In recent times, spectrum sensing and spectrum management become a crucial design issue in cognitive radio networks (CRN). To improve the spectrum utilization in CRN, the secondary users (SUs) will try to utilize the spectrum resource when it is unoccupied by the authorized primary users (PUs). At the same time, blockchain principle has been introduced to efficiently identify the legitimate SUs and allocate the spectrum resource as per the demand specified by the SUs. In this view, this article presents a new machine learning (ML) with blockchain-based spectrum management technique in CRN. The proposed model undergoes three processes, namely spectrum sensing, blockchain-based spectrum access, and malicious user (MU) identification. Initially, ML-based extreme learning machine (ELM) technique is applied for spectrum sensing. Then, the presented blockchain approach provides secured spectrum allocation for SUs. Finally, the MUs are identified and to be blocked from accessing the available spectrum resource. An extensive simulation analysis is carried out to ensure the goodness of the proposed model. The obtained results indicated that the proposed model has offered better performance compared with other methods. The experimental outcome stated that under the presence of −20 dB SNR, the proposed method has attained a maximum detection rate of 0.68, whereas the KNN and OR rule methods have demonstrated a minimum detection rate of 0.58 and 0.5, respectively.

中文翻译：

---

认知无线电网络中基于区块链和极限学习机的频谱管理

近年来，频谱感知和频谱管理成为认知无线电网络（CRN）中的关键设计问题。为了提高 CRN 中的频谱利用率，次要用户 (SU) 会在授权主要用户 (PU) 未占用频谱资源时尝试使用该频谱资源。同时，引入区块链原理，高效识别合法SU，并根据SU指定的需求分配频谱资源。鉴于此，本文提出了一种新的机器学习 (ML)，在 CRN 中采用基于区块链的频谱管理技术。所提出的模型经历了三个过程，即频谱感知、基于区块链的频谱访问和恶意用户（MU）识别。最初，基于 ML 的极限学习机 (ELM) 技术应用于频谱感知。然后，所提出的区块链方法为 SU 提供了安全的频谱分配。最后，MU 被识别并被阻止访问可用的频谱资源。进行了广泛的仿真分析，以确保所提出模型的良好性。所得结果表明，与其他方法相比，该模型提供了更好的性能。实验结果表明，在存在 -20 dB SNR 的情况下，所提出的方法达到了 0.68 的最大检测率，而 KNN 和 OR 规则方法的最小检测率分别为 0.58 和 0.5。进行了广泛的仿真分析，以确保所提出模型的良好性。所得结果表明，与其他方法相比，该模型提供了更好的性能。实验结果表明，在存在 -20 dB SNR 的情况下，所提出的方法达到了 0.68 的最大检测率，而 KNN 和 OR 规则方法的最小检测率分别为 0.58 和 0.5。进行了广泛的仿真分析，以确保所提出模型的良好性。所得结果表明，与其他方法相比，该模型提供了更好的性能。实验结果表明，在存在 -20 dB SNR 的情况下，所提出的方法达到了 0.68 的最大检测率，而 KNN 和 OR 规则方法的最小检测率分别为 0.58 和 0.5。