1 认知网络研究现状
随着无线网络的飞速发展，网络环境(外部运行环境和内部网络环境)变化越来越大，传统的Internet结构已经不能满足发展的需求，因此需要设计新的体系结构来满足日益复杂的网络环境需求。David提出在Internet的体系结构中增加一个知识平面，将认知概念扩展到了整个通信网络，并包含于网络的各个协议层次。这就是认知网络的概念。认知网络[1-2]能够观察、感知和学习网络环境状态，智能决策并自适应调整节点和网络的配置与行为(如交换、路由、资源分配等)，进而达到对网络性能的智能优化。
“认知”一词来源于人工智能。认知网络只有具备了学习和决策能力，才能够真正具有认知能力，因此，智能决策是认知网络的核心技术。认知网络的智能决策涉及人工智能理论、机器学习、推理机制等方面的技术。有代表性的是Nicola Baldo的模糊决策[3]。Nicola Baldo在研究认知网络的接入方法时使用模糊值表示不同应用的相关性能参数，利用模糊逻辑推理和模糊计算评估每个网络接入机会的服务质量并使用模糊决策技术选择最合适的接入机会。Alex Chia-Chun Hsu的统计信道分配认知MAC协议和William C. Headley在认知无线的自动模式分类中都引入了智能决策算法。但这些决策方法依据的规则和策略都是固定的，系统在运行过程中不能够根据环境的变化规律调整决策，不能达到真正认知的目标。
目前，对于认知网络的研究重点集中在介质访问控制(MAC)[4]、路由技术[5-6]和QoS等方面。其中，认知网络QoS研究主要包括3类：一类是数据链路层QoS[7-11]，数据链路层QoS结合认知无线电能够自适应调整节点所使用的频谱的特征，采用动态频谱分配技术，改善网络的QoS；第二类采用跨层设计的思想，在节点进行路由选择时考虑数据链路和物理无线环境的状态，根据底层状态动态选择路由[12]；第三类则是从用户角度出发提出一种保障用户QoS水平的动态配置方法[13]。上述研究都是针对通用的认知网络而展开的，未考虑应急通信场景的特定需求(如网络环境不可预知、时延敏感、临时通信等)，因此直接应用于应急通信场合有一定的局限性。
2 体系结构与模型
Sutton[14]、Nolan[15]、Mahonen[16]和Thomas[2]都在认知网络的体系结构与模型方面进行了研究。其中，Sutton和Nolan重点研究认知网络中具有可配置能力的平台框架，提出一种基于元素的节点体系结构，网络节点可由异构的软件或硬件元素来组建，用XML配置文档来定义和描述节点。体系结构中未考虑如何支持分布式推理、集体决策和分布式学习。Mahonen提出一个基于可配置网络的支持优化决策的认知节点框架以及分布式推理算法IGA。Thomas提出的认知框架是一个比较完整的框架结构，包括3层：端到端的用户目标、认知过程、具备软件自适应能力，但是也存在一些不足之处。首先，认知过程的具体逻辑结构(即认知过程中推理、学习、决策3者之间的关系)没有明确给出；其次，认知网络概念与目前传统网络概念之间的关系在Thomas的框架中也未明确说明；最后，Thomas框架中将Network API定义为认知过程与软件自适应网络的接口，这种定义方式使得认知过程与低层自适应网络的耦合过于紧密，灵活性和可扩充性差。
Sutton、Nolan、Mahonen和Thomas研究的认证网络都没有具体针对应急通信，然而应急通信的需求越来越明确，为此我们提出了支持应急通信的认知网络的体系结构与模型，主要研究应急通信系统建模、应急通信业务定义与描述、支持应急通信的认知网络的体系结构。
2.1 QoS需求描述
将应急通信定义为具有“时间关键”特征的通信。“时间关键”的概念源于军用战术通信网络中从发现目标、定位目标、直到攻击目标的时间限制要素。时间关键通信是根据突发事件的等级，制订从通信节点提出发送数据请求开始，经网络各节点路由、交换和汇聚处理，通过各种无线接入网关，直至信息到达指定的目的节点的时间限制。时间关键通信以QoS指标为基础、以电信ATM标准中关于业务种类的定义方法为参考来定义应急通信业务，同时，考虑可扩充性和通用性需求，适应应急通信业务需求的描述，并采用XML语言来描述业务。
2.2 网络物理结构
由于传统应急通信高成本、单点通信的局限性，将传统应急通信的节点扩展为网。应急通信系统网络物理结构如图1所示。
图1将传统应急通信节点(海事卫星、VSAT卫星地面站和移动站等)作为无线网关使用。在异常事件发生区域以无线Ad hoc网络(可以是WLAN，无线Mesh或无线传感器网络等无线区域网络)作为基本物理承载网，救援人员通过无线Ad hoc网络保持联系、接受命令和采集灾害区域信息，进而提高信息采集精度、扩展应急通信网络的覆盖范围，达到提高应急通信系统性价比的目标。多个异构的Ad hoc网络逻辑上共同组成了一个认知网络，每个Ad hoc网络可以看成是一个通信域，多个域之间通过认知网络将其融合为一个逻辑上的认知系统。认知网络能够认知周围复杂网络环境(主要是无线、移动环境)，自适应控制网络各节点的行为(路由、无线频率分配等)，保证应急通信业务所需要的“时间关键”特性的服务质量。
2.3 网络体系结构
认知网络是建立在传统网络之上的逻辑网络(即软件定义的网络)，其底层依附于各种异构的传统网络(如Internet、以太网、GSM、WLAN等)，这些传统网络各自具备不同的协议栈结构。基于应急通信的实际场景限制，我们将在各种异构的Ad hoc网络中进行研究，这在一定程度上可降低问题的复杂性。
认知网络体系结如图2所示。可从认知用户、认知网络和传统网络3个视角层次来描述认知网络体系结构。将认知功能的逻辑结构细化为推理、学习、决策3个功能实体，引入两个逻辑功能实体传感器和执行器，用执行器和传感器来表示认知网络与底层可重构网络之间的接口。整个体系结构包括两个反馈控制环：
(1)反馈控制环1
用户应用与认知网络之间的反馈控制：应用向网络提出QoS需求->认知网络推理与决策->网络反馈对该应用QoS是否支持->应用调整QoS需求。
(2)反馈控制环2
认知网络与传统网络之间的反馈控制：认知网络测量物理网络环境QoS数据->QoS决策->网络行为自适应。
2.4 物理网络与QoS逻辑功能间的映射
执行器和传感器合并为一个认知代理，部署在应急通信系统中能够采集QoS相关信息或实施QoS控制的节点和设备上。认知控制点负责进行学习、推理和决策，认知控制点属于逻辑功能实体，物理上可以部署在应急通信系统的任何节点设备上，也可以单独增加硬件节点来实现该功能。认知控制点之间构成了一个传统网络上的认知网络，通过对认知代理采集上的应急通信的QoS信息进行推理决策，控制认知代理的行为，实现基于认知网络的QoS控制。
3 QoS控制和优化策略
目前关于认知网络的QoS控制的研究尚处于起步阶段，特别是针对应急通信这种环境变化快速、不可预知且需要支持实时多媒体业务、交互式业务等多种业务需求的应用场景，研究实用可靠的QoS保障机制和策略尤为重要。我们从认知网络QoS控制问题建模、智能频谱分配策略和优先级业务的跨层路由算法设计3个方面进行相关研究。
3.1 QoS控制过程
基于对认知网络模型的研究，采用控制论中反馈控制环的思想对认知网络QoS控制过程和机制进行建模。从图2的认知体系结构可知，认知网络QoS控制的核心是一个学习-决策的过程，各种认知学习模型都可以用一个统一的反馈环进行描述。基于Col John Boyd提出的OODA环来描述认知网络QoS反馈控制过程，设计一个包括4个功能组件的认知网络QoS循环控制过程：时间关键的QoS相关指标测量、确定QoS调整目标、QoS决策、网络行为自适应。认知网络QoS反馈控制如图3所示。
在图3所示认知网络QoS反馈控制过程的基础上，为了增加认知网络决策的智能，在认知过程中不断丰富认知网络的知识，实现网络的决策随环境的变化而不断地学习和优化，为此，在QoS反馈控制过程中引入机器学习功能。基于学习的认知网络QoS决策流程如图4所示。
3.2 频谱与时隙分配策略
以支持软件无线电技术的节点作为基本的数据链路层环境，考虑异构用户存在情况下的动态信道分配技术。无线信道满足如下假设条件：每个节点都有相同的频谱分配；每个节点都有相同的频谱分配概率(即系统所有的可用频谱在每个节点都可以是有效的)；节点支持无线信道上的一发多收；同一频率可以再进行时分复用。动态信道分配策略分为两个阶段：第一个阶段是异构用户的动态频谱分配；第二个阶段是同一频率下的不同优先级QoS保证的动态时隙分配。
动态频谱分配算法，首要考虑在不同发射频谱之间的切换的代价。换言之，在一次通信过程中，沿途所涉及的全部节点的频率切换之和最小的频谱分配方案就是最高效的分配方案。鉴于上述分析，以“最少切换”思想的频谱选择算法，选择目标节点和目的节点之间被尽量多连续节点共享的频率。
频谱选定后，需要为不同优先级业务分配不同的通信时隙。“时间关键”特征的应急通信系统对时延有严格的限制，在时延敏感的大前提下，不同类型的业务对带宽的需求是不同的。在应急通信场景下，按业务的重要程度设计优先级，因此优先级越高的业务越需要确保其所需要的QoS。因此，在不同优先级业务的时隙分配时，采用“高优先级确保”的时隙分配策略，首先满足高优先级业务对信道带宽的需求。只有高优先级业务的QoS需求全部满足后，再考虑低优先级的，这样的策略与应急通信的特殊通信需求(首先满足重要信息的传输，公平性不是必需考虑的因素)是一致的。
3.3 跨层路由算法设计
支持应急通信的认知网络是叠加在Ad hoc网络上的，由于Ad hoc网络的特点和应急通信的“时间关键”特性，Ad hoc网络的QoS路由问题重点在研究如何利用有限的带宽资源快速有效地建立最优链路。由于Ad hoc网络的路由性能受无线数据链路的影响很大，而认知网络是在跨层设计的思想下发展而来的，因此将无线链路相关的参数(如信道信噪比、信道发射功率等)作为选择路由算法的约束条件。
由于应急通信对节点的健壮性要求高，节点在协作通信的同时，还需要有“自我保护意识”，即节点是“自私”的。换言之，应急通信系统不希望出现某些节点为了转发其他节点的信息而耗尽自身的能量，造成通信覆盖上的盲点。博弈论考虑游戏中的个体的预测行为和实际行为，并研究他们行为的优化策略。基于博弈理论分析认知网络的QoS路由，将节点的路由转发问题建立博弈模型。其中：节点对应博弈者；根据不同业务QoS需求的不同，利用模糊逻辑定义节点的路由转发行为，节点转发信息对系统的实时通信是有贡献的，因此需要给予奖励。但是转发数据包需要消耗节点的电源能量，对节点自身的健壮性不利，因此需要惩罚。另外，节点周围邻居转发包对节点本身也有利，需要奖励。按照上述思路可建立认知网络QoS路由的博弈模型。
3.4 在线分布式学习算法
在机器学习的范畴中，根据学习的反馈类型不同，学习技术可以分为监督学习、非监督学习和强化学习三大类。考虑到监督式学习和非监督学习都需要训练数据，而应急通信环境往往是不可预知的，因此很难事先准备大量训练数据。而强化学习不需要训练数据，仅依靠简单的试错来学习得到最优行为策略，这非常符合应急通信场景下节点资源和能力有限且需要在线学习能力的情况。因此，应采用强化学习算法来实现认知节点的在线学习。
图5所示的QoS决策系统包括两部分内容：推理机和强化学习器。QoS决策系统接受网络环境状态输入，使用推理机制根据相应的QoS策略进行推理，得到推理结论并输出相应的自适应动作。网络环境在系统自适应动作的作用下，根据状态转移函数由当前状态变迁到新的状态。系统学习模块接收网络环境对于系统自适应动作的奖赏反馈，采用强化学习算法学习得到新的自适应决策策略并将该策略提供给推理机制以备后续的QoS决策使用。QoS决策系统通过不断地学习，可以得到QoS决策策略，使得网络的自适应动作的回报累计值最大。
4 应用场景
随着无线通信技术、人工智能技术和信息处理技术的飞速发展和日益成熟，认知网络技术的应用将会越来越广泛，如何保证应急通信场景下认知网络的服务质量是认知网络研究中迫切需要解决的问题。
本文基于“时间关键”特征定义和描述应急通信业务的QoS需求，从不同视角定义支持应急通信的认知网络体系结构与模型；基于反馈控制理论研究认知网络的QoS控制，并设计了群体决策和在线分布式学习算法以实现认知网络的QoS控制。以上论述的结构体系和QoS技术可以用于以下应急场景。
(1)城市突发事件
突发事件处理是现代化城市管理的重要研究课题，突发时间往往发生在难以预料的场合和环境(如商场突发火灾)。突发事件处理部门的人员(公安、消防、医疗)到达现场后成功处理突发事件的前提是要迅速、准确地了解现场情况。支持应急通信的认知网络能够在突发事件现场快速组网并通信，准确、及时地传递各种相关信息。系统能够随网络环境的变化自适应调节以便保证不同业务按照其所需要的服务质量传输，减少由于不了解现场情况而带来的人民生命和财产的损失。
(2)地震灾害救援
中国2009年的四川地震及2010年的玉树地震都带来了巨大的人员伤亡和财产损失，而其对人们心灵带来的损害更是无法弥补的。当时由于地震造成传统电信网络瘫痪，外部救援的人员无法了解地震中心的情况，只能靠个别新闻工作者带去的少数海事卫星电话与外界保持联系。地震中心的受灾情况的视频若干天后才被传出，而且主要是靠飞机航拍的。救援人员到达现场后，通过支持应急通信的认知网络快速组网并通信，大面积采集各种灾害现场的信息，不仅可以为救援的调度和指挥提供一手的信息，而且能提高救援的针对性、最大限度减少灾害现场人员的伤亡。同时，时刻保持通信对灾害现场的救援人员来讲也是一种保护，具有很大的社会效益。
5 结束语
支持应急通信的认知网络是网络和通信发展的必然产物，是信息社会发展的需要。支持应急通信的认知网络QoS技术的研究将应用于紧急事件处理、灾害救援等领域，将产生重要的社会效益。就目前的研究状况来看，对支持应急通信的认知网络QoS技术的研究还存在很多不足，需要业界人士的进一步研究。
6 参考文献
[1] CLARK D D, PARTRIDGE C, RAMMING J C, et al. A Knowledge Plane for the Internet [C]//Proceedings of the Conference on Applications, Technologies, Architectures, and Protocols for Computer Communication (SIGCOMM '03),Aug 25-29,2003, Karlsruhe, Germany. New York,NY,USA:ACM,2003: 3-10.
[2] THOMAS R W, DASILVA L A, MACKENZIE A B. Cognitive Networks [C]//Proceedings of the 1st IEEE International Symposium on New Frontiers in Dynamic Spectrum Access Networks (DySPAN '05), Nov 8-11, 2005, Baltimore, MD,USA. Piscataway, NJ,USA: IEEE, 2005:352-360.
[3] BALDO N, ZORZI M. Cognitive Network Access Using Fuzzy Decision Making [C]//Proceedings of IEEE International Conference on Communications (ICC’07), Jun 24-28, 2007, Glasgow, UK. Piscataway, NJ,USA: IEEE, 2007: 6504-6510.
[4] 曾志民, 郭彩丽. 认知无线电网络的MAC层关键技术 [J]. 中兴通讯技术, 2009,15(2):20-24.
[5] 滑楠, 曹志刚. 认知无线电网络路由研究综述 [J]. 电子学报, 2010,38(4): 910-918.
[6] 李红艳, 李建东, 周丹. 认知网络路由技术 [J]. 中兴通讯技术, 2010,16(1):50-52.
[7] MATSUI S, WATANABE I, TOKORO K. Application of the Parameter-free Generic Algorithm to the Fixed Channel Assignment Problem [J]. Systems and Computers in Japan, 2005,36(4): 71-81.
[8] HUA Yao, ZHU Yanfeng, NIU Zhisheng. A Channel Assignment Scheme in High Density WLANs to Mitigate Pesudo Capture Effect [C]//Proceedings of the IEEE Global Telecommunications Conference (GLOBECOM '07),Nov 26-30,2007, Washington, DC,USA. Piscataway, NJ,USA: IEEE, 2007: 4796-4800.
[9] LI Xuejun, HAN P, CHONG Joo. WLC20-6: A Fixed Channel Assignment Scheme for Multihop Cellular Network [C]//Proceedings of IEEE Global Telecommunications Conference (GLOBECOM’06),Nov 27-Dec 1, 2006,San Francisco, CA, USA. Piscataway, NJ, USA: IEEE, 2006:5p.
[10] KRISHNAMURTHY S, THOPPIAN M, KUPPA S, et al. Time-efficient Distributed Layer-2 Auto-configuration for Cognitive Radio Networks [J]. Computer Networks,2008, 52(4), 831-849.
[11] THOPPIAN M, VENKATESAN S, PRAKASH R, et al. MAC-layer Scheduling in Cognitive Radio based Multi-hop Wireless Networks [C]//Proceedings of the 7th IEEE International Symposium on a World of Wireless, Mobile and Multimedia Networks (WoWMoM’06),Jun 26-29, 2006, Niagara-Falls/Buffalo, NY, USA. Piscataway, NJ, USA: IEEE,2006: 191-202.
[12] GHOSH C, AGRAWAL D P. Channel Assignment with Route Discovery (CARD) Using Cognitive Radio in Multi-channel Multi-radio Wireless Mesh Networks [C]//Proceedings of the 1st IEEE Workshop on Networking Technologies for Software Defined Radio Networks(SDR’06),Sep 25,2006,Reston,VA,USA. Piscataway, NJ, USA: IEEE, 2006: 36-41.
[13] 冯光升, 王慧强, 马春光, 等. 面向认知网络的用户QoS动态自配置方法 [J]. 通信学报, 2010,31(3): 133-140.
[14] SUTTON P D, DOYLE L E, NOLAN K E. A Reconfigurable Platform for Cognitive Networks [C]//Proceedings of the 1st International Conference on Cognitive Radio Oriented Wireless Networks and Communications(CROWNCOM’06), Jun 8-10,2006,Mykonos Island, Greece. Piscataway, NJ, USA: IEEE, 2006: 5p.
[15] NOLAN K E, SUTTON P D, DOYLE L E. A Framework for Implementing Cognitive Functionality [C]//Proceedings of the 51st SDR Forum General Meeting and Technical Conference (SDR’06), Nov 13-17, 2006, Orlando, FL. 2006.
[16] MAHONEN P, PETROVA M, RIIHIJARVI J, et al. Cognitive Wireless Networks: Your Network Just Became a Teenager [C]//Proceedings of the 25th IEEE International Conference on Computer Communications (INFOCOM’06), Apr 23-29,2006, Barcelona, Spain. Piscataway, NJ,USA: IEEE, 2006.
张冬梅，北京邮电大学博士毕业，北京邮电大学计算机学院副教授，从事网络与软件安全、网络通信、自组织网络方面的研究，已发表SCI/EI检索论文20余篇。
张世栋，北京邮电大学计算机学院在读博士研究生。