»Cognitive Radio« Funksysteme denken mit

Parallel zur Verbreitung unterschiedlicher Wireless-Applikationen ist in den letzten Jahren der Bedarf an zusätzlichem HF-Spektrum deutlich gestiegen. Doch mit der bisherigen Politik der Standardisierungsgremien, bestimmten Anwendungen feste Frequenzbereiche zuzuweisen, wird das verfügbare HF-Spektrum nicht effizient ausgenutzt - ein Teil der lizenzierten Frequenzbänder ist häufig nur gering ausgelastet, andere Bänder sind überlastet. „Cognitive Radio“ kann hier Abhilfe schaffen.

Die Regulierungsbehörden, die für die Zuweisung des HF-Spektrums zuständig sind, denken inzwischen über einen Paradigmenwechsel nach, um das verfügbare Spektrum intelligenter und flexibler einzusetzen. In die gleiche Richtung geht das technische Konzept des „Cognitive Radio“, das durch eine Reihe von wichtigen Innovationen, die es in den letzten Jahren gegeben hat, einer breiten Anwendung deutlich näher gerückt ist.

Das Problem: Es wird eng in den Bändern

Betrachtet man die Belegung des verfügbaren Frequenzspektrums für Wireless-Anwendungen genauer, so zeigt sich, dass manche Frequenzbänder die meiste Zeit nur wenig oder gar nicht belegt sind. Andere Frequenzbereiche, wie z.B. in den ISM-Bändern, werden dagegen sehr intensiv genutzt. Ein typisches Nutzungsprofil ist in Bild 1 dargestellt [1]. Das elektromagnetische Spektrum weist also „spektrale Löcher“ hinsichtlich seiner Belegung auf [2]. Unter einem spektralen Loch versteht man ein Frequenzband, das einem primären Nutzer zugeordnet ist, das aber zu einer bestimmten Zeit und an einem spezifischen geografischen Ort von diesem nicht verwendet wird, obwohl ihm die Rechte dafür zugewiesen wurden.

Die Verwendung des verfügbaren Frequenzspektrums lässt sich drastisch verbessern, indem einem sekundären Nutzer Zugriff auf diejenigen spektralen Löcher ermöglicht wird, die von dem primären Nutzer an dem entsprechenden Ort momentan nicht benötigt werden. Hierbei haben die sekundären Nutzer keine Lizenz für das Frequenzband und müssen es wieder freigeben, sobald der primäre Nutzer es beansprucht.

Das „Cognitive Radio“ wurde als Hilfsmittel vorgeschlagen [1 - 3], um einem sekundären Nutzer den Zugriff auf diese spektralen Löcher zu ermöglichen, ohne dass sich hierdurch Einschränkungen für den primären Nutzer ergeben. Ein Cognitive Radio ist letztlich ein intelligentes Kommunikationssystem, das Informationen über die augenblickliche Belegung des verfügbaren Frequenzspektrums besitzt und fortlaufend aktualisiert. Dadurch ist es einem solchen System möglich, seine internen Zustände an die Umgebungsbedingungen anzupassen. Hierzu können die entsprechenden Betriebsparameter, wie die Sendeleistung, die Trägerfrequenz und das Modulationsschema, in Echtzeit modifiziert werden.

In den USA und in Großbritannien ist für diese Art der Nutzung das UHF-Band vorgesehen, auf das als primärer Nutzer das digitale Fernsehen zugreift [4, 5]. Regulierungsbehörden wie die FCC in den USA und Ofcom in Großbritannien haben bereits zu erkennen gegeben, dass weitere Frequenzbänder folgen sollen.

Aufbau eines „Cognitive Radio“-Konzeptes

Bei einem „Cognitive Radio“-Konzept handelt es sich also um ein rekonfigurierbares System. Hierunter versteht man die Fähigkeit dieses Systems, seine Betriebsparameter in Abhängigkeit der detektierten Informationen über die Umgebungsbedingungen unmittelbar anzupassen, um optimale Übertragungsbedingungen zu erreichen. Diese Rekonfigurierbarkeit wird durch eine Hardware-Plattform, genannt „Software Defined Radio“ (SDR), realisiert. SDR-Architekturen sind durch die großen Fortschritte der Mikroelektronik in den letzten Jahren inzwischen zu einer Realität geworden [6].

Bevor ein „Cognitive Radio“ seine Parametereinstellungen anpassen kann, muss es zunächst Informationen über den aktuellen Zustand und mögliche Änderungen der Umgebungsbedingungen ermitteln. Diese kognitive Fähigkeit umfasst die Bestimmung der augenblicklich belegten bzw. freien Frequenzbänder sowie die Ermittlung der von anderen Benutzern verwendeten Modulationsverfahren und möglicherweise auch der verwendeten Standards und der Protokolle.

Ein typischer Ablauf der Parametereinstellung in einem Cognitive Radio ist in Bild 2 illustriert [3]. In einem ersten Schritt wird das gesamte Breitband-Spektrum überwacht. Mit Hilfe der so gewonnenen Informationen können dann im Analyseschritt eine Charakterisierung der Umgebungsbedingungen erfolgen und die Lücken im verwendeten Frequenzspektrum detektiert werden. Dadurch kann das System in Abstimmung mit anderen Nutzern das augenblicklich bestgeeignete Frequenzband auswählen.

Doch es muss auch erkennen, wenn ein primärer Nutzer sein lizenziertes Frequenzband wieder beansprucht. In der Regel sind primäre Nutzer (und beim Mobilfunk primäre Basisstationen) nicht mit den Funktionen eines Cognitive Radio ausgestattet. Daher muss das sekundäre Netzwerk den primären Nutzer erkennen und das beanspruchte Band unmittelbar wieder freigegeben, ohne dass störende Interferenzen entstehen.

Nach der Analysefunktion erfolgen im nächsten Schritt die Auswertung der detektierten Informationen und die Ermittlung der optimalen Strategie zur Parameternachstellung. Der sekundäre Nutzer wählt für seine Übertragung das momentan bestgeeignete Frequenzband aus.

Hierbei kann als Reaktion auf sich zeitlich ändernde Kanaleigenschaften auch ein Hin- und Herspringen zwischen mehreren Frequenzbändern erfolgen (Bild 3). Beansprucht z.B. ein primärer Nutzer wieder sein lizenziertes Band, das zur Zeit von einem sekundären Nutzer verwendet wird, so wechselt der letztere in einen anderen Frequenzbereich.

Bei der Auswahl des neuen Frequenzbands ist eine Reihe von verfügbaren Informationen zu berücksichtigen, hierzu gehören z.B. die erforderliche Kanalkapazität, das Rauschen und die Größe der Interferenzsignale sowie die Dämpfung auf dem Übertragungspfad. Ein sekundärer Nutzer kann gegebenenfalls auch das gleiche Frequenzband wie ein primärer Nutzer oder andere sekundäre Nutzer verwenden, so lange die erzeugten Interferenzsignale einen Grenzwert nicht überschreiten.

Schließlich erfolgt als letzte Aktion des Zyklus die Nachregelung der Übertragungsparameter. Dies hat natürlich auch wieder Rückwirkungen auf den Zustand der HF-Strecke. Die Frequenzbereiche, die durch die primären Nutzer belegt sind, ändern sich mit der Zeit, so dass die sekundären Nutzer durch eine Multihop-Strategie darauf reagieren müssen - in Bild 3 ist dies beispielhaft dargestellt.

Die einfachste Methode, um einen primären Nutzer im ankommenden Datenstrom zu detektieren, besteht darin, einen Energiedetektor zu realisieren [3]. Die Energie in einem Frequenzband wird bestimmt, indem die entsprechende Leistung des Empfangssignals über ein Messintervall aufsummiert wird. Wird dabei ein zu definierender Schwellwert überschritten, so wird angenommen, dass das zugehörige Frequenzband von einem primären Nutzer belegt ist. Dieser Detektortyp zeichnet sich durch einen geringen Realisierungsaufwand und kurze Detektionszeiten aus.

Außerdem müssen keine weiteren Informationen über den primären Nutzer bekannt sein. Leider hängt die Zuverlässigkeit aber sehr stark vom Umgebungsrauschen ab - bei einem kleinen Signal-Rausch-Verhältnis ist die Fehlerrate bei der Erkennung des primären Nutzers sehr hoch. Darüber hinaus kann dieser Detektortyp nicht zwischen dem primären Nutzer und anderen, unbekannten Signalquellen unterscheiden. Die Leistungsfähigkeit eines Cognitive-Radio-Konzeptes ist also durch aufwendigere Verfahren zur automatischen Klassifizierung, durch die auch das verwendete Modulationsverfahren des empfangenen Signals erkannt wird, zu verbessern.

Automatische Klassifizierung von Modulationsverfahren

Konzepte zur automatischen Klassifizierung von Modulationsverfahren stellen daher in Cognitive Radios eine zentrale Funktion dar. Deshalb im Folgenden mehr Details hierzu. In der englischsprachigen Literatur wird übrigens in diesem Zusammenhang auch von AMC (Automatic Modulation Classification) gesprochen. Durch diese Funktion wird es dem Empfänger des Cognitive Radio möglich, das Signal in einem weiteren Schritt zu demodulieren oder zumindest Interferenzsignale geeignet einzuordnen. Durch ein zuverlässiges AMC-Verfahren kann die Gesamtleistung eines solchen Systems daher entscheidend verbessert werden.

Die automatische Klassifizierung von Modulationsverfahren ist bereits seit über zwei Jahrzehnten ein Forschungsthema, und es wurde eine große Anzahl von entsprechenden Verfahren entwickelt und in der Literatur beschrieben [3, 7 - 9]. Hierbei findet eine Einteilung in zwei große Klassen statt: Man unterscheidet zwischen wahrscheinlichkeitsbasierten und merkmalsbasierten Verfahren. Die erste Klasse beruht auf der Wahrscheinlichkeitsfunktion des Empfangssignals, wobei die Entscheidung über das Modulationsverfahren durch den Vergleich des Wahrscheinlichkeitsverhältnisses mit einem Schwellwert getroffen wird. Hierzu durchläuft das Signal in der Regel zunächst ein „Matched Filter“, das auf die Signalform des primären Nutzers genau abgestimmt sein muss. Insbesondere müssen die Betriebsfrequenz, die Bandbreite, das verwendete Modulationsverfahren und die Pulsform bekannt sein. Durch die entsprechenden Algorithmen kann die Wahrscheinlichkeit einer falschen Klassifizierung minimiert werden, allerdings ist der erforderliche Rechenaufwand nicht unerheblich. Außerdem verschlechtert sich die Performance deutlich, falls das Matched Filter falsch eingestellt wurde.

Weitaus häufiger werden heute daher merkmalsbasierte Verfahren eingesetzt, die zwar nur zu einer suboptimalen Lösung führen können, aber deutlich weniger Rechenaufwand benötigen. Hierbei wird das Empfangssignal hinsichtlich mehrerer Merkmale untersucht. Eine Entscheidung über das verwendete Modulationsverfahren wird dann auf Basis der beobachteten Merkmale getroffen. Merkmale, die zur Klassifizierung dienen, sind zum Beispiel die Varianz der normalisierten Amplitude, Phase und Frequenz des Eingangssignals, die Varianz der Abstände der Nulldurchgänge oder weitere statistische Größen des Eingangssignals.

Viele Signale, die heute zur Funkübertragung eingesetzt werden, haben Parameter, die sich periodisch mit der Zeit ändern. Diese Eigenschaft wird in der Literatur auch als „Zyklostationarität“ bezeichnet [9] und kann gezielt als Merkmal zur Klassifizierung herangezogen werden. Beispiele für solche zyklostationären Signale sind gepulste Radarsignale und Signale, bei denen sich periodisch die Amplitude, die Phase oder die Frequenz ändern. Solche Signale werden in digitalen Kommunikationssystemen verbreitet eingesetzt, wobei konventionelle Empfänger diese Periodizität allerdings gar nicht nutzen, um zusätzliche Informationen über das Signal zu gewinnen. Die Leistungsfähigkeit der Signalverarbeitung kann aber in vielen Fällen durch die zusätzliche Betrachtung dieser versteckten Periodizität deutlich verbessert werden.

Das Ausnutzen der Zyklostationarität zur Klassifizierung von Modulationsverfahren stellt zur Zeit ein interessantes Forschungsgebiet dar - entsprechende Untersuchungen finden unter anderem am Lehrstuhl des Autors statt. Die Algorithmen zeichnen sich insbesondere dadurch aus, dass sie auch bei einem schlechten Signal-Rausch-Verhältnis noch relativ zuverlässig funktionieren. Im Gegensatz zum einfachen „Leistungsschätzer“ ist eine Unterscheidung des Signals vom unkorrelierten, weißen Rauschen sehr gut möglich. Es hat sich allerdings gezeigt, dass die Periodizität des Mittelwertes oder der Autokorrelationsfunktion nur zur Unterscheidung von einfachen Modulationsverfahren geeignet sind [7]. Sollen auch Modulationsverfahren höherer Ordnung wie 16-QAM oder 64-QAM Berücksichtigung finden, müssen auch Kumulanten höherer Ordnung berechnet werden, was wiederum mit erhöhtem Rechenaufwand verbunden ist.

Die merkmalsbasierten Verfahren beruhen also darauf, dass aus dem ankommenden Datenstrom Muster abgeleitet werden, die man den verschiedenen Modulationsverfahren zuordnen kann. Die Zuordnung erfolgt durch einen Klassifizierer, der auf einem Mustererkennungsverfahren basiert. Hierbei können unterschiedliche Verfahren zur Mustererkennung herangezogen werden; insbesondere neuronale Netzwerke haben sich hierfür bewährt, da sie sich durch eine einfache Implementierung bei guten Klassifizierungseigenschaften auszeichnen.

Ein neuronales Netzwerk ist letztlich ein parallel verteilter Prozessor, der die Fähigkeit besitzt, erlerntes Wissen zu speichern und für weitere Operationen nutzbar zu machen. Die Informationen über das erlernte Wissen werden mit Hilfe der Verstärkungsfaktoren der Verbindungen zwischen den Neuronen abgespeichert. Der Einsatz von neuronalen Netzen stellt übrigens eine sehr flexible Methode zur Klassifizierung dar, da das neuronale Netz einfach auf neue Modulationsverfahren trainiert werden kann, falls diese mit berücksichtigt werden sollen.