大型重叠认知无线电网络：从吞吐量缩放到渐近复用增益

我们研究了两个基于随机接入方案利用相同时间、频谱和空间资源的多跳重叠自组织网络的渐近性能。主网络由密度为 \lambda^{(p)} 的泊松分布传统用户组成，次级网络由密度为 \lambda^{(s)} = (\lambda^{(p)})^{\beta} (\beta>0, \beta \neq 1) 且机会式利用频谱的泊松分布认知无线电用户组成。两个网络都是去中心化的，并采用 ALOHA 介质访问协议，其中次级节点额外配备了范围受限的完美频谱传感器以监测和保护主传输。我们在两种不同的区间研究了该问题，即 \beta>1 和 0<\beta<1。我们表明，在这两种情况下，即使没有次级频谱感知（即感知范围设为零），两个网络也能实现其相应的独立吞吐量缩放；这意味着需要比单纯的吞吐量缩放更全面的性能指标来评估重叠交互的影响。因此，我们引入了一个新准则，称为渐近复用增益，它捕捉了不同频谱感知设置下网络间干扰的效应。利用该指标，我们清楚地证明了当 \beta>1 时，频谱感知可以显著提升主网络性能。相反，当 \beta<1 时，频谱感知被证明是不必要的，并且适当地设置次级网络的 ALOHA 参数可以显著提升主网络性能。