DOI: https://doi.org/10.1038/s41598-026-44620-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41862591
تاريخ النشر: 2026-03-21
المؤلف: Sanjeetha Gowthaman وآخرون
الموضوع الرئيسي: شبكات الراديو الإدراكية واستشعار الطيف
نظرة عامة
تقدم ورقة البحث خوارزمية جديدة لتخصيص القنوات الديناميكية مصممة لشبكات الراديو الإدراكية (CRNs)، تهدف إلى تعزيز كفاءة الطيف وموثوقية الاتصال في ظل تطور تقنيات إنترنت الأشياء (IoT) للمستهلكين. يدمج الإطار المقترح إدارة الطيف التكيفية مع إدارة الطيف المدركة للأولويات، مستخدمًا نموذج قرار منطقي ضبابي من 27 قاعدة من نوع مامداني لتحديد أولويات المستخدمين الثانويين (SUs) وتخصيص القنوات بناءً على الظروف الديناميكية. يعتمد النظام على نهج كشف الطاقة لاستشعار الطيف، مما يمكّن المستخدمين الثانويين ذوي الأولوية العالية من الوصول إلى قنوات متداخلة مستقرة بينما يعمل المستخدمون الثانويون ذوو الأولوية المنخفضة تحت نظام متداخل هجين، مما يقلل بشكل فعال من قوة الإرسال عندما يكون المستخدمون الأساسيون (PUs) نشطين.
تشير النتائج التجريبية من محاكاة MATLAB إلى أن نظام التخصيص القائم على المنطق الضبابي يعزز بشكل كبير من الإنتاجية، ويقلل من تأخيرات الخدمة ومعدلات الانقطاع، ويحسن الاستخدام العام للطيف مقارنةً بالنماذج التقليدية لشبكات الراديو الإدراكية. يبرز البحث أهمية الذكاء الإدراكي وصنع القرار الضبابي في التكيف مع ظروف الشبكة المتغيرة، مما يوضح في النهاية أن الهيكل المقترح يتفوق على أنظمة CRN الحالية من حيث استخدام القنوات، وتأخير استجابة الخدمة (SRD)، ومعدل انقطاع الخدمة (SDR). تعتبر هذه التطورات مفيدة بشكل خاص للحفاظ على اتصالات موثوقة وتقليل الاضطرابات للمستخدمين المرخصين، مما يسهم في التطوير المستقبلي لتقنيات إنترنت الأشياء للمستهلكين.
مقدمة
تسلط المقدمة الضوء على الضغط المتزايد على الطيف الراديوي بسبب توسع التقنيات اللاسلكية، بما في ذلك الشبكات المحمولة وأجهزة إنترنت الأشياء. إن سياسة تخصيص الطيف الصارمة الحالية، التي تخصص نطاقات الطيف حصريًا للمستخدمين الأساسيين المرخصين، تفاقم نقص الطيف المتاح، خاصة في النطاقات غير المرخصة. تظهر شبكات الراديو الإدراكية (CRNs) كحل واعد، مما يمكّن الوصول الديناميكي والبرمجي إلى الطيف من خلال السماح للمستخدمين الثانويين بالكشف عن النطاقات المفتوحة وضبط معلمات الإرسال دون التأثير بشكل كبير على المستخدمين الأساسيين. على الرغم من التقدم في كفاءة الطيف من خلال CRNs، لا تزال هناك تحديات، مثل ضعف نسب الإشارة إلى الضوضاء التي تؤدي إلى استشعار غير دقيق للطيف، مما يمكن أن يسبب تداخلًا واضطرابات في الاتصال.
لمعالجة هذه القضايا، تؤكد المقدمة على الحاجة إلى أنظمة تخصيص قنوات ديناميكية (DCA) قوية يمكن أن تتكيف مع الظروف الطيفية المتغيرة، مما يضمن تخصيص القنوات بكفاءة بناءً على جودة الخدمة (QoS) ومستويات التداخل. يجادل النص بضرورة الانتقال من التحكم المركزي إلى الإدارة اللامركزية في CRNs، خاصة في بيئات إنترنت الأشياء المتنوعة حيث يتنافس العديد من المستخدمين الثانويين على نفس الطيف. يسمح هذا النهج اللامركزي، الذي يسهل التقدم في الذكاء الاصطناعي، بتحسين محلي لاستخدام القنوات وصنع القرار، مما يعزز قابلية توسيع النظام واستجابته مع تقليل التأخيرات وأعباء الإشارة.
الطرق
تحدد المنهجية المقترحة نهجًا منهجيًا لمعالجة مشكلة البحث. تبدأ بصياغة الإطار النظري، الذي يدمج النماذج والنظريات الحالية ذات الصلة بالدراسة. تستخدم المنهجية تصميمًا مختلطًا، يجمع بين تقنيات جمع البيانات الكمية والنوعية لتعزيز قوة النتائج. يتم تفصيل أدوات وآلات محددة لجمع البيانات، مثل الاستبيانات والمقابلات، لضمان تغطية شاملة لأسئلة البحث.
تتم تحليل البيانات باستخدام برامج إحصائية، مع التركيز بشكل خاص على تحليل الانحدار لتحديد العلاقات بين المتغيرات. تتضمن المنهجية أيضًا تقنيات التحقق لضمان موثوقية وصلاحية النتائج. بشكل عام، تهدف الطريقة المقترحة إلى توفير فهم دقيق للظواهر قيد التحقيق، مما يسهل توليد رؤى وتوصيات قابلة للتنفيذ بناءً على الأدلة التجريبية.
النتائج
يقدم قسم النتائج المعلمات والقيم المستخدمة في المحاكاة، كما هو موضح في الجدول 3. يتم نمذجة معدل وصول المستخدم الأساسي (PU)، المشار إليه بـ $\lambda_{PU}$، كعملية بواسون بقيم تتراوح من 1 إلى 8. في المقابل، يتراوح معدل وصول المستخدم الثانوي (SU)، $\lambda_{SU}$، من 4 إلى 16، ويتبع أيضًا توزيع بواسون. تم تعيين مدة الإرسال، $T_{tr}$، إلى قائمة من القيم [5، 10، 15، 20، 25، 30، 35، 40] ثانية، تعكس سيناريوهات مختلفة في المحاكاة.
بالإضافة إلى ذلك، تأخذ المحاكاة في الاعتبار إجمالي القنوات المرخصة، $CH$، بقيم 10، 15، و20. تم تحديد قوة إرسال SU المتداخلة، $TP_{SU}$، عند 5 واط عندما يكون PU غائبًا، بينما تكون قوة إرسال SU تحت التداخل، $TP_{SU (Underlay)}$، أقل بكثير عند 0.05 واط عندما يكون PU حاضرًا. تم تثبيت قوة إرسال PU، $TP_{PU}$، عند 10 واط. تشمل المعلمات الأخرى وقت كشف PU البالغ 1 مللي ثانية، ووقت استجابة الخدمة البالغ 0.5 ثانية، ونطاق سعة القناة، $CC$، بين 2 إلى 6 ميغابت في الثانية، مما يشير إلى الحد الأدنى والحد الأقصى لسعات القنوات القابلة للتحقيق خلال المحاكاة.
المناقشة
يستعرض قسم المناقشة في ورقة البحث تطوير نظام تخصيص قنوات ذكي مستقل مصمم لشبكات الراديو الإدراكية (CRNs) في بيئات إنترنت الأشياء (IoT) المتنوعة. يركز النظام المقترح على سلوك ذاتي التكيف، مما يمكّن العقد من اختيار القنوات التشغيلية بناءً على نسبة الإشارة إلى التداخل بالإضافة إلى الضوضاء (SINR) المفضلة، ومستويات الطاقة، وظروف التداخل. يهدف هذا النهج إلى تعزيز كفاءة الطيف، وتقليل تأخيرات الاتصال في اتخاذ القرار، والحفاظ على أداء قوي في البيئات الديناميكية. من خلال اعتماد إطار صنع قرار لامركزي، يسمح النظام للمستخدمين الثانويين (SUs) بإدارة الوصول إلى الطيف بشكل مستقل دون الاعتماد على التحكم المركزي، مما يحسن قابلية التوسع والاستجابة.
يقدم البحث خوارزمية تخصيص القنوات بناءً على نظام منطقي ضبابي من 27 قاعدة من نوع مامداني، الذي يعطي الأولوية للوصول إلى الطيف للمستخدمين الثانويين وفقًا لقوة الإرسال الخاصة بهم، ومتطلبات سعة القناة، وعجلة طلبات الخدمة. يتم تخصيص قنوات خالية من التداخل للمستخدمين الثانويين ذوي الأولوية العالية، بينما يعمل المستخدمون الثانويون ذوو الأولوية المنخفضة تحت استراتيجية متداخلة هجين، مع ضبط قوة الإرسال الخاصة بهم بناءً على نشاط المستخدم الأساسي (PU). تؤكد المحاكاة الواسعة على فعالية النظام عبر كثافات المستخدمين وظروف المرور المختلفة، مما يظهر تحسينات في الإنتاجية، ومعدلات انقطاع الخدمة، وأوقات الاستجابة. تسلط النتائج الضوء على ضرورة وجود حلول لإدارة الطيف الذكية والمرنة التي يمكن أن تتكيف مع تعقيدات بيئات الاتصال اللاسلكي الحديثة.
DOI: https://doi.org/10.1038/s41598-026-44620-3
PMID: https://pubmed.ncbi.nlm.nih.gov/41862591
Publication Date: 2026-03-21
Author(s): Sanjeetha Gowthaman et al.
Primary Topic: Cognitive Radio Networks and Spectrum Sensing
Overview
The research paper presents a novel dynamic channel allocation algorithm tailored for Cognitive Radio Networks (CRNs), aimed at enhancing spectral efficiency and communication reliability within the evolving landscape of consumer Internet of Things (IoT) deployments. The proposed framework integrates adaptive spectrum management with priority-aware spectrum management, utilizing a 27-rule Mamdani fuzzy logic decision model to prioritize Secondary Users (SUs) and allocate channels based on dynamic conditions. The system employs an energy-detection approach for spectrum sensing, enabling high-priority SUs to access stable interweave channels while low-priority SUs operate under a hybrid interweave-underlay scheme, effectively reducing transmission power when Primary Users (PUs) are active.
Empirical results from MATLAB simulations indicate that the fuzzy-based allocation system significantly enhances throughput, reduces service delay and drop rates, and improves overall spectrum utilization compared to traditional CRN paradigms. The research underscores the importance of cognitive intelligence and fuzzy decision-making in adapting to varying network conditions, ultimately demonstrating that the proposed architecture outperforms existing CRN systems in terms of channel utilization, service response delay (SRD), and service drop rate (SDR). This advancement is particularly beneficial for maintaining reliable connections and minimizing disruptions for licensed users, thereby contributing to the future development of consumer IoT technologies.
Introduction
The introduction highlights the growing pressure on the radio spectrum due to the expansion of wireless technologies, including mobile networks and IoT devices. The existing rigid spectral allocation policy, which assigns spectrum bands exclusively to licensed primary users, exacerbates the shortage of available spectrum, particularly in unlicensed bands. Cognitive Radio Networks (CRNs) emerge as a promising solution, enabling dynamic and programmable access to the spectrum by allowing secondary users to detect open bands and adjust transmission parameters without significantly impacting primary users. Despite advancements in spectral efficiency through CRNs, challenges remain, such as poor signal-to-noise ratios leading to inaccurate spectrum sensing, which can cause interference and communication disruptions.
To address these issues, the introduction emphasizes the need for robust Dynamic Channel Allocation (DCA) systems that can adapt to changing spectral conditions, ensuring efficient channel assignment based on quality of service (QoS) and interference levels. The text argues for a shift from centralized control to decentralized management in CRNs, particularly in heterogeneous IoT environments where multiple secondary users compete for the same spectrum. This decentralized approach, facilitated by advancements in artificial intelligence, allows for local optimization of channel usage and decision-making, thereby enhancing the system’s scalability and responsiveness while minimizing delays and signaling overhead.
Methods
The proposed methodology outlines a systematic approach to address the research problem. It begins with the formulation of the theoretical framework, which integrates existing models and theories relevant to the study. The methodology employs a mixed-methods design, combining quantitative and qualitative data collection techniques to enhance the robustness of the findings. Specific tools and instruments for data gathering, such as surveys and interviews, are detailed to ensure comprehensive coverage of the research questions.
Data analysis is conducted using statistical software, with particular emphasis on regression analysis to identify relationships between variables. The methodology also incorporates validation techniques to ensure the reliability and validity of the results. Overall, the proposed approach aims to provide a nuanced understanding of the phenomena under investigation, facilitating the generation of actionable insights and recommendations based on empirical evidence.
Results
The results section presents the parameters and values utilized in the simulation, as detailed in Table 3. The primary user (PU) arrival rate, denoted as $\lambda_{PU}$, is modeled as a Poisson process with values ranging from 1 to 8. In contrast, the secondary user (SU) arrival rate, $\lambda_{SU}$, varies from 4 to 16, also following a Poisson distribution. The transmission duration, $T_{tr}$, is set to a list of values [5, 10, 15, 20, 25, 30, 35, 40] seconds, reflecting different scenarios in the simulation.
Additionally, the simulation considers a total of licensed channels, $CH$, with values of 10, 15, and 20. The interweave SU transmit power, $TP_{SU}$, is established at 5 W when the PU is absent, while the underlay SU transmit power, $TP_{SU (Underlay)}$, is significantly lower at 0.05 W when the PU is present. The PU’s transmit power, $TP_{PU}$, is fixed at 10 W. Other parameters include a PU detection time of 1 ms, a service response time of 0.5 seconds, and a channel capacity range, $CC$, between 2 to 6 Mbps, indicating the minimum and maximum achievable channel capacities during the simulation.
Discussion
The discussion section of the research paper outlines the development of an autonomous intelligent channel allocation system tailored for cognitive radio networks (CRNs) in heterogeneous Internet of Things (IoT) environments. The proposed system emphasizes adaptive self-organizing behavior, enabling nodes to select operational channels based on preferred Signal to Interference plus Noise Ratio (SINR), energy levels, and interference conditions. This approach aims to enhance spectral efficiency, reduce decision communication delays, and maintain robust performance in dynamic environments. By employing a decentralized decision-making framework, the system allows secondary users (SUs) to autonomously manage spectrum access without relying on centralized control, thus improving scalability and responsiveness.
The research introduces a channel-assignment algorithm based on a 27-rule Mamdani fuzzy-logic system, which prioritizes spectrum access for SUs according to their transmission power, channel capacity requirements, and urgency of service requests. High-priority SUs are allocated interference-free channels, while low-priority SUs operate under a hybrid interweave-underlay strategy, adjusting their transmission power based on primary user (PU) activity. Extensive simulations validate the system’s effectiveness across various user densities and traffic conditions, demonstrating improvements in throughput, service drop rates, and response times. The findings highlight the necessity for intelligent, flexible spectrum management solutions that can adapt to the complexities of modern wireless communication environments.