CN102291829B - 面向用户通信的数据资源开发与频谱资源最优化分配方法 - Google Patents

Abstract

本发明公开了一种面向用户通信的数据资源开发与频谱资源最优化分配方法，涉及无线通信技术领域，尤其是在用户体验领域，主要解决现有的面向QoS通信中用户的满意程度无法保证问题。本发明建立了一种全新的QoE管理体系，将现有网络扩展为广义网络，对QoE管理实现模块化操作。采用激励与惩罚机制，解决现有技术中数据来源不充足且不精确的问题，研究QoE-QoS关系，提出了QoE-QoS的实用映射关系，对频谱资源的分配按照用户的实际请求进行，使得频谱资源得到最大程度的利用。本发明通过综合考虑当前网络的实际状况和用户的实际请求，可以在系统吞吐量没有明显恶化的条件下，大幅度提高用户的体验值。

Description

面向用户通信的数据资源开发与频谱资源最优化分配方法

技术领域

本发明涉及无线及网络通信技术中的用户体验领域，特别是数据资源的开发与频谱资源的最优化分配方法，用于下一代移动通信长期演进系统，解决无线通信中用户反馈数据的提取以及资源的面向用户实际需求的分配的问题。

背景技术

随着运营商对用户QoE(quality of experience，用户体验)概念的日渐明确和重视，各个标准化组织相关规范的日渐完善，业界对QoE的研究也呈现出百花齐放的局面。

3GPP研究都是基于全ip的网络架构，随着3GPP对IMS标准的不断完善，端到端的QoE架构的详细标准和技术协议也在不断日新月异。

ITUT对业务的管理方法方面的研究也一直在进行，包括业务管理发展趋势，不同网络结构下具体业务的QoE评估方法。

总的来说，业界对QoE的研究主要包含以下几个方面：

一是在QoE指标体系中的研究，以业务为对象的QoE-KQI(QoE key qualityindicator，QoE-关键质量指标)与网络KPI(key performance indicator，关键性能指标)的映射建模，实现用户对所使用业务的体验评价；

二是在QoE管理体系架构中的研究，以运营商为主导，联合CP/SP(contentprovider/service provider，内容提供商/服务提供商)和终端提供商，实现端到端的QoE管理流程；

三是QoE评测方法、辅助工具和产品的研究，对QoE指标的客观评估并充分反映用户的真实感知，这也是运营商QoE管理的关键环节。

目前，有关用户体验的研究比较分散，还没有形成完整的理论体系。

国际上，也仅是在2006年以后才开始QoE的标准和规范的研究，至今，3GPP并没有统一、可行的QoE指标测量的方法和测量值的有效处理。

即使ITUT关注的IPTV也缺少相关QoE指标、测量方法等方面的详细内容，但是QoE指标的客观评估和运营商QoE管理的研究却已在全球形成了热潮。

我国对QoE的研究才刚起步，涉及领域包括电信、印刷、装饰、信息技术和图书情报等。很多文章以用户体验作为宣传口号，并没有深入细致的研究，只是抽象地利用概念。

与国外研究相比，国内研究明显不足，表现在：

缺乏完整的用户体验理论体系，研究还停留在概念的抽象理解甚至只提口号的阶段。

经济从以工业为主导转到以服务为主导的经济，用户体验成为体验经济的重要因素，但我国还缺乏对体验经济的研究。

电信服务领域对用户获取信息中的反馈、跟踪等后续行为缺乏研究，导致技术的提升并不能带来积极的用户体验。

可见，为了使得通信中用户获得最佳感受，针对QoE的通信技术还有以下问题亟待解决：用户为了获得最佳感受，需要反馈自己的QoE信息，而用户的主观性和自私性都会使得用户反馈不合理甚至错误的信息，应设计反馈机制使尽可能多的用户参与反馈并使反馈具有合理性，除此之外也应实现用户感觉的均衡；服务端在获得用户的感受后，应当有所行动，调整资源分配以及调度策略，然而QoE参数与QoS(quality of Service，服务质量)参数之间的映射关系式还不明确，怎样寻找这种映射关系并将其实时地用于网络管理，而不仅仅是静态地或者是依据客观因素进行也是未解决的问题。

发明内容

本发明的目的在于针对现有技术的不足提供一种向用户通信的数据资源开发与频谱资源最优化分配方法。

为实现上述目的，本发明通过对用户数据的分析处理，选择出合理的用户群体，探索出了一种实用的QoE-QoS映射关系，对资源的分配以该映射关系为基础，实现面向用户的效益最大化。

本发明的技术方案是：

(1)建立模块化QoE管理体系架构，将终端设备、接入网和骨干网作为一个整体，构成广义网络。在基站上安装基站代理(server agent，SA)。SA激励用户参与反馈，惩罚恶意反馈用户，忽略不合理反馈用户，获取并分析用户反馈回的数据，并结合用户请求给出频谱资源分配策略。在用户终端安装用户代理(user agent，UA)。UA为用户提供便捷的反馈方法，为SA获取数据资源提供条件。

(2)建立QoE与QoS间的初始映射关系，给出QoE与QoS间的初始关系：

$\mathrm{QoE}=13.39-6.70*\sqrt{\frac{2}{s}}\mathrm{Qos}*e^{-\sqrt{\frac{2}{s}}\mathrm{Qos}}-13.39*e^{-\sqrt{\frac{2}{s}}\mathrm{Qos}}-14.87*\mathrm{erf}\left(\sqrt{\frac{1}{s}}\mathrm{Qos}\right),$

式中，e＝2.718，S为该映射关系的关键参数，用于调节用户对不同数据的灵敏度，其初始值为1， $\mathrm{erf}\left(\sqrt{\frac{1}{s}}\mathrm{Qos}\right)=\frac{2}{\sqrt{3.14}}{\∫}_0^{\sqrt{\frac{1}{s}}\mathrm{Qos}}{e}^{{-x}^2{d}_x.}$

(3)为请求资源的用户分配初始带宽。在初次分配时，QoE与QoS间的映射关系用(2)中的初始化关系，不对任何用户进行惩罚或奖励，以默认带宽进行分配，默认带宽为R＝2.71Mbps，即对每个用户都分配2.71Mbps的带宽，将多余的带宽分配给速率要求高的用户。

(4)利用激励与惩罚机制指导用户合理参与反馈，让SA能够获得足够多的数据。SA记录用户反馈回来的信息，并利用当前映射关系和合理性标准判断其合理性，对合理反馈的用户，在下一时隙额外奖励RU单位的带宽，对于非法反馈的用户，若其反馈值的波动低于最低门限，则在下一时隙降低其PU单位的带宽，若其反馈值的波动高于最高门限，则忽略其反馈信息，将其当作非反馈用户，对于不参与反馈的用户，不做任何奖励与惩罚处理。

具体方法为：

(4a)计算用户反馈信息的波动值re：

$\mathrm{re}=\mathrm{fb}-13.39-9.47*\mathrm{Qos}*e^{-\sqrt{2}\mathrm{Qos}}-13.39*e^{-\sqrt{2}\mathrm{Qos}}-14.87*\mathrm{erf}\left(\mathrm{Qos}\right)),$

式中，fb为用户反馈的QoE数据。

(4b)判断该波动值的合理性，并给出相应的调节因子reg：

$\mathrm{reg}=\left\{\begin{array}{cc}0& ,\mathrm{re}>\mathrm{ub}\\ 1& ,\mathrm{lb}\&le;\mathrm{re}\&le;\mathrm{ub}\\ -1& ,\mathrm{re}<\mathrm{lb}\end{array}\right.,$

其中，波动值re由(4a)计算得出，ub为波动上限，取值为0.5，lb为波动下限，取值为-0.5。

(4c)根据用户反馈的合理性对用户的资源特性进行设置。用户的资源特性直接决定用户所分配到的带宽，所以，依据用户的反馈信息设置用户资源特性就是对用户实施奖励与惩罚。依据用户请求给用户分配带宽，依据用户反馈在此基础上对用户进行奖励与惩罚：

a(t+1)＝a(t)+UR(t)*UP(t)+SI(t)*reg(t)，

a(t)为前一时隙用户的总资源特性，UR(t)为用户请求的数据速率，UP(t)为用户喜好因子，SI为激励惩罚因子，当reg＝-1时SI＝-2.5，即降低用户2.5Mbps的带宽，当reg＝0时，SI＝0，当reg＝1时，SI＝0.5，即奖励用户0.5Mbps的带宽。

如果某个用户有带宽需求，但是没给出具体的需求值，则其资源特性用默认值来设置，在系统正常运行时，默认带宽的设置方法为：

$R=\max \left\{\underset{\mathrm{QoS}}{\arg }\right\{\frac{d_{\mathrm{QoE}}}{d_{\mathrm{QoS}}}=\frac{5}{{\mathrm{QoS}}_{\max }}\left\}\right\}$

UR(t)＝R，

即默认的带宽原则为：用户对该带宽的灵敏度等于线性灵敏度。

表示将QoE对QoS求导，QoS_max为当前技术允许的最大带宽。

(5)用户的数据资源开发。此过程通过迭代算法剔除反馈不合理的用户，选择出合理反馈的用户集，其迭代步骤如下：

初始化迭代过程：

M_|K|＝K，i＝|K|

${\mathrm{\&delta;}}_{\left|K\right|}=\underset{j\&Element;K}{\mathrm{\&Sigma;}}{({\mathrm{QoE}}_j-\mathrm{QoE}({\mathrm{QoS}}_j,S(t-1)))}^2$

其中，K为所有参与反馈的用户构成的空间，|K|表示该空间的大小，i为迭代过程中当前存在的用户数，δ_|K|为用户反馈信息的均方误差，S为QoE-QoS关系中的关键参数，QoE为用户的体验值，t为时间参量。

进行迭代：

i＝|M_i|-1

${\mathrm{\&theta;}}_{\left|M_i\right|}=\underset{M_{i,j}}{\arg }\min \{{\mathrm{\&delta;}}_{\left|M_i\right|,j},/M_i\&Element;K\left(\right|M\left|\right),j=\mathrm{1,2},......C_{\left|M\right|}^{\left|M\right|-1}\}$

${\mathrm{\&delta;}}_{\left|M_i\right|}=\min \{{\mathrm{\&delta;}}_{\left|M_i\right|,j},/M_i\&Element;K\left(\right|M\left|\right),j=\mathrm{1,2},......C_{\left|M\right|}^{\left|M\right|-1}\}$

$M_i={\mathrm{\&theta;}}_{\left|M_{i+1}\right|}$

$\mathrm{\&Delta;\&delta;}={\mathrm{\&delta;}}_{\left|M_{i-1}\right|}-{\mathrm{\&delta;}}_{\left|M_i\right|}$

|M_i|表示第|K|-i次迭代时，系统中还有|M_i|个用户，

为本次迭代选择出来的用户集，M_i，j为第|K|-i次迭代中的第j种用户组合，为第|K|-i次迭代中选择出来的用户反馈信息的均方误差，Δδ为上一次迭代与本次迭代的均方误差间的差值。

每迭代一步就删除一个反馈最不合理的用户，直到迭代到不再满足条件Δδ＜ε，其中，ε为设定的迭代精确度，ε＝min{ub²，lb²}，其中ub、lb为(4)中允许的波动上限和下限，在迭代完成后，可以选择出一个有效的用户群：

${\mathrm{\&theta;}}_{\left|M\right|}=\underset{M}{\arg }\min {\mathrm{\&delta;}}_{\left|M\right|},$

选择出了合理反馈的用户集，就可以利用这些用户反馈的数据，对原有QoE-QoS映射关系进行更新。

(6)对QoE-QoS关系进行更新。决定QoE-QoS映射关系的参数是S，所以对参数S进行更新，就可以实现QoE-QoS关系的更新，采用搜索法：

$S\left(t\right)=\underset{s}{\arg }\min \underset{j\&Element;\mathrm{\&theta;}}{\mathrm{\&Sigma;}}{({\mathrm{QoE}}_j-\mathrm{QoE}({\mathrm{QoS}}_j,S))}^2,$

其中，S∈R，S＞0，

为(5)中选择出的用户群。

采用加权法消除可能存在的突发因素对系统稳定性的影响，得到最终的QoE-QoS映射模型：

S(t)＝α*S(t)+(1-α)*S(t-1)，

其中S(t)为采用搜索法搜索到的参数，S(t-1)为原来映射关系中的参数S，α为新搜索到的参数S在确定最终映射关系时所占的比重，该比重由合理反馈的用户数与系统中总用户数决定，

|M|为合理反馈的用户数，|K|为系统中总用户数。

如果用户反馈的主观性过大，则在(5)的迭代结束后，选择出的用户集为空集，|M|＝0，此时比重因子1-α＝1，表示在本时隙中，不对QoE-QoS关系进行更新，而是继续沿用原来的关系。

(7)进行面向用户的频谱资源分配。在考虑用户的实际感受的时候，设定系统的效益为：

U＝R*f(P，γ，a)，

对于系统中的每个用户i，其效益为：

$U_i={\mathrm{\&Sigma;}}_{j=1}^K{R}_{\mathrm{ij}}*f_{\mathrm{ij}}(P_{\mathrm{ij}},{\mathrm{\&gamma;}}_{\mathrm{ij}},a_{\mathrm{ij}}),$

其中，，k为用户i获得的载波数，R_ij为用户i在载波j上的速率，f_ij为载波j对用户i的有效性因子，P_ij为用户i在载波j上的发送功率，γ_ij为用户i在载波j上的信噪比，a_ij为载波j对用户i的特性。

根据下面的式子进行搜索，选择使得系统效率U取最大值时的载波分配策略为用户分配载波：

$U={\mathrm{\&Sigma;}}_{i=1}^N{\underset{\stackrel{\&OverBar;}{P},\stackrel{\&OverBar;}{R}}{\mathrm{\&Sigma;}}}_{j=1}^{\mathrm{carriers}}\underset{j}{\max }{U}_{\mathrm{ij}}(R_{\mathrm{ij}},P_{\mathrm{ij}},{\mathrm{\&gamma;}}_{\mathrm{ij}},a_{\mathrm{ij}}),$

N为系统中的总用户数，P为每个用户在每个载波上的发送功率，γ为在当前信道上的信噪比，carriers为总的载波数，f为有效性因子，其计算方法如下：

$f(P_{i,j},{\mathrm{\&gamma;}}_{i,j},a_{i,j})=c_{i,j}*\{\frac{1}{1+e^{-P_{i,j}({\mathrm{\&gamma;}}_{i,j}-a_{i,j})}}-d_{i,j}\}$

$c_{i,j}=\frac{1+e^{a_{i,j}{P}_{i,j}}}{e^{a_{i,j}{P}_{i,j}}}$

$d_{i,j}=\frac{1}{1+e^{a_{i,j}{P}_{i,j}}}.$

资源分配的约束条件为

$s.t.\left\{\begin{array}{c}\underset{i,j}{\mathrm{\&Sigma;}}{R}_{i,j}{\&le;R}_{\max }\\ 0\&le;R_{i,j}\&le;R_{\max }\\ \underset{i,j}{\mathrm{\&Sigma;}}{P}_{i,j}\&le;P_{\max }\\ 0{\&le;P}_{i,j}\&le;P_{\max }\end{array}\right.\text{.}$

其中，R_max为系统总带宽，P_max为系统允许的最大发送功率。

最终的资源分配策略为依据(7)决定每个用户分配到的载波数目，确定每个用户占有的带宽资源，使得系统的效益最大化。

(8)本发明提出新的评价机制，即有效频谱利用率，综合客观和主观因素对系统的实际资源利用率进行评价：

$\mathrm{UFU}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{u\left(i\right)}{\mathrm{\&Sigma;}}}{f}_{i,j}}{\underset{j=1}{\overset{\mathrm{carriers}}{\mathrm{\&Sigma;}}}\max f_{i,j}},$

式中N为系统中的总用户数，u(i)为用户i分配到的载波数，carriers为总载波

数目，f_i，j为载波j对用户i的有效性，其数值由(7)计算得出。

本发明与现有技术对比所具有的特点

本发明通过激励用户参与反馈的方法，将原本不愿意参与反馈的用户变成积极参与反馈的用户，为基站代理挖掘出了充足的数据资源，因为数据来自于通信中的实际用户而不是专家组，所以本发明的方法解决了现有技术中用户数据资源匮乏且不精确的问题。在实时通信中，利用用户的反馈信息，通过迭代算法对用户群进行选择，搜索出精确的QoE-QoS映射模型。由于对资源的分配从用户的实际需求出发，不是单纯地考虑系统的吞吐量，因而，本发明以牺牲一部分系统吞吐量为代价，换取用户体验值的上升。在用户层面，本发明提供的方法能够达到较高的用户体验指标，达到资源的面向用户的最优分配，各项综合指标远优于传统的面向QoS的资源分配策略。

附图说明

图1为本发明方法的流程图；

图2为本发明面向用户资源分配的系统模型图，UA为用户代理，SA为基站代理；

图3为本发明使用的基站端的服务系统模型；

图4为本发明使用的客户端的反馈系统模型，广义网络＝物理终端+接入网+骨干网；

图5为本发明探索出的QoE-QoS关系模型；

图6为在系统吞吐量方面，本发明与面向最大吞吐量的资源分配策略的比较；

图7为在综合指标上，本发明与面向最大吞吐量的资源分配策略的比较；

图8为在用户体验值上，本发明与面向最大吞吐量的资源分配策略的比较；

图9为频谱资源的合理性利用程度上，本发明与面向最大吞吐量的资源分配策略的比较。

术语解释：

平均得分(mean option score，MOS)

最大吞吐量(maximum throughput，MT)

有效频谱利用率(useful frequency usage，UFU)。

具体实施方式

以下结合具体实施例，对本发明进行详细说明。

参照图1，本发明的具体实施步骤如下：

步骤1，建立模块化的用户体验(quality of experience，QoE)管理架构，将终端设备、接入网和骨干网作为一个整体，构成广义网络。为服务器和用户分别安装SA(基站代理)和UA(用户代理)，构成本发明提出的广义网络，基站代理激励用户参与反馈，惩罚恶意反馈用户，忽略不合理反馈用户，获取并分析用户反馈回的数据，并结合用户的请求给出频谱资源分配策略。UA为用户提供便捷的反馈方法，为SA获取数据资源提供条件。为后续用户管理以及资源分配提供条件。见图2、图3、图4。

步骤2，设置系统的初始QoE-QoS映射模型。

$\mathrm{QoE}=13.39-6.70*\sqrt{\frac{2}{s}}\mathrm{Qos}*e^{-\sqrt{\frac{2}{s}}\mathrm{Qos}}-13.39*e^{-\sqrt{\frac{2}{s}}\mathrm{Qos}}-14.87*\mathrm{erf}\left(\sqrt{\frac{1}{s}}\mathrm{Qos}\right),$

式中，e＝2.718，S为该映射关系的关键参数，用于调节用户对不同数据的灵敏度，其初始值为1， $\mathrm{erf}\left(\sqrt{\frac{1}{s}}\mathrm{Qos}\right)=\frac{2}{\sqrt{3.14}}{\&Integral;}_0^{\sqrt{\frac{1}{s}}\mathrm{Qos}}{e}^{{-x}^2{d}_x.}$ 所述的参数S的初始值1是在实验室条件下得到的，随着系统的运行以及参与反馈的用户数目的增大，其数值会发生变化，越来越精确。

本实施例选择用户的敏感数据速率为1.5Mbps，其关系见图5；

步骤3，为请求资源的用户分配初始带宽。在初次分配时，QoE与QoS间的映射关系用步骤2中的初始化关系，不对任何用户进行惩罚或奖励，以默认带宽进行分配，默认带宽为R＝2.71Mbps，即对每个用户都分配2.71Mbps的带宽，将多余的带宽分配给速率要求高的用户。所述的初始默认的带宽分配值2.71Mbps是在实验室条件下得到的，随着系统的运行以及用户反馈的进行，其数值会发生变化。在后续的资源分配中，对不参与反馈或者反馈不合理的用户，也采取默认带宽分配的原则，但此时的默认带宽不再是2.71Mbps，而是新的值。新数值的设定原则为：用户在该带宽处的灵敏度等于线性灵敏度。

步骤4，利用激励与惩罚机制指导用户合理参与反馈，让SA能够获得足够多的数据。SA记录用户反馈回来的信息，并利用当前映射关系和合理性标准判断其合理性，对合理反馈的用户，在下一时隙额外奖励RU单位的带宽，对于非法反馈的用户，若其反馈值的波动低于最低门限，则在下一时隙降低其PU单位的带宽，若其反馈值的波动高于最高门限，则忽略其反馈信息，将其当作非反馈用户，对于不参与反馈的用户，不做任何奖励与惩罚处理。

具体方法为：

1)计算用户反馈信息的波动值re：

$\mathrm{re}=\mathrm{fb}-13.39-9.47*\mathrm{Qos}*e^{-\sqrt{2}\mathrm{Qos}}-13.39*e^{-\sqrt{2}\mathrm{Qos}}-14.87*\mathrm{erf}\left(\mathrm{Qos}\right)),$

式中，fb为用户反馈的QoE数据

2)判断该波动值的合理性，并给出相应的调节因子reg：

$\mathrm{reg}=\left\{\begin{array}{cc}0& ,\mathrm{re}>\mathrm{ub}\\ 1& ,\mathrm{lb}\&le;\mathrm{re}\&le;\mathrm{ub}\\ -1& ,\mathrm{re}<\mathrm{lb}\end{array}\right.,$

其中，波动值re由实施步骤4中的具体方法1)计算得出，ub为波动上限，取值为0.5，lb为波动下限，取值为-0.5。

3)根据用户反馈的合理性对用户的资源特性进行设置。用户的资源特性直接决定用户所分配到的带宽，所以，依据用户的反馈信息设置用户资源特性就是对用户实施奖励与惩罚。依据用户请求给用户分配带宽，而依据用户反馈在此基础上对用户进行奖励与惩罚：

a(t+1)＝a(t)+UR(t)*UP(t)+SI(t)*reg(t)，

a(t)为前一时隙用户的总资源特性，UR(t)为用户请求的数据速率，UP(t)为用户喜好因子，SI为激励惩罚因子，当reg＝-1时SI＝-2.5，即降低用户2.5Mbps的带宽，当reg＝0时，SI＝0，当reg＝1时，SI＝0.5，即奖励用户0.5Mbps的带宽。

如果某个用户有带宽需求，但是没给出具体的需求值，则其资源特性用默认值来设置，在系统正常运行时，默认带宽的设置方法为：

$R=\max \left\{\underset{\mathrm{QoS}}{\arg }\right\{\frac{d_{\mathrm{QoE}}}{d_{\mathrm{QoS}}}=\frac{5}{{\mathrm{QoS}}_{\max }}\left\}\right\}$

UR(t)＝R，

即默认的带宽原则为：用户对该带宽的灵敏度等于线性灵敏度。

表示将QoE对QoS求导，QoS_max为当前技术允许的最大带宽。

步骤5，用户的数据资源开发。在步骤(4)的激励机制的作用下，会有大量用户参与反馈，因此，SA会获得大量的用户反馈数据，由于用户的反馈数据带有很大的主观性，使用主观性过大的反馈数据会导致QoE-QoS映射关系的精确度降低，因此，必须从大量的用户数据中选择出合理反馈的数据。此过程通过迭代算法剔除反馈不合理的用户，选择出合理反馈的用户集，其迭代步骤如下：

初始化迭代过程：

M_|K|＝K，i＝|K|

${\mathrm{\&delta;}}_{\left|K\right|}=\underset{j\&Element;K}{\mathrm{\&Sigma;}}{({\mathrm{QoE}}_j-\mathrm{QoE}({\mathrm{QoS}}_j,S(t-1)))}^2$

其中，K为所有参与反馈的用户构成的空间，|K|表示该空间的大小，i为迭代过程中当前存在的用户数，δ_|K|为用户反馈信息的均方误差，S为QoE-QoS关系中的关键参数，QoE为用户的体验值，t为时间参量。

进行迭代：

i＝|M_i|-1

${\mathrm{\&theta;}}_{\left|M_i\right|}=\underset{M_{i,j}}{\arg }\min \{{\mathrm{\&delta;}}_{\left|M_i\right|,j},/M_i\&Element;K\left(\right|M\left|\right),j=\mathrm{1,2},......C_{\left|M\right|}^{\left|M\right|-1}\}$

${\mathrm{\&delta;}}_{\left|M_i\right|}=\min \{{\mathrm{\&delta;}}_{\left|M_i\right|,j},/M_i\&Element;K\left(\right|M\left|\right),j=\mathrm{1,2},......C_{\left|M\right|}^{\left|M\right|-1}\}$

$M_i={\mathrm{\&theta;}}_{\left|M_{i+1}\right|}$

$\mathrm{\&Delta;\&delta;}={\mathrm{\&delta;}}_{\left|M_{i-1}\right|}-{\mathrm{\&delta;}}_{\left|M_i\right|}$

|M_i|表示第|K|-i次迭代时，系统中还有|M_i|个用户，

为本次迭代选择出来的用户集，M_i，j为第|K|-i次迭代中的第j种用户组合，

为第|K|-i次迭代中选择出来的用户反馈信息的均方误差，Δδ为上一次迭代与本次迭代的均方误差间的差值。

每迭代一步就删除一个反馈最不合理的用户，直到迭代到不再满足条件Δδ＜ε，其中，ε为设定的迭代精确度，ε＝min{ub²，lb²}，其中ub、lb为(4)中允许的波动上限和下限，在迭代完成后，可以选择出一个有效的用户群：

${\mathrm{\&theta;}}_{\left|M\right|}=\underset{M}{\arg }\min {\mathrm{\&delta;}}_{\left|M\right|},$

选择出了合理反馈的用户集，就可以利用这些用户反馈的数据，对原有QoE-QoS映射关系进行更新。

所述的用户数据资源开发中，如果用户反馈的主观性过大，则在迭代结束后，选择出的用户集为空集，|M|＝0，此时步骤(6)中的比重因子

1-α＝1，表示在本时隙中，不对QoE-QoS关系进行更新，而是继续沿用原来的关系。

步骤6，根据步骤(5)选择出的合理反馈的用户集，利用这些用户反馈的数据，对原有QoE-QoS映射关系进行更新；决定QoE-QoS映射关系的参数是S，所以对参数S进行更新，就可以实现QoE-QoS关系的更新，采用搜索法：

$S\left(t\right)=\underset{s}{\arg }\min \underset{j\&Element;\mathrm{\&theta;}}{\mathrm{\&Sigma;}}{({\mathrm{QoE}}_j-\mathrm{QoE}({\mathrm{QoS}}_j,S))}^2,$

其中，S∈R，S＞0，

为(5)中选择出的用户群。

采用加权法消除可能存在的突发因素对系统稳定性的影响，得到最终的QoE-QoS映射模型

S(t)＝α*S(t)+(1-α)*S(t-1)，

其中S(t)为采用搜索法搜索到的参数，S(t-1)为原来映射关系中的参数S，α为新搜索到的参数S在确定最终映射关系时所占的比重，该比重由合理反馈的用户数与系统中总用户数决定，|M|为合理反馈的用户数，|K|为系统中总用户数。

如果用户反馈的主观性过大，则在步骤5的迭代结束后，选择出的用户集为空集，|M|＝0，此时比重因子

1-α＝1，表示在本时隙中，不对QoE-QoS关系进行更新，而是继续沿用原来的关系。

步骤7，进行面向用户的频谱资源分配。在考虑用户的实际感受的时候，设定系统的效益为

U＝R*f(P，γ，a)，

对于系统中的每个用户i，其效益为

$U_i={\mathrm{\&Sigma;}}_{j=1}^K{R}_{\mathrm{ij}}*f_{\mathrm{ij}}(P_{\mathrm{ij}},{\mathrm{\&gamma;}}_{\mathrm{ij}},a_{\mathrm{ij}}),$

其中，，k为用户i获得的载波数，R_ij为用户i在载波j上的速率，f_ii为载波j对用户i的有效性因子，P_ij为用户i在载波j上的发送功率，γ_ij为用户i在载波j上的信噪比，a_ij为载波j对用户i的特性。

根据下面的式子进行搜索，选择使得系统效率U取最大值时的载波分配策略为用户分配载波：

$U={\mathrm{\&Sigma;}}_{i=1}^N{\underset{\stackrel{\&OverBar;}{P},\stackrel{\&OverBar;}{R}}{\mathrm{\&Sigma;}}}_{j=1}^{\mathrm{carriers}}\underset{j}{\max }{U}_{\mathrm{ij}}(R_{\mathrm{ij}},P_{\mathrm{ij}},{\mathrm{\&gamma;}}_{\mathrm{ij}},a_{\mathrm{ij}}),$

N为系统中的总用户数，P为每个用户在每个载波上的发送功率，γ为在当前信道上的信噪比，carriers为总的载波数，f为有效性因子，其计算方法如下：

$f(P_{i,j},{\mathrm{\&gamma;}}_{i,j},a_{i,j})=c_{i,j}*\{\frac{1}{1+e^{-P_{i,j}({\mathrm{\&gamma;}}_{i,j}-a_{i,j})}}-d_{i,j}\}$

$c_{i,j}=\frac{1+e^{a_{i,j}{P}_{i,j}}}{e^{a_{i,j}{P}_{i,j}}}$

$d_{i,j}=\frac{1}{1+e^{a_{i,j}{P}_{i,j}}}.$

资源分配的约束条件为

$s.t.\left\{\begin{array}{c}\underset{i,j}{\mathrm{\&Sigma;}}{R}_{i,j}{\&le;R}_{\max }\\ 0\&le;R_{i,j}\&le;R_{\max }\\ \underset{i,j}{\mathrm{\&Sigma;}}{P}_{i,j}\&le;P_{\max }\\ 0{\&le;P}_{i,j}\&le;P_{\max }\end{array}\right.\text{.}$

其中，R_max为系统总带宽，P_max为系统允许的最大发送功率。

最终的资源分配策略为依据(7)决定每个用户分配到的载波数目，确定每个用户占有的带宽资源，使得系统的效益最大化。

步骤8，评估本发明所达到的系统效率。本发明用有效频谱利用率，综合客观和主观因素对系统的实际资源利用率进行评价：

$\mathrm{UFU}=\frac{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{u\left(i\right)}{\mathrm{\&Sigma;}}}{f}_{i,j}}{\underset{j=1}{\overset{\mathrm{carriers}}{\mathrm{\&Sigma;}}}\max f_{i,j}},$

式中N为系统中的总用户数，u(i)为用户i分配到的载波数，carriers为总载波数目，f_i，j为载波j对用户i的有效性，其数值由步骤7计算得出。

本发明的效果可通过以下仿真进一步说明：

1.仿真条件：构建面向用户的频谱资源分配模型，包括一个服务基站和多个用户，考虑用户的实际体验和系统的总体效益，仿真参数选取如表1所示：

参数	取值
		物理资源块数目	1024
每个资源块占用带宽	15KHz
		用户数目	32
每个物理资源块上发送功率	10mw
		噪声功率为	1*10^-4mw
信道	瑞利信道
		小区半径	500m
边缘区域	300-500m
		阴影衰落	8dB
路径损耗	30.18+26log(d)km

表1

2.仿真内容

(2a)求解现有技术系统吞吐量throughput、系统效率good put、平均得分MOS和有效频谱利用率UFU.

在现有技术中，采用面向QoS的频谱资源分配时：假设总共有K个物理资源块，每个资源块占用带宽为B，系统中共有M个用户，则系统吞吐量为：

$\mathrm{throughput}=\underset{k=1,j=1}{\overset{K,M}{\mathrm{\&Sigma;}}}B{\log }_2(1+\max \left({\mathrm{SINR}}_{k,j}(k,j)\right)),$

系统效率为

$U={\mathrm{\&Sigma;}}_{k=1}^K{\underset{\stackrel{\&OverBar;}{P},\stackrel{\&OverBar;}{R}}{\mathrm{\&Sigma;}}}_{j=1}^M\underset{j}{\max }{U}_{\mathrm{ij}}(R_{\mathrm{ij}},P_{\mathrm{ij}},{\mathrm{\&gamma;}}_{\mathrm{ij}},a_{\mathrm{ij}}),$

用户的平均得分为

${\mathrm{MOS}}_i=\frac{\underset{n=1}{\overset{N\left(t\right)}{\mathrm{\&Sigma;}}}{\mathrm{QoE}}_i}{N\left(t\right)},$

N(t)为用户累计反馈次数。

有效频谱利用率为

$\mathrm{UFU}=\frac{\underset{i,j}{\mathrm{\&Sigma;}}{f}_{i,j}}{\underset{i,j}{\mathrm{\&Sigma;}}\max f_{i,j}},$

f_i用户分配到的载波对用户的有效性，f_i，j为载波j对用户i的有效性

(2b)求本发明系统吞吐量throughput、系统效率good put、平均得分MOS和有效频谱利用率UFU

本发明面向用户的数据挖掘与资源分配方法的系统吞吐量为：

$\mathrm{throughput}=\underset{k=1,j=1}{\overset{K,M}{\mathrm{\&Sigma;}}}B{\log }_2(1+\max \left({\mathrm{SINR}}_{k,j}(k,j)\right)),$

系统效率为

$U={\mathrm{\&Sigma;}}_{k=1}^K{\underset{\stackrel{\&OverBar;}{P},\stackrel{\&OverBar;}{R}}{\mathrm{\&Sigma;}}}_{j=1}^M\underset{j}{\max }{U}_{\mathrm{ij}}(R_{\mathrm{ij}},P_{\mathrm{ij}},{\mathrm{\&gamma;}}_{\mathrm{ij}},a_{\mathrm{ij}}),$

用户的平均得分为

${\mathrm{MOS}}_i=\frac{\underset{n=1}{\overset{N\left(t\right)}{\mathrm{\&Sigma;}}}{\mathrm{QoE}}_i}{N\left(t\right)},$

N(t)为用户累计反馈次数。

有效频谱利用率为

$\mathrm{UFU}=\frac{\underset{i,j}{\mathrm{\&Sigma;}}{f}_{i,j}}{\underset{i,j}{\mathrm{\&Sigma;}}\max f_{i,j}}.$

3.仿真结果

如图6所示，在面向用户的系统中，系统吞吐量小于面向最大吞吐量的系统。这是因为，在面向用户的系统中，资源的分配不在以最大化系统吞吐量为唯一标准，而是综合用户的实际需求和当前网络的链路状况来确定资源分配策略，存在链路条件不好的用户占用链路条件好的用户的链路，浪费了一部分带宽，但是，相对数值很小，几乎可以忽略。这是面向用户的系统为提高用户体验值付出的代价。

如图7所示，面向用户系统的系统效益远大于面向最大吞吐量的系统，这是因为，在面向用户的系统中，用户根据自己的实际情况给出需求和反馈，资源总是以用户感觉最佳的方式进行分配，虽然浪费了一部分带宽，但是，并不会对用户的感受造成太大影响。

而在面向最大吞吐量的系统中，有可能少数条件好但是速率需求很小的用户占用大量带宽，而一些条件不好的用户可能占用很少带宽或者完全没有任何可用资源，从主观上浪费了很大一部分带宽资源。

如图8所示，面向用户的系统中，用户的平均得分高于面向最大吞吐量的系统。

如图9所示，在有效的频谱利用率上，面向用户的系统优于面向最大吞吐量的系统，即面向大吞吐量的系统浪费的带宽比面向用户的系统大，或者说频谱效率较低。

仿真结果表明，本发明与面向最大吞吐量的系统相比，由于本发明综合考虑了用户的实际需求，对资源的分配按照用户和系统综合最优的方式进行，既照顾到系统吞吐量，又照顾到用户的感受，其性能要远胜于最大吞吐量系统的方案。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (4)

1.面向用户通信的数据资源开发与频谱资源最优化分配方法，其特征在于，包括如下步骤： 

(1)建立模块化的用户体验QoE管理架构，将终端设备、接入网和骨干网作为一个整体，构成广义网络；在基站上安装基站代理SA；在用户终端安装用户代理UA； 

(2)建立QoE与QoS间的初始映射关系，给出QoE与QoS间的初始关系： 

式中，e＝2.718，S为该映射关系的关键参数，用于调节用户对不同带宽的灵敏度，其初始值为1，

(3)为请求资源的用户分配初始带宽；在初次分配时，QoE与QoS间的映射关系用步骤(2)中的初始关系，不对任何用户进行惩罚或奖励，以默认带宽进行分配，初始默认带宽为R＝2.71Mbps，即对每个用户都分配2.71Mbps的带宽，将多余的带宽分配给速率要求高的用户；随着方法的运行和用户反馈的进行，默认带宽会发生变化，其设定原则为：用户在该带宽处的灵敏度等于线性灵敏度； 

(4)利用激励与惩罚机制指导用户合理参与反馈，让SA获得足够多的数据；SA记录用户反馈回来的信息，并利用当前映射关系和合理性标准判断其合理性；对合理反馈的用户，在下一时隙额外奖励RU单位的带宽；对于非法反馈的用户，若其反馈值的波动低于最低门限，则在下一时隙降低其PU单位的带宽；若其反馈值的波动高于最高门限，则忽略其反馈信息，将其当作非反馈用户；对于不参与反馈的用户，不做任何奖励与惩罚处理； 

所述合理性标准为： 

4a)计算用户反馈信息的波动值re： 

式中，fb为用户反馈的QoE数据 

4b)判断该波动值的合理性，并给出相应的调节因子reg： 

其中，波动值re由4a)计算得出，ub为波动上限，取值为0.5，lb为波动下限，取值为-0.5；re＞ub表示该波动值不合理，lb≤re≤ub表示该波动值为合理值，re＜lb表示该用户恶意反馈； 

(5)用户的数据资源开发；此过程的数据资源开发方法通过迭代算法剔除反馈不合理的用户，选择出合理反馈的用户集，其迭代步骤如下： 

初始化迭代过程： 

M_|k|＝K，i＝|K| 

其中，K为所有参与反馈的用户构成的空间，|K|表示该空间的大小，i为迭代过程中当前存在的用户数，δ_|K|为用户反馈信息的均方误差，S为QoE-QoS关系中的关键参数，QoE为用户的体验值，t为时间参量； 

进行迭代： 

i＝|M_i|-1 

|M_i|表示第|K|-i次迭代时，系统中还有|M_i|个用户，为本次迭代选择出来的用户集，M_i，j为第|K|-i次迭代中的第j种用户组合，

为第|K|-i次迭代中选择出来的用户反馈信息的均方误差，Δδ为上一次迭代与本次迭代的均方误差间的差值；

每迭代一步就删除一个反馈最不合理的用户，直到迭代到满足条件Δδ＜ε，其中， ε为设定的迭代精确度，ε＝min{ub²，lb²}，其中ub、lb为(4)中允许的波动上限和下限，在迭代完成后，选择出一个有效的用户群： 

选择出了合理反馈的用户集； 

(6)根据步骤(5)选择出的合理反馈的用户集，利用这些用户反馈的数据，对原有QoE-QoS映射关系进行更新； 

所述步骤(6)的具体做法为：决定QoE-QoS映射关系的参数是S，所以对参数S进行更新，就可以实现QoE-QoS关系的更新，采用搜索法： 

其中，S∈R，S＞0，为(5)中选择出的用户群； 

采用加权法消除可能存在的突发因素对系统稳定性的影响，得到最终的QoE-QoS映射模型： 

S(t)＝α*S(t)+(1-α)*S(t-1)， 

其中S(t)为采用搜索法搜索到的参数，S(t-1)为原来映射关系中的参数S，α为新搜索到的参数S在确定最终映射关系时所占的比重，该比重由合理反馈的用户数与系统中总用户数决定，

|M|为合理反馈的用户数，|K|为系统中总用户数； 

(7)进行面向用户的频谱资源分配；在考虑用户的实际感受的时候，设定系统的效益为： 

U＝R*f(P，γ，a)， 

对于系统中的每个用户i，其效益为： 

其中，K为用户i获得的载波数，R_ij为用户i在载波j上的速率，f_ij为载波j对 用户i的有效性因子，P_ij为用户i在载波j上的发送功率，γ_ij为用户i在载波j上的信噪比，a_ij为载波j对用户i的特性；

根据下面的式子进行搜索，选择使得系统效率U取最大值时的载波分配策略为用户分配载波： 

N为系统中的总用户数，P为每个用户在每个载波上的发送功率，γ为在当前信道上的信噪比，carriers为总的载波数，f为有效性因子，其计算方法如下： 

资源分配的约束条件为 

其中，R_max为系统总带宽，P_max为系统允许的最大发送功率；

最终的资源分配策略为依据(7)决定每个用户分配到的载波数目，确定每个用户占有的带宽资源，使得系统的效益最大化。 

2.根据权利要求1所述的面向用户通信中数据资源的开发与频谱资源的最优化分配方法，其特征在于，所述步骤(4)的具体方法为: 

(4a)计算用户反馈信息的波动值re： 

式中，fb为用户反馈的QoE数据； 

(4b)判断该波动值的合理性，并给出相应的调节因子reg： 

其中，波动值re由(4a)计算得出，ub为波动上限，取值为0.5，lb为波动下限，取值为-0.5，re＞ub表示该波动值不合理，lb≤re≤ub表示该波动值为合理值，re＜lb表示该用户恶意反馈； 

(4c)根据用户反馈的合理性以及用户请求的带宽对用户的资源特性进行设置。 

3.根据权利要求2所述的面向用户通信中数据资源的开发与频谱资源的最优化分配方法，其特征在于，所述步骤(4c)的具体方法为：用户的资源特性直接决定用户所分配到的带宽，所以，设置用户资源特性就是对用户实施奖励与惩罚，用户请求的带宽为正常情况下用户应分配到的带宽；依据用户请求给用户分配带宽，而依据用户反馈在此基础上对用户进行奖励与惩罚，所以，用户的资源特性为： 

a(t+1)＝a(t)+UR(t)*UP(t)+SI(t)*reg(t)， 

a(t)为前一时隙用户的总资源特性，UR(t)为用户请求的数据速率，UP(t)为用户喜好因子，UR(t)*UP(t)表示在正常情况下，用户应分配到的带宽，SI为激励惩罚因子，当reg＝-1时SI＝-2.5，即降低用户2.5Mbps的带宽，当reg＝0时，SI＝0，当reg＝1时，SI＝0.5，即奖励用户0.5Mbps的带宽。 

4.根据权利要求1所述的面向用户通信中数据资源的开发与频谱资源的最优化分配方法，其特征在于，其中步骤(5)所述的用户数据资源开发中，如果用户反馈的主观性过大，则在迭代结束后，选择出的用户集为空集，|M|＝0，此时步骤(6)中的比重因子

1-α＝1，表示在本时隙中，不对QoE-QoS关系进行更新，而是继续沿用原来的关系。 

Images