0 引言

认知无线电网络(Cognitive Radio Network,CRN)可以实现任何维度无限制的无线通信，即无处不在的连接能够超越异构网络、频谱多样性、各种地域界限以及不同的通信规则和管制政策等多种限制，构成最高级的自适应系统。从目前的技术发展水平来看，尽管这种理想的智能网络还难以实现，但是认知无线电所具备的频谱捷变以及协议独立等特点，使得在多频段环境下构建提供无缝系统操作的平台成为可能。认知无线电网络的特点使得其在网络租借服务、公共应急服务及军事方面都有较好的应用前景^[1]。

在认知无线电网络中，认知无线电用户(Secondary User,SU)能够利用认知无线电的技术来探测和感知周围的环境，在不影响授权用户(Primary User,PU)利益的前提下去接入感知到的空闲信道从而提高网络频谱资源的利用率。然而，由于不同的认知无线电用户所处的地理位置不同，他们感知到环境情况也各不相同。从信道的角度上来说就是每个认知无线电用户所感知到的可用信道各有差异。这一特征大大增加了节点之间相互通信的难度，同时也给在认知无线电网络这种独特网络环境下进行组播通信带来了新的挑战^[2]。

多播或组播通信是众多无线网络应用中的一种基本的网络原语。这些应用包括多媒体应用程序的支持(如视频会议)、文件分发、新闻或更新传播。无线网络上的多播是一个具有挑战性的目标，在能够部署它之前有很多问题需要解决，包括带宽、拓扑结构、数据包丢失、路由、可靠性、安全问题和服务质量。在稳定性、吞吐量和数据包丢失、减少带宽的要求和较少的功耗之间进行权衡是无线网络中组播的主要目的。此外，由于CRN中拓扑的动态变化，CRN多播具有较大的挑战性。由于认知网络的拓扑关键取决于PU到达的时间和空间，这使得它常常要在未知的无线环境中运行，从而可能导致各种认知节点拥有异构可用信道集合的场景。这种信道异构的特点使多播的问题复杂化，并且可能意味着相邻节点之间缺乏一个公共的信道^[1]。文献[3]给出了多跳CRN所面临的挑战更详细的分析。

随着近年来专注于认知无线电网络组播的研究越来越多，与文献[2]针对无线网络组播理论和综述侧重点不同，本文对认知无线电网络的组播算法、技术和协议进行了综述，基于优化理论、网络编码理论、博弈论、机器学习和图论等对CRN组播现有工作进行了分类总结，最后对这一领域未来研究中面临的机遇与挑战进行了分析。

1 认知无线电网络组播面临的挑战

为了充分利用多播给认知无线电网络带来的优势，应对随之而来的巨大挑战至关重要。认知无线电网络从本质上说是动态的，CRN拓扑的变化取决于授权用户的位置及活动。相比传统无线网络的组播，这些频繁的变化引发了大量的问题。信道的异质性就是其中一个问题，两个相邻的节点可能没有一个共同的信道可用，使得它们必须使用不同的信道进行组播。因此，一个多播传输被分解成许多小的单播传输，从而导致显著的切换时延。实现路由的稳定性是另一个棘手的问题，因为当检测到一个授权用户活动时，认知用户的传输就会被中断。路由算法应该能够处理这样的变化，并相应地调整。已经有工作表明，如果它们是独立的网络，二级网络的组播容量和主网络一样，可以从理论上实现相同的性能界限^[4]。然而，要实现这些性能界限，必须要解决认知无线电网络组播中的四大主要挑战。

1) PU动态性。

在CRN中，每当PU在SU附近开始通信时，SU必须让出信道，从而寻找另一个不被PU占用的信道。由于与PU相关的频谱移动，频繁的PU到达会导致一个高度动态的网络，从而使得SU空间链接频繁丢失，进而严重影响其性能。因此，由于信道的可用性取决于PU出现的时间和地点，组播部署变得更具挑战性^[5]。在各种SU拥有不同的空闲信道集合的情况下，这个结果使得传输协调变得极为迫切。

2) 信道多样性。

为了在认知无线电网络中实施传输协作，公共控制信道(Common Control Channel,CCC)常被用来在认知用户之间交换控制信息。公共控制信道的设计来源于多信道无线网络，但当要部署在认知网络中时，需要解决一些额外的挑战：PU活动的鲁棒性、CCC的充分覆盖和CCC安全^[6]。除非有一个专用的无线电接口调到CCC，否则“聋”问题出现会导致协调问题。Lo在文献[7]中详细讨论了在认知无线电网络中使用公共控制信道的相关问题。

3) 频谱异质性。

PU到达各个首选信道的随机性和随意性使得认知无线电网络的路由问题显著复杂化。这意味着，一个给定认知用户的可用频谱取决于在给定的时间内，在其范围内的授权用户的活动。认知无线电网络中的认知用户的频谱可用性可能是动态的(即时变性)和异质的(即所有节点没有共同的信道可用)^[3]。此外不同于传统的无线网络的信道通常是相同的频带，很大可能是运行在来自于多个频带的异构频段有明显不同的传输特性。

4) 频谱机会性。

文献[8]已经表明，检测频谱的机会并不等同于检测授权用户信号。特别是一个频谱机会的存在需要这两个前提条件：a) SU发射器的传输对于PU接收者没有损害；b) SU接收器的接收是成功的。一个PU发送端信号的简单检测并不一定意味着SU不能接入频谱，因为在这个SU发送者附近可能没有PU接收器。另外一个关键点是频谱机会取决于PU的发射和接收活动。此外，测谱检测任务还取决于传输功率以及PU和SU的地理位置。

这对于认知无线电网络中的组播问题具有重大意义。例如，如果一个认知用户使用高的传输功率以达到一个大的接收用户组，由于产生了更大的干扰区域，那么为了确保没有授权用户接收器是活跃的，它可能需要等待更长的时间。另一方面，采用较低发射功率进行传输将减少由于PU接收而中断的几率，但可能会导致更多的传输——由于传输功率的降低，每一个发送端现在能够到达接收器的数量较少。这突出了“功率多样性”或不同发射功率传输能力之间潜在的权衡。类似的权衡存在于现代无线网络中的“速率多样性”，一个较低的速率传输有一个更大的接收面积，而更高的速率传输能够在一个较短的范围内可靠地解码。

2 认知无线电网络组播协议

无线网络组播路由是一个活跃的研究领域，在现有的文献中已经提出了各种协议。接下来对无线网络组播协议按照技术进行分类。因为一般多跳无线网络与认知无线电网络有很多共同的属性，每一个分类先描述了一般多跳无线网络的组播，然后重点总结了认知无线电网络的组播解决方案。

2.1 基于网络编码的组播协议

在无线网络的组播工作中，文献[9]对于多速率多跳无线网络中的网络编码和链路层传输速率的多样性之间的相互作用进行了研究。研究结果表明，网络编码可以结合多速率链路层广播，以提高组播应用的网络吞吐量。以网络编码为基础的应用与认知无线电网络的无线组播协议出现在了近期的文献[10-13]中。其中：文献[10]用网络编码来解决基于正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)的认知无线网络多播资源分配问题。为了优化认知无线电网络的整体性能，整合协作技术和网络编码，文献[11]提出了一个优化组播调度框架。该工作使用网络编码减少开销，并执行错误控制和恢复。特别地，与认知用户盲目推送对于其他用户无用的包的简单方法相比，网络编码是用来解决以合作方式进行调度传输而不产生太多开销的挑战性任务。基于集中式贪心优化和随机Lyapunov优化，文献[11]还提出了基于网络编码的组播调度协议，同时文献[11]中的分析以及仿真结果表明，对于认知无线电网络的组播性能能够得到显著改善。文献[12]采用网络编码技术，提出了适用于认知无线电网络的认知组播协议来提高组播通信的可靠性。文献[13]通过使用频谱定位、协作通信和网络编码技术来最小化组播的端到端时延。

2.2 基于优化的组播协议

优化理论的各种方法已经被应用于解决认知无线电网络中的组播问题。在考虑基于组播的优化时，能够用于优化的不同目标相当重要，这些目标包括路径时延、树的总成本和最大拥塞等。文献[14]给出了与组播树构建相关的优化问题的一个综述。

动态规划(Dynamic Programming,DP)技术在通行网络的路由问题中已经得到了广泛的应用。在一般情况下，基于动态规划的解决方案非常适合于图论中涉及到根树和著名的路由算法问题。在基于动态规划的工作，文献[15]考虑了广播变形和信道切换，为认知无线电网络提出了一个组播算法。广播变形问题在认知无线电网络中非常普遍，由于每个授权用户可用信道集合不同形成的信道占用，导致了受依赖的认知用户的信道可用性动态变化，这可能使得一个广播传输变形为少量的组播传输，甚至在最坏的情况下变成多个单播传输。

整数规划(Integer Programming,IP)已被广泛应用于无线网络中的广播和组播问题的建模。基于完全的距离信息和固定的网络节点的假设，文献[16]受ODMRP(On-Demand Multicast Routing Protocol)启发提出了MR2-ODMRP协议。该协议探索使用新的自由度(多收发器多传输速率)来提供优化的组播性能，优化问题建模为一个整数线性规划(Integer Linear Programming,ILP)，通过计算每个节点的传输速率来构造优化树。结果表明，MR2-ODMRP在端到端延迟方面优于ODMRP，能产生接近最优的结果。 在认知无线电网络背景下，文献[17]做了基于优化的无线组播工作，通过把CRN中组播路由和信道分配联合建模成一个MILP(Mixed-Integer LP)问题来达到增加吞吐量或者会话数的目标。

由于授权用户可能会干扰甚至打断认知用户的通信，因此研究授权用户感知的弹性路由变得至关重要。基于确保认知无线电网络中保持通信会话不被干扰的重要性，文献[18]中提出了一个基于备份路径的方法。当授权用户在工作路径活动的情况下，该方法通过把通信流切换到备份路径的方法来实现通信，其中的备份路径问题被建模为一个ILP问题，而备份路径通信的切换则由基于贝叶斯决策框架的统计规则触发。最后，该文在一个多跳CRN实验平台对于平均包时延进行实验，结果表明，与不用备份路径相比，有接近于50%的降低。

文献[19-20]中，跨层优化方法被应用于认知无线电网络组播问题。其中文献[19]将跨层优化方法用于多媒体组播数据的接收，同时优化接收到的视频质量。考虑到组播接收者和干扰最小化之间的比例公平性，他们提出了一种顺序固定算法和贪心算法，以实现公平性，并尽量减少干扰，同时优化视频质量。文献[20]利用跨层优化方法来减少所需的网络资源，并提出了一种自干扰约束协议，在每个发射机分配一个频谱信道用于至多一个多播。通过使用自干扰约束，这些频带被分配使得接收节点不允许同时从两个发送节点接收。通过与下限值相比，该算法提供了接近最优值的解决方案。

大量的研究工作还集中在利用蚁群算法模拟生物蚂蚁表现，以产生优化高效的无线网络分布式路由，特别是已有学者提出了一些基于蚁群优化的无线网络组播协议^[21]。为了解决延迟和带宽约束问题的最小化成本组播树，文献[22]提出了一个带有群体向导的小生境蚁群优化算法。结果表明，在寻找最小成本的QoS组播树方面，比起其他算法，该算法能够获得更好的性能。在文献[23]中，作者把多目标的组播路由问题建模为一个多速率多层超图(Multi-Layer Hyper-Graph，MLHG)，目标是构造组播路由树来实现最小化最坏情况下的端到端时延、最大化组播速率和最小化传输链路数，并使用两种元启发式算法(多目标蚁群系统优化算法和基于模拟退火的多目标优化算法)来解决此问题。 文献[24]研究了认知无线电网络中认知用户的多到多通信问题，通过使用多层超图来对网络进行建模，把此优化问题建模成一个整线性规划；同时研究了多对多通信调度问题，通过改良的蚁群优化算法，构造路由树来优化时延、速率和传输次数等服务质量的目标。

2.3 基于强化学习的组播协议

作为最流行的无模型强化学习技术，Q-learning已经被广泛应用于认知无线电网络中^[25]。自动学习机技术用于构建无线网络的路由协议。文献[26]把无线网络中QoS组播问题和信道分配问题合并起来进行分析，作者声称分别解决了多播树的创建和信道分配的问题，通过有效地利用稀缺的网络资源，他们提出了三种不同的算法来寻找最小干扰组播树。文献[27]研究了认知无线电网络中基于自动学习机技术的多径组播问题。由于CRN中高动态特性，各种参数通常无法预知，文献[27]把组播路由问题建模成一个基于自动学习机框架的强化学习模型，在他们的组播路由协议中，通过自动学习机来选择活动和备份路径，从而把由PU活动造成的干扰最小化。

2.4 基于博弈论的组播协议

在无线网络中对于分享多播成本特别是多媒体信息有着浓厚的兴趣，这会在带宽和整体功耗方面带来显著的成本，这些成本必须由网络节点来承担。我们通常希望通过设计一些成本分担机制来在不同的接收器之间分配成本。非合作的情况下，可能会存在为了最大限度提高它们个体效用的节点欺骗。在这样的背景下，博弈理论分析被用来分析无线网络中的组播成本分担机制。文献[28]研究了无线网络中共享成本的组播问题(假定在传输功率方面)，通过使用博弈理论分析研究了各种成本共享提议的属性。文献[29]研究了一个在大量的动态用户到达和随机离开情况下的无线多播成本共享博弈，描述了它们之间的均衡，并就如何确保平等的成本分担提出了解决方案。文献[30]利用静态博弈方法，根据次用户占用频谱越宽所造成干扰越大，建立了基于价格惩罚机制的古诺模型解决频谱分配问题，通过求解纳什均衡，频谱利用率达到最优，并根据最小增量按需驱动思想建立了节约能量的组播树。Tan等在文献[31]中提出了一种基于联盟博弈论的算法来解决认知无线电网络组播中的资源分配问题，并在后续研究的文献[32]中又提出了一个基于Stackelberg竞价博弈论的组播协议来处理PU与SU之间的交互以及资源分配问题。

2.5 基于图论的组播协议

在认知无线电网络中，基于多层超图概念，文献[33]提出了一种弹性组播路由框架，该框架对于失效或者信道缺失有一定的鲁棒性。该框架中，CRN被建模成一个MLHG，MLHG的每一层代表着一个不同的信道，认知无线电用户组共享一个公共信道，该信道被建模为一条超边。为了决定组播首选和备份路径来最小化最大路径时延和最小化选择信道链路的条数，文献[33]还提出了一个ILP模型。文献[33]的实验结果证实了基于组播备份的可行性，同时表明随着信道数量的增加，能够用于路由的首选和备份路径的条数也相应增加。

还有一些研究^[8]把认知无线电网络中的组播问题作为一个最小能量组播(Minimum Energy Multicast,MEM)树问题来考虑，目的是为了节省一个组播树的构造中使用的整体能量。文献[8]中证明了MEM问题等价于计算植根于源节点的直接Steiner树问题，并且提出了一个近似算法，在CRN中构建MEM树的同时考虑频谱机会的影响。结果表明，在主网络不同的流量负载下，该算法的平均节能性能要优于传统网络中常用的基线近似算法。

除了解决MEM问题的工作，笔者在文献[34]中还提出了一个构建最小组播带宽树的协议。为了构造一个组播树来满足最小组播带宽消耗，笔者给出了两种方法：第一种方法是先构造一棵最小生成树，然后通过提出的算法来进行时隙分配；第二种方法是把构建最小生成树和时隙分配结合起来考虑，使得整体的带宽消耗最小化。分析表明，笔者所提出的算法在传输时隙数和成功率这两个指标上均优于基线算法。Matam等的研究^[35]以节省带宽为目标解决无线网络中的组播问题，通过一种启发式算法提出了一种计算最小化带宽消耗组播树的协议。性能评估表明，即使在最坏的情况下，该协议也能获得比其他的基线算法更好的性能。

2.6 其他综合的组播协议

文献[36-37]提出了一种用于授权用户感知组播的机制，该方法能够保护信道的失效和缺失。为了防止PU导致的频谱干扰,同时保证最小化组播会话的成本和最大化可用多播会话的数量，该研究的首要目标是提供多个多播会话。这项工作提出了组播会话保护的三种方法：无链路共享保护、链路共享保护和保护环。结果表明,网络中满足会话的数量增加，多播会话的成本就会减少，因为可用的信道在增加或者会话的规模变得越来越小。因为环共享方法以最少的成本生成组播会话，在网络中环共享方法可以支持的组播会话的数量最多。

文献[38]提出了辅助组播调度协议来减少认知无线电网络中的端到端组播时延。该方案使用三个操作：协助、侦听和码字交换。协助操作允许多播接收者在组播过程中提供协助，也把数据转发到其他接收器；侦听引入了两个不同的组播组之间的援助；引入码字交换也是为了通过使用编码的数据包来协助组播调度。 这三个操作能够使得预期的组播接收者很容易解码和提取数据，从而有效减少总的组播时间。为了解决认知无线Mesh网络中协助组播调度问题，他们又在文献[39]中提出了两种用于协作组播的方法：一种依靠组播接收者在分发组播数据到其他接收者中的辅助；另一种采用了网络编码的方法。

文献[40]提出了一个贪心的调度协议来优化网络的整体性能，还采用网络编码来减少开销和实现更好的错误控制。该问题被建模成一个非线性整数规划，同时提出了一个在线调度协议来实现信道分配和功率控制策略。

文献[41]提出了一个用于引入认知无线电的移动Ad Hoc网络的组播路由协议(CoCast)来减轻与著名组播协议ODMRP^[42]相关的可扩展性问题。与ODMRP相比，CoCast构造了一棵不同于网络的可选路径,能减少路由开销。仿真结果表明，当网络中组播来源数增加时，CoCast执行得更好,与ODMRP相比更具有可伸缩性。

表 1给出了CRN经典组播协议基于技术分类的一个总结。

3 CRN组播研究趋势

如何把人工智能应用于组播框架是一个值得关注的研究方向。因为认知无线电网络通常要在动态不可预测和未知的环境中运行，通过整合人工智能技术，使之无缝集成于路由框架的核心变得越发重要。“认知组播协议”能够智能地适应网络条件的不断变化，因此会是一个重要的、但尚未开发的研究领域，感兴趣的读者可以参考文献[43]获取关于认知无线电网络中基于人工智能的认知路由协议的专题教程和详细描述。

建立可信组播路由协议将会是另外一个值得注意的方向。在单播可靠的端到端的协议中采用的自动重传请求(Auto Repeat reQuest,ARQ)方案不适合组播，因为它要求每一个数据包，或一组数据，都需要接收器确认。文献[44]提出了用于无线局域网的采用否定确认的可靠组播，通过从多播组成员中选出一个作为组首领，它被作为目标节点组的代表用来发送可靠的数据包接收反馈到组播源。关于认知无线电网络中可靠的无线组播协议，特别是高度动态和容易出错的环境下仍有很多问题需要研究。

组播路由体系结构应将频谱建模纳入其基本设计中。一种方法是将授权用户的到达过程和通信量模型进行概率建模，高概率避免将要被授权用户使用的信道。例如，一个认知用户可以利用频谱侦听数据来选择在一天的一个特定的时间和一个特定的位置趋于长时间可用的白色空间(没有PU活动出现的空间)。研究者们已经提出了一些频谱预测技术，包括：基于隐马尔可夫模型的、基于神经网络的以及基于贝叶斯推断的^[45]预测技术。有关频谱预测技术的更多细节，感兴趣的读者可以通过文献[45]和其中的参考文献获取更详细的信息。

另一个未来的研究方向是与其他自由度相结合，比如功率控制、链路层速率多样性、接口多样性和无缝连接流动性，与网络编码、博弈论和优化等技术结合应用于组播体系结构中。在认知无线电网络中进行组播，如何与这些自由度进行相互作用还需要更多的研究。

4 结语

由于CRN中拓扑的动态变化，CRN多播具有较大的挑战性。本文首先阐述了与传统无线组播相比，CRN组播面临的挑战；接着基于技术的分类，总结了现有工作中的多跳认知无线电网络组播算法、技术和协议，这些技术包括网络编码、优化理论、机器学习、博弈论、图论等；最后给出了CRN组播面临的一些问题和未来的研究方向。