Upload
others
View
11
Download
0
Embed Size (px)
Citation preview
UNIVERSIDAD AUTÓNOMA DE SAN LUIS POTOSÍ
FACULTAD DE CIENCIAS
Implementación de Técnicas de Radio
Cognitivo en Redes de UAVs
1er Avance de Tesis
Maestría en Ingeniería Electrónica
Autor: Miguel Ángel Díaz Ibarra
Asesores: Dr. Marco Aurelio Cárdenas J, Dr. Ulises Pineda Rico.
1. Introducción
El espectro electromagnético es el recurso más valioso en las redes de comunicaciones
inalámbricas [1]. Históricamente, el espectro ha sido regulado por las autoridades
gubernamentales como el Instituto Federal de Telecomunicaciones (IFETEL) en México. Sin
embargo estudios recientes han demostrado que la asignación del espectro ha sido ineficiente,
pues su ocupación varía entre el 15% al 85% del tiempo. Radio Cognitivo (RC) es una tecnología de
reciente creación que promete usar eficientemente el espectro electromagnético [2].
Por otro lado, en los años recientes, los vehículos aéreos no tripulados (UAVs, por sus siglas en
inglés), han alcanzado un nivel de desarrollo en el que son útiles en muchas aplicaciones del
mundo real, tanto militares como civiles, tales como vigilancia, reconocimiento, fotografía,
protección civil, agricultura, prevención y control de incendios, etc. En la Figura 1, se muestra un
ejemplo de aplicación de un enjambre de UAVs en situaciones de emergencias, en el cual se
contempla un escenario en el que un grupo coordinado de UAVs está en búsqueda de ciertos
objetivos y/o datos relevantes para los cuerpos de emergencia, como pueden ser ubicación de
fuego de mucha intensidad, información del viento, detección de sustancias nocivas, entre otros.
Cada UAV tiene su propio enlace descendente hacia una estación terrena para la transmisión de
los datos del objetivo. Asimismo, se asume que los vehículos aéreos no tripulados también son
capaces de compartir información a través de su propia red de radio ad hoc. Los enlaces
descendentes podrían operar con radios cognitivos que intenten ajustar algunos de sus
parámetros de funcionamiento (potencia de transmisión, índice y tipo de modulación, frecuencia
de operación, velocidad de datos, etc.) como sea necesario para mantener una calidad de enlace
aceptable dadas algunas restricciones operacionales, como la energía de la batería disponible. En
condiciones ideales cada UAV es capaz de bajar a tierra su propia información del objetivo en
tiempo real sin necesidad de recurrir a otra aeronave. En el caso de que un UAV con información
de alto valor sobre un objetivo es incapaz de mantener la calidad de servicio requerida en su
propio enlace descendente, entonces puede ser capaz de cooperar con otra aeronave para llevar
la información objetivo a la estación terrena. De este modo, los cuerpos de emergencia contarían
con información útil que les permitiría para llevar a cabo su labor de una forma más eficiente y
segura. Sin embargo, la comunicación eficiente entre un UAV y la estación base o bien entre UAVs
de una red se ve afectada por distintos factores que deterioran la calidad de los enlaces de radio
que impiden la correcta recepción de la información objetivo. Por lo tanto, los mensajes tienen
que ser retransmitidos, lo cual impacta directamente el caudal eficaz (throughput) y la eficiencia
energética de los UAVs. Lo anterior representa un reto en materia de investigación. A
continuación, se presentan brevemente algunos de los agentes que afectan las comunicaciones en
redes de UAVs.
Figura 1. Ejemplo de aplicación de redes de UAVs en situaciones de emergencia
1.1 Factores que afectan las comunicaciones en redes de UAVs La confiabilidad de las comunicaciones en redes de UAVs es afectada por determinados factores,
entre los que se incluyen la dispersión Doppler, las pérdidas de propagación, pérdidas generadas
por obstáculos, desvanecimientos, interferencias no intencionales o bien interferencias
deliberadas (jamming) [3]. La Figura 2 muestra los distintos tipos de factores que afectan las
comunicaciones en los UAVs y sus posibles soluciones.
Figura 2. Factores que deterioran la confiabilidad del enlace inalámbrico en redes de UAVs
1.1.1 Dispersión doppler
Debido a la velocidad de la aeronave un fenómeno llamado dispersión Doppler desplaza la
frecuencia en el receptor. La propagación de la frecuencia es proporcional a la velocidad de la
aeronave e inversamente proporcional a la longitud de onda dado por:
Dispersion Doppler α
(1)
Donde v es la velocidad y λ es la longitud de onda. Las frecuencias más bajas tienen mayor
longitud de onda, que a su vez provoca una menor dispersión Doppler. Eso significa que las
frecuencias más bajas son mejores para vehículos de alta velocidad, tales como los UAVs. Por lo
tanto, una solución para disminuir el efecto Doppler es utilizar frecuencias más bajas para la
transmisión de datos. Sin embargo, el espectro electromagnético presenta más escasez en
frecuencias más bajas. Además, el tamaño de las antenas en las frecuencias bajas es más grande
que el tamaño de las antenas en frecuencias más altas.
1.1.2 Pérdidas de propagación
Las comunicaciones de las redes de UAVs necesitan cubrir largas distancias de veces 360
kilómetros, mientras que las conexiones inalámbricas más comunes, tales como WiFi, WiMAX y
3GPP sólo cubren distancias de 100 m, 1 km y 3 km respectivamente. La intensidad de la señal
disminuye, así como la razón señal a ruido (SNR), que a su vez degrada la eficiencia espectral que
depende del tamaño de constelación del esquema de modulación. Las pérdidas de propagación
son la disminución de la potencia de señal que aumenta con la distancia y la frecuencia. Los
factores atmosféricos también afectan a la intensidad de la señal principalmente a frecuencias
GHz. Las pérdidas de propagación pueden aumentar la tasa de error de bit (BER), disminuir la SNR,
producir paquetes perdidos y, por tanto, retrasar la comunicación, que a su vez puede producir un
fallo del enlace inalámbrico en redes de UAVs. Aunque las pérdidas de propagación son
inevitables, es posible reducir el número de fallos de la red debido a este fenómeno.
1.1.3 Obstáculos y desvanecimiento
Los obstáculos como edificios, automóviles, arbustos, entre otros, pueden bloquear la señal
parcial o totalmente. Del mismo modo, el desvanecimiento es la reducción de la fuerza de la señal
en el receptor. Los obstáculos pueden provocar que la señal tome múltiples trayectos, tales como
reflexión, difracción y dispersión. Todos estos mecanismos causan una severa perdida en la
energía de la señal transmitida por las distintas trayectorias que tiene que recorrer para llegar al
receptor, lo cual se conoce como “perdida por multitrayectoria” [4]. El resultado de este proceso
es el desvanecimiento de la señal. La propagación multitrayectoria aumenta con el movimiento y
con la presencia de obstáculos "artificiales" y naturales. Precisamente, las redes de UAVs operan
bajo estas condiciones tales como el movimiento y los obstáculos, y por lo tanto se ven muy
afectados por este problema.
1.1.4 Interferencia no intencional e interferencia deliberada (jamming)
Interferencia y jamming corrompen la señal y afectan los nodos de la transmisión de señales. El
término interferencia se refiere a la interferencia no deseada mientras jamming se refiere a la
interferencia deliberada o en un intento de interrumpir las comunicaciones. El Jamming es
intencional ya veces puede ser sofisticado y muy agresivo. Existen interferencias deliberadas o
jamming que consisten en engañar a los nodos legitimos, este tipo de jamming es uno de los más
difíciles de detectar.
1.2 Tecnología de radio cognitivo Un radio cognitivo es un sistema dotado de inteligencia que le permite interactuar con el mundo
externo por medio del análisis del ambiente que le rodea para recolectar datos y adaptar en
tiempo real los parámetros de comunicación apropiados (por ejemplo, la frecuencia de operación,
esquema de modulación, potencia de transmisión y tecnología de comunicación), de acuerdo con
el estímulo dinámico de radio frecuencia (RF). En la Figura 3 se muestran las dos principales
características de radio cognitivo. Una breve descripción de cada una de ellas se presenta a
continuación.
Figura 3. Las dos principales características de radio cognitivo
1.2.1 Capacidad cognitiva
La capacidad cognitiva de un radio cognitivo permite la interacción en tiempo real con su entorno
para determinar los parámetros de comunicación apropiados y adaptarse al entorno de radio
dinámico. Los usuarios secundarios de redes de radio cognitivo deben ser capaces de realizar las
siguientes cuatro funciones básicas:
Percepción de espectro: Es determinar la porción de espectro o detectar huecos de
espectro que se encuentra disponible y detectar la presencia de usuarios primarios.
Gestión de espectro: Seleccionar el canal que mejor se ajuste a las necesidades de
comunicación de los usuarios.
Movilidad de espectro: Los usuarios cognitivos deben desocupar el canal cuando el
usuario primario es detectado. Por lo tanto, los usuarios cognitivos deben de ser capaces
de mantener la transmisión de datos del usuario secundario durante la transición a otro
hueco en el espectro sin problemas.
Compartición de espectro: Los usuarios secundarios deben de tener acceso coordinado
para compartir el canal.
1.2.2 Reconfiguración
Es la capacidad de ajustar sus parámetros de operación para la transmisión sin modificar los
componentes de hardware. Esta capacidad es proporcionada por una plataforma llamada Radio
Definido por Software (SDR, por sus siglas en ingles).
Algunos de los parámetros de comunicación reconfigurables son:
Frecuencia de operación: El radio cognitivo debe ser capaz de cambiar su frecuencia de
operación de acuerdo a la información recabada del ambiente que le rodea.
Modulación: El esquema de modulación puede ser cambiado por el radio cognitivo basado
en los requerimientos del usuario y de las condiciones del canal.
Potencia de transmisión: La potencia de transmisión puede ser reconfigurada para reducir
la interferencia en caso de que la potencia de un transmisor sea muy alta. Esto permitirá
que más usuarios compartan el espectro.
Tecnología de comunicación: Esta característica proporciona la interoperabilidad entre
diferentes sistemas de comunicación [2].
2. Motivación Las redes de vehículos aéreos no tripulados son un tipo especial de redes donde las altas
velocidades de los nodos, las largas distancias y la escasez de espectro electromagnético plantean
una serie de retos en materia de comunicaciones inalámbricas. Por ejemplo, la intensidad de las
señales transmitidas o recibidas varía debido a interferencias, propagación multitrayectoria, y
distancias cambiantes entre los UAVs en la red.
En este trabajo se propone un sistema basado en el radio cognitivo para mejorar la confiabilidad
de las comunicaciones de las redes de UAVs. A continuación, se presenta un resumen de los
factores que afectan las comunicaciones inalámbricas en este tipo de redes, se explica
brevemente la tecnología de radio cognitivo y se propone la selección dinámica de canales WiFi
para mejorar la confiabilidad del canal de carga útil entre la estación base y el UAV, maximizando
así el caudal eficaz del enlace.
3. Objetivos
3.1 Objetivo general Investigar la implementación de técnicas de radio cognitivo para reemplazar las múltiples
plataformas de radio de los vehículos aéreos no tripulados por un radio definido por software
(SDR, por sus siglas en inglés). Aplicar algoritmos de percepción de espectro que permitan la
selección dinámica del canal con menor ocupación espectral en una red de radio cognitiva WiFi,
maximizando así el caudal eficaz en el enlace de carga útil entre el UAV y la estación base.
3.2 Objetivos Particulares Obtener mediciones reales del espectro electromagnético en la banda de los 2.412 GHz -
2.417 GHz desde un UAV utilizando un SDR.
Analizar el desempeño de algoritmos de percepción de espectro, i.e., detector de energía
y detector secuencial descentralizado basado en autocorrelación para señales OFDM.
Comparar el efecto que tiene en el caudal eficaz la implementación del detector de
energía y del detector detector secuencial descentralizado basado en autocorrelación para
señales OFDM en redes de UAVs
4. Selección dinámica de canal en redes de radio cognitivo WiFi para
comunicación entre UAV y estación base En [6] los autores proponen un algoritmo de Selección Dinámica de Canales (DCS) para una red
sectorizada de celdas WiFi. El algoritmo propuesto aprovecha la capacidad de la plataforma
subyacente de radio cognitiva para monitorear continuamente e identificar las fuentes de
interferencias WiFi. Ademas de mitigar los problemas de interferencia co-canal y asi liberar el
operador de la red, que debe configurar manualmente y actualizar los canales a través de la red.
En este trabajo se propone un sistema basado en el radio cognitivo para mejorar la confiabilidad
de las comunicaciones de las redes de UAVs como a continuación se describe. La figura 4 muestra
la implementación de un SDR en un UAV a través de la integración de una tarjeta Raspberry con
módulo WiFi, cámara digital y el dongle USB R820T, que se utiliza para percibir el espectro. De esta
manera, el SDR propuesto, una vez integrado al UAV, es capaz de percibir distintas bandas de
frecuencias, captar imágenes, almacenar información y transmitirla via WiFi a la estación base. En
la estación base, se utiliza la información recibida para determinar el canal WiFi con menor
ocupación usando técnicas de percepción de espectro, para después retroalimentar al SDR en el
UAV y seleccionar dinámicamente el canal WiFi con menos ocupación, incrementando así el caudal
eficaz en el enlace entre el UAV y la estación base.
Figura 4. Estructura general del proyecto
4.1 Percepción de bandas de frecuencia WiFi La percepción de espectro en la banda de frecuencia WiFi se lleva a cabo en la plataforma de
comunicaciones del UAV para determinar la ocupación espectral de cada canal y así seleccionar
dinámicamente aquél con menor ocupación para transmitir datos desde el UAV hacia la estación
base. En este trabajo se considera el detector de energía por su relativa facilidad de
implementación y baja complejidad computacional, características requeridas en un dispositivo
con capacidad computacional y energía limitadas como un UAV. Además, el detector de energía
no necesita conocer ninguna información previa de la señal de los usuarios primarios.
4.1.1 Detector de energía
El problema de determinar si un canal está siendo ocupado o no en la banda de frecuencias WiFi,
se puede modelar como una prueba de hipótesis binaria de la siguiente manera:
: x[n]= w[n] n=0,1,….,N-1 : Usuario primario ausente (2)
: x[n]=s[n]+w[n] n=0,1,….,N-1 : Usuario primario presente (3)
Donde x = [x[0] x[1] … x[N-1]] es el vector de N muestras que denota a la señal recibida en el
transceptor del UAV, w = [w[0] w[1] … w[N-1]] son variables aleatorias complejas Gaussianas
circularmente simétricas, independientes e idénticamente distribuidas (i.i.d.), y s[n] son símbolos
de un usuario WiFi que está ocupando el canal.
El detector de energía calcula la energía promedio de la señal recibida, x, durante un período de N
muestras observadas como [5]. Entonces, la prueba estadística T(x) se obtiene de la siguiente
forma:
( )
∑
El detector de energía Neyman-Pearson decide cuando la prueba estadística suficiente del
detector de energía, T (x), es mayor que un valor umbral τ, esto es:
( )
En la figura 5 se muestra la simulación en matlab de la técnica de percepción de espectro detector
de energía. Se visualiza el desempeño del detector a diferentes SNRs con modulación por
desplazamiento de fase (BPSK) para 1048 bits y 10000 ejecuciones Montecarlo. Además conforme
aumentamos la razón señal a ruido, la probabilidad de detección se incrementa y viceversa.
(4)
(5)
Figura 5. Detector de energía, PFA vs. PD con SNR entre -20 dB y -10 dB.
5. Trabajo futuro • Obtener mediciones reales del espectro electromagnético en la banda de los 2.412 GHz –
2.472 GHz desde un UAV utilizando un SDR.
• Implementar el detector de energía y el detector secuencial descentralizado basado en
autocorrelación para señales OFDM en Matlab .
• Calcular el ciclo de trabajo de los 12 canales WiFi.
• Analizar el desempeño de algoritmos de percepción de espectro, i.e., detector de energía
y detector secuencial descentralizado basado en autocorrelación para señales OFDM.
• Comparar el efecto que tiene en el caudal eficaz la implementación del detector de
energía y del detector detector secuencial descentralizado basado en autocorrelación para
señales OFDM en redes de UAVs.
6. Calendarización de actividad
Figura 5. Plan de actividades para el periodo Agosto 14 – Agosto 15
Descripción de la actividad AGO\14 SEP\14 OCT\14 NOV\14 DIC\14 ENE\15 FEB\15 MAR\15 ABR\15 MAY\15 JUN\15 JUL\15 AGO\15
Revisión Bibliográfica
se determinaron los problemas que se presentan en las
comunicaciones inalámbricas en redes de UAVs
Redacíon del reporte para el comité de evaluación
Obtener mediciones reales del espectro electromagnético en la
banda de los 2.412 GHz – 2.472 GHz.
Implementar el detector de energía y el detector secuencial
descentralizado basado en autocorrelación para señales OFDM en
Matlab .
Analizar el desempeño de algoritmos de percepción de espectro,
i.e., detector de energía y detector secuencial descentralizado
basado en autocorrelación para señales OFDM.
Comparar el efecto que tiene en el caudal eficaz la
implementación del detector de energía y del detector detector
secuencial descentralizado basado en autocorrelación para señales
OFDM en redes de UAVs
Comunicaciones inalambricas
Tópicos selectos de telecomunicaciones
Proyecto de tesis 1
Proyecto de tesis 2
Redacíon de la tesis de investigación
Examen previo
7. Bibliografía [1] S. Haykin, “Cognitive radio: brain-empowered wireless communications,” IEEE Journal on
Selected Areas in Communications, vol. 23, pp. 201-220, Feb. 2005.
[2] I.F. Akyildiz, L. W. Lee, C.Vuran, and S. Mohanty, “NEXT generation/dynamic spectrum
access/cognitive radio wireless networks: A survey,” Elsevier Computer Networks Journal, vol. 50,
pp. 2127-2159, Sept. 2006.
[3] H. Reyes and N. Kaabouch, “Improving the Reliability of Unmanned Aircraft System Wireless
Communications through Cognitive Radio Technology,” Communications and Network, vol. 5, pp.
225-230, Aug. 2013.
[4] T. Rappaport, Wireless communications: principles and practice, Upper Saddle River, New
Jersey: Prentice Hall PTR, 2002, ch. 4, pp. 105-134.
[5] S. Kay, Fundamentals of Statistical Signal Processing: Detection Theory, Upper Saddle River, NJ:
Prentice-Hall, 1998, ch. 5, pp. 142-144.
[6] J. Mack, S. Gazor, and A. Ghasemi, “Dynamic Channel Selection in Cognitive Radio WiFi
Networks: An Experimental Evaluation,” in Proc. International Conference on Communications
Workshops (ICC), Sydney, NSW, Jun. 2014, pp. 261–267.
[7] J. Sydor, A. Ghasemi, S. Palaninathan and S. Wong, “Cognitive, Radio-Aware, Low-Cost
(CORAL) Research Platform,” IEEE Symposium on New Frontiers in Dynamic Spectrum, 2010, Apr.
2010, pp.1,2,6-9.
[8] R. Ruslan and T. Wan, "Cognitive radio-based power adjustment for Wi-Fi," IEEE Region 10
Conference TENCON 2009, Jan. 2009, pp. 1, 5, 23-26.