por parte del PU, el control de colisión se mantiene, pero el número de Handoff aumenta.

2.5.3 Modelos de Handoff Híbridos El eje fundamental de esta estrategia es reducir la latencia que se genera al realizar el Handoff al momento que un PU arriba al canal en el cual está transmitiendo un SU. Esto se puede lograr con dos enfoques diferentes, realizando percepción del espectro y alimentando una base de datos que permita realizar predicciones del comportamiento del PU antes de realizar la transmisión o durante la transmisión se realiza de manera paralela la percepción del espectro.

En (DUAN & LI, 2011) se propone un esquema de Hanfoff espectral en CR para redes Ad Hoc. Inicialmente se consideran N canales donde cada uno es independiente y el comportamiento del PU está dado por un proceso de nacimiento a velocidad Bi y muerte ÅÇ. Un estado On (Ocupado) es considerado cuando un PU

35

esta realizando una transmisión sobre un canal, y el estado OFF (disponible) representa el tiempo de inactividad del PU. Se establece que los arribos entre usuarios son independientes y que los periodos ON-OFF tienen una distribución exponencial con media É ÅÇy É ÑÇ, por tanto la probabilidad se puede estimar de acuerdo con la Ecuación 27 y Ecuación 28.

Ö{y,Ç =ÑÇ

(ÅÇ + ÑÇ)

Ecuación 27. Probabilidad de encontrar el canal Ocupado para un proceso de nacimiento y muerte.

Ö{||,Ç =ÅÇ

(ÅÇ + ÑÇ)

Ecuación 28. Probabilidad de encontrar el canal Libre para un proceso de nacimiento y muerte.

El modelo del sistema aplica la detección de energía como mecanismo para determinar la ocupación del canal, por tal motivo es necesario tener en cuenta el tiempo estimado de percepción del espectro, al igual que la contemplar la probabilidad de falsa alarma. Para realizar la validación el autor utiliza tres estrategias diferentes (i) el canal con tiempos más extensos en estado libre, (ii) el canal con más alta probabilidad de encontrarse en estado libre y (iii) el canal con más alta expectativa de transmisión. La métrica utilizada es el número de Handoff realizados de acuerdo a la cantidad de datos transmitidos. Se demostró que a medida que se aumenta la cantidad de datos de transmisión los saltos espectrales aumentan considerablemente en las otras estrategias, pero para el modelo aplicado existe una media de 50 % menos en el número de saltos con respecto a los demás. En (Thant Zin Oo) , se propone un marco de trabajo que permita realizar una estimación en las políticas de detección del espectro y un Handoff hibrido para asignar el espectro, la técnica para realizar descubrimiento de colisión es a través de detección de energía (DE) ya que permite modelar en tráfico ON/OFF y realizar un modelo de predicción de falsa alarma. Basado en la detección que realiza el SU se almacena la información de los i canales en dos vectores: X que contienen la información de los intervalos entre arribos y B que contiene el tiempo de servicio; otro vector Zn almacena información de los tiempos de ocio de cada canal. Se asume que hay independencia de los vectores X y B y su distribución de probabilidad es la misma. El tiempo de ocio está ligado a la duración del tiempo de servicio del canal, es decir, si el canal se mantuvo ocupado durante un largo tiempo (B) (Ecuación 29) existe una mayor probabilidad que el tiempo de ocio sea mayor (Ecuación 30). El marco demostró que las políticas seleccionadas para realizar el

36

Handoff es levemente mejor con respecto al protocolo de comparación, ya que basados en la probabilidad de que un canal estuviera desocupado, se logró realizar alrededor de un 10 % más de tiempo de transmisión en la asignación, pero por otro lado se evidencia que tuvo mayores colisiones.

Ü á1àâ =ä[å]ä[>] =

éèéê

Ecuación 29. Probabilidad de encontrar el canal ocupado basado en valores esperados.

Ü 9ë&l = 1 − Ü(á1àâ)

Ecuación 30. Probabilidad de encontrar el canal libre basado en valores esperados.

Otro modelo que se basa en la priorización de los usuarios es propuesto por (Salah Zahed), y está basado en ranuras de tiempo. Primero se percibe el canal y si no existe interferencia se inicia la transmisión. El esquema se realiza a través de prioridad baja para el SU y prioridad alta para el PU. Para validar el modelo se utiliza Preemptive Resume Priority (PRP) con un modelo de cola M/G/1 asumiendo el proceso de arribo de Poisson, lo que nos da unas tasas de alfa para cada línea de espera. Aplicar este modelo se respeta la condición que el PU puede interrumpir en cualquier momento al SU para realizar su transmisión. La Figura 5 muestra dos canales de transmisión que son utilizados por el PU y SU, y un canal HD que toma los tiempos de detección de canal. Los resultados muestran una reducción de los tiempos tanto en la detección del espectro como en el cambio de canal.

Figura 5 Modelo de priorización de tráfico basado en ranuras de tiempos y cola M/G/1,

tomada de (Salah Zahed)

37

Otro modelo de priorización es propuesto en (Mohammed Raiss-El-Fenni, 2012) (Mohamed) donde se toman dos esquemas el no priorizado y priorizado, el primero consiste en un acuerdo entre los Wireless Servies Providers (WSP) y los PU, donde se garantiza una QoS, una disponibilidad de canales y una probabilidad de bloqueo. WSP realiza una optimización de los recursos que le permita reservar un ancho de banda a los SU. Si un SU detecta un PU, este se podrá moverse a otro WSP sin ningún inconveniente. Adicionalmente, el esquema priorizado introduce una diferenciación entre los SUs, si un SU necesita acceder a un canal que este siendo utilizado por otro SU que pertenece a otro WSP, este podrá disponer del canal y bloqueará al SU foráneo. Como el manejo lo realiza una WSP o estación base, se asume que hay una infraestructura desplegada que puede atender a los dos tipos de usuarios. El sistema es modelado como un proceso de Markov de tiempo continuo. Los resultados demuestran que el modelo priorizado genera una menor probabilidad de bloqueo para los PU, pero es mayor para los SUs en comparación con el modelo no priorizado. 2.6 Series de Tiempo: Modelos de Predicción En 1970, Box y Jenkins implementaron una metodología que identifica modelos en series temporales dados por una variable de tiempo t. Basados en la metodología de Box – Jenkins que permite hallar pronósticos encontrando patrones en los datos históricos de las series, a través de un algoritmo iterativo. Esta investigación se centra en ésta técnica para hacer una caracterización del PU y determinar el momento de arribo al canal. A través de la definición de Modelos Autorregresivos (AR), modelos de Promedio Móvil (MA) y modelos de Promedios Móviles Autorregresivos (ARMA), para cada serie de tiempo, se representa un estado de ocupado o no dentro de la muestra y se pronostica el momento que el canal se ocupa a través de la potencia en el momento t. 2.6.1 Modelos Autorregresivos (AR) Se define un modelo Autorregresivo, si el comportamiento de la variable un tiempo (t) está dado por (p) valores u observaciones anteriores de ella mima, donde p establece el número de rezagos para hacer la predicción. Para el caso de procesos estacionarios este valor se determina como una combinación lineal de sus valores pasados que influyen en el resultado actual más un término de error. La expresión genérica está dada por la Ecuación 31.

>j = íQ + í0>jE0 + ⋯+ íì>jEì + îj Ecuación 31. Expresión genérica para hallar el valor presente en AR

38

2.6.2 Modelo de Media Móviles (MA): Supone que el desplazamiento del valor medio θo de una serie estacionaria la cual se desplaza a su alrededor en un tiempo t, es ocasionado por innumerables perturbaciones dadas en el pasado de la misma serie, ponderadas por un factor θi que determina la influencia de cada una de ellas en el valor actual de la serie. La expresión genérica está dada por la Ecuación 32

>j = ïQ − ï0îjE0 − ⋯− ïñîjEñ − îj Ecuación 32. Expresión genérica para hallar el valor presente en MA

2.6.3 Modelos Autorregresivos de Media Móvil (ARMA): El modelo autorregresivo de medias móviles es aquel que converge los dos modelos mencionados anteriormente AR(p) y MA(q) para modelar series autorregresivas y de medias móviles. Estos modelos se representan a través de del método ARMA(p,q), donde p es el orden de la parte autorregresiva y q es el orden de la parte de media móvil, y se define en la Ecuación 33.

>j == íQ + í0>jE0 + ⋯+ íì>jEì + îj + ïQ − ï0îjE0 − ⋯− ïñîjEñ − îj

Ecuación 33. Expresión genérica para hallar el valor presente en ARMA

2.7 Modelos basados en patrones para CRNs. Dado a lo complejidad de los algoritmos, el costo computacional y el consumo de energía de la batería que gastaría un dispositivo cognitivo para hacer algún modelo de predicción del usuario primario, hacen poco viables algoritmos como las redes neuronales sean implementados en un ambiente donde no exista una estación base que controle los saltos espectrales. Por otro lado y para suplir estos retos, nuevas técnicas precisan que a través de “La cosecha de energía” se pueden implementar algoritmos que pronostiquen la llegada del PU y brinden energía a través de la misma transmisión de RF, en (Ejaz & Dong In, 2017) se desarrolla un modelo basado en el la energía emitida por los PU para definir un patrón de transmisión dando un enfoque a la transmisión de paquetes y en (Zheng, Ho, Jorswieck, & Ottersten, 2014) se define una cooperación más profunda entre los 3 actores, Estación Base, PU y SU, donde cada uno interviene enviando la cantidad de energía muestreada en su entorno.

39

3 METODOLOGÍA Y DISEÑO

3.1 Metodología La Investigación se centra en 4 fases que son descritas a continuación (ver Figura 6):

1. Fase 1 (Exploratoria): En esta fase se define el campo de acción en que se desenvuelve la investigación.

a. Construcción de la Base de Datos de información relacionada con Radio Cognitiva.

b. Caracterización de la información de los artículos de investigación previas y actuales sobre modelos de Handoff en Radio Cognitiva.

c. Análisis de las investigaciones previas y actuales sobre modelos de Handoff en Radio Cognitiva.

d. Depuración de aportes que contribuyan a la investigación. e. Redacción del estado del Arte.

2. Fase 2 (Diseño): Se establece los aportes que esta investigación pretende:

a. Definición del problema, justificación y planteamiento de la Hipótesis. b. Descripción de los objetivos. c. Selección de los algoritmos para el modelo de Handoff en CR d. Caracterización de los PU para el modelo de predicción. e. Selección de los criterios de evaluación de la propuesta.

3. Fase 3 (Implementación): Se realiza el desarrollo de los algoritmos y la

validación de las pruebas. a. Desarrollo de los algoritmos de Handoff en CR basados en métodos

MADM. b. Implementación de los modelos de caracterización de los PU como

algoritmo de predicción. c. Implementación de los criterios de selección como parámetros de

entrada para la selección del mejor canal.

4. Fase 4 (Resultados): Se realiza el análisis de las pruebas realizadas y se escribe el documento.

a. Análisis de los resultados. b. Redacción del documento final.

40

Figura 6 Diagrama de casos de uso para realizar Handoff proactivo-predictivo en RC.

3.2 Diseño del Algoritmo El diagrama que se presenta en la Figura 7 implementa un modelo de Handoff Proactivo Puro que permite de forma dinámica, realizar la selección de canal, predecir el arribo del PU, realizar Handoff espectral, ajustar variables de acuerdo al ambiente (Sistema Cognitivo), y arrojar los estados del sistema de acuerdo a las variables de interés. El primer subsistema “Cargar Datos de la Base Datos” importa la información de las trazas de tráfico real de la ciudad de Bogotá para 2 tipos: baja y alta demanda. “Seleccionar Canal y Predecir Tiempo de Arribo del PU”, tiene como objetivo a partir de las técnicas de selección establecidas organizar de manera ascendente los canales que cumplen con los criterios formulados y establecer el tiempo que debe permanecer el SU antes que según predicción interfiera el PU. Los Subsistemas

41

Realizar Handoff y Ajustar Pesos, se encargan de realizar el cambio de canal pre-seleccionado y recalcular las variables de selección-predicción respectivamente.

Figura 7 Diagrama de flujo del algoritmo de selección y predicción

3.3 Procesamiento de la Base de Datos La información obtenida para la simulación son trazas de tráfico real de la ciudad de Bogotá, capturadas en la Universidad Distrital Francisco José de Caldas en los meses de marzo a diciembre de 2012, los canales analizados son frecuencias para redes GSM en el rango espectral de 824 MHz a 874 MHz donde el ancho de banda de cada canal es de 100 kHz, lo que infiere que fueron capturados 500 canales. El analizador de espectro cognitivo arrojó la información de potencia de los canales dada una frecuencia de muestreo de 3 Hz/canal, por último, los escenarios escogidos para realizar la simulación son de baja, media y alta demanda. Del procesamiento de la información se extraen cuatro variables que son utilizadas para determinar los criterios de selección de Canal. Matriz de Disponibilidad La técnica utilizada que determina si un canal se encuentra o no ocupado, es a través de la detección de energía, como se indicó anteriormente el analizador arrojó el nivel de potencia de los canales en los instantes de tiempo t, por ende lo más

42

acertado es seguir con esta técnica para la elaboración de la simulación. Se define el umbral de trabajo en -95dbm debido a que el piso de ruido del dispositivo se calibró en -100dbm lo que indica que todo valor arriba de éste umbral será tomado como Espacio Blanco (Ecuación 34) en transmisión y ocupado para valores que estén por debajo. Cabe acotar, que una ocupación de canal no está dada únicamente por la presencia de un PU, existen señales parásitas como el ruido o interferencia que simulen el mismo comportamiento, de cualquier forma, éste canal presentaría degradación en la comunicación del SU por tanto asignarle valor de ocupado es válido.

A =A00 ⋯ A07⋮ ⋱ ⋮

AB0 ⋯ AB7=

40A00 ⋯ 47A07⋮ ⋱ ⋮

40AB0 ⋯ 47AB7

4B7 = 0, CB7 > ôℎ5làℎ'&ë1, CB7 < ôℎ5làℎ'&ë

Ecuación 34 Forma matemática para hallar la matriz de disponibilidad

Una vez creada la matriz de disponibilidad dada por Ecuación 34, donde los valores representados de 0 indica que el canal se encuentra en un estado ocupado y 1 que se encuentra libre para realizar transmisión, se establecen las otras variables de interés descritas a continuación. SINR (Signal to Interference plus Noise Ratio) El relación señal a interferencia más ruido Ecuación 35 es otra de las variables consideradas para evaluar la eficiencia de un canal para transmitir al SU y apoyar al modelo de selección, el SINR relaciona el piso de ruido del dispositivo cognitivo N (usuario), contra la potencia de la Señal de interés P, como en este caso particular las interferencias propiciadas en el ambiente en todos los canales son tomadas en el modelo como una sola señal (dado que si se supera el umbral de potencia se asume que la transmisión no se puede efectuar), no es necesario desagregar las magnitudes de las potencias de las señales que interfieren en la detección ver Ecuación 36.

Mõ=^ # =Ü

õ + =

Ecuación 35. Relación señal a interferencia más ruido

Mõ=^ # =Ü=

Ecuación 36. Simplificación de la relación señal a interferencia más ruido

43

BW (Band Width) El BW es otra de las variables aplicada al modelo de selección, a través del teorema de multicanalización, se describe como el BW que se definió como fijo puede ser extendido a través de la adición de canales adyacentes siempre y cuando se encuentren libres o en estado 1, por tal motivo en BW en transmisión para el algoritmo se representa en la Ecuación 37, en donde N es el número de canales libres adyacentes.

åúùW = 100kûü ∗ =

Ecuación 37 Ancho de banda libre en transmisión para canales subyacentes

Tiempo Medio de Ocupación por Canal Calculado de la matriz de disponibilidad, representa el valor esperado del tiempo que está libre un canal en un intervalo de tiempo t para realizar la transmisión de un SU. Este criterio se convierte en uno de los de mayor relevancia para la simulación ya que para canales que el tiempo de disponibilidad es bajo se estima que puede presentarse mayor número de Handoff y por ende aumentar la probabilidad de interferencia con el PU. Intervalo Medio de Ocupación por Canal Apoyando el criterio descrito con anterioridad, establece la relación de ocupación espectral para un canal por Slot de tiempo. Medir únicamente la media de un periodo de tiempo no determina el comportamiento del PU, se pueden presentar los casos que dos canales tengan el valor esperado de canal libre equiprobable (Luís, Oliveira, Dinis, & Bernardo, 2016), pero en uno de ellos la aparición del PU se rige por un patrón de tipo ON-OFF en intervalos cortos de tiempo como se observa en la Figura 8 para el canal f1, en contraste el otro canal el PU se comporta en tipo ráfaga dando solo una ocupación en todo el intervalo de tiempo muestreado como se observa en f2. Esto permite determinar que la frecuencia f2 es la más adecuada para realizar la transmisión del SU, dado que una vez se haya establecido en el canal no realizará mayor número de Handoff.

Figura 8 Diagrama gráfico en el tiempo de la ocupación de canal f1 = f2 en slots libres

Slot tseg

f2

f1 ocupado

ch

libre

44

3.4 Selección de Canal y Predicción del Tiempo de Arribo del PU Establecidos los criterios de selección para aplicar la estrategia de Handoff se utilizan los métodos de decisión multivariables SAW, TOPSIS, AHP y VIKOR para adoptar el canal para la transmisión del SU y algoritmos de predicción enfocados en series de tiempo: AR, MA y ARMA para predecir el arribo del PU. Modelos de Selección Extendido Los modelos MADM utilizados para realizar la selección de canal son algoritmos que basados en ponderación de criterios evalúan las posibles opciones para dar un resultado óptimo. Para el desarrollo de este trabajo de investigación se plantearon cuatro algoritmos SAW, TOPSIS AHP y VIKOR donde cada uno de ellos puede evaluar el canal en intervalos de tiempo de forma dinámica. Inicialmente es trabajo del diseñador establecer los pesos que debe tener cada uno de los criterios, siguiente a esto debe evaluar cada una de las selecciones de manera independiente, al realizar la relación de criterios con selecciones de cierta forma se rompe la posible parcialidad que tenga el diseñador. Para el caso de ésta investigación es necesario evaluar 557 canales lo que hace poco práctico realizar el procesamiento manual para cada una de las selecciones, por tanto, se adiciona un módulo que permite de manera dinámica realizar la evaluación de las selecciones basados en los pesos implementados por el diseñador. Donde 1 es el criterio de mayor peso y 9 es el de menor. Se establece las siguientes relaciones para realizar la evaluación de manera dinámica de cada uno de los canales (ver Ecuación 38, Ecuación 39, Ecuación 40 y Ecuación 41)

JℎC2 = ôäH2 ∗C

−12.5 + 9.08

Ecuación 38. Normalización del peso de la variable TED

Jℎå2 = ÜH2 ∗å

−12.5 + 9.08

Ecuación 39. Normalización del peso de la variable PD

JℎJ2 = ÜMõ=^2 ∗J

−12.5 + 9.08

Ecuación 40. Normalización del peso de la variable TED

JℎH2 = Üúå2 ∗H

−12.5 + 9.08

Ecuación 41 Normalización del peso de la variable PW

45

El diagrama de la Figura 9 muestra la secuencia canónica para los métodos de selección. Se pasan las variables PD, TED PSINR y PWB como parámetros de entrada donde cada una de éstas contiene la información de los canales utilizados en la muestra, la extensión del método evalúa para cada uno de los canales las variables de acuerdo a la Ecuación 38 retornando los pesos, Siguiente se relacionan los criterios con los pesos de los canales y finalmente se realiza la clasificación que permite conocer los canales más adecuados para realizar la transmisión del SU.

Figura 9 Diagrama de secuencia canónico para los métodos de selección de canal

aplicados

Una vez tomado el canal de transmisión arrojado por los métodos de selección el siguiente proceso en el flujo muestra que se realiza una predicción de arribo para el PU, está predicción se realiza a través de dos métodos, las series de tiempo y las redes neuronales. 3.5 Selección de las Métricas de Desempeño En el numeral 2.3.3 se documentó las métricas de desempeño que pueden ser utilizadas en la presente investigación para medir la efectividad de cada uno de los algoritmos propuestos. A continuación, se realiza la valoración de cada una de ellas para determinar el aporte que introduciría a la tesis, con el fin de seleccionar las 4 más relevantes que vayan acordes con el objetivo general de medir la interferencia con el PU. Equidad Siendo objetivo de la métrica determinar la maximización del acceso al espectro entre SUs, y validar que sea equitativo para todos los actores que intervengan, sobre todo para los que están accediendo de manera oportunista, éste criterio es descartado, ya que el alcance de esta investigación simula únicamente el

46

comportamiento de un SU, y no tiene en cuenta otras variables como orquestar a través de una red centralizada el acceso. Eficiencia espectral Al ser un recurso limitado, la eficiencia espectral indica que para cada frecuencia debe ser explotado al máximo en cada nodo cognitivo por parte de los PU y SU. Siendo objeto de varios estudios, está métrica se aborda a través de la Modulación de Amplitud Cuadrática M-aria y otro tipo de modulación ortogonal. Si bien, los datos con los que se realiza la investigación son reales, no se cuenta con los códigos QAM ni con las medidas referentes a su Frecuencia de Modulación, por tanto esta métrica es descartada para el estudio. Ancho de banda Dependiendo el tipo de transmisión que se vaya a realizar, el QoS es determinante para saber si la técnica de acceso dinámico al espectro es efectiva, por tanto y teniendo la información sobre el ancho de banda de cada canal en las trazas de tráfico real, esta métrica es una de las que se implementa en la investigación. Probabilidad de fallo en el Handoff Debido a que no se está evaluando tiempos de Swithing que están atados a los dispositivos cognitivos (Hardware), la probabilidad de fallo se abordará en esta investigación únicamente como la cantidad de fallos dados por la simulación. Y aunque es válida la afirmación que indica que la estadística de un mismo evento se convierte en probabilidad, no se cuenta con la cantidad necesaria para determinar la probabilidad, pero si brinda una medición sobre el comportamiento del algoritmo. Número de Handoff Esta métrica es importante para determinar el número de Handoff introducidos por el algoritmo, por tanto, se evalúa dentro de la investigación como el número de Handoff totales realizados y es comparado con los demás valores arrojados por las técnicas de selección y predicción. Interferencia/potencia Siendo objeto principal de la investigación consolidar un algoritmo que reduzca la interferencia con el PU, está variable es la primordial a medir. Se acota el alcance a medir el número de Handoff por interferencia, según la técnica de selección y predicción escogidos, el cual es una función acumulativa de las veces que el SU debe moverse de un canal debido al arribo de un PU. 3.5.1 Modelos de Predicción Basados en Series de Tiempo Las series de tiempo es una técnica estocástica que permite a través de registros históricos de una variable aleatoria establecer comportamientos futuros, los implementados en esta investigación son tres: AR, MA, ARMA.

47

Se implementa la clase Canal descrita en la Tabla 1 que agrupa a través de los atributos las variables de interés que permiten evaluar las tres predicciones para el canal.

Tabla 1. Descripción de la clase que almacena la información de cada predicción hecha en un canal.

Atributo Detalle ARLag Almacena los rezagos que tiene la

muestra para AR ForecastAR Almacena los datos de la predicción

hecha por AR MeanErrorAR Determina el error medio de los datos

originales con los de predicción con AR MALag Almacena los rezagos que tiene la

muestra para MA ForecastMA Almacena los datos de la predicción

hecha por MA MeanErrorMA Determina el error medio de los datos

originales con los de predicción con MA ForecastARMA Almacena los datos de la predicción

hecha por MA MeanErrorARMA Determina el error medio de los datos

originales con los de predicción con ARMA

La forma en que se implementan los algoritmos de predicción en su mayoría no son dinámicos, siempre se necesita establecer las predicciones con anterioridad y almacenarlas en un repositorio para ser utilizadas posteriormente, esto implica realizar evaluaciones de predicción para canales que por su clasificación no serán utilizados o para intervalos de tiempo que son innecesarios. El porqué, es preciso establecer previamente cuales son los rezagos y la estacionalidad de la muestra. Para desarrollar un algoritmo dinámico, se aplica una técnica experimental que permite a través de la auto-correlación o correlación parcial según sea el caso, hallar estas dos variables de interés. La Figura 10 muestra el diagrama de secuencia implementado.

48

Figura 10 Diagrama de secuencia para la predicción de arribo del PU

Auto Regresivo: Los modelos Auto regresivos se basan en la estacionalidad de la muestra determinados en un rango de P valores pasados (rezagos) y como estos afectan el valor t+1. Como la implementación busca ser dinámica, se utiliza la estacionalidad como rango límite de muestras en la parametrización del modelo, y se hallan los rezagos para cada muestra de entrenamiento. El desarrollo de cada uno de los algoritmos contempla encontrar un patrón de diseño que pueda ser aplicado de manera transversal para cualquiera de los cuatro métodos permitiendo la reutilización de código, como resultado se implementa el módulo de estrategias de Handoff. Una vez establecidos los criterios de selección de las estrategias de Handoff se adapta el patrón de Diseño Método Fabrica para validar los modelos propuestos. La Figura 11 muestra el diagrama de clases que permite ejemplificar el producto de las estrategias de Handoff, este conjunto de clases arroja los métodos de selección

49

multivariables que mejor se adecue a la selección de canal que logre el objetivo de reducir el nivel de interferencia.

Figura 11 Diagrama de clases, basado en patrón de diseño método fábrica.

Variables de Salida: Dado que el interés es evaluar si una estrategia de Handoff proactivo puro es superior a una reactiva en cuanto a interferencia con el PU, se definen las siguientes cuatro variables para determinar el desempeño del algoritmo propuesto: Ancho de Banda (BW), Número de Handoff, Número de Handoff fallidos y número de Handoff por interferencia. 3.6 Descripción del Simulador En el capítulo anterior se describió el comportamiento del Algoritmo a nivel lógico con los diagramas de clases principales para comprender su funcionamiento, adicionalmente a la definición de las variables analizadas e implementadas en el modelo. A continuación, se realiza una descripción a nivel funcional del Simulador realizado para la elaboración de la presente tesis. El código fue desarrollado en Matlab con Orientación a Objetos lo que permite fácil entendimiento del código y su mantenimiento, cuenta con 15 clases donde dos de ellas componen el Core del simulador: Algoritmo9.m ejecuta el simulador para cada posible combinación de manera secuencial por ejemplo Tráfico Alto, SAW como modelo de selección y MA como modelo de predicción de arribo y la clase

50

LaunchAlgoritmo9.m que ejecuta la anterior código en paralelo lo que disminuye el tiempo de ejecución del Simulador. El Simulador que se compone de tres partes: inicialmente las entradas del Sistema están diseñadas para consumir una matriz de potencias en dBm correspondiente a los canales muestreados, en segunda instancia procesa los datos para tomar los datos de interés: ranking de canales y predicción de arribo de canal, y conforme el Simulador se ejecuta se almacenan las métricas de salida descritas en el numeral anterior lo que compone las salidas y la tercera parte del simulador. 3.6.1 Entradas del Sistema El sistema de entrada toma un archivo en formato CSV y lo carga dentro del Matlab a través de la función load, esto permite crear una variable de entorno con las potencias de cada uno de los canales para N cantidad de muestras. Antes de pasar los datos al siguiente módulo se realizan validaciones típicas para el adecuado funcionamiento del sistema:

1. No deben existir campos en la matriz incomprensibles como valores nulos, blancos o cadenas de texto.

2. Los rangos deben estar dentro del los valores nominales del Sistema en 0.00 dBm y – 100.00 dbm

Variables estáticas Dentro del algoritmo se definen las siguientes variables estáticas descritas en la Tabla 2.

Tabla 2. Variables estáticas dentro del algoritmo

Nombre de Variable Descripción Valor

Utilizado

Threshold

Número decimal que determina el umbral utilizado para hallar la matriz de disponibilidad, lo valores que sean menores son tomados como ocupado y los mayores como libre.

-95 dBm

Noise_floor Número decimal que refiere al piso de ruido del dispositivo con el que se realizo el muestreo. -100 dBm

AWD_fixed Número decimal que determina el ancho de banda de los canales muestreados. 100 kHz

Multichannel Número entero que ajusta los canales adyacentes máximos a los cuales se puede realizar transmisión Multicanal

4

Time_TX Tiempo de simulación en minutos 9 min

51

3.6.2 Procesamiento: Ranking de canal y Tiempo de Arribo El procesamiento de los datos cuenta con los siguientes pasos: 1. Definición de nuevas variables: Una vez los datos son ingeridos por el sistema y

superadas las validaciones, la matriz de datos pasa por dos procesos descritos en el numeral 3.3, el primero convierte las potencias en un sistema binario de acuerdo al umbral configurado en las variables estáticas, para el caso del presente documento y como se mencionó, el umbral es de -95 dbm. El segundo tomas las potencias y saca las cuatro variables de interés por canal SINR, BW, Tiempo medio de ocupación e Intervalo medio de ocupación.

2. Ranking de Canales: Con las anteriores variables se ejecuta el algoritmo de

Ranking que puede ser SAW, AHP, VIKOR o TOPSIS. Estas clases retornan dos variables al método principal, Canal y Puntuación. Con estos datos el sistema conoce que canales son los mejores para realizar la transmisión y en que secuencia.

3. Validación: Se realizan los mismos pasos descritos anteriormente para los datos

de Validación sin contar el paso 2, pero ahora el sistema toma la matriz de disponibilidad de estos datos para corroborar el funcionamiento del sistema.

4. Predicción: La entradas del proceso de predicción son múltiples: Potencia, Paso

actual de tiempo (i), Cantidad total de muestras por canal, canal seleccionado en el Ranking, Umbral y Tipo de Predicción.

a. Preparación de datos: Los datos de entrada por si solos son difíciles

manejar para cualquier modelo de predicción, sobre todo cuando los cambios son tan poco perceptibles para determinar si el canal está o no en condiciones para una transmisión basado en un el umbral. Así que se realiza una diferenciación a los datos basados en la ecuación:

§(9) = § 9 + 5.00, §(9) > ôℎ5làℎ'&ë§ 9 − 5.00, §(9) < ôℎ5làℎ'&ë

b. Proceso de predicción: Dentro de este proceso se crea la clase Canal

quien se comporta como método principal de la predicción, tienen las siguientes variables: • Data: Contiene las muestras anteriores al paso del tiempo actual para

realizar la predicción. • ARLag, MALag: Contiene los rezagos generados por la serie AR y MA

respectivamente. • ForecastAR, ForecastMA, ForecastARMA: Contiene la predicción

arrojada por la serie AR, MA y ARMA respectivamente.

52

• MeanErrorAR, MeanErrorMA, MeanErrorARMA: Halla el error medio cuadrático entre los valores arrojados en la predicción y los datos de la validación para cada una de las series.

c. Retorno de datos: Una vez realizada las predicciones, se recorre el vector de predicción y de acuerdo al Umbral se realiza una cuenta de cuantos pasos de tiempo deberían pasar antes de que aparezca un PU y este valor es el que se devuelve a la método principal.

5. Métricas: Mientras se recorre el algoritmo se van almacenando las variables de

interés definidas. 3.6.3 Salidas del Sistema • Canal Utilizado: Almacena la marca de tiempo y el canal utilizado para realizar

la transmisión. El canal es definido por el Ranking y por la secuencia definida por esta. Un cambio de canal se realiza por tres eventos: Arribo de un PU al canal actual, la predicción indica que en el siguiente espacio de tiempo arribará un PU y se hace el salto espectral o el canal siguiente canal seleccionado por el algoritmo se encontraba ocupado.

• Handoff Fallidos: Almacena la marca de tiempo cuando se realizó un salto espectral fallido debido a que el canal ya se encontraba ocupado.

• Cuenta Handoff Valido: variable que cuenta los saltos espectrales dada que la predicción así lo indicó, pero que realmente no se detectó un arribo del PU.

• Cuenta Handoff Perfecto: variable que cuenta los saltos espectrales dada que la predicción así lo indicó, y donde realmente se detectó un arribo del PU.

• Número de Handoff: Variable acumulativa que determina en el tiempo de simulación el número de Handoff realizados ya sean validos o prefectos.

• Handoffs por Interferencia: Variable acumulativa que almacena en el tiempo de simulación los número de Handoff realizados debido al arribo de un PU.

• BW: Almacena el Ancho de Banda disponible adyacente para realizar la transmisión en la marca de tiempo actual.

En la Figura 12 se muestra a detalle el diagrama de flujo del simulador completo con todas las variables descritas en las métricas de desempeño.

53

Figura 12 Diagrama de flujo del simulador

54

3.7 Validación del Sistema. La validación se ha abordado desde 3 perspectivas. Comparación de valores en trazas dentro del simulador, error medio cuadrático de la predicción y el valor esperado para cada una de las métricas de evaluación propuestas en el documento. Comparación de valores: Como proceso de validación, el sistema permite cargar un archivo adicional el cual contiene los valores reales posteriores a la traza de entrada (potencias del los canales muestreados) permitiendo hacer una comparación de los datos arrojados por el modelo de predicción y los reales. Si este archivo no es cargado, el sistema automáticamente toma el 75% de los valores para alimentar los modelos y el 25 % restante para hacer la validación. Error Medio Cuadrático: Para los valores de la predicción se definió que si el Error medio Cuadrático es superior al 5% se toma como una predicción errónea ya que muy seguramente la traza no cuenta con las condiciones como rezagos predominantes en la serie de tiempo, por tanto es necesario es indispensable realizar ajustes a los datos para generar correlaciones entre las muestras. Métricas de Evaluación También se medirá el desempeño de los algoritmos a través de las métricas de evaluación descritas anteriormente, con el objetivo de validar la reducción de interferencia y el mejoramiento de algunos parámetros de desempeño durante un handoff espectral. 3.8 Escenario de Pruebas El escenario de pruebas propuesto para llevar a cabo la simulación se observa en la Figura 13, donde se muestra el despliegue de los componentes realizados durante el diseño del algoritmo, a nivel de Hardware y Software se describen en la Tabla 3 las herramientas utilizadas.

55

Figura 13 Diagrama de Despliegue de la Solución, diseño del ambiente de pruebas

Tabla 3 Descripción de los componentes base para la simulación

Descripción Marca Magnitud Unidad de Medida

Procesador Intel QuadCore 2,5 MHz Memoria RAM Kingston 8 GHz Software Base Matlab

Mathworks 2014b N.A.

El set de pruebas contempla 3 verticales las cuales se deben combinar para tener todos los escenarios. En principio se definen los tipos de tráfico a analizar; debido a que existe muestreo para varios días, realizar pruebas con todos sería un esfuerzo de recurso innecesario, por tanto, se toman intervalos iguales cuando existe alto y bajo tráfico. La segunda vertical, son los métodos de predicción seleccionados AR, MA, ARMA y por último los Métodos de Selección Multivariable definidos: SAW, TOPSIS, VIKOR y HPA como se muestra en la Tabla 4.

56

Tabla 4 Escenarios donde se aplica el algoritmo desarrollado

MÉTODODE

SELECCIÓN

TIPODETRÁFICO

MÉTODODE

PREDICCIÓN

MADM

ALTOARMA

ARMA

BAJOARMA

ARMA

3.9 Experimentación El proceso de experimentación se lleva a cabo 50 veces utilizando la trazas de medición de potencia para tráfico GSM en la ciudad de Bogotá donde un solo proceso comprende evaluar todas las combinaciones de las variables predefinidas en el sistema mostradas en la Tabla 4.

1. Preparación de los Datos y los Seeders de Matlab:

Dentro de cada proceso de simulación se tomaban inicios aleatorios para lograr que los valores estadísticos del sistema variaran, dentro de estos cambios se encuentra tomar TimeSteps diferentes para los cada uno de los canales y variar el Seeder de Matlab por simulación.

2. Ejecución del Algoritmo:

Se introducían los datos de entrada para el sistema y se esperaba que arrojaran las diferentes métricas descritas dentro del algoritmo para realizar los posteriores análisis de mediciones. Debido a que cada simulación puede tardar entre 8 y 10 Horas se optimiza para que algunas ejecuciones corran en paralelo disminuyendo los tiempos a 5 horas en promedio por simulación.

3. Normalización de la Información:

Una vez los datos son arrojados, se procede a normalizar la data para que pueda ser comprendida de manera más fácil. Como cada TimeStep se ejecuta en 330 ms aproximadamente en lapso de 9 minutos que demora la simulación, significa que se generan 1620 datos para cada una de las 5 variables utilizadas. El proceso de normalización consta de realizar las gráficas acumulativas para las variables asociadas a los Handoff y promedio para el Ancho de Banda.

57

4 RESULTADOS

A continuación, se describen los resultados de la investigación basados en el modelo de pruebas descrito en la sección anterior. El algoritmo en estas condiciones permite conocer el desempeño en ambientes reales y determinar si es posible disminuir la interferencia con el PU para responder la pregunta problema planteada al inicio de esta investigación.

A parte de las métricas definidas en el modelo para determinar si el algoritmo

cumple con su objetivo, se adicionan otras a la investigación que son útiles para ver el comportamiento en la simulación:

• Handoff Por Predicción: Registra los saltos de frecuencia realizados

por el algoritmo determinados por la predicción realizada. • Error Medio Aritmético en Predicción: Indica el valor medio de error

arrojado por la predicción comparada con la traza original.

4.1 SAW El comportamiento del algoritmo SAW cumple con su objetivo principal de reducir la interferencia con el Usuario Primario en los dos tipos de tráfico objetos del estudio: alto y bajo como se observa en la Figura 20 y Figura 21. Las demás variables de interés están dentro de lo esperado, para tráfico Alto, sin importar la técnica de predicción (Tabla 5) el ancho de banda adyacente el cual seleccionado tiene una media de 580 MHz, al igual ocurre con el tráfico bajo que tiene un ancho de banda superior de 772MHz en promedio (Ver Figura 14 y Figura 15).

Tabla 5 Error medio de predicción frente a la muestra original – SAW

Tráfico Alto Tráfico Bajo Error Medio AR 2,47% 3,43 % Error Medio MA 2,48 % 3,90 % Error Medio ARMA 2,20 % 3,19 %

Tabla 6 Ancho de banda promedio - SAW

Tráfico Alto (kHz)

Tráfico Bajo (kHz)

BW Promedio AR 582,78 772,29 BW Promedio MA 582,00 771,66 BW Promedio ARMA 579,25 773,95 BW Promedio Sin Predicción 583,35 769,96

58

Figura 14 Ancho de banda promedio - tráfico bajo – SAW

Figura 15 Ancho de banda promedio - tráfico alto - SAW

El número total de Handoff para la muestra, indica que la predicción que mayor Handoff introdujo a la simulación fue ARMA con un porcentaje 60% con respecto al algoritmo Reactivo (Ver Figura 16 y Figura 17), por el contrario, MA es quien introduce menor retardo como se observa en la Tabla 7.

59

Tabla 7 Número total de Handoff –SAW

Tráfico Alto Tráfico Bajo #Total Handoff AR 138 104 #Total Handoff MA 112 98 #Total Handoff ARMA 147 121 #Total Handoff Sin Predicción 90 81

Figura 16 Número de Handoff totales - tráfico bajo – SAW

Figura 17 Número de Handoff totales - tráfico alto - SAW

60

Para el caso de Handoff fallidos donde indica que el algoritmo de selección fallo pues existe un Usuario Primario en el canal, AR tiene un buen desempeño pues para tráfico Alto tiene el mismo número de bloqueos que el algoritmo Reactivo (ver Figura 18 y Figura 19)

Tabla 8 Número de Handoff fallidos - SAW

Tráfico Alto Tráfico Bajo

#Total Handoff Fallidos AR 12 10 #Total Handoff Fallidos MA 16 8 #Total Handoff Fallidos ARMA 14 8 #Total Handoff Fallidos Sin Predicción 12 5

Figura 18 Número de Handoff fallidos - tráfico bajo – SAW

El número de Handoff por interferencia descrito por la Tabla 9, es la variable que más relevancia tiene para la presente investigación, muestra en todos los escenarios una mejora con respecto al algoritmo sin predicción. MA logra un 14,10% menos interferencia con el usuario primario para tráfico alto y un 13,15% para tráfico bajo.

61

Figura 19 Número de Handoff fallidos - tráfico bajo – SAW

Tabla 9 Número de Handoff por interferencia SAW

Tráfico Alto Tráfico Bajo #Total Handoff Interferencia AR 70 64 #Total Handoff Interferencia MA 67 66 #Total Handoff Interferencia ARMA 70 69 #Total Handoff Interferencia Sin Predicción 78 76

Figura 20 Número de Handoff por interferencia - tráfico bajo – SAW

62

Figura 21 Número de Handoff por interferencia - tráfico alto – SAW

4.2 VIKOR

El error medio presente en el algoritmo de selección de canal VIKOR (Tabla 10), muestra que se realiza mejor predicción cuando se implementa ARMA, ya que alcanza un error de 2.23 % con respecto a la traza original en los canales escogidos para los intervalos de tiempo, por el contrario el que más error marco fue MA, tanto para tráfico Alto y Bajo.

Tabla 10 Error medio de predicción frente a la muestra original - VIKOR

Tráfico Alto Tráfico Bajo Error Medio AR 2.49% 3.42% Error Medio MA 2.51% 3.93% Error Medio ARMA 2.23% 3.20%

Como se observa en la Tabla 11, el ancho de banda promedio es similar para los todas las muestras realizadas, es claro que para un tráfico bajo el algoritmo logra encontrar más canales adyacentes para realizar la transmisión, logrando un ancho de banda de casi un 50%. La técnica que mejor desempeño mostró es ARMA (Ver Figura 22 y Figura 23).

63

Tabla 11 Ancho de banda promedio VIKOR Tráfico Alto

(kHz) Tráfico Bajo

(kHz) BW Promedio AR 585,96 775,13 BW Promedio MA 582,15 775,08 BW Promedio ARMA 582,49 776,47 BW Promedio Sin Predicción 586,51 772,84

Figura 22 Ancho de banda utilizado - tráfico bajo – VIKOR

64

Figura 23 Ancho de banda utilizado - tráfico alto – VIKOR

Por otro lado a comparación de las dos métricas anteriores ARMA es el algoritmo que más saltos espectrales introduce en la simulación (ver Figura 24 y Figura 25), esto impacta fuertemente en retrasos en transmisión, saturación de canales si existen otros usuarios secundarios, entre otros. En la Tabla 12se registran los datos del Handoff espectral totales para VIKOR.

Tabla 12 Número total de Handoff -VIKOR

Tráfico Alto Tráfico Bajo #Total Handoff AR 138 106 #Total Handoff MA 112 99 #Total Handoff ARMA 147 121 #Total Handoff Sin Predicción 90 81

65

Figura 24 Handoff totales - tráfico bajo – VIKOR

Para los Bloqueos provocados debidos a la selección de canal, se observa casi uniforme en las cuatro muestras ver Tabla 13, pero como se evidencia en la Figura 26 y Figura 27, generalmente cuando no existe predicción muestra una tendencia a estar por debajo de las demás técnicas, lo que indicaría, que para ver un mejor escenario es necesario tener más trazas para buscar una estabilidad en el sistema.

Figura 25 Handoff totales - tráfico alto – VIKOR

66

Tabla 13 Número de Handoff fallidos VIKOR

Tráfico Alto Tráfico Bajo

#Total Handoff Fallidos AR 12 11 #Total Handoff Fallidos MA 16 6 #Total Handoff Fallidos ARMA 14 9 #Total Handoff Fallidos Sin Predicción 12 6

Figura 26 Handoff fallidos - tráfico bajo – VIKOR

67

Figura 27 Handoff fallidos - tráfico alto – VIKOR

En promedio, los demás algoritmos de predicción para Vikor lograron reducir la interferencia en un 11,4 % para tráfico Alto y un 12.88 % para tráfico Bajo como está descrito en la Tabla 14. Dentro de la Figura 28 y Figura 29, se observa que para todo el tiempo de simulación la interferencia siempre está por debajo del Handoff Reactivo.

Tráfico Alto Tráfico Bajo #Total Handoff Interferencia AR 70 63 #Total Handoff Interferencia MA 67 65 #Total Handoff Interferencia ARMA 70 68 #Total Handoff Interferencia Sin Predicción 78 75

Tabla 14 Número de Handoff por interferencia VIKOR

Figura 28 Handoff por interferencia - tráfico bajo – VIKOR

68

Figura 29 Handoff por interferencia - tráfico alto – VIKOR

4.3 TOPSIS

La Tabla 15 muestra el error medio de las predicciones hechas, entre los algoritmos, AR, MA y ARMA, la técnica que menor margen de error presento en promedio fue ARMA, y la que mayor error presento fue, MA tanto para tráfico al Alto y Bajo.

Tabla 15 Error medio de predicción frente a la muestra original TOPSIS

Tráfico Alto Tráfico Bajo Error Medio AR 2,47% 3,39% Error Medio MA 2,52% 3,92% Error Medio ARMA 2,19% 3,17%

El ancho de Banda Promedio logrado con TOPSIS es inferior al observado con VIKOR para ambos casos (Tabla 16), tráfico Alto Y Bajo. En tráfico alto, la disminución del ancho de banda es de alrededor 10% y en tráfico Bajo es del 15%. Además, si se observan la Figura 30 y Figura 31, se evidencia que el ancho de banda es muy variable, lo que para condiciones donde se requiera un ancho de banda constante sería una complicación.

Tabla 16 Ancho de banda promedio utilizado TOSIS

Tráfico Alto (kHz)

Tráfico Bajo (kHz)

69

BW Promedio AR 543,28 690,95 BW Promedio MA 544,44 689,81 BW Promedio ARMA 542,64 692,03 BW Promedio Sin Predicción 546,47 687,24

Figura 30 Ancho de banda utilizado - tráfico alto – TOPSIS

Figura 31 Ancho de banda utilizado - tráfico bajo – TOPSIS

La

70

Tabla 17 muestra el número de Handoff introducidos por los algoritmos de predicción para TOPSIS. MA, sigue siendo es la técnica que mejor desempeño muestra ya que introduce únicamente 12% de saltos adicionales en tráfico Alto a comparación del Handoff Reactivo. Por otro lado, TOPSIS muestra un desempeño bajo para hacer selección de canal cuando existe tráfico bajo, pues como se observa en la Figura 32 y Figura 33 logra mayor número de saltos en tráfico de tipo Bajo que en Alto introduciendo alta latencia a un caudal de tráfico que no lo amerita.

Tabla 17 Número total de Handoff realizados TOPSIS

Tráfico Alto Tráfico Bajo #Total Handoff AR 132 135 #Total Handoff MA 111 122 #Total Handoff ARMA 135 148 #Total Handoff Sin Predicción 90 99

En la Figura 34 y Figura 35 se observa que los Handoff Fallidos para TOPSIS y todos sus modelos de predicción son muy similar en tráfico Alto; mientras que para tráfico bajo, se introduce un mayor número de bloqueos que llegan a más del 100% para el caso de AR (Tabla 18).

Figura 32 Handoff totales - tráfico bajo – TOPSIS

71

Figura 33 Handoff totales - tráfico alto – TOPSIS

Tabla 18 Handoff Fallidos TOPSIS

Tráfico Alto Tráfico Bajo #Total Handoff Fallidos AR 14 16 #Total Handoff Fallidos MA 16 14 #Total Handoff Fallidos ARMA 15 10 #Total Handoff Fallidos Sin Predicción 13 7

Figura 34 Handoff fallidos - tráfico bajo – TOPSIS

72

Figura 35 Handoff fallidos - tráfico alto – TOPSIS

Acorde a lo observado en el número total de Handoff realizados registrados en la Tabla 24, la técnica TOPSIS tiene un buen desempeño para tráfico Alto, pero uno regular para tráfico Bajo, debido a que introduce alrededor de un 9% de saltos adicionales por interferencia (Ver Figura 36 y Figura 37).

Tabla 19 Número de Handoff por interferencia TOPSIS

Tráfico Alto Tráfico Bajo #Total Handoff Interferencia AR 68 76 #Total Handoff Interferencia MA 64 74 #Total Handoff Interferencia ARMA 67 82 #Total Handoff Interferencia Sin Predicción 77 92

73

Figura 36 Handoff por interferencia - tráfico bajo – TOPSIS

Figura 37 Handoff por interferencia – tráfico alto – TOPSIS

4.4 AHP Al utilizar AHP se observa que el error medio en predicción está en 2,54% para bajo y 3,56 % para alto ( Tabla 20). Éste resultado de error también afecta otros variables vistas más adelante como en el número de Handoff totales realizados por AHP, donde se observa en la Figura 40 y Figura 41 genera un mayor número de saltos para tráfico Bajo que para el Alto.

Tabla 20 Error medio de predicción frente a la muestra original AHP

74

Tráfico Alto Tráfico Bajo Error Medio AR 2,62% 3,45% Error Medio MA 2,73% 3,98% Error Medio ARMA 2,28% 3,26%

El Ancho de Banda promedio para AHP (Tabla 21), es levemente inferior que a las otras tres técnicas: SAW, VIKOR y TOPSIS bajando su capacidad en 3% y 8% para tráfico alto y bajo respectivamente. Por otro lado, si se compara la Figura 38 y Figura 39 la técnica AHP produce un menor Ancho de Banda para Tráfico Bajo, relegando este algoritmo de Selección a ser utilizado preferiblemente en tráficos de tipo Alto.

Tabla 21 Ancho de banda promedio utilizado AHP Tráfico Alto

(kHz) Tráfico Bajo

(kHz) BW Promedio AR 537,66 544,01 BW Promedio MA 537,45 550,02 BW Promedio ARMA 539,42 543,84 BW Promedio Sin Predicción 535,73 555,10

Figura 38 Ancho de banda utilizado - tráfico alto – AHP

75

Figura 39 Ancho de banda utilizado - tráfico bajo – AHP

Tabla 22 Número total de Handoff realizados AHP

Tráfico Alto Tráfico Bajo #Total Handoff AR 142 188 #Total Handoff MA 111 163 #Total Handoff ARMA 136 195 #Total Handoff Sin Predicción 87 122

Figura 40 Handoff totales - tráfico bajo – AHP

76

Figura 41 Handoff totales - tráfico alto – AHP

La Tabla 23 muestra los Handoff Fallidos realizados por el algoritmo AHP para la simulación. Se observa al igual de las otras variables analizadas en AHP, el desempeño para tráfico Bajo, no es el adecuado ya que supera hasta en un 300% los saltos que presenta el tráfico alto (Figura 42 y Figura 43).

Tabla 23 Handoff fallidos AHP

Tráfico Alto Tráfico Bajo #Total Handoff Fallidos AR 20 70 #Total Handoff Fallidos MA 16 60 #Total Handoff Fallidos ARMA 16 55 #Total Handoff Fallidos Sin Predicción 13 40

El Handoff por Interferencia para AHP ( Tabla 24), muestra un mayor desempeño en predicción arrojada por MA ya que logra una reducción del 16% frente al algoritmo Reactivo para tráfico Bajo, por el contrario, para tráfico bajo aumenta el número de interferencias, convirtiendo a AHP en el único algoritmo que no logra con la función principal de reducir interferencia con el Usuario Primario, como se observa en la Figura 44 y Figura 45.

77

Figura 42 Handoff fallidos - tráfico bajo –AHP

Figura 43 Handoff fallidos - tráfico alto – AHP

Tabla 24 Número de Handoff por interferencia AHP

Tráfico Alto Tráfico Bajo #Total Handoff Interferencia AR 63 94 #Total Handoff Interferencia MA 62 94 #Total Handoff Interferencia ARMA 67 95 #Total Handoff Interferencia Sin Predicción 74 81

78

Figura 44 Handoff por interferencia - tráfico bajo – AHP

Figura 45 Handoff por interferencia – tráfico alto – AHP

79

4.5 Comparativa de Modelos La Tabla 25 y Tabla 26 muestra el desempeño de los algoritmos para tráfico Alto y Bajo respectivamente según el ancho de banda obtenido. En general los modelos de predicción para las técnicas de selección no influyen en la ganancia de ancho de banda, ya que el rango de aumento o diminución está alrededor del 1%. Por otro lado la influencia del método de selección es más pronunciado según los resultados obtenidos, como se observa para tráfico bajo el ancho de banda, de AHP es 25% inferior a SAW. Como síntesis, todos los métodos de selección para ganancia de ancho de banda son buenos para tráfico alto ya que se valor promedio no tiene gran desviación. En contraste, en tráfico bajo donde se espera que exista un mayor ancho de banda en transmisión, el comportamiento de AHP fue el único algoritmo que no arrojó los mejora con respecto a los demás.

Tabla 25. Resultados del ancho de banda obtenido en tráfico alto.

Tráfico Alto SAW VIKOR TOPSIS AHP BW Promedio por

Predicción BW Promedio AR 582,78 585,96 543,28 537,66 562,42 BW Promedio MA 582,00 582,15 544,44 537,45 561,51

BW Promedio ARMA 579,25 582,49 542,64 539,42 560,95 BW Promedio Sin

Predicción 583,35 586,51 546,47 535,73 563,02 Promedio 581,85 584,28 544,21 537,57

Tabla 26. Resultados del ancho de banda obtenido en tráfico bajo.

Tráfico Bajo SAW VIKOR TOPSIS AHP BW Promedio por

Predicción BW Promedio AR 772,29 775,13 690,95 544,01 695,60 BW Promedio MA 771,66 775,08 689,81 550,02 696,64

BW Promedio ARMA 773,95 776,47 692,03 543,84 696,57 BW Promedio Sin

Predicción 769,96 772,84 687,24 555,10 696,29 Promedio 771,97 774,88 690,01 548,24

Para el tráfico adicionado según la técnica de predicción, como se observa en la Tabla 27 y Tabla 28, el que mejor desempeño mostró fue MA, ya que tanto para tráfico Alto y Bajo introduce alrededor de un 20% de saltos con respecto al Handoff reactivo, por otro lado el que peor comportamiento presentó fue ARMA con un 35% de saltos promedio adicionado para ambos tipos de tráfico.

80

Según la técnica de selección se puede observar que SAW tiene el mejor comportamiento para tráfico Bajo con un 24,17% y TOPSIS para alto con 28,02%. Como balance la mejor técnica de selección es TOPSIS para introducir la menor cantidad de Handoff.

Tabla 27. Resultados del número total de Handoff obtenido en tráfico alto.

Tráfico Alto SAW VIKOR TOPSIS AHP

% medio de Handoff promedio por

predicción #Total Handoff AR 138 138 132 142 35,03% #Total Handoff MA 112 112 111 111 19,96%

#Total Handoff ARMA 147 147 135 136 36,73% #Total Handoff Sin

Predicción 90 90 90 87 Total 31,07% 31,07% 28,02% 32,13%

Tabla 28. Resultados del número total de Handoff obtenido en tráfico bajo.

Tráfico Bajo SAW VIKOR TOPSIS AHP

% medio de Handoff adicionado por

predicción #Total Handoff AR 104 106 135 188 26,87% #Total Handoff MA 98 99 122 163 19,88%

#Total Handoff ARMA 121 121 148 195 34,16% #Total Handoff Sin

Predicción 81 81 99 122 Total 24,17% 24,94% 26,21% 32,57%

Para el número de Handoff fallidos ( Tabla 29 y Tabla 30), el modelo de predicción que mejor desempeño presento para tráfico Alto fue AR, con 10,54% de saltos errados, pero es el peor para tráfico Bajo con 48 % con respecto al Handoff reactivo. El algoritmo de selección de Canal que peor desempeño tuvo fue SAW si se compara con su propio modelo Reactivo, pero es AHP el que más saltos fallidos introduce en toda la simulación sobre todo en tráfico bajo.

81

Tabla 29. Resultados del número total de Handoff fallidos obtenidos en tráfico alto.

Tráfico Alto SAW VIKOR TOPSIS AHP % medio de

Handoff fallidos #Total Handoff Fallidos AR 12 12 14 20 10,54% #Total Handoff Fallidos MA 16 16 16 16 21,88%

#Total Handoff Fallidos ARMA 14 14 15 16 15,16%

#Total Handoff Fallidos Sin Predicción 12 12 13 13 0,00%

Total 13,10% 13,10% 13,08% 24,17%

Tabla 30. Resultados del número total de Handoff fallidos obtenidos en tráfico bajo.

Tráfico Bajo SAW VIKOR TOPSIS AHP % medio de

Handoff fallidos #Total Handoff Fallidos AR 10 11 16 70 48,64% #Total Handoff Fallidos MA 8 6 14 60 30,21%

#Total Handoff Fallidos ARMA 8 9 10 55 32,03%

#Total Handoff Fallidos Sin Predicción 5 6 7 40

Total 41,67% 26,26% 45,42% 34,49% Las Tabla 31 y Tabla 32 muestran el número de Handoff por interferencia realizados durante la simulación. MA tiene un mejor desempeño en tráfico alto con un 18% menor de saltos por interferencia, y AR un 11% en tráfico bajo. TOPSIS es la técnica de selección que mejor desempeño tiene tanto en Alto como en Bajo, con respecto a la interferencia si no existe predicción, pero es la segunda técnica que mayores saltos por interferencia produce por detrás de AHP. Tabla 31. Resultados del número total de Handoff por interferencia en tráfico alto.

Tráfico Alto SAW VIKOR TOPSIS AHP % medio

de Handoff #Total Handoff

Interferencia AR 70 70 68 63 -13,39% #Total Handoff

Interferencia MA 67 67 64 62 -18,13%

82

#Total Handoff Interferencia ARMA 70 70 67 67 -12,06%

#Total Handoff Interferencia Sin Predicción 78 78 77 74

Total -13,09% -13,09% -16,16% -15,75% Tabla 32. Resultados del número total de Handoff por interferencia en tráfico bajo.

Tráfico Bajo SAW VIKOR TOPSIS AHP % medio

de Handoff #Total Handoff

Interferencia AR 64 63 76 94 -11,26% #Total Handoff

Interferencia MA 66 65 74 94 -10,26% #Total Handoff

Interferencia ARMA 69 68 82 95 -4,47% #Total Handoff

Interferencia Sin Predicción 76 75 92 81 Total -14,68% -14,91% -19,19% 14,13%

En la Tabla 33, se realiza la clasificación general del mejor algoritmo de acuerdo al desempeño que cada uno presentó dentro de las simulaciones realizadas. La tabla distribuye los valores entre las métricas planteadas, combinación de los algoritmos de selección de canal con tipo de predicción, y por tipo de tráfico. La ponderación se basa de acuerdo a la naturaleza de la métrica: entre mayor sea el valor mejor o por el contrario, entre más se acerque a cero el algoritmo obtuvo un mejor desempeño, por ejemplo, VIKOR-ARMA tiene el mejor Ancho de Banda promedio arrojado dentro de todas las simulaciones para Trafico Bajo, por tanto, éste es el valor de referencia para comparar en qué medida los demás algoritmos fueron inferiores. Ancho de Banda El algoritmo que mejor desempeño presentó dentro de todas las simulaciones realizadas para la métrica ancho de banda (BW), fue VIKOR – AR, con un 99,87%, esto a pesar que no fue el mejor algoritmo para ninguna de las dos trazas de tráfico Alto y Bajo, pero fue el más cercano a los valores más altos de referencia. Para tráfico Bajo el mejor promedio lo obtuvo VIKOR – ARMA, y para tráfico alto fue VIKOR Reactivo. Número total de Handoff Para este caso como la naturaleza de la métrica es inversa, el algoritmo que mejor se desempeñó haciendo la menor cantidad de Handoff fueron como se esperaba

83

los reactivos, VIKOR y SAW para tráfico Bajo y AHP para tráfico Alto y en general para ambos tipo de comportamiento fueron para VIKOR Y SAW. Número total de Handoff Fallidos Para esta métrica el que obtuvo mejor puntaje fue SAW Reactivo siendo el mejor en ambos escenarios de tráfico Alto y Bajo; esto indica que fue el algoritmo que menor PU se encontró una vez realizado el salto espectral. Esta métrica va estrechamente relacionado al desempeño del algoritmo de selección de canal y de las variables que se han definido para alimentar el método Multi-Variable. Número Total de Handoff por Interferencia Dentro de las métricas, esta variable está ampliamente relacionada al comportamiento del algoritmo de predicción ya que indica si los análisis hechos por las series de tiempo pueden llegar a disminuir la interferencia con el PU. De manera acertada que mejor desempeño precisaron dentro de las simulaciones fueron VIKOR – AR para tráfico Bajo y AHP – MA para tráfico Alto, dentro de la clasificación general para ambas trazas el que mejor desempeño presentó fue VIKOR – MA con un 98,73 %. También como era de esperarse, la mayoría de los algoritmos reactivos fueron los que menor desempeño presentaron en esta métrica. Dentro de la clasificación global, los algoritmos que mejor desempeño presentaron fueron los Reactivos en VIKOR y SAW, esto indica que a pesar que se cumple con el objetivo de reducir la interferencia con los PU utilizando técnicas Proactivas Puras, el costo para otras variables asociadas a la cantidad de Handoffs como son el número total y fallidos, pueden contra restar la ganancia dada por no interferir con los PU en latencias y eficiencia espectral. Globalmente y siendo el tercer algoritmo con mejor desempeño se encuentra VIKOR-MA con el 88,30 % otorgando como mejor algoritmo que utiliza técnicas de predicción.

84

85

Tabla 33. Evaluación comparativa general de los algoritmos

Métricas de Evaluación

Trafico SAW-AR

SAW-MA

SAW-ARMA SAW-Re VIKOR-

AR VIKOR-

MA VIKOR-ARMA

VIKOR-Re

TOPSIS-AR

TOPSIS-MA

TOPSIS-ARMA

TOPSIS-Re

AHP-AR

AHP-MA

AHP-ARMA AHP-Re

BW Promedio

TB 99,46% 99,38% 99,68% 99,16% 99,83% 99,82% 100,00% 99,53% 88,99% 88,84% 89,13% 88,51% 70,06% 70,84% 70,04% 71,49%

BW Promedio

TA 99,36% 99,23% 98,76% 99,46% 99,91% 99,26% 99,31% 100,00% 92,63% 92,83% 92,52% 93,17% 91,67% 91,64% 91,97% 91,34%

#Total Handoff

TB 77,88% 82,65% 66,94% 100,00% 76,42% 81,82% 66,94% 100,00% 60,00% 66,39% 54,73% 81,82% 43,09% 49,69% 41,54% 66,39%

#Total Handoff

TA 63,04% 77,68% 59,18% 96,67% 63,04% 77,68% 59,18% 96,67% 65,91% 78,38% 64,44% 96,67% 61,27% 78,38% 63,97% 100,00%

#Total Handoff Fallidos

TB 50,00% 62,50% 62,50% 100,00% 45,45% 83,33% 55,56% 83,33% 31,25% 35,71% 50,00% 71,43% 7,14% 8,33% 9,09% 12,50%

#Total Handoff Fallidos

TA 100,00% 75,00% 85,71% 100,00% 100,00% 75,00% 85,71% 100,00% 85,71% 75,00% 80,00% 92,31% 60,00% 75,00% 75,00% 92,31%

#Total Handoff Interferencia

TB 98,44% 95,45% 91,30% 82,89% 100,00% 96,92% 92,65% 84,00% 82,89% 85,14% 76,83% 68,48% 67,02% 67,02% 66,32% 77,78%

#Total Handoff Interferencia

TA 88,57% 92,54% 88,57% 79,49% 88,57% 92,54% 88,57% 79,49% 91,18% 96,88% 92,54% 80,52% 98,41% 100,00% 92,54% 83,78%

Score BW 99,41% 99,31% 99,22% 99,31% 99,87% 99,54% 99,66% 99,77% 90,81% 90,83% 90,82% 90,84% 80,87% 81,24% 81,01% 81,42% Score # Total Handoff

70,46% 80,17% 63,06% 98,33% 69,73% 79,75% 63,06% 98,33% 62,95% 72,39% 59,59% 89,24% 52,18% 64,04% 52,75% 83,20%

Score # Total Handoff Fallidos

75,00% 68,75% 74,11% 100,00% 72,73% 79,17% 70,63% 91,67% 58,48% 55,36% 65,00% 81,87% 33,57% 41,67% 42,05% 52,40%

Score # Total Handoff Interferencia

93,50% 94,00% 89,94% 81,19% 94,29% 94,73% 90,61% 81,74% 87,04% 91,01% 84,68% 74,50% 82,72% 83,51% 79,43% 80,78%

Score TB 81,45% 85,00% 80,11% 95,51% 80,42% 90,47% 78,79% 91,72% 65,78% 69,02% 67,67% 77,56% 46,83% 48,97% 46,75% 57,04% Score TA 87,74% 86,11% 83,06% 93,90% 87,88% 86,12% 83,20% 94,04% 83,86% 85,77% 82,38% 90,67% 77,84% 86,25% 80,87% 91,86% Score Global

84,59% 85,56% 81,58% 94,71% 84,15% 88,30% 80,99% 92,88% 74,82% 77,40% 75,02% 84,11% 62,34% 67,61% 63,81% 74,45%

87

5 CONCLUSIONES Modelar adecuadamente el comportamiento del usuario primario permite predecir el patrón de la ocupación espectral y con ello, disminuir la interferencia que se puede llegar a presentar en el momento que el usuario secundario haga uso de una oportunidad espectral en una banda licenciada. A pesar de que con diferentes algoritmos se logró reducciones interesantes en la interferencia, es importante analizar con detenimiento la relación de costo-beneficio de cada algoritmo, debido a que en algunos casos, la reducción de interferencia implica un aumento considerable del número de saltos de frecuencia, que a la larga pueden afectar significativamente el desempeño de la comunicación. Cuando el algoritmo es Reactivo se observa que el ancho de banda es levemente inferior en promedio con respecto a cuando existe una predicción implementada. Esto indica que la ventaja de implementar un algoritmo de predicción no solo reduce la interferencia sino que también permite aumentar el ancho de banda de transmisión. 5.1 Trabajo Futuro Como trabajo futuro se propone realizar una actualización dinámica de los valores promedio de los criterios de cada oportunidad espectral a evaluar, dado que se observó que a medida que el tiempo aumentaba la evaluación de los canales se hacía menos eficaz. Mantener los criterios de decisión estáticos es ineficiente, el tráfico de comportamiento bajo a pesar que tiene más tiempo para hacer transmisión presenta espacios en blanco más cortos contra el tráfico alto que tiene menos huecos espectrales, pero más prologados en el tiempo.

89

REFERENCIAS BIBLIOGRAFICAS

Ian F. Akyildiz, W.-Y. L. (Mayo de 2006). NeXt generation-dynamic spectrum access-cognitive radio wireless networks: A survey. Computer Networks . José Marinho, E. M. (October de 2011). Cognitive radio: survey on communication protocols, spectrum decision issues, and future research directions . Wireless Netw , 147-164. Ian F. Akyildiz, W.-Y. L. (January de 2009). CRAHNs: Cognitive radio ad hoc networks. Ad Hoc Networks , 810-836. Ivan Christian, S. M. (June de 2012). Spectrum Mobility in Cognitive Radio Networks. IEEE Communications Magazine , 114-121. Atiq Ahmed, L. ̈. (2013). Enabling Vertical Handover Decisions in Heterogeneous Wireless Networks: A State-of-the-Art and A Classification. IEEE COMMUNICATIONS SURVEYS & TUTORIALS . X. Li, T. D. (2009). Distributed Channel Assignment in Cognitive Radio Networks. nternational Conference on Wireless Communications and Mobile Computing: Connecting the World Wirelessly, (págs. 989–993). T. Zhang, B. W. (2009). Spectrum assignment in infrastructure based cognitive radio networks. Aerospace & Electronics Confer- ence (NAECON), (págs. 69-74). Ramírez Perez, C., & Ramos Ramos, V. (2010). Handover vertical: un problema de toma de decisión múltiple. VIII Congreso Internacional sobre Innovación y Desarrollo Tecnológico. Cuernavaca. Ramos-R., C. R.-P.-M. (2013). On the effectiveness of multi-criteria decision mechanisms for vertical handoff. International Conference on Advanced Information Networking and Applications . Mexico. Hübner, R. (2007). Strategic Supply Chain Management in Process Industries: An Application to Specialty Chemicals Production Network Design (Vol. 1). Springer Science & Business Media. Tetsuzo Tanino, T. T. (2003). Multi-Objective Programming and Goal Programming: Theory and Applications. Springer Science & Business Media. E. Stevens-Navarro, J. M.-M., & Pineda-Rico, U. (2012). Evaluation of Vertical Handoff Decision Algorightms Based on MADM Methods for Heterogeneous Wireless Networks. Journal of Applied Research and Technology , 10, 534-538. R., C. R.-P. (2012). A QoS hierarchical decision scheme for vertical handoff.

90

International Caribbean Conference on Devices, Circuts and Systems (ICCDCS) . Ren, P., Wang, Y., Du, Q., & Xu , J. (2012). A survey on dynamic spectrum access protocols for distributed cognitive wireless networks. EURASIP Journal on Wireless Communications and Networking . Wang, C.-W., & Wang, L.-C. (2012). Analysis of Reactive Spectrum Handoff in Cognitive Radio Networks. IEEE JOURNAL ON SELECTED AREAS IN COMMUNICATION , 30 (10), 2016-2028. Song, Y., & Xie, J. (2010). Proactive Spectrum Handoff in Cognitive Radio Ad Hoc Networks based on Common Hopping Coordination. INFOCOM. DUAN, J., & LI, Y. (2011). An Optimal Spectrum Handoff Scheme for Cognitive Radio Mobile Ad Hoc Networks. Advances in Electrical and Computer Engineering , 11 (3), 11-26. Thant Zin Oo, C. S. Alternating Renewal Framework for Estimation in Spectrum Sensing Policy and Proactive Spectrum Handoff. ICON2013. Salah Zahed, I. A. (s.f.). Analytical modeling for spectrum handoff decision in cognitive radio networks . Simulation Modelling Practice and Theory . Mohammed Raiss-El-Fenni, R. E.-A.-K. (2012). Dynamic spectrum allocation with admission control based on cognitive radio for QoS support in multiple wireless network. EURASIP Journal on Wireless Communications and Networking . Gen Motoyoshi, K. L. (2012). Proposal and evaluation of a future mobile network management mechanism with attractor selection . EURASIP Journal on Wireless Communications and Networking . Y. Wu, K. Y. (2008). Congestion-aware proactive vertical handoff algorithm in heterogeneous wireless networks . IET Communications . Lu Li, Y. S. (2011). TPSH: A Novel Spectrum Handoff Approach Based on Time Estimation in Dynamic Spectrum Networks. IEEE International Conference on Computational Science and Engineering, (págs. 345-350). Shilian Zheng, X. Y. (2011). Target Channel Sequence Selection Scheme for Proactive-Decision Spectrum Handoff. IEEE COMMUNICATIONS LETTERS , 15 (12). Li-Chun Wang, C.-W. W. (2008). Spectrum Handoff for Cognitive Radio Networks: Reactive-Sensing or Proactive-Sensing? . IEEE, (págs. 343-348). Jingqing Mei, H. J. (2011). Service-aware Proactive Vertical Handoff Algorithm based on Bandwidth Requirement Prediction. International ICST Conference on Communications and Networking in China (CHINACOM) , (págs. 569-573).

91

Wenjie Zhang, C. K. (2014). Sequential sensing based spectrum handoff in cognitive radio networks with multiple users . Computer Networks -ScienceDirect , 87-98. Yi Song, J. X. (2012). ProSpect: A Proactive Spectrum Handoff Framework for Cognitive Radio Ad Hoc Networks without Common Control Channel. IEEE TRANSACTIONS ON MOBILE COMPUTING , 11 (7), 1127-1139. Xie, Y. S. (2010). Proactive Spectrum Handoff in Cognitive Radio Ad Hoc Networks based on Common Hopping Coordination. IEEE Communications Society . Samad Nejatian, S. K.-Y. (2013). Proactive integrated handoff management in cognitive radio mobile ad hoc networks. EURASIP Journal on Wireless Communications and Networking . Debasis Das, R. M. (2013). Proactive Approach based Fast Handoff Algorithm for VANETs. Annual IEEE India Conference (INDICON). Chung-Wei Wang, L.-C. W. (2009). Modeling and Analysis for Proactive-decision Spectrum Handoff in Cognitive Radio Networks. IEEE Communications Society . Paolo Bellavista, A. C. (2009). Effective Adaptation Decisions based on Context-aware Proactive Handoff for Mobile Multimedia Continuity Maintenance. IEEE , 48-53. FCC. (2003). ET Docket No 03-222 Notice of Proposed rule Making and order. Moshe Timothy Masonta, M. M. (2013). Spectrum Decision in Cognitive Radio Networks: A Survey . IEEE COMMUNICATIONS SURVEYS & TUTORIALS , 15 (3), 1088-1107. Elias Z. Tragos, S. Z. (2013). Spectrum Assignment in Cognitive Radio Networks: A Comprehensive Survey . IEEE COMMUNICATIONS SURVEYS & TUTORIALS , 15 (3), 1108-1135. H.A.Vine1. (2010). COMPARISON BETWEEN MADM ALGORITHMS FOR VERTICAL HANDOFF DECISION. Departmet of Computer Science University of Wah , Wah. al., C.-J. K. (2010). Dynamic Spectrum Access/Cognitive Radio Activities in Korea. Proc. IEEE Symp. New Fron- tiers in Dynamic Spectrum . C.-J. Kim et al. (2010). Dynamic Spectrum Access/Cognitive Radio Activities in Korea in Proc. IEEE Symp. New Fron- tiers in Dynamic Spectrum. FCC-1. (2003). ET Docket No 03-222 Notice of Proposed rule Making and order. Liang, Y. C. (2011). Cognitive radio networking and communications: An overview. . IEEE Transactions on Vehicular Technology , 3386–3407.

92

Haykin, S. (2005). Cognitive radio: Brain-empowered wireless communications. IEEE Journal on Selected Areas in Communications , 201–220. Mangold, S. Z.-T.-T. (2004). Spectrum agile radio: radio resource measurements for opportunistic spectrum usage. IEEE Global Telecommunications Conference, (págs. 3467–3471). Grigoris Gkionis, A. M. (2017). An Effective Spectrum Handoff Scheme for Cognitive Radio Ad Hoc Networks. IEEE Transactions on Wireless Communications , 17. Ejaz, A., & Dong In, K. (2017). Traf c-Pattern Aware Opportunistic Wireless Energy Harvesting in Cognitive Radio Networks. IEEE ICC 2017 Green Communications Systems and Networks Symposium. Zheng, G., Ho, Z., Jorswieck, E. A., & Ottersten, B. (2014). Information and Energy Cooperation in Cognitive Radio Networks. IEEE TRANSACTIONS ON SIGNAL PROCESSING , 62 (9), 2290-2303.