Valor óptimo de muestras pasadas para la toma de
decisiones en redes de radio cognitiva
Optimal value of past samples for decision making in
cognitive radio networks
Jefferson Jara Estupiñan
Estudiante de ingeniería eléctrica por ciclos en la Universidad Distrital Francisco José de
Caldas, Bogotá, Colombia. Contacto: jjarae@correo.udistrital.edu.co
Cesar Augusto Hernández Suarez
Doctor en Ingeniería de Sistemas y Computación de la Universidad Nacional de Colombia,
Magíster en ciencias de la información y las comunicaciones, Ingeniero Electrónico. Docente
e investigador de la Universidad Distrital Francisco José de Caldas, Bogotá, Colombia.
Contacto: cahernandezs@udistrital.edu.co
ORCID: https://orcid.org/0000-0001-9409-8341
Diego Armando Giral Ramírez
Candidato a doctor en Ingeniería de la Universidad Distrital Francisco José De Caldas,
Magister en Ingeniería Eléctrica, Ingeniero Eléctrico. Docente e investigador de la
Universidad Distrital Francisco José de Caldas, Bogotá, Colombia. Contacto:
RESUMEN
Contexto: El modelado y predicción del uso del espectro por parte de los PU es un aspecto importante para reducir la interferencia entre los SU y PU, y mejorar el desempeño de la
decisión espectral. Lo anterior requiere de información espectral pasada, que permita al
algoritmo modelar el comportamiento del PU.
Objetivo: Determinar el valor óptimo de muestras pasadas y tiempo de recalculo de criterios de decisión, para los algoritmos de toma de decisiones en redes de radio cognitiva.
Metodología: Se realizan varios experimentos de simulación a partir del algoritmo FFAHP, en dos diferentes enfoques, tiempo-real y mejor-esfuerzo, con tráfico alto y bajo, en la banda
de frecuencia GSM. Se realiza un análisis estadístico de los datos obtenidos, variando los
parámetros de time range, mientras criteria time permanece constante, y viceversa.
Resultados: Para tráfico alto es suficiente con tomar 1800 muestras anteriores para calcular el valor inicial de los parámetros y actualizarlos cada 10 minutos (1800). Si el tráfico es bajo
es suficiente con tomar 5400 muestras anteriores para calcular el valor inicial de los
parámetros y actualizarlos cada 10 minutos (1800).
Conclusiones: No es necesario un número elevado de muestras anteriores para determinar el valor inicial de los parámetros de decisión para obtener un buen desempeño de la tasa de
handoff, así como tampoco lo es para la actualización de los mismos, para un tráfico
correspondiente a la banda de frecuencia GSM.
Financiamiento: El presente trabajo es un resultado de un proyecto de investigación financiado por el Centro de Investigaciones y Desarrollo Científico de la Universidad
Palabras clave: Decisión espectral, handoff espectral, información espectral, radio cognitiva,
redes inalámbricas.
ABSTRACT
Context: Modeling and prediction of spectrum use by PUs is an important aspect to reduce interference between SUs and PUs, and improve the performance of the spectral decision.
This requires past spectral information, which allows the algorithm to model the behavior of
the PU.
Objective: Determine the optimal value of past samples and time to recalculate decision criteria for decision-making algorithms in cognitive radio networks.
Methodology: Several simulation experiments are performed from the FFAHP algorithm, in two different approaches, real-time and best-effort, with high and low traffic, in the GSM
frequency band. A statistical analysis of the data obtained is performed, varying the time
range parameters, while time criteria remains constant, and vice versa.
Results: For high traffic it is enough to take 1800 previous samples to calculate the initial value of the parameters and update them every 10 minutes (1800). If the traffic is low, it is
enough to take 5400 previous samples to calculate the initial value of the parameters and
update them every 10 minutes (1800).
Conclusions: A large number of previous samples is not necessary to determine the initial value of the decision parameters to obtain a good performance of the handoff rate, nor is it
necessary for updating them, for traffic corresponding to the band of GSM frequency.
Keywords: Spectral decision, spectral handoff, spectral information, cognitive radio, wireless
networks.
INTRODUCCIÓN
La Unión Internacional de Telecomunicaciones (ITU), define la radio cognitiva (CR) como
“una radio o sistema que detecta y está al tanto de su entorno y se puede ajustar de forma
dinámica y autónoma de acuerdo con sus parámetros de funcionamiento de radio”
(Hernández, Pedraza, Páez, & Rodriguez-Colina, 2015). La solución que plantea la radio
cognitiva al uso ineficiente del espectro radioeléctrico no es otra que el acceso dinámico al
espectro (DSA), permitiendo la utilización oportunista de las frecuencias disponibles por
parte de los usuarios secundarios (SU), sin causar interferencia a los usuarios primarios (PU)
(Hernández, Pedraza, et al., 2015; R. López & Montejo Sánchez, 2015). Lo anterior se
materializa a través del proceso denominado ciclo cognitivo (Játiva, 2017; Romero, 2015).
Dentro del ciclo cognitivo, la función de decisión espectral juega un papel muy importante y
relevante para un óptimo desempeño de la red de radio cognitiva (CRN) (Lala, Balkhi, &
Mir, 2017), ya que el movimiento acertado, a tiempo y optimo dentro del espectro
radioeléctrico, garantiza por un lado que los PU no tengan ningún tipo de interferencia o
afectación en el uso de sus canales licenciados, y por otro, que los SU puedan tener una
comunicación sin interrupciones ni retardos prolongados que permitan la perdida de
información, es por ello, que muchos de los trabajos de investigación actuales se han centrado
cuanto a su optimo desempeño (Das, Ghosh, Das, & Barman, 2017; Hoque, Azmal, & Arif,
2017; Kyryk & Yanyshyn, 2017)
Para lograr lo anterior, se hace necesario utilizar algoritmos y técnicas de inteligencia
artificial (Bayrakdar & Çalhan, 2018), aprendizaje de máquina (A. M., Matyjas, Hu, &
Kumar, 2017; Koushik, Hu, & Kumar, 2018), toma de decisiones multicriterio (Hernández,
Giral, & Santa, 2015; Salgado, Hernandez, Molina, & Beltran-Molina, 2016), entre otras,
como por ejemplo, enjambre de partículas (Agrawal, Tyagi, & Singh, 2018; Alhammadi,
Roslee, & Alias, 2017) transferencia de espectro en tiempo real (Chakraborty & Misra, 2015),
lógica difusa (Javed & Naeem, 2018). Pero al no tener certeza respecto a que frecuencia del
espectro estará disponible durante el tiempo de transmisión que requiere la comunicación del
SU, es importante tomar en cuenta el patrón de comportamiento de los PU. A partir de la
información espectral pasada, tal como la ocupación espectral, la mayoría de algoritmos
utilizados en la CR, logran modelar e incluso algunos predecir el comportamiento del uso del
espectro por parte de los PU. (Harold Vásquez Suarez, 2017; Hernández & Luis Fernando
Pedraza Martínez, 2016; D. A. López, Trujillo, & Gualdron, 2015).
Para realizar un modelado o predicción con una adecuada precisión se hace necesario utilizar
una gran cantidad de información espectral histórica. Y así como una gran cantidad de
información pasada incide positivamente en la precisión de la predicción o modelado del
patrón de ocupación espectral, también afecta negativamente los tiempos de procesamiento
de los algoritmos y, por ende, la magnitud de los retardos generados durante la
correspondiente comunicación. De acuerdo con lo anterior, se hace necesario determinar la
una adecuada precisión y un bajo nivel de retardo. Es por lo anterior, que el presente trabajo
de investigación tiene por objetivo determinar el número óptimo de datos pasados necesarios
para realizar un satisfactorio modelado del comportamiento de la ocupación espectral en una
determinada banda de frecuencia, así como el máximo tiempo en el que se hace necesario
reajustar los parámetros de los algoritmos utilizados, reduciendo los tiempos de
procesamiento, el consumo de energía, los requerimientos de hardware y software de los
radios cognitivos, entre otros.
Este trabajo se realizó a partir de una serie de simulaciones de movilidad espectral en la banda
de frecuencia GSM, con el software de simulación para CRN, desarrollado en (Hernández &
Giral, 2015). En este software se variaron los parámetros de Criteria Time y Time Range, los
cuales cuentan con unos tiempos máximos de 1800 y 10800 respectivamente (donde cada
180 unidades equivalen a 1 minuto), mientras los demás parámetros permanecen constantes.
TRABAJOS RELACIONADOS
Uno de los principales problemas que enfrentan las redes de radio cognitiva es su alto
consumo de energía, con mayor impacto en las alimentadas por medio de baterías es por ello
que en su trabajo (Abdullah & Abed, 2016) , realizan simulaciones reduciendo el número de
muestras utilizadas en la etapa de detección de los PU. Se realizan reducciones en el 50%,
33% y 25%, con el fin de determinar la cantidad de ahorro de energía que se puede llegar a
lograr. Encontrando que la reducción en el consumo de energía cuando Eb/No de 10 dB es
del 50%, 60% y 63% respectivamente, para las reducciones de muestras anteriormente
que se puede llegar hasta una reducción del 40% en el consumo de energía, siempre y cuando
se utilicen la mitad o más de la mitad del número de muestras, con un error aceptable en la
detección del usuario primario.
En (Syed & Safdar, 2017) se mejora la eficiencia y la demanda de energía del sistema de CR,
usando en la detección del espectro el historial de detección del mismo, que no es otra cosa
que datos adquiridos a través del tiempo, de esta manera se reduce la frecuencia de
exploración del espectro, en este esquema denominado asistido, la base de datos del motor
analítico centralizado ofrece un amplio historial acerca del uso del espectro para ser utilizado
por los SU, los cuales adquieren dichos datos y los procesan de tal manera que la detección
se realice de forma efectiva, la reducción del consumo de energía es de alrededor del 50%.
En (Marino, Paura, & Savoia, 2016), con el fin de optimizar el consumo de energía en el
proceso de detección del espectro, realizan un análisis teórico sobre un modelo de red de
movilidad arbitraria, para mostrar que existe un único tiempo de detección el cual eleva el
rendimiento para la detección de movilidad de un SU, luego de esto, realizan varias
simulaciones con el fin de demostrar la existencia de este valor.
METODOLOGÍA
El software de simulación para CRN utilizado para el presente trabajo, fue desarrollado
dentro del proyecto de investigación “Desarrollo de un algoritmo adaptativo de handoff
espectral encaminado a incrementar el desempeño y la eficiencia en redes móviles”,
Distrital Francisco José de Caldas(Hernández & Giral, 2015). Dicho software permite la
parametrización de diferentes variables como:
Tipo de tecnología: Wi-Fi o GSM.
Tiempo de simulación: Transmisión del SU, puede ir desde 1 min hasta 10 min.
Modelos de Handoff: AHP RT, AHP BE, FAHP RT, FAHP BE, FFAHP RT, FFAHP BE, SAW RT, SAW BE, MEW RT, MEW BE, TOPSIS RT, TOPSIS BE, VIKOR RT,
VIKOR BE, GRA y RANDOM, entre otros.
Nivel de tráfico: tráfico alto, trafico medio y trafico bajo.
Threshold: Umbral de potencia que permite determinar la presencia o ausencia de un PU en un canal determinado.
Noise Floor: Piso de ruido medido por el analizador de espectro durante la campaña de medición.
BW Fixed: Ancho de banda fijo de cada canal.
Criteria time: Tiempo periódico, al cabo del cual se recalculan y actualizan los valores de los criterios de decisión durante la ejecución del algoritmo. Puede tomar un valor
máximo de 1800 instantes de tiempo (10 minutos).
Time Range: Tiempo para el cual se calculan los valores iniciales de los criterios de decisión, previo a iniciar la evaluación. Puede tomar un valor máximo de 10.800 (60
minutos).
Multichannels: Número de canales contiguos que puede utilizar el algoritmo para realizar una transmisión multicanal.
Weight (pesos): En esta parte se deben definir los pesos para los cuatro criterios de decisión, Probabilidad de Disponibilidad (PD), Ancho de Banda (AB), Relación Señal a
Ruido más Interferencia (SINR), Tiempo Estimado de Disponibilidad (TED).
El software funciona a partir de tres niveles de tráfico: Alto, Medio y Bajo, tanto para la fase
de entrenamiento (utilizada para configurar los parámetros iniciales de los algoritmos) como
de evaluación (utilizada para evaluar el desempeño de los algoritmos), lo que equivale a seis
bases de datos, para cada uno de los dos tipos de tecnología: GSM y Wi-Fi, dando un total
de 12 bases de datos (ver Tabla 1).
Tabla 1 . Datos seleccionados
Tecnología Trafico Nivel de trafico Pasos de tiempo Filas Columnas
GSM
Evaluación
Alto 1800 (10 min)
1800 551 Bajo
Medio
Entrenamiento
Alto 10800 (60 min)
10800 551 Bajo
Medio
Wi-Fi
Evaluación
Alto 1800 (10 min)
1800 461 Bajo
Medio
Entrenamiento
Alto 10800 (60 min)
10800 461 Bajo
Medio
El software de simulación funciona con datos de ocupación espectral reales capturados
durante una campaña de medición previa en la ciudad de Bogotá, durante un periodo de una
semana. La cantidad de datos capturados para cada una de las tecnologías se muestra en la
Tabla 2 y Tabla 3 respectivamente (Hernández & Giral, 2015).
Tabla 2. Datos capturados
Tecnología Cantidad de datos capturados
Filas Columnas Total, de Datos
GSM 1.145.700 551 631.280.700
Wi-Fi 2.490.000 461 1.147.890.000
Fuente :Tomado de (Hernández & Giral, 2015).
Donde las columnas representan los canales de frecuencia y las filas el tiempo (1/3 de
segundo cada una aproximadamente).
Tabla 3. Numero de datos para entrenamiento y evaluación
Tecnología Proceso Numero de datos GSM Evaluación 991.800
Entrenamiento 5.950.800
Wi-Fi Evaluación 829.800
Entrenamiento 4.978.800
Fuente :Tomado de (Hernández & Giral, 2015).
El software también permite cargar algunos datos por defecto; para esta investigación los
Average (AB), PSINR (SINR), Median Availability Time (TED), los parámetros: Threshold,
Noise Floor, BW Fixed y se parametrizó con 4 canales en el criterio (Multichannels), además
de esto la tecnología escogida fue GSM.
Las simulaciones se realizaron para el algoritmo de toma de decisiones: Algoritmo
multivariable difuso realimentado (FFAHP), debido a su excelente desempeño en CRN
(Hernández-Suárez, Pedraza-Martínez, & de la Colina, 2016). Se tuvieron en cuenta cuatro
tipos diferentes de escenarios: (1) Enfoque de tiempo-real (RT) con tráfico alto (HT), (2)
Enfoque de tiempo-real (RT) con tráfico bajo (LT), (3) Enfoque de mejor-esfuerzo (BE) con
tráfico alto (HT), y (4) Enfoque de mejor-esfuerzo (BE) con tráfico bajo (LT). En cada uno
de los cuatro escenarios se variaron los parámetros de time range, mientras permanecía
constante criteria time, y viceversa.
La Figura 1 muestra la parametrización de las variables antes descritas, en la interfaz gráfica
del software, para FFAHP con enfoque RT en HT.
Figura 1. Parámetros en la interfaz gráfica del software para FFAHP con RT en HT
Simulaciones
Para determinar la mínima cantidad de información espectral suficiente y necesaria, se
realizaron tres conjuntos de simulaciones.
Inicialmente se dejó constante el parámetro “Criteria_Time” en 1800 (valor máximo) y se
varió el parámetro “Time_Range”, para los cuatro tipos de escenarios: RT-HT, RT-LT, BE-
RT y BE-LT. Los rangos de variación de cada parámetro se muestran en la Tabla .
Luego, se realizó un procedimiento similar, pero dejando constante el parámetro
“Time_Range” en 10.800 (valor máximo) y variando el parámetro “Criteria_Time”, para los
cuatro tipos de escenarios: RT-HT, RT-LT, BE-RT y BE-LT. Los rangos de variación de
cada parámetro se muestran en las Tablas 4 y 5.
Finalmente, se realizaron simulaciones conjuntas utilizando los mejores resultados en los dos
experimentos anteriores, con el fin de determinar el comportamiento óptimo de los mismos.
Para cada uno de los tres experimentos se realizaron 10 simulaciones y se tomaron los valores
Tabla 4. Variación de Time_Range para FFAHP F F AH P RT -HT , R T -LT, BE -R T, BE -LT
Criteria Time Time Range
1800 180 360 540 720 900 1080 1260 1440 1620 1800 3600 5400 7200 9000 10800
Fuente: Elaboración propia de los autores
Tabla 5. Variación de Criteria_Time para FFAHP
F F AH P RT -HT , R T -LT, BE -R T, B E -LT
Criteria Time Time Range
180 10800 360 540 720 900 1080 1260 1440 1620 1800
RESULTADOS
Para la presente investigación se tuvieron como insumo principal las campañas de simulación
anteriormente mencionadas, producto de las cuales se obtienen las gráficas correspondientes
al handoff espectral con base en datos de ocupación espectral reales, con un tiempo de
transmisión del SU de 10 minutos.
Los resultados están organizados en tres secciones: (1) Time_Range, (2) Criteria_Time y (3)
Resultados conjuntos. En la primera sección las figuras 2, 3, 4 y 5 muestran los resultados de
las simulaciones en las que el parámetro “Time_Range” permaneció constante en un valor
de 10800, mientras se varió el parámetro “Criteria_Time”. En la segunda sección las figuras
6, 7, 8 y 9 describen los resultados de las simulaciones en las que el parámetro
“Criteria_Time” permaneció constante en un valor de 1800, mientras se varió el parámetro
“Time_Range”. Tanto en la primera como en la segunda sección, las figuras describen los
resultados en cada uno de los cuatro escenarios de simulación descritos en la metodología
RT-HT, RT-LT, BE-HT y BE-LT. En la tercera sección, las tablas 6, 7, 8 y 9, muestran la
información correspondiente a la tercera campaña de simulaciones en la cual se tomaron en
cuenta los valores de cada parámetro que tuvieron un mejor comportamiento en las primeras
Time_range
Figura 2. Handoffs FFAHP RT Hight Traffic
Fuente: Elaboración propia de los autores
Figura 3. Handoffs FFAHP RT Low Traffic
Figura 4. Handoffs FFAHP BE Hight Traffic
Fuente: Elaboración propia de los autores
Figura 5. Handoffs FFAHP BE Low Traffic
Fuente: Elaboración propia de los autores
De la observación de las figuras 2, 3, 4 y 5, se puede realizar varios análisis. Primero, que
cuando el tiempo de reactualización de los parámetros de decisión aumenta, las variaciones
que para los escenarios de tráfico alto (RT-HT y BE-HT). Segundo, que en la mayoría de
valores de la variable Criteria Time los resultados son similares, evidenciando que no resulta
necesario realizar una actualización de los parámetros de decisión de forma tan frecuente,
incluso no se observa un punto de inflexión significativo en las figuras. Debido a lo anterior,
se tomaron tres de los valores más altos de Criteria Time: 900, 1260 y 1800, para realizar un
análisis conjunto en la subsección tres de la sección de resultados para determinar con mas
objetividad el mejor valor del parámetro Criteria Time. Sin embargo, para el valor de Criteria
Time igual a 720 (4 minutos) se observa un cambio abrupto negativo en tres de los cuatro
escenarios (RT-LT, BE-HT, BE-LT), volviendo a normalizarse para el siguiente valor de
Criteria Time igual a 900 (5 minutos), configurando el punto de 720 como un valor atípico.
Preliminarmente, se podría pensar en que no es necesario realizar una reactualización (o
recalculo) de los parámetros de decisión en periodos tan cortos, haciendo que el valor de
Criteria Time igual a 1800 (10 minutos) se la mejor opción entre los valores analizados, pero
estableciendo al mismo tiempo que talvez la mejor opción sea un valor superior a este.
Criteria_time
Figura 6. Handoffs FFAHP RT Hight Traffic
Figura 7.Handoffs FFAHP RT Low Traffic
Fuente: Elaboración propia de los autores
Figura 8.Handoffs FFAHP BE Hight Traffic
Figura 9.Handoffs FFAHP BE Low Traffic
Fuente: Elaboración propia de los autores
De la observación de las figuras 6, 7, 8 y 9, se puede realizar varios análisis. Primero, que de
forma similar a como sucedió con Criteria Time, cuando el número de muestras anteriores se
reduce, las variaciones en la tasa de handoff para los escenarios de tráfico bajo (RT-LT y BE-
LT) son más fuertes que para los escenarios de tráfico alto (RT-HT y BE-HT), con la salvedad
de que en el caso de los escenarios de tráfico alto, existe un valor de Time Range (360
equivalentes a 2 minutos) que produce unos resultados atípicos en la tasa de handoff
espectral, por lo que dicho valor no será tenido en cuenta para los correspondientes valores.
Segundo, que en la mayoría de valores de la variable Time Range los resultados son similares,
evidenciando que no resulta necesario realizar una configuración inicial de los parámetros de
decisión con demasiados datos pasados. A diferencia de Criteria Time, aquí si se observan
toman 720 muestras (4 minutos) en adelante, los resultados son muy similares, pero cuando
el número de muestras pasadas es igual o menor a 540 (3 minutos), el desempeño de la tasa
de handoff espectral se reduce en un 25,87%. En el caso de BE-HT el punto de inflexión está
en 360 (2 minutos), se observa que cuando se toman 540 muestras (3 minutos) en adelante,
los resultados son muy similares, pero cuando el número de muestras pasadas es igual o
menor a 360 (2 minutos), el desempeño de la tasa de handoff espectral se reduce en un
14,28%. En el caso de RT-LT el punto de inflexión está en 3600 (20 minutos), se observa
que cuando se toman 5400 muestras (30 minutos) en adelante, los resultados son muy
similares, pero cuando el número de muestras pasadas es igual o menor a 3600 (20 minutos),
el desempeño de la tasa de handoff espectral se reduce en un 27,77%. El caso de BE-LT tiene
el mismo comportamiento de BE-RT.
Se analiza entonces, que para tráfico alto (HT) son necesarios alrededor de 720 (4 minutos),
una cantidad mucho menor que los 5400 (30 minutos) datos requeridos para tráfico bajo. Lo
anterior se podría explicar en el hecho de que como es en tráfico alto el comportamiento es
más dinámico y frecuente resulta más fácil modelar un patrón de comportamiento en la
ocupación espectral. Es importante aclarar que la anterior explicación tiene sentido para la
información espectral del presente trabajo la cual corresponde a la banda GSM.
Dado que el objetivo es determinar el mínimo valor de muestras pasadas necesarias y
suficientes, y de acuerdo con el análisis anterior, se seleccionaron los valores de 720, 1260,
1800, 3600 y 5400, de Time Range, para realizar el análisis conjunto.
Resultados conjuntos
Dado que en los análisis anteriores se determinaron los valores de Criteria Time y Time
las diferentes combinaciones entre dichos valores para determinar la pareja que mejores
resultados alcanza. Para Criteria Time se tienen los valores: 720, 1260, 1800, 3600 y 5400,
y para Time Range se tienen los valores: 900, 1260 y 1800. El análisis se realiza para los
cuatro escenarios descritos anteriormente: RT-HT, RT-LT, BE-HT y BE-LT, cuyos
resultados se pueden observar en las Tablas 6, 7, 8 y 9, respectivamente.
Tabla 6. Handoffs para valores conjuntos de Criteria Time y Time Range, para RT-HT
Time Range
720 1260 1800 3600 5400
Cr
ite
ria T
ime
900 228 228 224 227 227
1260 227 229 225 230 230
1800 228 228 224 231 231
Fuente: Elaboración propia de los autores.
Tabla 7. Handoffs para valores conjuntos de Criteria Time y Time Range, para RT-LT
Time Range
720 1260 1800 3600 5400
Cr
ite
ria T
ime 900
179 178 179 169 144
1260 177 172 165 186 144
1800 178 172 174 184 144 Fuente: Elaboración propia de los autores
Tabla 8. Handoffs para valores conjuntos de Criteria Time y Time Range, para BE-HT
Time Range
720 1260 1800 3600 5400
Cr
ite
ria T
ime
900 291 279 272 279 279
1260 279 277 279 297 296
1800 288 291 270 291 290
Tabla 9. Handoffs para valores conjuntos de Criteria Time y Time Range, para BE-LT
Time Range
720 1260 1800 3600 5400
Cr
ite
ria T
ime 900 174 174 175 167 144
1260 174 173 166 186 144
1800 174 174 175 185 145 Fuente: Elaboración propia de los autores.
Del análisis de las Tablas 6, 7, 8 y 9, se observa que las mejores tasas de handoff (las más
pequeñas), para escenario, se dan con la siguiente combinación de valores para Criteria Time
y Time Range, respectivamente, para RT-HT: 1800 y 1800, para RT-LT 1800 y 5400, para
BE-RT 1800 y 1800, y para BE-LT 1800 y 5400.
En conclusión, si el tráfico es alto es suficiente con tomar 1800 muestras anteriores para
calcular el valor inicial de los parámetros y actualizarlos cada 10 minutos (1800). Si el tráfico
es bajo es suficiente con tomar 5400 muestras anteriores para calcular el valor inicial de los
parámetros y actualizarlos cada 10 minutos (1800). Lo anterior, se traduce en una reducción
de energía y esfuerzo computacional de la red y/o usuarios de la red, de 10 veces para el
Criteria Time y 6 veces para el Time Range, es decir, el costo computacional se redujo
aproximadamente, 60 veces.
CONCLUSIONES
A partir de los resultados obtenidos, se evidencia que no es necesario un número elevado de
muestras anteriores para determinar el valor inicial de los parámetros de decisión para obtener
un buen desempeño de la tasa de handoff, así como tampoco lo es para la actualización de
los mismos, para un tráfico correspondiente a la banda de frecuencia GSM. Lo anterior,
permitió reducir significativamente el costo y retardo de procesamiento de la información, el
FINANCIAMIENTO
El presente trabajo es un resultado de un proyecto de investigación financiado por el Centro
de Investigaciones y Desarrollo Científico de la Universidad Distrital Francisco José de
Caldas.
REFERENCIAS BIBLIOGRÁFICAS
A. M., K., Matyjas, J. D., Hu, F., & Kumar, S. (2017). Channel/Beam Handoff Control in Multi-Beam Antenna Based Cognitive Radio Networks. IEEE Transactions on Cognitive Communications and Networking, 4(1), 30–42.
https://doi.org/10.1109/tccn.2017.2771777
Abdullah, H. N., & Abed, H. S. (2016). Improvement of energy consumption in cognitive radio by reducing the number of sensed samples. Al-Sadiq International Conference on Multidisciplinary in IT and Communication Techniques Science and Applications, AIC-MITCSA 2016, 301–306. https://doi.org/10.1109/AIC-MITCSA.2016.7759954 Agrawal, R., Tyagi, D., & Singh, H. M. (2018). PHSCR: Particle Swarm Optimization
Based Handoff Spectrum Using Cognitive Radio. 2018 International Conference on Advances in Computing, Communication Control and Networking (ICACCCN), 996– 999. https://doi.org/10.1109/ICACCCN.2018.8748569
Alhammadi, A., Roslee, M., & Alias, M. Y. (2017). Analysis of spectrum handoff schemes in cognitive radio network using particle swarm optimization. 2016 IEEE 3rd
International Symposium on Telecommunication Technologies, ISTT 2016, 103–107. https://doi.org/10.1109/ISTT.2016.7918093
Bayrakdar, M. E., & Çalhan, A. (2018). Comparative performance evaluation of efficient spectrum handoff methods in wireless cognitive networks. 26th IEEE Signal
Processing and Communications Applications Conference, SIU 2018, 1–4. https://doi.org/10.1109/SIU.2018.8404573
Chakraborty, T., & Misra, I. S. (2015). Designing a real-time spectrum handoff algorithm for VoIP based Cognitive Radio Networks. 2015 IEEE Radio and Antenna Days of the Indian Ocean, RADIO 2015, 1–2. https://doi.org/10.1109/RADIO.2015.7323370 Das, A., Ghosh, S. C., Das, N., & Barman, A. Das. (2017). Q-Learning Based Co-
Operative Spectrum Mobility in Cognitive Radio Networks. Proceedings - Conference on Local Computer Networks, LCN, 2017-Octob, 502–505.
https://doi.org/10.1109/LCN.2017.80
Harold Vásquez Suarez. (2017). Modelo de handoff espectral proactivo-predictivo que permite reducir el nivel de interferencia en redes de radio cognitiva. Universidad Distrital Francizco José De Caldas.
Hernández-Suárez, C. A., Pedraza-Martínez, L. F., & de la Colina, E. R. (2016). Fuzzy feedback algorithm for the spectral handoff in cognitive radio networks. Revista Facultad de Ingenieria, 2016(81), 47–62. https://doi.org/10.17533/udea.redin.n81a05 Hernández, C., & , Luis Fernando Pedraza Martínez, F. H. M. S. (2016). Algoritmos para
asignación de espectro en redes de radio cognitiva. Tecnura, 20(48), 69–88. https://doi.org/10.14483/udistrital.jour.tecnura.2016.2.a05
42265–42274.
Hernández, C., Giral, D., & Santa, F. (2015). MCDM Spectrum Handover Models for Cognitive Wireless Networks. International Journal of Electrical, Computer, Energetic, Electronic and Communication Engineering, 9(10), 1143-1147 EM- Lctsubasa@gmail.com. Retrieved from http://waset.org/publications/10002749 PU - World Academy of Science, Engineering and Technology NX - International Science Index 106, 2015
Hernández, C., Pedraza, L., Páez, I., & Rodriguez-Colina, E. (2015). Análisis de la Movilidad Espectral en Redes de Radio Cognitiva. Informacion Tecnologica, 26(6), 169–186. https://doi.org/10.4067/S0718-07642015000600018
Hoque, S., Azmal, M., & Arif, W. (2017). Analysis of spectrum handoff under secondary user mobility in cognitive radio networks. IEEE Region 10 Annual International Conference, Proceedings/TENCON, 1122–1125.
https://doi.org/10.1109/TENCON.2016.7848183
Játiva, P. G. P. (2017). Análisis de cognitive radio en redes móviles. Universidad De Chile - Ingeniería Eléctrica.
Javed, S., & Naeem, B. (2018). Reduction of ping-pong effect in cognitive radio spectrum handoffs using fuzzy logic based inference. Proceedings - 2018 UKSim-AMSS 20th International Conference on Modelling and Simulation, UKSim 2018, 9–13.
https://doi.org/10.1109/UKSim.2018.00014
Koushik, A. M., Hu, F., & Kumar, S. (2018). Intelligent Spectrum Management Based on Transfer Actor-Critic Learning for Rateless Transmissions in Cognitive Radio Networks. IEEE Transactions on Mobile Computing, 17(5), 1204–1215. https://doi.org/10.1109/TMC.2017.2744620
Kyryk, M., & Yanyshyn, V. (2017). Proactive spectrum handoff performance evaluation model for Cognitive Radio. 2016 3rd International Scientific-Practical Conference Problems of Infocommunications Science and Technology, PIC S and T 2016 - Proceedings, 18–20. https://doi.org/10.1109/INFOCOMMST.2016.7905323 Lala, N., Balkhi, A., & Mir, G. M. (2017). Spectrum Handoff in Cognitive Radio
Networks: A Survey. Oriental Journal of Computer Science and Technology, 10(04), 765–772. https://doi.org/10.13005/ojcst/10.04.10
López, D. A., Trujillo, E. R., & Gualdron, O. E. (2015). Elementos fundamentales que componen la radio cognitiva y asignación de bandas espectrales. Informacion Tecnologica, 26(1), 23–40. https://doi.org/10.4067/S0718-07642015000100004 López, R., & Montejo Sánchez, S. (2015). La Radio Cognitiva y su Impacto en el Uso
Eficiente del Espectro de Radio. Ingeniería Electrónica, Automática y Comunicaciones, 36(1), 42–55. https://doi.org/10.1234/rielac.v36i1.268
Marino, F., Paura, L., & Savoia, R. (2016). On spectrum sensing optimal design in spatial- temporal domain for cognitive radio networks. IEEE Transactions on Vehicular Technology, 65(10), 8496–8510. https://doi.org/10.1109/TVT.2015.2505087
Romero, K. J. G. (2015). Modelo de decisión del espectro para radio cognitiva que integra las pérdidas de propagación en la banda GSM del espectro radioeléctrico.
Universidad Distrital Francisco José De Caldas.
Salgado, C., Hernandez, C., Molina, V., & Beltran-Molina, F. A. (2016). Intelligent Algorithm for Spectrum Mobility in Cognitive Wireless Networks. Procedia Computer Science, 83(Ant), 278–283. https://doi.org/10.1016/j.procs.2016.04.126 Syed, T. S., & Safdar, G. A. (2017). History-Assisted Energy-Efficient Spectrum Sensing