Int ern at i onal  Journ al of Ele ctrical  an d  Co mput er  En gin eeri ng   (IJ E C E)   Vo l.   10 ,  No.   3 ,  June   2020 ,  pp. 3 116~ 3124   IS S N: 20 88 - 8708 ,  DOI: 10 .11 591/ ijece . v10 i 3 . pp3116 - 31 24          3116       Journ al h om e page :  http: // ij ece.i aesc or e.c om/i nd ex .ph p/IJ ECE   Coopera tive - hyb rid  det ection of p rimary u ser emul ators in  cognitiv e r adio n etworks       S. A. Ade bo,  E. N .  O nwuka , A.  U.   Usm an, and  A. J . On uma n yi    Depa rtment  o f  T el e comm unic at i on  Engi n ee ring ,   Feder al Unive rsi t y   of Te chnol og y ,   Niger ia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   Ma r 8 , 2 019   Re vised  N ov 29 ,   2019   Accepte d  Dec  10, 201 9     Prim ar y   user  e m ula tor  (PU E)  at t ac k  oc cur s  in  Cognit ive   Rad i o  Networks   (CRNs )  when  a  m al ic ious  sec on dar y   user  (SU )  poses  as  a  primary   user  (PU )  in  orde r  to  depr i ve  othe r  l egi t imate   SU s  the   righ t  to  fre e  spe ct ra l   ac c ess  for   opportuni stic   co m m unic at ion.   In   m o st  ca ses,  the se  le gi ti m at e  SU s  are   unable  to  eff e ct iv ely   de te c t  PU Es  bec au se  the   qualit y   of   the   signal s  re ceive d  from     a  PU E  m a y   be   seve re l y   a tt enu at ed  b y   ch anne l   fad ing  and/ or  shadowing .   Consequent l y ,   i n  thi s  pap er,  we  hav e  inv esti g at ed   the  use  of   coope r a tiv e   spec trum  sensing  (CSS )  to  improve  PU E  detec t ion  base d   o n  a  h y bri d   loc a li z at ion   sche m e.   W e  consid e red   diff ere n t  pa i rs  of  sec onda r y   users  (SU s)   over   diffe ren t  re ce iv ed  signal   str engt h  (RSS )  val ues  to  eva luate  the   ene r g y   eff iciency ,   accu racy ,   and   spee d   o f  th e  new  co oper ative  sch eme.   B ase d  on   computer   sim ula ti ons,  our  f indings   suggest  tha t   a  PU E  ca n  be   eff ectiv e l y   det e ct ed  b y   a  pa ir  of  SUs  with  a  low  Root  Mea n  Square   Err or  rate  of  0. 0047  eve n  though  thes e  SUs  m a y   hav e  cl ose  RS S  val ues  withi n  the   sam e  cl ust er.  Furthermore,   ou r  sche m e  per for m s be tt er  in   te rm s of  spee d,   accur acy   and  low   ene rg y   consum pti on  rates  when  compare d  with  othe r  PU E  det e ction   sche m es.   Thus,   i t  is  a  v ia bl e  prop ositi on  to   be tt e r detect  PU Es  in CRN s.   Ke yw or d s :   Cl us te r   Hybr i d    Pr im ary us er e m ula tor    Seco nd a ry  us er s   Sp ect r um  sen sing      Copyright   ©   202 0   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   S. A. A debo,    Dep a rtm ent o f Te le com m un icati on  E nginee ring ,   Fede ral U niv e r sit y of   Tec h no l og y,     Mi nn a,  N i ger ia .   Em a il :  adeb os a m uel@ya ho o. c om       1.   INTROD U CTION   Cognit ive  Ra di o  (CR)   is  a n  i ntell igent  ra di o  that  aut om atical ly   detect s  fr ee  c hannels  ( cal le d  w hite  sp aces  or   s pec trum   ho le s)  a nd  cha nges  it s  transcei ver   pa r a m et ers  to  tra ns m it   op portu nisit ic al ly   ov er   these  wh it e  s paces,   wh il e  vacati ng  occ up ie d  c hannels  to   preve nt   interfe re nce  to   existi ng  pri m a ry  us e rs  (PUs)  [1 - 5] .   A  PU   ref e rs  to   the  li censed   owne r  of  the  s pe ct ru m   (o r  cha nn el )  w hile  we   ref er  to  a  network   of   CR   node s  as     a  CR   netw ork  (CRN) .  CR Ns   pro vid e  se vera l  ben e fits  to  wireless  com m unic at ion   s uch   a s   i m pr oved   qual it y  of   serv ic e  by  usi ng   f ree  cha nne ls,  longer  tra nsm issi on   range  ov e r  lo wer   f re qu e ncy  ba nds,  and   im pr ove  sp ect ra  util iz at ion   [6 ] .  Nev e rtheless ,  si m i la r  to  oth er  wireless  com m un ic at io n  net w orks,   CR Ns  a r e  al so   su sce ptible  to  secur it y chall e ng e s  [ 7].     A  m ajo r  sec uri ty   chall eng e  in  CR Ns  is  the   Pr im ary  User   Em ulator  (PUE)  at ta ck .  P UE  re fers  t o    a  sit uation  in  wh ic h  a  m a li cio us   sec onda ry  us er  (SU)  or  CR   us er  fei gn s  as  a  le gitim a te  PU   in  orde r  to  de ny   oth e r  le gitim ate  SU s  in  t he  CR N  acce ss  to  net work   res ources,  le a ding  to  den ia l  of   serv ic e  or   ne twork   flo od i ng   [8 ] .  I t  is  therefore  per ti ne nt  f or   l egitim at e  SU s  to  detect   pot entia l  PU Es  t o  pre ven t  the m   fr om  unde rm ining   the  e ntire  CR N.   It  is  t he  quest   to   de velo p  e ff ect ive   P UE  detect ion  m et ho ds  that  m ot ivate d    the  sc hem e  pr opose d  in  t his  pa per.  T o  reali ze  our   quest ,   we   co ns ide re d  the   proces s  of  s pe ct ru m   sensing  (S S ) ,   wh ic h  is  pi vo ta l  to  the  su cces s   of   CR   te ch nolog y.  SS  deter m ines  wh et her   wh it es paces  ex ist   or   not  in  a  s ense d  sp ect ra  [9,  10] .  SS  is  al so   a n  esse ntial   too l  to  determ ine  wh et her   a  P U E  exists  or  not   in  a  CR N.   It  achieves   this  by  al lowin g  S Us  to  loc al iz e  a  po te ntial   PU E  an d  to   com par e  the  PU E ’s  locat io n  with  the  loc at ion   of     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Cooper ative - hy br id  d et ect io n of  pr im ar y  us e r emulat or s i n   cogniti ve ra dio netw or k s  ( S. A . A debo )   3117   the  le gitim at e  PU .  If   discre pa ncies  exist  be tween  the  l oca ti on   of  the  PUE  an d   the  le git   PU ,  t hen   a  P UE  is  consi der e d  to  hav e   been  suc cessf ully   detect ed  by  an   S U  and  the   bas e  st at ion   ca n  ea sil y  procee d  t o  is olate   it   from   the  network  [ 11] .  H owe ver,  since  local iz at ion   de pend s  sign ific a ntly   on   si gn al s r ece ived  f r om   a  po te ntial  PU E,  it   m ay   beco m e  diff ic ult  to  detect   PU Es  w hose  sign al s  hav e  be en  seve rely   under m ined  by  channel  eff ect s  s uch   as   m ulti path  fad i ng   a nd  sh a dow ing   [ 12] .  Co nse qu e ntly ,  co operati ve  sp ect rum   sensing   (CS S)   ha s   been   a dopted  t o  m it igate   su ch  eff ect s  in  C RNs.  He re,  S Us  ar e  co nf i gure d  to  us e  C SS  to  m ake  c om bin ed   decisi ons c on c ern i ng the  pr e s ence  of P UEs  i n  a CR N [13,  14].   CSS  in  CR N s  can  be  cl a ssifie d  int o  di stribu te d  a nd   centrali zed  s pectr um   sensing   [15 - 18] .     In   distrib uted  sp ect r um   sensing   (S S ),   eac h  SU   pe rfo rm s  s pectr um   sensi ng   in div i dual ly   and   com m un ic at es    the  sense d  inf or m at ion   to  ne ighbou rin g  SUs  without  com m on   Fu sio n  centre  (F C ).   Dist rib uted  SS  re quire s   reli able  com mu nicat io n  li nk s   between   th e  neig hbouri ng   SU s  an d  inc urs  com m un ic at i on   ov e r head   duri ng   sp ect r um   sens ed  data  e xch a ng e .  Wh il e  i n  centrali ze  SS ,  a  Fusi on  ce ntr e  (F C )  gathe rs   sense d  inf or m at ion   from   all  SU s  in  the  CR N  a nd   us es  t hese  inf or m at ion   to   com pu te   the  sensing  sc he dule   of  each  S U  over     a  par ti cular  ch ann el ,  wh ic h  m akes  it   m or e  eff ic ie nt  than  distri bute d  spe ct ru m   sensing   [19 - 21] .  CSS  ha s  been  us e d  f or   se ve r al   purposes  i n  CR Ns,   f or  exa m ple,  autho r s  in  [ 16]   pro po se d  a  ce ntrali zed   coope rati ng   s ensin g  schem e  to  est i m at e  an  op tim al   nu m ber   of   S Us  an d  local   sensing  tim e  that  gu ara ntees  im pro ve  perform ance  in  te rm s   of   sensi ng   delay   and   sp ect r um   utiliz at ion .  I n  [ 17 ] ,   authors  m ini m iz ed  interfere nce  to  the  P U  w hile  m axi m iz ing   th e  ex pected  t ra ns m issi on   tim e  in  a  CR N.   They  ac hieve d  this  by  deter m ining   the   op tim a l   decisi on  thre shold  f or  a  gi ven  false  al arm   pr ob a bili ty   us ing  op ti m al   co m bi ned   ru le   in  ce nt rali zed  co op e r at ive   sensing  sc hem e.  Sim i la rly ,  auth or s   in  [22]   pro posed   a  r ei nfor cem ent  le arn i ng - ba sed   coope rati ve  se ns in g  (RLCS)  t o  re duce  de te ct ion   over hea d  an d  i m pr ov e  detect ion   pe rfor m ance  in  CR Ns.   Ac cordin g  to  [ 22 ] ,  an   FC  coope rates  wit h  ne ig hbourin g  S Us  to   deter m ine  an  opti m al   set   of   c oope rati ng   SUs  w it h  m ini m u m   con t rol   traff ic   an d  le s s  sensing  de la y.  Essentia ll y,  we  note   that  a  sign ific ant  a m ou nt  of   re s earch  has  bee n  do ne   con ce r ning  the   us e  of  CSS  in   CR Ns  (see  w orks  i n  [ 23 - 26] ,  howe ver,  m o st  of   these  sc hem es  fo cuse d  m ai nly   on   m axi m iz ing   sensing  pa ra m et ers  in  CSS.  Othe rs  we re  con ce r ned   with  opti m iz ing   the  locat io n  of  SU s  to   i m pr ove  detect ion   pe rfor m ance [21,  26 ] .   Howe ver,  the r e  has   bee n  li tt le   or  no  w ork   done   c on ce rni ng   t he  us e  of   CSS  t o  e ff ect ively   detect   PU Es  i n  CR N s.  Co ns eq ue ntly ,  in  this  pa pe r,   we  ha ve  inv e sti gated  a  cl us te r - base d  centrali zed  s pe ct ru m   sensing  sc hem e  to  detect   P U Es  with  gr eat e r   accuracy,  sp ee d  an d  lo we r  en erg y  c on s um ption   rates.  T o  a chieve   this,  we  cl us t ered   SU s  i nto  gro up s  w her e in  SU s   in  the   sam e  c luster  or   neig hbouri ng   cl us te rs  ty pical ly   exp e rience  si m il ar  sign al   pr opa gation  c ha racteri sti cs,  wh ic h  res ults  to  si m il ar  Re c ei ved   Si gn al   Stren gt h  (RSS)   for  SU s   in  these  cl us te r( s ).   I n  this  case,  we  co ns ide r ed  su c h  sim il a rly   gr ou ped   S Us  as  cl os el y  relat ed.  We  f ur the r  intr oduce d  a  hybri d  schem e  to  bette r  local iz e  P UEs  ba sed  on  a  com bin at ion   of   the  a ng le   of arr iva l   (AoA)  a nd   rec ei ved   si gn al   str eng t h  (RS S)   m et hods .  O ur   fin dings  s uggest  t hat  our  sc hem e   pro vid es  i m pr ov e d  perform ance  in  detect in g  P U Es  in  CR Ns.   T he  rest  of  this  pap e r  is  orga ni zed  as  f ollows .  Sect ion   2  pre sent s   the  m et ho do l ogy  an d  the  m od el   f or   i nv est i gating  ef fects  of   c oope rati ve   sensing  on  th e  hybri d  L ocal iz at ion   Schem e  fo r  De te ct ion   of   P rim ary  User   Em ulator  in  CR Ns.  In  sect ion  3 ,  we   pr ese nt  the  res ults  and  d isc ussi on.  Perfo rm ance an al ysi s of  our  s tud y a nd concl us io n  a re  pr ese nted  i n  sect io ns 4 a nd  5   res pe ct ively .       2.   METHO DOL OGY   In   t his  sect ion,   we  de scrib e  the  syst em   m o del  in  w hic h  our  CS S  ba sed  hybr id  sc hem e   is  dep l oyed .   We  pr e sent  a   gen e ral  syst em   m od el   of  the   CR N,  the   CS S  sc hem e  based   on  e nergy  de te ct ion ,  our   hy br i d  schem e and  t he  ty pical  opera ti on s  of the e nt ire syst em  are  then  prese nted   i n  Fi gure  1.           Figure  1.   A  ty pi cal  CR N  de pi ct ing  S Us  co m m un ic at ing  w it h  a n  SB S in  th e presence  of a  potenti al  PUE   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020  :   31 16   -   3124   3118   2 . 1.     S ys te m m od el   Fig ure   1  dep i ct s  a  ty pical   CR N  consi sti ng  of  seve ral  S Us  set   up  to  detect   a  PU E  with  seve ral   env i ronm ental  ob sta cl es  exis ti ng   in  the  en vi ronm ent  that  m ay   cause  fad ing   an d  sh a do wing.  To  e ff ec ti vely  detect   the  P U E,  the  S Us  a dopt  CS S  base d  on   a   hy br id  s chem e  co m pr i sing   of   t he  rec ei ved   si gn al   st rength   (RSS)   a nd  the   ang le   of  ar rival  (Ao A)   loc al iz at ion   m et ho ds.  Esse ntial ly ,  each  SU   re cei ves  dif fer e nt   RSS  values  from   th e  PU E.  F or  ex a m ple,  the  sig nal  from   the  PU E  to  S U1   i n  Fig ure   1  is  af f ect ed  by  the  buil ding   and  th ough  no  visible  ob sta cl e  m a y  exist  bet ween  the  PUE  and  S U4  or  SU5,  t he  RS S  values  m ay   be  di f fer e nt  because   of  at m os phe ric  co ndit ion s  a nd   t he  di sta nce  betwee n  no des.   We  c on si der   i n  Fi g ure   1  a  fusio n  centre   (F C)  dep ic te d  as  the  seco nda ry  base  sta ti on  (S BS)  t hat  c oor din at es  the  CSS  schem e  a m on g  the  SUs.   In   thi s   m od el ,  each  SU   senses  the  P UE’ s  si gn al   an d  repo rts  it s  decisi on   to  the  F C,  wh ic h  the n  cond ucts  data  fu si on  in  ord er  t o  m a ke  a  final  deci sion.  T his  fi na l  decisi on  is  t hen  bro adcaste d  to   the  SU s   after  local iz a ti on  is  con cl ud e d wit h t he  ai m  to  isolat e the P UE.     2 . 2 .    C ooper ati ve  sensin g sc heme   The  CSS  sc he m e  con sist s  of  SU s  that  in div i du al ly   senses  t he  P UE’ s  si gnal   energy  and   t hen   eac h  S U   sen ds   it s  local   decisi on  to  the  FC,  w hich  m a kes  the  fi nal  de ci sion . W e  co nsi der e d  the  ene rg y  detect or  (E D)   a s   the  s pectru m   sensing  m et ho d  since  t he  P U E’s  si gn al   e ne rg y  is  t he  on ly   inf or m at ion   a vaila ble  to   eac h  S U.  Con se quently , we m od el ed  t he  sig nal en e rg y  of the  P UE re cei ved  at  each   it h  SU as :     0 1 ( )                                             ;   () ( ) ( )                     ;   i i ii u m H xm s m u m H   (1)     wh e re  m   =  1,   2,   … .,  N  is  th e  tim e  sa m p le   ind e x  an d  N  is   the  total   nu m be r  of   sam ples  sense d  by  eac h  SU,   x  is  the  sign al   received  at   the  it h  SU ,  wh e re  i  =  1,   2,   ….,  K ,  the  PU E  sig nal  at   e ach  SU   is  de note d  a s     s  m od el ed  as  a   var ia ble  with  zero   m ean  an d  var ia nce 2 s ,  and   ui(m )  is  m od el ed  as  Additi ve   W hite  Ga us si an   No ise   ( A WGN )  wit h  zer o  m ean  a nd  va rianc e 2 u .  He re,   K  re presents  the   num ber   of  S Us  i n  t he  CR N ,  H0  a nd  H1   represe nt  the  hy po t hesis   that  descr i be s  ei ther  the  a bs e nce  or  pre sence  of  P UE   sign al s  in  t he   CR N   resp ect ively .   Each  SU recei ves xi(m )  an d com pu te s a tes t st at ist ic , w hic h rep rese nts th e sig nal en e rg y  as foll ows :     2 1 1 ( ) ( ) N ii m T X x m N   (2)     Th us , we c om pu te d  t he  lo cal  proba bili ty  o f d et ect ion D p at  each  SU as:     1 ( ) / i D i i P P T X H      22 22 ( ( ) ) 2 i s u su N Q            (3)     and the  pro ba bi li t y of   false al arm FA P at  each  S U as:     0 ( ( ) / ) i F A i i P P r T X H      2 2 () 2 iu u N Q         (4)     Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Cooper ative - hy br id  d et ect io n of  pr im ar y  us e r emulat or s i n   cogniti ve ra dio netw or k s  ( S. A . A debo )   3119   The   pro bab il it y of m issed d et ect ion   M p can as  wel l be calcula te d  as :     1 ii MD pp      w he re () Q   is   the M arcu m  Q - functi on g i ven as:     2 2 1 () 2 t dt x Q x e     a nd   i is t he  local   detect io n  th res ho l d  at  eac h S U ob ta ine d fro m  ( 4)  as :     21 2 2 () i u F A i N u QP     Each  S U  t hen  sen ds   it s  loca l  detect ion   sta ti sti cs  to  the  FC,  w hich   pla ys  a  vital   ro le   in  the  C S S   schem e.  Ba sed  on   the  local   sta ti sti cs  recei ved   at   the  FC   fr om   K   par ti c ipati ng   S Us,   t he  FC  de no te s   as    the  total   num ber   of  S Us  t hat  ha ve  dete ct ed  the  PUE .  It  the n  a do pts  a  decisi on   strat egy descr i bed    accor ding t o  [ 27]  as :     0 1 ,       i f       ,       i f       HM HM     ( 5 )     The  FC  decide s  on   the  fi nal  pro ba bili ty   of   detect ion   an d  prob a bili ty   of   false  al ar m   based  on   M   dif fer e nt   local   sta ti sti cs as f ol lows :     1 1 K K Km m D D D m m P P P       (6 )     1 1 K K Km m F A F A F A m m P P P       (7 )     2 . 3 .    H yb ri d  l oc aliz at ion s c h eme   The  FC  us es  t he  se ns ed   inf orm ation   f ro m   each  S U  to  l oc al iz e  the  PU E .  To  ac hie ve  this,  it   ad opts     a  hybr i d  of  th e  RSS  an d  an gle  of  arr i val  ( AoA)   m et ho ds   to  detect   the  PU E.  Fig ure   2  il lustrate s  a  set up   of    a  nu m ber   of  S Us  ai m ing   to  de te ct   a  PU E.  H ere,  the  FC   gr oups   the  diff e r ent  SU s  int o  re sp ect ive  pai rs  wh e re  each  pair  ai m s  to  detect   the  PU E.   We  desc ribe  t he  hybr i d  locat io n  sch e m e  (H LS )  for  a  par ti cula r  pair  a s   fo ll ows  [ 28] :  in  Fig ure   3,   le t   x 1 , y 1   and   x 2 , y 2   de no te   t he  res pecti ve  po sit io ns   of   SU 1   and   SU 2 .  Sim i la rly,   le t   r 1   and  r 2   repres ent the  ra dii of  the cove rag e  ar eas o f  SU 1   an d  SU 2 . Lin e  D  c onnects  the cent res of   SU 1   and   SU 2 ,  w hile  ∅   an d  θ   are  the  resp e ct ive  an gles  from   wh ic h  the  le gitim a te   PU ’s  si gn al   a rr i ves  at   SU 1   and  SU 2 .  The  a ng le s  α 1   an d  α 2   represen t  t he   ang le s  at   w hich  the  PU E ’s  s ign al   ar rives  at   SU 1   an d  SU 2 .   Let   the  po sit io n  of  the  le gitim at e  PU  be   ( X PU ,       Y PU )  and  the   posit ion  of  t he  PUE  be   ( X e ,       Y e ).  The   Eucli dea n  distanc e   D   betwee n  the  pa ir of  par ti ci pating S Us  is  obta ined  as :     22 2 1 2 1 ( ) ( ) D x x y y   (8 )     1 1 1 t a n ee Y y X x   (9 )     2 2 2 t a n ee Y y X x   (10 )   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020  :   31 16   -   3124   3120   1 1 2 2 2 1 12 ( t a n ) ( t a n ) t a n t a n e x x y y X     (11 )       SU 1 SU 2 SU 3 SU 4 PU E SU 5 S B S c o m m u n i c a t i o n   b e t w e e n   S U   a n d   S BS P U E   s i g n a l     Figure  2. A  setup o f  S Us  coo per at in g  t o detec t a p otentia l  PU E       Con se quently ,   w hen  a  pair   of  S Us  recei ve  the   sig nal   from   a  pote ntial   PU E ,  fir st,  each   pai r  coope rates  to  com pu te   the  locat ion   of   t he  transm itter  u sing   ( 14)  a nd  ( 15) .  The n,   this  est i m at ed  transm it te r  locat ion   is  co m par ed  with  the  know n  loca ti on   of  the  le gitim a te   PU .  If   the  transm it t er’ s  locat ion   is  diff e rent   from   the  le git i m at e   PU ’s  lo cat ion ,  the  tra ns m itter  is  co ns ide red   a  PUE.  Othe rw ise ,   it  is  con sider ed  a s     a  le gitim at e  P U  a nd  so  the  S Us  qu ic kly  va cat e  the  spe ct r um   to  avo i d  in te rf ere nce.   The   detect ion  res ul ts  are   sent  to  the  FC  wh e re  final  det ect ion   is  con cl ud e d  base d  on   the  decisi on   s trat egy  in  (8 ) .  A  si m ple  strateg y  to  cl us te r  the  S Us   in  a  CR N  is  dep ic te d  in  Fig ure   4.   Her e ,  the  SBS  form s  fo ur  dif fer e nt  cl ust ers  wh e re  eac h  SU  form s  a  pair  a nd   c omm un ic at es  this  pairing  inform at ion   t o  the  SBS.  Es sentia ll y,  an  SU   can  f or m   only   on e   pair  pe r  ti m e   and   i n  a  sit uation  w her e  the re   are  odd  num ber   of  SUs  in  the  CR N,   the  S BS  si m ply  exclud es    the last  S U  that  f ai ls t o f or m  a p ai r.         SU 6 SU 7 SU 8 SU 9 SU 10 SU 11 SU 1 SU 2 SU 3 SU 4 SU 5 Cl u s t e r   1 Cl u s t er   2 Cl u s t e r   3 Cl u s t e r   4 C l o s e  n ei g h b o u r s   i n   d i ff er en t   c l u s t er s C l o s e   n e i g h b o u r s   i n   t h e   s a me   c l u s t e r S B S     Figure   3 .   The  two sec ondar y  us ers  parti ci pat ing  i n  the   detect ion PU E     Figure  4. Cl us t erin g of   SUs  by  a secon dar y  base  sta ti on  (sam e a s FC)   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Cooper ative - hy br id  d et ect io n of  pr im ar y  us e r emulat or s i n   cogniti ve ra dio netw or k s  ( S. A . A debo )   3121   2 . 4 .    Gener al  op er at i on   of the co op er ati ve - h yb ri d l oca l iz at ion s che m e ( C - HL S)   Essentia ll y,  each  S U  receive s  the  RS S  values  from   the  PU E  t ran sm it t er.  Using  t he  RSS,  eac h  S U   est i m at es   their  resp ect ive  di sta nces  from   t he  PUE  trans m itter  and   the   arr ival  an gle   of   the  sig nal  us in g    the  HL S  sc he m e.  Our  HLS  is  then   us e d  to  local iz e  t he  P UE  base d  on   t he  distance  a nd  the  angula r   m easur em ents.  Diff e ren t  pair s  of   S Us  distribu te d  withi n  c lusters  in  the  CR N  are  use d  to  local iz e  the  PUE   with  the   ai m   t o  inc rease  dete ct ion   acc ur acy .   A  pair  of  S Us   is  sel ect ed  by  the  SBS  us i ng   the  RSS  of  eac h  S U   receiv e d  withi n  a  po wer   i nter val  [ 0 , ]   from   K  pa rtic ipati ng   S Us . W e d escri be  a  li st  of   possibl e  pairs  that  ca n  be  sel ect ed  as  f ollows:   -   Tw o  SU s  with   m axi m u m   RS S:  In   this  case,   the  SBS  sel ect s  fr om   a m on g  al l  c luster s  the  two  nodes  w it h  the  hi gh e st R S S v al ues. Thi s   i m plies t hat the two no des  ca n be select ed  fr om  d iffer e nt cl us te rs .   -   Tw o  SU s  wit h  m ini m u m   RS S:  The  SBS  sel ect s  two  node s  with  the  l owest   RSS  values   fr om   a m on g  al l  cl us te rs.   -   Tw o  SUs  with   m edium   RSS:   The  SBS  c ompu te s  th e  ave ra ge  RSS  v al ues   from   all  no de s  in   the  CR N  a nd   sel ect s the tw o nodes  h a ving t he  cl ose st val ue s to  t he  a ver a ge  RSS   value.   -   Tw o  S Us  with   one  ha ving  t he   highest  RSS   an d  the  oth e r  hav i ng  the  lo west  RSS:   T he   SBS  sel ect s  two  nodes  w it h o ne  h a ving the  h i ghest  RSS  and t he othe r havi ng the  lo west R S S  values  in  t he  CR N.   -   Tw o  SU s  that  are  cl os el y  relat ed:  Her e,  the  SBS  sel ect s  two  node s  with  the  two  highest   RSS  values  f r om  the sam e cluste r.   Our  ai m   is  to  inv e sti gate  the   best  pair  of  S U s  that  ca n  m os t  eff e ct ively   det ect   the  pr ese nc e  of  P UEs   in   a  CR N  us in g o ur  C - H LS sc hem e.     2 . 5 .    Perf orm ance  metric   We  evalu at ed  the  accuracy  of   the  P UE  lo cal iz at ion   sche m e  us ing   the  Roo t  Me an  S qu a re  Er ror  (RMSE)  f un ct i on d e fine d  as :     2 1 () c c e s t r e a l c LL R M S E c   (12 )     w he re    an d     ar e  the  est im at e d  a nd  act ual  l oc at ion   of  the   P UE,  an d  C   de note s  the   num ber   of  Mo nte   Ca rlo  tria ls  ov er  wh ic h  the  sim ula ti on  was c onduct ed.       3.   RESU LT S  AND A N ALYSIS   In   t his  sect io n,  we   disc us s  our  fin dings  c on ce r ning  the   us e  of  the   C - HL S  ov e r  dif fer e nt  pai r - sel ect ion   sc he m es.  Our  sim ulati on   was  c on du ct e d  usi ng  MATLAB  ve r sion   2017 b.   He re,  S Us  wer e  r ando m l y  distrib uted  ov e r  a  sp at ia l  network   of   100m  x  100m :  The  po sit io n  of  a  pair  of  SUs  re la ti ve  to  the  PU E’ s   locat ion   wer e  var ie d  over  dif fer e nt  Mon te   Ca rlo  sim ulatio n  a ver a ge d  over  1000  tria ls  (i.e.  C  =  1000  in  (15 )).   The  tra ns m it   po we r  of  the  P UE  was  fixe d  at   50dBm   and   pathloss  was  c om pu te d  us in g  the  f ree - sp ace   m od el   for  a  ref ere nce  distance  of  1m  and   loss  ex po nen t  of  4,   co nsi der in g  ty pical   urba n  env i ron m ent s.  Her e,  w e  no te   that schem es wi th low e r  RM S E v al ues  ty pica ll y im pl y bett er acc ur acy .   Figure   5  pr ese nts  the  accu rac y  per f or m ance  of   the  CSS - HL S  us in g  a  pair  of   S Us  with  m ini m u m   and  m axi m u m ,  m i nim u m ,  m edian,   hi gh e st,  an d  cl os el y  relat e d  RSSs.  Our  fi nd i ngs  i nd ic at e  that  the  accuracy  of  the  C - HLS   over  di ff e ren t  pa ir - sel ect ion   sc hem es  increases  as  the  pair   of   SUs  co ntinuo us ly   rec om pu te s    the  locat io n  of   the  P UE  ov e r  t i m e.  As  ex pect ed,   Fig ur e   5  s hows   that  sel ect ing   t wo   SUs  w it h  the  highest  RSS  values  c onve rged  t o  a n  RM SE  value  of   0.0 06   i n  0.0 7  secs .  Using  this  sel ect ion   sc hem e  i m plies  that  SU s  that   receive  PUE  s ign al s  via  the   best  c hannels  (least   fa ding  e ff ect s)   ge ne rall y  le a ds   to  im pro ved  pe rform ance .   Figure   5  furth er  s hows   that  the  pai r - sel ect ion  sc hem e  of   SU s  with   the  le ast   (m ini m u m )  RSS  value s  a nd     the  pair  sc hem e  with  m edian  RSS  values  ty pical ly   con ve r ged   to  a n  RM SE  value  of   0.008 1  an d  0.0 068  a fter   0.08   secs ,  res pecti vely .  Thi s  i m plies  that  us in g  PU s  w it h  s m al l   RSS  values  ( poor   channel)  co ndit ion s  ty pical ly   r edu c es  PU E  detect ion   perform ance.  The  le ast   perform ance  oc curred  w hen   us in g  tw o  S U s  with  m axi m u m   and   m ini m u m   RSS   values  res ulti ng   i n  an  RM S E  value  of   0.0 13   a fter  0.09   s ecs.  This  im pli es  that   us in g  the  m ini m u m   RSS  values  in  a  pair  c om bin at ion   m a y  no t  necess a r il y  gu aran te e  the  best  pe rform ance  since  detect io n  pe rfor m ance  m ay   a lso  be   aff ect ed  by  poorl y  est i m a t ed  A oAs,  th us  neg at ively   a ff ect in g    the  pe rfor m ance  of   t he  pair  schem e .  An   in te resti ng   fin din g  i n  Fig ur e   5  su ggest s  that  two  S Us  with  cl os el y   relat ed  RSS s  conve rg e d  the   fastest   to  a n  RM SE  value   of   0.0 047  a f te r  0.0 2  secs.   This  pair  ac hiev e d    the  hi ghest   acc ur acy   at   t he  fas te st  rate  beca use   they   had  the   highest  R SS  va lues  f r om   wit hin   t he  sam e  cl us te r .   Fu rt her m or e,  s ince  the  tw o  S Us  with  relat ed  RSS  a re  not   a s  far   a par t  a s  the  m axi m u m   RSS  schem e  from   diff e re nt cluste rs,  t hey ty pical ly  ex pe rience l ess p at hlo ss  leadin g  to  b et te r   perform ance th an othe r  sc hem es.    Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020  :   31 16   -   3124   3122   Figure   6  pr e se nts  the  total   en erg y  co nsum e d  by  each  pair ing   sc hem e  ov er  the  co nver ge nce  tim e  to  their  res pecti ve   m ini m u m   R MSE  values .  Our  fi nd i ng s  ind ic at e  that  the  cl os el y - relat ed  pairi ng   sc hem e  consum ed  the  le ast   ener gy  be cause  it   con ve rg e d  fastest   to  it s  m ini m u m   RM SE  value.  Essentia ll y,  F igure   6  su ggest s  tw o  i nteresti ng  obs erv at io ns   as  fol lows :  the  C - HS L  sc hem e  c an  be  us e d  ba sed  on  the  cl ust erin g  appr oach  as  w el l  as  with ou t   cl us te rin g.  I n  t he  cl us te rin g  c ase,  it   is  s ugge ste d  that  SU  pa irs  wit h  the   hi gh est   RSS  val ues  s houl d  be   sel ect ed  f ro m   the  s a m e  cl us te r,   a s  this  pro duce s  i m pr ove d  pe rfor m ance.  H oweve r,     in  a  non - cl us te red   CR N ,  it   is  su ggest e d  that  the  m axi m u m   RSS  pairi ng   sc hem e  sh ou ld  be   adopted  t o  achieve   the b e st pe rform ance.             Figure  5.   Com par at ive  p e rfo r m ance of th e  C - HL S  schem e u sing t wo S Us wit h  l ow est ,   m edi u n,  highest,   cl os el y rela te d  RSS     Figure  6.   Ene r gy Co nsum ption   of the C - HL S schem e  us in g  t wo SUs  with lo west,  m edian, hi gh e st,      cl ose ly   relat ed  RSS s       3.1.    Perf orm ance   a na l ys is    The  perform a nce  of  the   pr opos e d  Im pro ved - hybr i d  D e te ct ion   of  P rim ary  User   E m ula tors  in   Cognit ive  Ra di o  Netw o r ks   was  m easur ed   us in g  root  m ean  squar e  error   (RMS E)  as   sh ow n  in  Fig ure   5.  Si m il arly ,  per f or m ances  of   s om e  sche m es  for  the  detect i on   of   pr im ary  us er  em ulator s  in  cogniti ve   rad io  netw orks  we re   evaluated  us i ng   RM SE .  Th e  per f orm ance  of   the  propos ed  Co op e rati v e - hy br id  Detec ti on   of  Pr im ary  User   Em ulators  in  Cognit ive  R adio  Netw ork s   is  bette r  th an  the  perfor m ances  of   t he   hybri d    schem e  [2 8],  AoA  sc hem e  [2 9],  a nd  RSS  schem e  [3 0]  presente d  in  Ta ble  1.   N otice   that  our  c oope r at ive - hybri d  sc hem e d em on strat es  hi gh e r  ac c ur acy   than  R SS,   A oA  hybr i d of RS S and A oA as i t exh i bits the l ow est   RM SE  of   0.0 047.  More over ,  it   exh ibit s  high er  sp ee d  an d  e nergy  eff ic ie nc y  than  the  m e t hods   us ed  i n  [ 29,  30]   as  it   ta kes  le sser  nu m ber   of  it erati on s  to  at ta in  converge nc e.  This  resu lt s  are  qu it e  sig nificant  beca use   sp eed  and   acc ur acy   are  ve ry  i m po rta nt  for  ef fici ent  sp ect r um   util iz a ti on .   Fu rt her m or e,   the  need   for   energy  eff ic ie ncy  ca nnot  be  ov e rem ph a siz ed  in   re al iz ing   co gnit ive  ra dio  te ch nolo gy,  c on si de rin g  the  num ber   of  dev ic es  that  will  f l ood  t he netwo rk in  futu re.   Com par iso n o f  local iz at ion s chem es   sh own   in Ta ble 1.       Table  1.  C om par iso n of  local iz at ion  sc hem es   Detectio n  Sche m e   Nu m b e r  o f  I te ratio n s   RMSE   RSS [ 2 9 ]   50   0 .22 0 0   Ao A [ 3 0 ]   30   0 .01 2 0   The H y b rid o f  RSS and  AoA [ 2 8 ]   20   0 .00 5 0   The  Co o p erative - h y b rid Sch e m e   20   0 .00 4 7       4.   CONCL US I O N   In   this  pa per ,  we  ha ve  pr ese nted  a  c oope rati ve - hybr i d  loca li zat ion   schem e  (C - H LS)  t o  im pr ov e  P U E   detect ion   in  C RN.  The  C - H SL  schem e  was  inv est igate d  co ns ide rin g  diff e ren t  pair ing   ap proac he s  with    the  ai m   to  determ ine  wh ic h  pair  ac hieves   the  best  pe r for m ance.  W e   an al yz ed  the  C - HLS   schem e  ba sed  on     the  acc ur acy   a nd  ene r gy  co nsum ption   rate   of  the   sc hem e  a s  a  f unct io n  of  tim e.  Ou r   fi nd i ng s   in dicat e  th at   tw o  SU s   with   cl ose ly   relat ed  RS S  val ues  best  loca li zes  a  P U E  in  te rm s  of   accuracy,   ene r gy  co nsum ption   a nd   sp ee d.   Ne ve rth el ess,  our  sc he m e  m a y  ben efi t  fu rt her   from   e m plo yi ng   bette r  sp ect ru m   sensing  m et ho ds  and  inco rpor at in g a dap ti ve  th res hold tech niques i n  the  E D,   w hich wil l be c onsidere d  i n  f uture  works.   Evaluation Warning : The document was created with Spire.PDF for Python.
In t J  Elec  &  C om p  En g     IS S N: 20 88 - 8708       Cooper ative - hy br id  d et ect io n of  pr im ar y  us e r emulat or s i n   cogniti ve ra dio netw or k s  ( S. A . A debo )   3123   ACKN OWLE DGE MENTS   This  researc h  was  s uppo rted  by  the   TET FUND   I ns ti tuti on - Ba sed   Re sear ch  In te rv e ntio n  (I BR I)  f und  of the  Fede ral  Un i ver sit y o f Te ch no l og y,   Mi nn a,  N i ger ia  ( TET FUN D/F UTMI NNA/2 016 - 2017/6th  BR P/15).       REFERE NCE S   [1]   S.  Srinu,  S.   L .   S aba t ,   and   S.  K .   Udgata ,   “ Spect r um   Sensing   using  Freque nc y   Do m ai n  Ent rop y   E stim at ion  a nd  i ts  FPGA   I m ple m ent at io n   for   Cognit ive Ra d io , ”  Pr oce dia   Engi n ee r ing,   vo l. 30, pp.  289 – 296,   2012 .   [2]   P.  Li n,   Y.  Chen ,   P.  Chang  and  S.  Jeng,   "Coopera t i ve  Spect rum   Sensing  and  Optimiza t ion  on  Multi - Antenna   Ene r g y   Dete c ti on  in  Ra y l ei gh  Fading  C hanne l , "   27th  Wirel ess  and  Optic al  Comm unic ation  Confe renc e  ( WOCC) ,   Huali e n ,  pp.   1 - 5 ,   2018 .   [3]   A.  J.  Onum an y i ,   E.   N.  Onw uka,   A.  M.  Aibinu,   O .   C.   Ugw ej e ,   an d  M.  J.  E.   Sal am i,   “ A  Modifie d   Otsu’s   Algorit hm  for  Im proving  the   Perform anc e   of  the   En erg y  Dete c tor  in  C ognit ive   R adi o , ”  AEU - Int ernational  Journal  of   El e ct ronics  and   Comm unic ati ons,   vol .   79 ,   pp .   53 – 63,   Sep .   2017 .   [4]   C.   Xing,   Z . - s.  BIE,   and  W . - l.   W U,  “ Dete ct ion   Eff i ci en c y   of   Coopera t ive   Spe ct rum   Sensing  i n  Cognit iv e  R a di o   Network, ”  The  J ournal  of  Ch ina U niv ersities of   P osts and  Teleco mm unic ati ons,   v ol.   15 ,   no .   3 ,   pp .   1 – 7,   2008 .   [5]   A.  Bal ieiro,   P.  Yos hioka ,   K.  Dias,   D.  Cava lcant i,   and  C.   Cordeiro,  “ A  Multi - Objective   Gene ti c  Optimiza ti o n  for   Spect rum   Sensin g  in  Cogn it iv e  R adi o , ”  Ex p ert  Sy stems wit h  Appl i cat ions ,   vol .   41 ,   no.   8 ,   pp .   3640 – 3650,   2014 .   [6]   A.  J.  Onum an y i ,   E.   N.   Onw uka,   A.  M.  Aibinu, O.   C.   Ugw eje, a nd   M.  J.  E .   Sal ami,   “ A  Rea l  Valu ed   Neura l  Ne two rk   Based  Autore gr essive  Ene rg y   Dete c tor  for  Cognit ive   R adi o   Applic ation , ”  Inte rnational   S c holarly   Re searc h  Noti ce s ,   vol .   201 4,   pp .   1 – 11 ,   201 4.   [7]   A.  J.  Onum an y i,  A.  M.   Abu - Mahfouz ,   and  G .   P.   Hanc ke ,   “ A  Co m par at ive  Anal ysis  of  Local   and  Global   Adap tiv e   Thre shold  Esti m at ion  Techni que s  for  Ene rg y   D e te c ti on  in  Cogni ti ve  R adi o ,”  Ph ysic al  Comm uni cat ion ,   vol .   29 ,     no.   C,   pp.   1 – 11,   Apr.  2018.   [8]   K.  Akbari   and  J.  Abouei ,   “ Signal   Cl assificat io n   for  Det ecting   Prim ar y   user  Emulat ion   Attac k  in  C ent ra li z e d   Cognit ive   Rad io   Networks, ”  Ele ct rical E ng ineering  ( ICEE ) ,   Iranian  Confe ren ce o n.   IE EE,   pp .   342 – 347,   2018 .   [9]   R.   Yu,  Y.  Zha ng ,   Y.  Li u,   S.  Gjes sing,  and  M.  Guiza n i,   “ Secur ing  Cognit ive   Rad io   Networks  Against  Prim ary   user   Emulat ion   Attac ks ,”  IE EE Ne two rk,   vol .   29 ,   no .   4 ,   pp .   68 – 74 ,   201 5.   [10]   Y. - C.   Li ang ,   Y.  Ze ng,   E .   C.   Peh,   and  A.  T.   Hoang,   “ Sensing - Throughput   Tra deof f  for  Cognit ive   Radi o  Networks, ”   IEE E   transacti o ns on  Wireless   C omm unic ati ons,   vol.   7 ,   no .   4 ,   pp .   1326 – 1337,   200 8.   [11]   E.   Orum wense,   O.  O y er inde,  an d   S.  Mnene y ,   “ Im pac t  of  Prim ar y   user  Emulation  Attacks  on  Cognit ive   R adi o   Networks,”   In te r nati onal Journal   on  Comm unic at ions A nt enna  an d  Propagati on ,   v ol.   4 ,   no .   1 ,   pp .   1 9 – 26,   2014 .   [12]   A.  As hokan  and  L.   Jac ob,   “ Distribut ed  cooperat iv e  spec trum   sensing  with  m ul ti ple   co al i tions   and  non - ide al   rep orti ng  cha nn el , ”  in  S ignal   Proce ss ing,   In f orm ati cs,   Comm unic ati on  a nd   Ene rgy  S yste m s  ( SPICE S) ,   IEE E   Inte rna ti onal   Co nfe renc e  on .   I EEE,   pp .   1 – 6 ,   2017 .   [13]   G.  Sharm a  and   R.   Sharm a,  “ Distribut ed  Coo per ative  Spe ct ru m   Sensing  Over  Diffe ren t  Fad ing  Channels  i n   Cognit ive   Radi o , ”  in  Com pute r,  Com m unic at ions  and  Elec troni c s  (Com pte li x),  2 017  In te rnationa l  Confe ren ce  on .   IEE E ,   pp .   107 – 1 11,   2017 .   [14]   I.   F.  Ak y il d iz ,   B.   F.  Lo,   and  R.   Bal akr ishnan ,   “ Coopera ti ve  Spect rum   Sensing   in  Cognit ive  Radi o  Networks:    A   Surve y , ”   Phy s ic al   communic at ion,   vo l. 4, no. 1, pp. 40 – 62,   2011 .   [15]   S.  A.  Alvi ,   M.  S.  Younis,  M.  I m ran ,   et   a l . ,   “ A  weight ed  li ne ar  combining  sc heme  for  coop e rat iv e  spec trum   sensing, ”  Procedia  Computer  S c ie nc e,   vol. 32, p p.   149 – 157 ,   201 4.   [16]   D.  Tre eumnuk, S .   L.   Mac don al d ,   and  D.  C.   Pope scu,   “ Optimizi n g  per form anc e  o f  coope ra ti ve  se nsing f or  inc re ase d   spec trum  uti l iz a t ion  in  d y namic   c ognit ive  rad io  s ystems , ”  in  2013  IEE E  In te rnatio nal   Confe ren c e  Comm unic ati ons   ( ICC )   on  IEE E ,   pp.   4656 – 4660 ,   2013.   [17]   L.   Yang ,   S.  Song,  and  K.  Le t ai ef ,   “ Optimizi n g  Spect rum   Sensing  Eff iciency   in  Cognit iv e  Ra dio  Networks ,”  Computing,   Co mm unic at ions a nd  Applications  Confe ren c e  ( ComCom Ap) ,   IEE E ,   pp .   262 – 266 ,   2 012.   [18]   S.  Shrivasta va  and  D.  Kothar i ,   “ Su  throughpu t  enha nc ement  in  a  decision  f usion  base d  co oper ative  sensin g   s y stem,”   A EU - Inte rnational   Jou rnal  of El e ct roni cs  and  Comm uni cat ions,   vol .   87 ,   pp.   95 – 100 ,   201 8.   [19]   G.  Verm a,   V.  Dhage ,   and  S .   S.  Chauha n,   “ Anal y s is  of  Com bine d  Dat a - Dec i sion  Fus ion  Sch eme  for  Cognit i ve   Radi o , ”  2nd   Inter nati onal  Conf ere nce on  In ve n t ive  Syst ems and  C ontrol  ( ICISC) ,   IEE E ,   pp .   1324 – 1327 ,   2018 .   [20]   P.  H.  C.   Souza,   D.  A.  Guim ar˜ ae s,  and  G.  P.  Aquino,   “ Eff i ci en t  Fus ion   of   Spect rum   Sens ing  Inform at ion     Under   Para m eter  Unce rt ai n t y   and  Im pulsive   Noise ,”  Journal   of  Comm unication  and  Infor mation  Syste ms ,     vol.   33 ,   no .   1 ,   20 18.   [21]   M.  Haji ab adi,  H.  Khos hbin,   and   G.  A.  Hodtani,   “ Coopera ti ve  S pec trum  Esti m ation  Over  La rg e - Scal e  Cogn it iv e   Radi o  Ne tworks , ”  IET  S ignal P ro ce ss ing ,   vo l. 11,  no.   8 ,   pp .   1006 – 1014,   2017 .   [22]   B.   F.  Lo  and  I.   F.  Ak y i ldi z ,   “ Re inforc ement  Lea rning   for  Coope rat iv e  Sens ing  Gain  in  Cogni tive  Radi o  Ad  Ho c   Networks ,”  W ire le ss   Net works,   v ol.   19 ,   no .   6 ,   pp .   1237 – 1250,   201 3.   [23]   H.  Li ,   X .   Cheng ,   K.  Li ,   X.  Xing  a nd  T.   Jing,  "U t il i t y - B ase d  Cooper at iv e  Spect rum   Sensing  Scheduling  in  Cognit ive  Radi o  Ne tworks ,"   Proceedi ngs I EE E   INFOCOM ,   Tur in,  pp.   165 - 169 ,   2013 .   [24]   A.  Bal i ei ro ,   P.  Yos hioka ,   K.  D ia s,  C.   Cordei ro ,   and  D.   Cavalc ant i ,   “ Adapt ive  Spect rum   Sensing  for  Cognit iv e   Radi o  B ase d   on   Multi - Obje ct iv e Genet i c  Optimis at ion , ”   Elec troni cs  Letters ,   vol .   4 9,   no .   17 ,   pp .   10 99 – 1101,   2013 .   [25]   P.  Chen g,   R.   Deng,   and  J.  Che n,   “ Ene rg y - Eff i ci en t  Coopera t i ve  Spect rum   Sensing  in  Sensor - Aided  Cognit iv e   Radi o  Ne tworks, ”  IE EE Wi rel ess  Comm unic ati ons,   vol .   19 ,   no .   6 ,   2 012.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2088 - 8708   In t J  Elec  &  C om p  En g,   V ol.  10 , No .  3 ,  J une  2020  :   31 16   -   3124   3124   [26]   F.  Ye,   X .   Zh an g,   Y.  Li,  and   C .   T ang,   “ Fai thworth y   Coll abor a t ive   Spe ct rum   Sensing  Based  on   Credi bi li t y   an d   Evi den ce   The or y   for  Cogni ti ve   Radi o  Ne tworks , ”  Symmet r y,   vol. 9, no. 3,  p p.   36,   2017.   [27]   W .   Han,   J.  L i,   Z.   T ia n ,   and  Y .   Zha ng,   “ Eff ici ent   Cooper at iv e   Spect rum   Sensing   with  Minim um   Overhe ad  i n   Cognit ive Ra d io , ”  I EEE  Tr ansacti ons on  W irel es s  Comm unic ati o ns,   vol. 9, no. 10 ,   pp .   3006 – 3011 ,   2010.   [28]   S.  A.  Adebo,   E.   N.  Onw uka,   A.  U.  Us m an  and  A.  J.  Onum an y i ,   “ A  Hy brid   Local i za t ion  Scheme  for  Det ec t ion  of   Prim ar y   Us er  E m ula tor  in  Cogn it ive  Radi o   Net works , ”  Inte rnat ional   Journal   of   Computing  and   Digit a l   Syste ms ,   vol .   8 ,   no .   3 ,   pp .   217 - 227,   2019 .   [29]   Y.  A.  W assim   Fass i  Fihri,   H assan  El   Gha zi,  Naima  Ka abo uch,   B adr   Abou  El   Ma jd  "A   Parti c le   Sw ar m  Optimiza ti o n  Ba sed  Algorit hm   f or  Prim ar y   Us er   Emulation  Att a ck  Det ection , "   I EE E   8th  Annual  Computing  and   Comm unic ati on  Workshop and  C onfe renc e  ( CCWC) ,   La s Vega s ,   US A,  pp.   823 - 8 27,   2018 .   [30]   F.  P.  D.  Cabri c ,   "Coopera ti v e  DoA - Onl y   Local i za t ion   of  Prim ary   Us ers   in  Cognit ive   R adi o  Net works , "  EURA SIP   Journal  on  W ire le ss   Comm unic a ti ons and  N et wo rking,   pp .   1 - 14 ,   2013.       BIOGR AP H I ES   OF  A UTH ORS       Samu el   A.  Ad ebo  rec ei v ed  B . E ng.   degr ee   in  E l ec tr ic a l  and   Co m pute r  Engi n eering  and  M. Eng .   degr ee   in  Com m unic a ti ons  Engi n ee ring  from   Feder al   Univer si t y   o f  Te chnol og y   M inna ,   Niger ia   in  2008  and  2013  r espe ctively .   He  i s  cur ren tly   work ing  towar ds  his  Ph.D  degr ee   in  Com m unic at ions  Engi ne eri ng  at  the   Depa rtment  of  Te le com m unic at ions  En gine er ing,   Fede ral   Un ive rsit y   of   Te chno log y ,   Mi nna,   Niger ia .   Hi s  rese arc h  inter ests  inc lude   spe ct rum   m ana gement  in  cognitiv e  rad io, a nd   wire les s sensor ne tworks.         Eli z abeth  N.  Onw uk a  is  a  Prof essor  of  Tele co m m unic at ions  E ngine er ing.  She  holds  a  Ph.D .   in  Com m unic at ions  and  Inform ation  S y st ems   Engi nee r ing,   fro m   Tsinghua   Univer sit y ,   Be ij in g,   People ’s  Repub li c  of  Chin a;   a   Master   of  En gine er ing  degr e e,   in  Te l ec om m unic at ions;  and     a  Bac h el or   of  E ngine er ing  degr e e  from   El ec tr ical   and  Com pute r  Engi ne eri ng  De par tment,   Fed eral  Univer sit y   of  T ec hnolog y   (FU T)  Minna ,   Nige r  Stat e ,   Nig eria .   Her  r ese ar ch  int er est  in cl udes  Mobile   comm un ic a ti ons  ne twork,   Mobil e  IP  n etw orks,  Handoff   m ana gement ,   P agi ng,   Ne twork  int egr at ion ,   R esourc e  m an age m ent   in  wir el ess  net works ,   spec tr um   m ana gement,   and  Big  Data  Anal y tics.           A.  U.  Us man,  is  a  Senior  L ecture r  with  the   Depa rtment  of  Te l ec om m unic ation  Engi ne eri ng ,   Feder al  Univer si t y   of  T ec hno log y ,   Minna ,   Nig eria.   He   obt ai ned   h is  B. Eng .   degr ee  in  E lectr i ca l   &  Com pute r  Enginee ring  from   t he  sam e  Unive rsit y   in  1998.   He  ac quir ed  M . Sc.   in   Elec tri c al   Engi ne eri ng  fro m   Univer sit y   of   La gos,  Nig eria   and  PhD   in  C om m unic at ion  Engi ne eri ng  from  Abubaka r  Ta f a wa  Bal ewa   U nive rsit y ,   Bauchi  Niger ia   in   2002  and  2014  respe ctively .   He  is  cur ren tly   the   Deput y  Dea n,   School  of  El ec tri ca l   Engi nee ring  and  Te chno log y .   He  has  t eachi n g  expe r ie n ce   i n  the  ar ea   o f   m obil e  r adi o   propa ga ti on  m odel ing,   wir eless  comm unic at ion  s y stem,  wire le ss   net work  resour ce   ut il i za t ion,   n um eri ca l  m et ho ds,  and  digital  el e ct roni cs.   His  rese arc h  int er e st  inc lude s  rad i o  propa gat i on  m odel li ng,   indo or  and  outdoor  wire le ss   comm unic a ti on  a nd  appl i ca t ion  of  Artifi c ia l  Intelli gent   t ec hni ques   in  Eng ine er in g .   He  has  publ ishe d  seve ra l  p ape rs  in  na ti ona l/ in te r nat ion al   journa ls   and confe r ences.         Dr.   Ad ei z a  Ja me s  Onu many i  recei ved   his   B. Eng.  degr e e  in  E le c trica l   and  Elec t roni cs  Engi ne eri ng  fro m   Abubaka r  Ta fawa   Bal ewa   Uni ver sit y ,   Bau chi,  Niger ia,  in  2005,   and  his  M.E ng  an d  PhD   degr ee s   in  Com m unic ati ons  Engi ne eri ng   from   Feder al  Univer sit y   of  Te ch nolog y   (F.U. T),   Minna,   Nig eria  i n  2010  and   2014 ,   respe ctively .   H e  has  pub li shed  seve ral  rese arc h   art i cl es  in  pe er - rev ie wed  journ als   and  in  IEE E  fl agship  conf ere n ce s.  Dr.  Onum an y i  l e c ture s  at   t he  Depa rtment  o f  Te l ec om m unic ation  Engi n ee ring ,   F.U.T,  Minna ,   Niger ia.  He  h a s  won  gra nts  at  F.U.T ,   Minn a,   serve d  on  seve r al   conf ere n ce - or gani z ing  comm it tees.  His  rese a rch   intere sts  in cl ude  spe ct rum   sensing  in cogni t ive   r adi o ,   wir el e ss   sensor ne t works .     Evaluation Warning : The document was created with Spire.PDF for Python.