Dikkat tabanlı ve CNN özellik füzyonuyla işbirlikçi spektrum algılama için çok dallı bir ağ

Neden Wi‑Fi’niz Havadaki Alanı Paylaşıyor

Sahip olduğunuz her kablosuz cihaz—telefonunuz, dizüstü bilgisayarınız, akıllı hoparlörünüz ve hatta arabanız—aynı görünmez gayrimenkul için rekabet ediyor: radyo dalgaları. Hükümetler spektrumun büyük bölümünü sıkı bir şekilde lisanslıyor, ancak birçok lisanslı kanal her an boş durumda bulunabiliyor. Bu makale, lisanssız cihazların bu kanalların gerçekten boş olduğunu, çok gürültülü koşullarda ve birden fazla lisanslı kullanıcı aynı anda yayın yaparken bile nasıl daha akıllıca tespit edebileceğini inceliyor. Bu adım, daha fazla spektrum talep etmeden daha hızlı ve daha güvenilir bağlantılar vaat eden geleceğin ağları için kritik öneme sahip.

Kalabalık Bir Havadaki Gizli Boşlukları Bulmak

Modern “kognitif” radyolar konuşmadan önce dinleyecek şekilde tasarlanmıştır. Lisanslı ya da birincil kullanıcıların etkin olmadığı kısa aralıkları—spektrum delikleri olarak adlandırılan—araştırırlar, böylece ikincil cihazlar parazit yaratmadan iletim yapabilir. Sinyaller zayıf, gürültülü veya birden çok yönden geliyorsa basit dinleme yöntemleri zorluk yaşar. Güvenilirliği artırmak için birden çok ikincil kullanıcı işbirliği yapabilir: her biri yerelde dinler ve gözlemlerini birleştirme merkezine ileterek kanalın meşgul veya boş olduğuna karar verilmesini sağlar. Ancak mevcut teknikler, makine öğrenmesine dayananlar da dahil, genellikle yalnızca tek bir birincil verici varsayar ve gerçek hücresel ve Wi‑Fi sistemlerinde sıkça görüldüğü gibi birden fazla lisanslı kullanıcı aynı kanalı paylaştığında sorun yaşar.

Radyo Dünyasına Üç Gözle Bakış

Yazarlar, işbirlikçi spektrum algılamayı birçok olası “ağ durumu”nun (hangi birincil kullanıcıların açık veya kapalı olduğu) bulunduğu bir desen tanıma problemi olarak ele alan ATC adlı yeni bir derin öğrenme modeli öneriyor. Verilere tek bir bakışa dayanmak yerine, ATC aynı algılama sinyallerini paralel çalışan üç tamamlayıcı mercekten inceliyor. Bir dal, her ikincil cihazdaki sinyal gücünün komşularıyla nasıl ilişkili olduğunu modellemek için grafik dikkat ağı (graph attention network) kullanıyor ve hangi sensörlerin en bilgilendirici ipuçlarını taşıdığını vurguluyor. İkinci bir dal, farklı sensörlerdeki sinyallerin birlikte nasıl yükselip düştüğünü gösteren bir harita olan kovaryans matrisini bir evrişimli sinir ağına (CNN) besleyerek, gürültüye dayanıklı ince taneli mekânsal yapıları görüntü gibi ortaya koyuyor. Üçüncü dal ise bir Transformer kodlayıcı kullanarak birincil kullanıcıların zaman içinde açılıp kapanma kalıplarını öğreniyor; Transformer’lar dil modellerinden tanınır.

Çoklu İpuçlarını Birleştirip Net Bir Karar Çıkarmak

Her dal ağ geometrisi, istatistiksel ilişkiler ve zaman dinamikleri gibi farklı bir yapıda uzmanlaştığı için model çıktıları yalnızca son aşamada birleştirir. Bu paralel tasarım, her bilgi türünü son bir füzyon katmanına kadar olduğu gibi tutar ve bu katman da bunları nasıl ağırlıklandıracağını öğrenir. Yazarlar bunu, bir ağın çıktısının doğrudan bir sonrakine beslendiği ardışık tasarımla karşılaştırıyor; böyle boru hatlarında erken işleme, sonraki aşamaların ihtiyaç duyacağı ayrıntıları bozabilir veya silebilir. Ayrıca, bir hata türü (etkin bir birincil kullanıcıyı kaçırıp parazite yol açmak) ile diğer hata türü (kanalı meşgul ilan edip aslında boşken potansiyel kapasiteyi israf etmek) arasındaki gerçek dünya takası için ayarlanmış bir karar kuralı sunuyorlar. Özenle tanımlanmış bir olasılık oranı üzerinde eşiği ayarlayarak ağ operatörleri spektrumu ne kadar agresif kullanacaklarını açıkça seçebilirler.

Modeli Teste Sokmak

ATC’nin ne kadar iyi performans gösterdiğini görmek için araştırmacılar onu geleneksel kümeleme ve destek vektör makinelerinden yalnızca evrişim katmanları, yalnızca tekrarlayan katmanlar veya daha basit bir evrişim‑Transformer kombinasyonu kullanan derin ağlara kadar çeşitli popüler temel yöntemlerle karşılaştırarak eğittiler. İki birincil kullanıcıyı ve hem saf gürültü hem de gerçekçi sönümlenme kanalları altında on işbirlikçi ikincil kullanıcıyı taklit eden simüle veriler kullanıldığında, ATC özellikle sinyaller çok zayıf olduğunda tutarlı şekilde daha yüksek tespit olasılıkları elde etti. Hangi kullanıcı kombinasyonunun etkin olduğunu belirlemede de daha doğru oldu. İnsanların etrafta yürüdüğü ve yürümeyeceği durumları içeren kanal ölçümlerinin bulunduğu gerçek bir Wi‑Fi veri kümesi üzerinde yapılan testlerde de ATC, karmaşık ve değişken ortamlarda daha güvenilir kalarak rakip yöntemleri geride bıraktı. Karmaşıklığına rağmen model, standart bir grafik işlemcide birkaç dakikada eğitilebilecek ve mikro­saniye düzeyinde karar verebilecek kadar kompakt.

Günlük Kablosuz Cihazlar İçin Anlamı

Gayri uzmana yönelik temel çıkarım, daha akıllı dinlemenin yeni spektrum satın almadan veya mevcut kuralları çiğnemeden daha fazla kablosuz kapasite açabileceğidir. Radyo sinyallerine bakmanın üç tamamlayıcı yolunu birleştirerek ATC modeli, lisanslı kullanıcıların ne zaman mevcut olduğunu ve hava dalgalarının gerçekten ne zaman boş olduğunu daha emin biçimde tespit edebiliyor; bu, kalabalık, gürültülü ve değişken koşullarda bile geçerli. Çalışma hâlâ sınırlı sayıda birincil kullanıcı ve basitleştirilmiş kanal türleri varsayıyor olsa da, eldeki kaynakları daha iyi kullanarak ve anlık spektrum paylaşımına izin veren geleceğin radyo sistemlerine doğru bir yön gösteriyor; bu da daha yoğun bağlı cihaz ağlarının yolunu açıyor.

Atıf: Lan, D.T., Ngo, Q.T., Nguyen, L.V. et al. A multi-branch network for cooperative spectrum sensing via attention-based and CNN feature fusion. Sci Rep 16, 5111 (2026). https://doi.org/10.1038/s41598-026-36031-1

Anahtar kelimeler: kognitif radyo, spektrum algılama, derin öğrenme, kablosuz ağlar, dikkat ağları