Opportunistic spectrum access (OSA) is one of cognitive radio schemes which enhance spectrum efficiency. In OSA, secondary users sense all spectra to identify primary users` carrier. In this case, secondary users need to have complex hardware and energy-inefficient operations. Instead of sensing all spectra, secondary users need a channel selection algorithm to select a spectrum (channel) and have to consider channel utilization of primary users. In this thesis, a random channel selection algorithm is first proposed in a multi-channel environment to reduce the sensing burden for all channels and its performance is mathematically analyzed and evaluated. Under the consideration of channel utilization of primary users, this study uses game theory to analyze the interaction among secondary users who select a spectrum to maximize their performance. To achieve a game-theoretic equilibrium, a game theory-based learning algorithm is applied to the channel selection problem. Each secondary user with the adaptive learning algorithm yield better performance than the random channel selection algorithm.
기회적인 스펙트럼 액세스는 스펙트럼의 효율성을 향상 시키는 인지 라디오 기술 중의 하나이다. 기획적인 스펙트럼 액세스에서 부 사용자들은 우선 사용자들의 신호를 확인하기 위해서 모든 스펙트럼을 감지한다. 이 경우, 부 사용자들은 복잡한 하드웨어를 갖고 에너지 관점에서 비효율적으로 동작 한다. 이러한 단점을 없애기 위해서 모든 스펙트럼을 감지하는 대신에, 부 사용자들은 한 스펙트럼(채널)을 선택하는 알고리즘이 필요하고 우선 사용자들의 채널 이용률을 고려해야 한다. 본 논문에서, 다중 채널 환경에서 모든 채널을 감지하는 부담감을 줄이기 위해서 부 사용자들이 랜덤하게 채널을 선택하는 알고리즘을 먼저 제안하고 성능을 수학적으로 분석하고 평가 한다. 우선 사용자들의 채널 이용률을 고려하면서 부 사용자들이 자신의 성능을 최대로 높이기 위해서 채널을 선택하는 경우의 상호 작용을 게임 이론을 이용해서 분석한다. 부 사용자들이 서로 통신을 하지 않고 분산적으로 동작하는 경우, 게임 이론의 균형점을 달성하기 위해서 게임 이론 기반의 학습 알고리즘을 채널 선택 문제에 적용한다. 분산적으로 동작하는 경우 학습 알고리즘을 사용하는 부 사용자들의 성능이 랜덤하게 선택하는 알고리즘보다 좋은 성능을 나타낸다.
