基于数据的认知物联网中存在恶意用户的粒子群优化

摘要

随着普遍存在的和环境知识的计算领域的越来越多的应用，物联网（物联网）正在增长。该研究有效地利用和管理工业物联网（IIT）应用的频谱资源目前处于研究界的兴趣。由于越来越多的IIOR设备以高系统复杂性的成本向未来关联的社会朝向未来的无线通信需求不断增长，所以认知物联网（CIOT）技术被视为选择。可靠地检测空置频谱孔是CIOT网络中的一个重要任务。然而，频谱感测的性能严重降低了恶意用户（MUS）的存在，通过向融合中心（FC）报告虚假数据来伪造感测结果。在本文中，我们专注于使用粒子群优化（PSO）来保护来自Mus造成的负面影响的协同谱检测（CSS）。通过分析和模拟，所提出的方案的有效性在不同类型的肌肉中的各种场景中验证。

1.介绍

在过去的十年中，无线通信网络在过去十年中获得了巨大进展，以满足从1G到4G长期演进（LTE）高级无线网络的应用程序设备的增长[1］.这几代人为了实现更高的数据速率、高可靠性、最小的延迟和更多的东西，已经发挥了他们的作用。无线通信面临的挑战是如何在任何时间和任何地点连接无线设备。在发展过程中，5G有望在频谱管理、公共安全考虑、能源利用效率、提高数据速率和低延迟方面做出重大贡献[2-4.］.由于5G无线通信技术即将问世，物联网作为其中心舞台，物联网设备将在5G网络范式的形成中发挥中心作用[5.］.

由Ashton首次提出并提到的物联网是一项技术革命，它将异构网络纳入物联网的共同保护伞下[6.］.这一技术革命代表了互联互通和可达性的未来。与传统的嵌入式系统网络不同，物联网能够互连由不同制造商生产的具有不同功能的异构设备[7.］.由于介绍了，IOT已经改变了众多行业的景观[8.］.这是一个有前途的社会，技术和经济影响的主题，这将对不久的将来对我们的日常生活产生强烈而有意义的影响。IOT将在即兴的物流学习，自动化，电子保健单位和智能交通系统中提供帮助[8.那9.］.利用移动计算在医疗保健环境中扩展物联网的功能，以移动医疗保健的形式在[10］.同样，基于FOG的IOT医疗保健框架提出了最大限度地减少雾感传感节点的能量消耗以及网络延迟11］.主要重点是技术视角来自该范例，是提高计算，通信和连接程序。然而，连接和无线电频谱管理在研究界前更为关键和具有挑战性的责任。在不久的将来，超过50亿无线设备必须互连，可能需要大量频谱资源[12］.在[13]作者认为，关于IOT中认知能力的重要性和就业，目的是没有含义认知能力的目标，它类似于一个尴尬的匍匐茎，所有爆炸和没有大脑。已经使用了十几种无线通信技术，如WiFi，蓝牙，LTE，早期的3G标准，ZigBee，近场通信（NFC）和不同的卫星服务。因此，无线通信在无线电频谱的使用和未使用部分中的新无线服务的无线通信需求的快速增长[14］.美国联邦通信委员会(FCC)已经将5.4 GHz频段的频谱共享合法化，该频段的设备在接入信道之前会感知到军事雷达的存在[15］.认知无线电（CR）是一种智能无线通信技术，具有高效的无线电频谱利用能力，试图根据环境学习和调整其内部状态[16］.主要用户（PU）能够在辅助用户（SUS）仅在声明为空闲时获得频谱访问的益处，而无法限制17］.

在CR网络（CRNS）中，对PU的检测不正确导致错误警报，并减少访问频谱的SUS机会。类似地，占用PU通道的任何误差通过二次访问产生对PU的干扰。基于遗传算法（GA）获得最佳干扰子载波的屏蔽，以抑制由SUS对PU通道引起的跨载波干扰[18］.在[19[提出了使用广义侧凸压槽与Ga和差分演变结合的侧瓣减少方案，以最大限度地减少干扰的影响。

用单个SU光谱感测面临着多个限制，例如具有能量约束，阴影，衰落和隐藏终端问题的限制[20.］.另一方面，在协同频谱感知(cooperative spectrum sensing, CSS)中，通过允许多个su之间的合作，共享其感知结果，对PU的存在做出全局决策，从而缓解了单个用户面临的感知问题[21］.在CSS中，SUS向融合中心（FC）向融合中心的局部决定导致全球决定推断PU的缺席或存在[21］.

但是，云存储系统中存在的恶意用户严重影响了用户之间的协作效率。因此，正确检测和排除管理单元的信息是极其重要的[22］.为了使CSS能够抵御MUs的攻击，已经进行了大量的研究。MU将错误的传感报告传输给FC，以造成频谱状况的混乱。这种攻击被称为频谱感知数据伪造(SSDF)攻击[23］.系统审查是在[24]分析物联网设备的安全问题，并使用移动计算对抗各种安全挑战。

增强树算法(BTA)提出于[25]使用Adaboost集合方法在异常感测数据的存在下在FC ReliaBlity中进行协作决策的结果。[26建议使用差分演进（DE）来识别对用户感测报告的加权系数矢量。与异常传感用户相比，这加强了具有高重量的正常传感用户的报告。使用花授粉算法（FPA）在FC下确定增强的CSS方案[27］.同样，在[中存在惰性MUs的异常报告时，在FC上对不同硬组合方案进行性能比较。28］.[29]，采用改进的双边邻居距离算法和遗传算法优化方案，在FC上进行最终决策前，减小了虚假感知报告的影响。[中的支持向量机(SVM)等机器学习方案30.]有效地分类了正常的传感用户和不同类别的传感器，以帮助FC决策。在[31.[泊松点流程的仿真环境中，具有假感测报告的恶意感应节点。由于亩不与FC共享诚实的传感报告，提出了一种具有激励设计方案的合同理论方法，[32.奖励诚实的美国并加强他们的合作。在[33.]遵循FC建议作为PU通道的最终决策，并使用其本地传感决策来保证CSS的可靠性。文中提出了一种贝叶斯推理方案[34.]使用滑动窗口信任模型来识别和统计个人和协作SSDF攻击者的削减。

一种始终处理肯定的恶意用户（AYMUS）的强大方案是在[35.］.研究了一种扩展的时序协作方案，该方案具有较低的感知报告和改进的感知性能。36.］.诸如最大增益组合（MGC）和等于增益组合（EGC）的软融合方案组合了从苏中报告的能量统计来做出决定[37.-39.］.在硬决策方案中，所有合作的SUs将表示局部决策的二进制值转发给FC以做出全局决策[40-42.］.作品中的[43.那44.利用遗传算法优化检测和虚警概率，使错误概率最小化。一种新的基于进化的CSS机制在[45.]选择和优化SUS'感测结果的权重系数。基于二元GA-（BGA）的软融合方案，提出在[46.用于改善检测性能和带宽利用率。粒子群优化（PSO）用作用于优化阈值点的工具，以提高光谱效率并检测潜在光谱[47.那48.］.提出了一种为合法用户提供高保护的节能PSO，在[49.］.在我们以前的研究中[50.[FC基于用户的软能量传感报告确定kullback-Leibler（KL）发散分数。KL发散分数被确认给用户并存储在FC本地数据库中以改善未来的决定。同样，在[51.那52.]，采用双边邻居距离(DSND)和离群点检测方案，然后采用遗传算法中的多数投票决策，以降低集中式CSS的全局决策错误概率。

在本文中，已经采用了PSO算法来寻找代表所有合作SUS的PU活动实际状态的频谱信息。PSO的光谱选择导致克服MUS在CSS中的效果。在所提出的方案中，SUS以某种感测间隔向FC转发它们的传感结果。FC利用PSO算法确定从包括MUS的SU的信息中的最合适的能量统计。请注意，MUS假装是正常的SUS。一对多汉明距离和z-score作为PSO算法的复合离群值评分和适应度函数。在PSO种群中，选取离群值最小的感知报告作为代表所有su的PU信道状态，进行全局决策。基于粒子群算法的选择，采用EGC、MGC和多数投票硬融合方案对PU信道进行全局决策。粒子群算法的选择包含较少的有害影响;因此，FC的决策更加可靠，提升了CSS的整体性能。

在合作环境下，对总无MU (ANMUs)、AYMU (AYMU)、对MU (OMU)和随机对MU (ROMU)的误感知进行了验证。不管实际状态如何，AYMU总是发送信道的高能统计信息;从而增加了虚警概率，降低了SUs的吞吐量。MU的ANMU类总是转发低能量统计信息，导致误检和对PU的干扰。OMU，这是最有害的类型的MU，转发相反的能量统计值与它的实际传感结果。最后，ROMU的作用就像带有概率的OMU就像正常的SU一样 ．

本文的其余部分组织如下。在第二节，给出了本文所考虑的系统模型。第三节详细描述了在使用EGC、MGC和FC的多数投票决策之前，如何利用PSO算法通过识别准确的传感结果来减少异常SUs的影响。文中给出了数值计算和分析第四节．最后,第五节总结本文。

2.系统模型

由于在所有SUS体验深度衰落的可能性非常低，因此用户协同决定PU活动的共享感测结果可以减少单苏感测量可能发生的感测问题。

目标是最小化误差概率 那在哪里和表示误报和误报概率。因此，为了减少 那误检的有害影响 和假警报概率必须最小化。

如图1时，SUs合作感知PU通道的活动，并将它们的感知信息通知FC。从AYMU接收到的信息总是高能信号，表示信道的繁忙状态。类似地，ANMU向FC提供低能量信号。OMU否定了PU的实际感知状态，ROMU的行为就像OMU或正常SU的概率。因此，ROMU的性质更加难以预测。根据从SUs收到的报告，FC对通道可用性做出全局决策。

二元假设测试时间间隔SU接收信号如下[35.]: 在假设表示PU通道的空闲状态和表示PU占用的信道，是收到的信号苏在时隙，加性高斯白噪声(AWGN)是在苏,PU通道之间的频道增益是苏,信号是否由PU传输时间槽,分别。

接收到的信号能量由PU信道苏在感应间隔 在哪里是样品的数量感应间隔。根据中央极限定理，样品的数量需要足够大，以便每个SU报告的能量变得类似于两者下的高斯随机变量和(35.那53.］.

在 （3.)，PU和PU之间的信噪比（SNR）是信噪比苏。同样的, 和 是在的能量的平均值和方差值和假设。

3.在FC的提议粒子群优化过程

PSO是由Eberhart和kennedy在1952年引入的鸟群或鱼群进化而来的[54.］.在粒子群算法中，个体智慧和集体智慧在寻找增强型解决方案中发挥着重要作用。在GA，很可能每一个小说群体都比前几代人发展得更好。同样，在PSO中，同一组的情况可能会越来越好。随着时间的推移，个体建立自己的智力并提高它。整个团队都希望提高团队的智慧。粒子群优化算法中的粒子利用自身和近邻的知识来更新自身的位置和速度。粒子群优化算法的粒子在多次迭代过程中交换各自的最佳位置信息。

所提出的使用粒子群算法的CSS模型如图所示2．在这个模型中，SUs感知PU通道，并将它们的能量统计数据转发给FC，以进行一些观测，形成PSO种群。然后，FC应用PSO技术识别更接近PU通道实际状态的传感报告。FC测量所有感知迭代下的适应度得分，并将最小的外围粒子声明为实际的信道信息，以进行最终决策。FC采用融合方案，基于种群中选择的全局最优粒子，生成更准确、更可靠的PU信道最终决策。

在PSO算法中，粒子表示群体矩阵的行，每个粒子元素（软能量报告）具有一定的位置和速度。最初，我们假设颗粒的位置和速度设定为零。PSO算法的整体过程，用于确定传感报告，基于FC拍摄的全局决定，是通过进行以下步骤：第1步：本地频谱决策财务委员会从SUs接收软能源报告，形成一个历史报告矩阵，其中包括软能源统计观察表示所有SUs的感知间隔，例如 在哪里表示的能量信息苏在感应间隔。频谱感测信息在FC数据库中收集SUs，包括MUs间隔如(3.）.通过利用以下步骤，可以最小化由肌引起的SSDF效应。第2步：找到粒子的适应性在收集能量信息之后（4.)， FC修改粒子的位置，以观察每个单独的传感报告与其他SUs提供的报告的差异。根据在(4.), 在哪里 那这表示所有其他SUS提供的个体软能量报告的平均值，同时提出的报告在这个平均值中。步骤2.1:使用一对多的传感距离进行离群基于一对多的传感距离，确定了传感器报告的外围因素为苏在传感粒子 根据(6.)，即异常值在正常的SUS和MUS中添加了在每个传感间隔下发现总的一对多汉明距得分： 在哪里代表各个报告的汉明距离绝对总和的总异常值分数平均报告所有其他的美国感应间隔。(7.）是为时间间隔，结果收集为 在哪里异常值评分的结果是感应间隔。这个分数是一个测量报告的每个苏离多远的平均检测报告提供的所有其他SUs通过分离感应间隔期间苏亩和正常的缺陷是误导性的俱乐部最终决定对PU通道。步骤2.2：偏远使用Z分数类似地，另一个异常值评分测量是用z-score测量与从每个SU收到的传感报告进行比较 在哪里 为平均值标准差是粒子在粒子群中的分布。是z-score偏远的报告在历史记录的间隔。的结果在(9.)显示了多少局部传感观测用户从所有其他SUs提供的组观察中分离出来。现在，为了保证每个报告，总和z所有粒子的扫描测量都是如此 总z分数的收集粒子群中的粒子为 适应度函数表示每个感知报告的适宜性，最终确定每个感知报告从正常SUs和MUs中适应度的选择，并计算异常行为较少的感知结果的最佳选择。根据其适应值选择颗粒的标准按照（6.)和(9.), 结果（12)声明与那些由于MUs异常行为而受到严重影响的感觉报告相比，异常较少的感觉报告的最低分数。步骤3:更新人口全球最佳位置是否导致所有粒子中最小的远远分数导致最小的粒子根据(12）.每个粒子都可以改进它自己，如果它的新版本比前一个更好。选取种群的局部最优粒子为 ．位置和速度最初设置为零。用个人和集体智能更新粒子速度，如 在哪里和是描述粒子的个人和社会贡献的学习加速度系数。相似地，和是0到1范围内的均匀分布的随机数，以向算法提出随机贡献。旁边的颗粒速度与局部和全球智能，这些速度舍入到两个极端 这粒子的位置表示软能量信息使用测量的速度更新迭代作为 在哪里是关于被改造人口的报告，是初步的报告苏在间隔，和速度是否如(14）.第4步：更新当地最好和全球最佳新人群的健身测量（15）通过遵循与（12）.将新粒子适应度与早期的种群适应度进行比较，寻找与早期能量报告相比在局部和全局最优位置上的任何改进。同样地，人口的局部最佳位置更新为 在 （16)，通过比较新种群的适应度更新局部最优粒子的结果(15）到当地最好的粒子健康。更新局部最优粒子，如果新粒子的离群结果为(12）与新创造的人口相比较高。同样，通过对最适者的交叉分析，在整个种群中寻找新的全局最优粒子。中更新的局部最佳粒子的适应度(16被放置用于比较，以搜索选择全球最佳粒子的选择 在 （17），与前面确定的全球最佳粒子相比，每个颗粒的远远分数。如果局部最佳人群的任何粒子都有一个健身功能，与全球最佳粒子相比，最佳函数是最佳的（12)，则全局最佳粒子被替换。其中，新的全局最优粒子为表示当前和以前的粒子群算法种群中，适应度函数最优且离群结果最小的粒子。新种群的PSO产生和搜索全局最优结果，直到满足停止准则。在期望的迭代次数结束时，最终得到包含可靠和可信软能量的全局最佳粒子报告合作SU被选为FC的最终决定。第5步：全局决策组合方案基于全球最佳粒子的最终选择作为软能量报告的代表合作SUS，FC利用软硬组合方案第二节宣布了关于PU通道的一致决定。本节采用EGC、MGC和多数投票硬融合组合方案作为决策准则。EGC将所有SU的个体统计信息结合起来，给予每个SU决策相同的权重，并进行连贯的总结。将该组合与EGC的阈值进行比较

协同检测和虚警概率和由EGC方案基于关于PU频谱的全局决定制作的

在MGC方案中，每个接收信号分支乘以一个与分支增益成比例的加权函数。在MGC中，信号强的分支被放大得更多，而信号弱的分支则随着权重的增大而衰减。MGC分集中增强强信号分量、衰减弱信号分量的思想与匹配滤波接收机中滤波和信号加权的思想完全相同。类似地，FC上的MGC方案对信噪比高的SUs的决策给予较高的权重，对信噪比低的SUs的决策给予较低的权重 在哪里 基于接收到的软能量统计量，测量了MGC方案的协作检测和虚警概率

在多数投票计划中，财务委员会将能量值大于阈值的SUs总数计算为

常用的三种硬组合方案是多数投票、OR和and融合组合方案。在计数硬决策中，对PU的存在做出了一个全局决策的总合作用户提供PU检测信息，其能量大于阈值。FC得出决定如果用户的报告验证PU是否存在。同样，PU检测信息小于的合作用户总数引导FC得出结论声明PU通道的空闲条件。计数分数被视为1或Fusion规则的1和规则。在提出的工作中，采用多数表决方案 ．在多数投票的情况下，如果一半合作的美国能源通过阈值，一个全球决策是 ;否则，决定得到支持 ．

基于粒子群算法最优选择的多数投票硬决策方案的检测和虚警概率度量如下: 在哪里和为采用粒子群算法作为FC检测机制时多数投票方案的合作检测概率和虚警概率。

4.数值评估

为仿真目的，对CRN进行了参数调整 苏。在总SUS中，将7 SUS选择为正常，4 SUS随机选择为AYMUS，ANMUS，OMU和ROMUS。传感时间保持在它包含 传感样本。传感迭代的总数被选为100。ROMU执行恶意行为的感知间隔从1随机调整为 ．OMU用户、ROMU用户、AYMU用户和ANMU用户分布均匀，验证系统性能。SUs的感知报告形成了PSO的大小种群 与表示感测信息的粒子SUs合作。

在这部分的仿真中，首先将mu选择为AYMU，然后将其性质改为ANMU。在图中3.比较了EGC、MGC和多数投票方案的性能。由仿真结果如图所示3.，基于pso的EGC、MGC和多数投票方案的检测结果明显优于传统的组合方案。对于基于粒子群算法的软、硬组合，考虑AYMU和ANMU的协同方案性能更优。结果表明，仅考虑AYMU和仅考虑ANMU两种情况下的检测响应是相同的。同样考虑AYMU和ANMU的情况在CSS中同样处理，检测概率几乎相同一个给定的假警报 ．数字3.还示出了基于PSO的MGC方案的更好的接收器操作特性（ROC）结果，其后是EGC方案。大多数投票硬融融合组合与其他两种方案相比说明了最小检测结果。显而易见的是，基于PSO的软和硬融融合组合方案能够优于任何给定的误报的简单MGC，EGC和硬融合组合。

在第二部分中，通过将所提出的基于PSO的软和硬组合与传统方案的结果进行比较来验证系统的真实性。在这种情况下，首先选择MU作为omu，然后，他们的自然变为罗姆。结果表明，与EGC和大多数投票对应物相比，MGC方案显示出更好的检测。在提议的三个方案的ROC收集和传统方案的汇集显示了基于PSO的组合技术的可靠性。在图中4.，罗姆斯影响感测环境比omu更具危险的环境。该方案在OMU和ROMU案例中取代了传统的融合方案。

在模拟的第三部分中，测试传统和所提出的基于PSO的融合组合方案的性能，当MUS在图中同等分布为AYMU，ANMU，OMU和ROMU时5.．

最小ROC结果如图所示5.显示了传统融合方案在所有4个MUs条件下的性能，而上面3条ROC曲线则显示了相同参数设置下PSO融合组合方案的性能。这表明基于粒子群算法的融合组合方案与传统的组合方案相比，检测性能有所提高。值得注意的是，与其他方案相比，MGC融合组合方案提供了更复杂的检测性能。

通过举例说明误差概率，进一步验证了所提出的基于粒子群算法的融合组合方案根据与图中的-35 dB变化的SNR，图中的0 dB变化6.．该方案对PU信道的感知误差最小，且随着信噪比的增加，与其他传统方案相比，该方案的误差降低得更快。

显然，采用基于粒子群算法的融合组合方案，在存在最小二乘的情况下，融合组合方案更加优化和准确。PSO的选择跟随软和硬融合组合，使CSS真实和适合于MUs。通过提出的方案，在CSS中考虑MUs的风险显著降低。结果表明，该方案能有效地提高协同效率。该方案能够消除在FC上进行全局决策时对MUs的考虑，并产生可靠的传感结果。

5.结论

MU对CSS对CSS的影响降低了干线合作的有效性。因此，有必要检测MU，以避免对PU通道的实际状态的任何混淆。本文侧重于使用PSO算法来提高CSS的性能。基于SUS报告的能源统计，PSO能够降低MU对诊断PU存在的全球决定的影响。FC将用户的多样化传感报告结合使用所提出的EGC，MGC和大多数投票决策来获取PU活动的全球决定。所提出的PSO算法能够克服OMU，ROMU，Aymu和ANMU类别的效果，以柔软和硬组合。模拟验证了所提出的方案的优越性和真实性，在FC中为软和硬组合方案提供更准确和可靠的决策。

数据可用性

用于支持这项研究发现的数据包括在文章中。

的利益冲突

作者声明本文的发表不存在利益冲突。

致谢

这项工作得到了韩国科学和ICT部(MSIT)的部分支持，并在itp(信息和通信技术规划研究所)监督下的ITRC(信息技术研究中心)支持计划(IITP-2020-2018-0-01426)的支持下进行。部分由韩国政府(MSIT)资助的国家研究基金会(NRF) (No. 2019R1F1A1059125)资助。

参考文献

1. A. Agarwal, G. Mishra和K. Agarwal，《5^TH.新生代移动网络——关键概念、网络、架构和挑战，”美国电气电子工程学报，第3卷，第2期。2, pp. 22-28, 2015。视图:谷歌学术
2. Q. Duong和N. S. VO，“5G及以后的无线通信和网络”流动网络及应用，第24卷，第2期2，第443-446页，2019。视图:出版商网站|谷歌学术
3. s。林鹏，林凤杰，董立平，“5G移动宽带在物联网、大数据、云计算和SDN发展中的作用”，通信和网络，卷。8，不。1，pp。9-21,2016。视图:出版商网站|谷歌学术
4. R. Chavez-Santiago, M. Szydeko, A. Kliks等，“5G:无线通信的融合”，无线个人通信，第83卷，第83期3, pp. 1617-1642, 2015。视图:出版商网站|谷歌学术
5. W. Ejaz, A. Anpalagan, M. A. Imran等，“5G无线通信中的物联网(IoT)”IEEE访问，卷。4，pp。10310-10314,2016。视图:出版商网站|谷歌学术
6. k·阿什顿(K. Ashton)的《物联网》(Internet of things)现实世界，事情的重要性多于想法，施普林格，柏林，德国，2009。视图:谷歌学术
7. F. a . Awin, Y. M. Alginahi, E. Abdel-Raheem, K. Tepe，《基于认知无线电的物联网系统的技术问题:调查》，IEEE访问，卷。7，pp。97887-97908,2019。视图:出版商网站|谷歌学术
8. R. Khan, S. U. Khan, R. Zaheer，和S. Khan，“未来互联网:物联网架构，可能的应用和关键挑战”IEEE信息技术前沿国际会议论文集，伊斯兰堡，巴基斯坦，2012年12月。视图:谷歌学术
9. A. A. Khan, M. H. Rehmani，和A. Rachedi，《当认知无线电遇到物联网》IEEE国际无线通信和计算会议的诉讼程序（IWCMC）， 2016年9月，塞浦路斯帕福斯。视图:谷歌学术
10. S. Nazir，Y. Ali，N. Ullah和I.García-Magariño，“医疗保健互联网使用移动计算的效果：系统文献综述，”无线通信和移动计算，卷。2019年，2019年第15页，2019年第15页。视图:出版商网站|谷歌学术
11. C. Feng，M. Adnan，A. Ahmad，A. Ullah，H. Ulah，H. Ulah和H. U.Khan，迈向IOT大数据医疗保健解决方案的节能框架，“科学规划， vol. 2020, Article ID 7063681, 9 page, 2020。视图:出版商网站|谷歌学术
12. A. Al-Fuqaha，M.Guizani，M. Mohammadi，M. Aledhari和M. Ayyash，“事物互联网：有关能够实现技术，协议和应用的调查，”IEEE通信调查与教程，第十七卷，第二期4, pp. 2347-2376, 2015。视图:出版商网站|谷歌学术
13. 问：吴，G.丁，Y. Xu等，“认知的东西：一个新的范式超越连接，”IEEE物联网期刊， vol. 1, no. 12, pp. 129-143, 2014。视图:出版商网站|谷歌学术
14. A. Ghasemi和E. S. Sousa，《认知无线电网络中的频谱传感:需求、挑战和设计权衡》，IEEE通讯杂志，卷。46，没有。4，pp。32-39,2008。视图:出版商网站|谷歌学术
15. S. Mishra，A. Sahai和R. Brodersen，“认知收音机之间的合作感应”IEEE国际通信会议论文集，伊斯坦布尔，土耳其，2006年。视图:谷歌学术
16. S. Haykin，《认知无线电:大脑驱动的无线通信》，在通信中选定区域的IEEE日记帐，第23卷，第2期。2，页201 - 220,2005。视图:出版商网站|谷歌学术
17. L. Zhai，H. Wang和C. Gao，“基于认知无线电网络服务质量（QoS）的频谱访问”，《公共科学图书馆•综合》，第11卷，第5期。5，pp。2005-2009,2016。视图:出版商网站|谷歌学术
18. 苗林，孙哲，杰哲，“基于遗传算法的认知无线电性能的并行算法”，无线通信和移动计算，卷。2018年，第6页，6页，2018年。视图:出版商网站|谷歌学术
19. A. Elahi，I. M.Qureshi，F.Zaman，N.Gul和T. Saleem，“抑制了基于非连续正交频分复用的认知无线电系统的相互干扰”，无线通信和移动计算文章编号1860134,9页，2017。视图:出版商网站|谷歌学术
20. E. Axell, G. Leus, E. G. Larsson，和H. V. Poor，“认知无线电的频谱感知 :最先进的技术和最近的进展，”IEEE信号处理杂志，第29卷，第2期3, pp. 101 - 116,2012。视图:出版商网站|谷歌学术
21. 何勇，薛俊杰，T. Ratnarajah, M. Sallaturai，和F. Khan，“随机认知无线电网络中合作频谱感知的性能”，IEEE系统杂志，卷。12，pp。1-12,2016。视图:出版商网站|谷歌学术
22. M. S. Khan和I. Koo，“通过认知无线电网络中的hausdorff距离缓解恶意用户的不利影响”，信息与通信融合工程学报，第13卷，第2期2, pp. 74-80, 2015。视图:出版商网站|谷歌学术
23. H. Li和Z. Han，“如果可以的话，抓住我：认知无线电网络中的协作频谱感测的异常检测方法，”无线通信的IEEE交易，第9卷，第5期。11日,2010年。视图:出版商网站|谷歌学术
24. B. Liao, Y. Ali, S. Nazir, L. He, H. U. Khan，“使用移动计算的物联网设备安全分析:系统文献综述”，IEEE访问， vol. 8, pp. 120331-120350, 2020。视图:出版商网站|谷歌学术
25. N.GUL，M.S.Khan，S. Kim，J.Kim，A. Elahi和Z.Khalil，“促进了树木算法，在恶意用户存在下是可靠的频谱传感方案”电子产品，第9卷，第5期。6, pp. 1038-1123, 2020。视图:出版商网站|谷歌学术
26. N. Gul, i.m. Qureshi, M. S. Khan, A. Elahi和S. Akbar，“在恶意用户的存在下基于可靠合作频谱感知的差异进化”，无线个人通信，第114卷，第2期。1, pp. 123-147, 2020。视图:出版商网站|谷歌学术
27. H.Asfandyar，N.Gul，I. Rasool和A. Elahi，使用花授粉算法增强了认知无线电网络中的协同频谱感测，“第一届电气，通信和计算机工程国际会议（ICECCE）的诉讼程序，第24-25页，斯瓦特，巴基斯坦，2019年7月。视图:出版商网站|谷歌学术
28. A. Ahmed，N.Gul，I. Rasool和A. Elahi，“恶意用户存在中的硬决策计​​划的性能比较”2019年电气、通信和计算机工程国际会议论文集，第24-25页，斯瓦特，巴基斯坦，2019年7月。视图:出版商网站|谷歌学术
29. N.Gul，M.S.Khan，J.Kim和S. M.Kim，基于认知无线电网络的遗传算法通过双面邻距离的鲁棒光谱感测，“移动信息系统，卷。2020，物品ID 8876824,10页，2020。视图:出版商网站|谷歌学术
30. M. S. Khan, L. Khan, N. Gul, M. Amir, J. Kim, and S. M. Kim，“认知无线电网络中基于支持向量机的恶意用户分类”，无线通信和移动计算， 2020年第1期，第8846948号，11页，2020年。视图:出版商网站|谷歌学术
31. M. Fathy, A. Tammam, A. Saafan，“认知无线电网络协作感知中中继恶意节点的影响”，无线网络，卷。25，不。5，pp。2449-2458,2019。视图:出版商网站|谷歌学术
32. N. Gupta, S. K. Dhurandher和A. Sehgal，“一种基于契约理论方法的方案，鼓励次级用户在认知无线电网络中进行合作感知，”IEEE系统杂志，卷。14，pp。1-11,2019。视图:出版商网站|谷歌学术
33. 孙哲，徐哲，哈马德，宁新，王强，郭磊，“诚实二级用户的新视角防范大规模SSDF攻击”，IEEE通信信，第23卷，第2期。10，第1696-1699页，2019年10月。视图:出版商网站|谷歌学术
34. Y.Fu和Z. He，“基于贝叶斯 - 推断的滑动窗口信任模型，防止概率SSDF攻击”IEEE系统杂志，第14卷，第1-12页，2019。视图:出版商网站|谷歌学术
35. P.Kaligineedi，M.Khabbazian和V.K.Bhargava，“在认知无线电协同感应系统中的恶意用户检测”无线通信的IEEE交易，第9卷，第5期。8，pp。2488-2497,2010。视图:出版商网站|谷歌学术
36. V.V.HIEP和I. Koo，“一种基于认知用户声誉的顺序协作谱传感方案”IEEE消费电子学报，第58卷，第2期4, pp. 1147-1152, 2012。视图:谷歌学术
37. 马建军，“认知无线网络中协同频谱感知的软组合与检测，”无线通信的IEEE交易，第7卷，第5期第11页，第4502-4507页，2008。视图:谷歌学术
38. Y. L. Lee, W. K. Saad, A. Abd El-Saleh, M. Ismail，“改进AWGN和瑞利衰落环境下认知无线电网络的检测性能”，应用研究与技术学报，第11卷，第5期。3, pp. 437-446, 2013。视图:出版商网站|谷歌学术
39. D. Hamza, S. Aïssa和G. Aniba，“认知无线电网络中合作频谱感知的平等增益结合”，无线通信的IEEE交易，第13卷，第2期8, pp. 4334-4345, 2014。视图:出版商网站|谷歌学术
40. D. B.Teguig，B. Scheers和V.Le Nir，“认知无线电网络中的合作频谱传感的数据融合方案”军事通信和信息系统会议记录， MCC，波兰格但斯克，2012年。视图:谷歌学术
41. N. Marchang，R.Rajkumari，S.B.Brahmachary和A. Taggu，“合作谱的动态决策规则”国际电气、计算机和通信技术会议论文集，哥印拜陀，印度，2015。视图:谷歌学术
42. J. Unnikrishnan和V. V. Veeravalli，“认知无线电的合作频谱感知和探测”，刊于IEEE全球电信会议论文集，美国华盛顿特区，2007年11月。视图:出版商网站|谷歌学术
43. S.BHATTACHARJEE，“使用GA的认知无线电网络检测概率的优化和检测概率”第二届IEEE国际信息系统趋势会议论文集2015年，印度加尔各答。视图:谷歌学术
44. M. S. Khan, N. Gul, J. Kim, i.m. Qureshi，和S. M. Kim，“在有恶意用户的认知物联网网络中基于遗传算法的软决策融合方案”，无线通信和移动计算， vol. 2020, Article ID 2509081, 20页，2020。视图:出版商网站|谷歌学术
45. M. Akbari和M. Ghanbarisabagh，“认知无线电网络中基于进化的新型合作频谱感知机制”，无线个人通信，第79卷，第5期。2, pp. 1017-1030, 2014。视图:出版商网站|谷歌学术
46. A. A. EL-Saleh和K. Hussain，“基于软融合遗传算法的协同频谱优化认知无线电引擎模型”，国际计算机网络与通信学报学报(IJCNC)，第2卷，第2期3，页169-173,2013。视图:谷歌学术
47. A. Rauniyar和S. Y. Shin，“通过使用认知无线电网络的BPSO算法优化阈值来改进能量探测器的检测性能”第二届工业应用工程国际会议论文集2015年，加拿大温哥华。视图:谷歌学术
48. M.Taha和D. Alnadi，使用粒子群优化的认知无线电频谱感应的阈值适应，“国际管制会议论文集，南朝鲜，2014年10月。视图:谷歌学术
49. R. A. Rashid, A. H. F. Bin Abdul Hamid, N. Fisal等，“利用群体智能进行认知无线电网络的有效频段内频谱感知”，加拿大电气计算机工程学报，卷。38，不。2，pp。106-115,2015。视图:出版商网站|谷歌学术
50. N.GUL，I. M.Qureshi，A.Omar，A. Elahi和M. S. Khan，“历史基于协同频谱感应的基于历史的向前和反馈机制，包括认知无线电网络中的恶意用户”《公共科学图书馆•综合》，卷。12，不。2017年8日。视图:出版商网站|谷歌学术
51. N. Gul和A. Naveed，“双边邻居距离和遗传算法的结合在合作频谱感知对抗恶意用户”，在第十四届国际布尔班应用科学与技术会议论文集2017年，巴基斯坦伊斯兰堡。视图:谷歌学术
52. N.Gul，I. Qureshi，A. Elahi和I. Rasool，“防御使用遗传算法的合作频谱感测的恶意用户”，“国际天线与传播杂志文章编号2346317,11页，2018。视图:出版商网站|谷歌学术
53. M. Jun和Li。YE，“认知无线电网络中的合作频谱感应和检测”，“无线通信的IEEE交易，卷。7，2007年。视图:出版商网站|谷歌学术
54. a . M. Vargas和a . G. Andrade，“比较认知无线电网络的粒子群优化变种”，爱思唯尔软件计算，第13卷，第2期2，pp。1222-1234,2013。视图:谷歌学术

版权

版权所有©2020 Noor Gul等人。这是一篇发布在创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。