CN102711178A - 基于用户需求和网络负载均衡的群体联合接纳控制方法 - Google Patents

Abstract

本发明属于无线通信技术领域，公开了一种基于用户需求和网络负载均衡的群体联合接纳控制方法，包括以下步骤：S1、基于用户目标偏离度以及网络负载均衡度构建目标函数；S2、针对所述目标函数进行基于遗传方法或基于固定用户数的网络侧决策。本发明由于采用网络侧控制的方式，解决了群体联合接纳控制造成的信息不完全问题，可以满足用户需求并且能充分利用异构网络资源，实现网络负载均衡。此外，综合考虑用户需求以及网络负载状况，能够尽可能满足用户需求同时达到网络负载均衡的目标，并且可以有效减少群体联合接纳控制场景下用户的掉话率。

Description

基于用户需求和网络负载均衡的群体联合接纳控制方法

技术领域

本发明属于无线通信技术领域，特别涉及一种基于用户需求和网络负载均衡的群体联合接纳控制方法。

背景技术

很多传统的接纳控制决策方法都是基于这样的假设：用户的到达是串行的，即是一个接一个到达的，方法的决策目标是为每一个用户选择合适的接入网络。基于这样的假设，方法将不会出现任何问题，因为当前用户进行决策时，其已经了解了之前用户的网络选择结果及当前的网络状态，因此能得到最优化的决策结果。然而，在群体联合接纳控制场景下，由于多个用户同时要进行接纳控制，这样的假设将不再存在，如果继续使用基于这种假设的决策方法，将会出现不准确的，甚至是错误的决策结果，严重情况下还会导致网络拥塞，因为当前用户在进行决策时，无法了解其他同步进行决策的用户的接纳结果，并且获取的网络状态信息也不再准确。在这种不完全信息下，每个用户单独做接纳决策的方法将无法得到最优的决策结果。

在接纳控制机制中，根据控制类型的不同，可以分为用户侧控制和网络侧控制这两大类的决策方法。已有的群体联合接纳控制方法的思想是在用户侧控制，即让所有用户延迟一个随机时间，然后按照延迟的时间依次进行接纳控制，这样用户就可以知道前面接纳控制的用户的选择，从而不会造成某个网路的拥塞。然而，由于用户侧的用户信息、网络信息不完全、不准确，因而不能从全局优化的角度进行接纳控制决策。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何解决群体联合接纳控制造成的信息不完全问题。

(二)技术方案

为解决上述技术问题，本发明提出一种基于用户需求和网络负载均衡的群体联合接纳控制方法，包括以下步骤：

S1、基于用户目标偏离度以及网络负载均衡度构建目标函数；

S2、针对所述目标函数进行基于遗传方法或基于固定用户数的网络侧决策。

优选地，步骤S1中所构建目标函数表示：使总体用户目标向量偏离度及网络负载的不均衡度尽可能小，所述总体用户目标向量偏离度用所有用户目标向量与所选网络向量之间的偏离度之和表示。

优选地，步骤S2中基于固定用户数进行网络侧决策具体包括：

S21、根据负载均衡原则确定每个网络分配的用户数；

S22、利用解决分配问题的匈牙利法确定每个用户的网络选择情况，以实现每个网络分配用户数固定前提下总体用户目标向量偏离度的最小化。

优选地，所述总体用户目标向量偏离度的计算方法包括步骤：

S11、将网络向量Net_j＝(w₁e′_j1，…，w_se′_js)和用户目标向量Obj_i＝(w₁e_i1，…，w_se_is)之间的偏离度表示为w_ke′_jk表示第j个网络的第k个参数值，w_ke_ik表示第i个用户的第k个目标参数值；用矩阵X＝{x_ij}_N×M表示网络选择矩阵，x_ij∈{0，1}，当用户u_i选择网络n_j时，x_ij＝1；当用户u_i不选择网络n_j时，x_ij＝0，N表示用户总数，M表示可用网络总数；

S12、确定矩阵X，然后将每个用户目标向量与所选网络向量的偏离度表示为

总体用户目标向量偏离度表示为

S13、将每个网络新增加的被占用信道数表示为

定义每个网络的负载率

O_j表示第j个网络原始被占用的信道数，C_j表示第j个网络可提供的信道数，假设完全负载均衡的情况下，每个网络的负载率为所有用户数和所有可用信道数之比用

表示网络负载的不均衡程度；

S14、将目标函数表示为：

$\min G(X,\mathrm{\α},\mathrm{\β})=\mathrm{\α}{\mathrm{\Σ}}_{i=1}^N{S}_i\left(X\right)+\mathrm{\β}{\mathrm{\Σ}}_{j=1}^M{(r_j-r_b)}^2$

约束条件为：O_j+O′_j(X)＜C_j，表示占用的信道总数不能超过每个网络可提供的信道数，其中，α，β为权重系数，分别表示决策时对用户满意度和网络负载均衡度的侧重程度。

优选地，步骤S2中基于遗传方法进行网络侧决策的过程中，用遗传方法解决整数规划问题得到使目标函数最小化的最优解，具体包括：

把用户选择向量K＝{k₁，…，k_N}，k_i∈{1，…，M}作为遗传方法每一代的个体，参与选择、交叉、变异运算，得到使目标函数最小的用户选择向量K_min，用户选择向量中k_i为用户选择的网络，M表示可用网络总数。

优选地，步骤S21具体包括：

1)根据用户接收到网络的信号强度确定网络可达矩阵V＝{v_ij}_N×M，只有当用户u_i接收到网络n_j的信号强度大于门限值时v_ij＝1；

2)计算每个网络最多需要负荷的用户数h_j；

3)求每个网络增加一个用户后的负载率；

4)找到负载率最低的网络n_j，如果h_j＞0，则给该网络增加一个用户，将h_j减1，否则，把该网络的负载设为一个预设的值；

5)重复步骤3)、4)直到把所有用户分配完毕。

(三)有益效果

本发明由于采用网络侧控制的方式，解决了群体联合接纳控制造成的信息不完全问题，可以满足用户需求并且能充分利用异构网络资源，实现网络负载均衡。此外，综合考虑用户需求以及网络负载状况，能够尽可能满足用户需求同时达到网络负载均衡的目标，并且可以有效减少群体联合接纳控制场景下用户的掉话率。

附图说明

图1为本发明中异构无线环境下热点覆盖区域中的典型群体联合接纳控制场景的示意图；

图2为本发明中群体联合接纳控制策略执行流程图；

图3为本发明中目标函数因子α＝1，β＝N/2时，所提群体联合接纳控制方法和传统方法掉话数随用户数变化情况对比曲线图；

图4为本发明中目标函数因子α＝1，β＝N/2时，所提群体联合接纳控制方法和传统方法目标函数值随用户数变化情况对比曲线图；

图5为本发明中目标函数因子α＝0，β＝1时，所提群体联合接纳控制方法和传统方法网络负载情况随用户数变化情况对比曲线图；

图6为本发明中目标函数因子α＝0，β＝1时，所提群体联合接纳控制方法和传统方法总体用户目标偏离度随用户数变化情况对比曲线图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

面对群体联合接纳控制问题，本发明在网络侧进行决策。与用户侧的信息不完全相比，网络侧控制的方法能够掌握更多、更准确的用户信息、网络信息，因而可以从全局优化的角度进行接纳控制决策。对群体联合接纳控制场景，本发明综合考虑用户需求以及网络的负载情况，构建基于用户目标向量偏离度以及网络负载均衡的目标函数，并针对所构建的目标函数提出网络侧决策的群体联合接纳控制方法。

本发明的群体联合接纳控制方法包括基于用户目标偏离度以及网络负载均衡的目标函数的构建步骤，以及针对该目标函数的基于遗传方法或基于固定用户数的网络侧决策步骤。

由于每个用户的需求是不同的，不同网络的参数也是不同的，因此，利用用户需求和网络参数之间的偏离度作为网络选择的参考因素。在异构无线环境下，允许用户在不同网络间进行接纳控制，从而能够实现网络间的负载均衡，实现更加优化的无线资源利用率。综合考虑以上两点，构建了基于用户需求偏离度以及网络负载均衡的目标函数。

本发明实施例的场景图如图1所示，行驶的火车上的用户需要集体切换，进行网络选择；人口密集地区行人、车辆的移动，大量新业务的发起，也很容易出现很多用户需要同时进行网络选择的现象。设该区域有三种可选接入网网络，包括WLAN、WiMAX和UMTS接入网。方法中，网络侧的集中式控制实体可为3GPP中的公共无线资源管理服务器(CRRM Server，CRMS)，CRMS能收集用户和网络的信息，为用户选择目标网络。

A＝{n₁，…，n_M}表示M个可用网络的集合，U＝{u₁，…，u_N}表示该时刻N个需要接纳控制的用户的集合。某个网络最多可提供的信道数为C_i，某个网络在该时刻已被占用的信道数为O_i。RSS_ij表示用户u_i从接入网n_j接收到的信号强度。θ_j表示网络的RSS门限，当有很多用户同时需要进行接纳控制时，不同用户接收到不同接入网的接收信号强度是不同的，只有接收到网络的接收信号强度大于这个网络的门限时该用户才可以接入这个网络，即，只有RSS_ij＞θ_j时，用户u_i才可以选择接入网n_j。

(e₁，…，e_s)表示s个决策因素，(w₁，…，w_s)表示s个决策因素的权重。由决策因素的值和对应的权重可以得到用户目标向量Obj_i＝(w₁e_i1，…，w_se_is)和网络向量Net_j＝(w₁e′_j1，…，w_se′_js)。j表示网络的序号，i表示用户的序号，w_ke′_jk表示第k个网络参数值，w_ke_ik表示用户的第k个目标参数值。网络向量Net_j和用户目标向量Obj_i之间的偏离度可表示为

$d_{\mathrm{ij}}=d({\mathrm{Obj}}_i,{\mathrm{Net}}_j)={\mathrm{\Σ}}_{k=1}^s{(w_k{e}_{\mathrm{ik}}-w_k{e}_{\mathrm{jk}}^{\′})}^2---\left(1\right)$

矩阵D＝{d_ij}_N×M为偏离度矩阵。矩阵X＝{x_ij}_N×M为网络选择矩阵，x_ij∈{0，1}，当用户u_i选择网络n_j时，x_ij＝1；当用户u_i不选择网络n_j时，x_ij＝0。并且满足：

1≤i≤N，即每个用户只选择一个网络进行接入。

矩阵X确定后，每个用户目标向量与所选网络向量的偏离度可表示为

$S_i\left(X\right)={\mathrm{\Σ}}_{j=1}^M{d}_{\mathrm{ij}}{x}_{\mathrm{ij}}---\left(2\right)$

可以用每个用户目标向量与所选网络向量的偏离度来表示该用户的不满意度，所有用户目标向量与所选网络向量的偏离度之和(也称为总体用户目标向量偏离度)可表示为

第j个网络新增加的被占用信道数可表示为

$O_j^{\′}\left(X\right)={\mathrm{\Σ}}_{i=1}^N{x}_{\mathrm{ij}}---\left(3\right)$

第j个网络被占用的信道总数可表示为O_i+O′_j(X)。

定义第j个网络的负载率

$r_j=\frac{O_j+O_j^{\′}\left(X\right)}{C_j}---\left(3\right)$

负载均衡的情况下，每个网络的负载率为

$r_b=\frac{{\mathrm{\Σ}}_{k=1}^M{O}_j+N}{{\mathrm{\Σ}}_{k=1}^M{C}_k}---\left(4\right)$

用

(每个网络实际负载率与均衡时负载率差的平方和)表示网络负载的不均衡程度。O_j表示第j个网络已占用的信道数，C_j表示第j个网络可提供的信道数，

分别表示该区域所有网络已占用的信道数之和、总共可提供的信道数之和，这里把每个网络可用的资源抽象成信道数，每个用户请求一个信道。N是指需要接纳控制的用户数，也就是新来的用户数。

由于总体用户目标向量的偏离度及网络负载的不均衡度应该尽可能小，综合考虑这两方面因素，联合接纳控制决策的目标函数定义为：

$\min G(X,\mathrm{\α},\mathrm{\β})=\mathrm{\α}{\mathrm{\Σ}}_{i=1}^N{S}_i\left(X\right)+\mathrm{\β}{\mathrm{\Σ}}_{j=1}^M{(r_j-r_b)}^2---\left(5\right)$

约束条件为：O_j+O′_j(X)＜C_j，表示占用的信道总数不能超过每个网络可提供的信道数，即当网络拥有足够资源时，才允许当前用户的接入。

其中，α，β为权重系数，表示决策时对用户满意度和网络负载均衡度的侧重程度。当α＝1，β＝0时，表示优化目标为所有用户目标总偏离度最大；当α＝0，β＝1时，表示优化目标为网络负载均衡；当0＜α＜1，0＜β＜1时，表示优化目标为所有用户的目标总偏离度最大和网络负载均衡的一个折中。

不同的群体联合接纳控制决策方法，会得到不同的网络选择矩阵X，网络选择矩阵不同得到的目标函数值会不同。本发明的目标就是找到一个网络选择矩阵使所构建的目标函数值尽可能小。

本发明所提的群体联合接纳控制方法为网络侧控制方法，在网络侧做决策时可以用各种优化方法求网络选择矩阵，使目标函数最小化。由于网络选择问题是整数规划问题，因此可以采用遗传方法来求目标函数最优解。目标函数构建后，根据决策时对负载均衡和用户满意度的侧重程度，选择遗传方法或固定用户数法求网络选择矩阵，即强调负载均衡和满意度折中时，采用遗传方法；着重强调负载均衡时，采用固定用户数法。具体策略流程如图2所示。

1、基于遗传方法求目标函数最优解

用遗传方法求目标函数的最优解时，先构造用户选择向量K＝{k₁，…，k_N}，k_i∈{1，…，M}，其中，k_i为用户选择的网络序号。可以把用户选择向量K＝{i₁，…，k_N}，k_i∈{1，…，M}作为遗传方法每一代的个体，参与选择、交叉、变异运算，最终得到使目标函数最小的用户选择向量K_min。在遗传方法过程中，目标函数中的网络选择矩阵X可由用户选择向量K得到。

2、基于固定用户数的群体联合接纳控制方法

该方法在强调负载均衡，即目标函数中α＝0，β＝1时，可以得到最优解。具体方法如下：

首先基于负载均衡的原则固定每个网络分配的用户数，然后用解决分配问题时经典的匈牙利法确定用户的网络选择情况，使用户的满意度最大。

分配每个网络的用户数时，采用的是负载尽可能均衡的原则，即给负载率低的网络分配较多的用户。由于接收信号门限的限制，每个网络最终分配的用户数不能超过该网络最多需要负荷的用户数h_j，因为即使分配用户数超过了h_j，也不会有这么多用户可接入到该网络。

为了达到网络负载均衡的目标，每个网络分配的用户数确定方法如下：

1.初始化网络用户数分配向量T＝{t_j}，t_j＝0，(j＝1，…，M)。

2.求网络可达矩阵V＝{v_ij}_N×M，且满足 $v_{\mathrm{ij}}=\left\{\begin{array}{cc}1& {\mathrm{RSS}}_{\mathrm{ij}}>{\mathrm{\&theta;}}_j\\ 0& {\mathrm{RSS}}_{\mathrm{ij}}<{\mathrm{\&theta;}}_j\end{array}\right..$

3.计算每个网络最多需要负荷的用户数(即当接收信号强度满足要求的用户都接入到该网络时，该网络需要增加的用户数) $h_j={\mathrm{\&Sigma;}}_{i=1}^N{v}_{\mathrm{ij}}.$

4.求每个网络的负载率

5.找到负载率最低的网络n_j，如果h_j＞0，则将t_j加1，将h_j减1，否则O_j＝1000。

6.重复步骤4、5直到把全部N个用户分配完毕。

最终为每个网络分配的用户数为t_j，且

每个网络分配的用户数确定后，就可以用下面的扩展的匈牙利法确定网络选择矩阵，使用户的满意度最大(即总用户目标向量偏离度最小)。

本发明中，匈牙利方法的数学模型是：

$\min z=\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}{d}_{\mathrm{ij}}{x}_{\mathrm{ij}}$

其中，X＝{x_ij}_N×M为网络选择矩阵，在本发明中，x_ij＝1表示用户u_i选择网络n_j，否则x_ij＝0。d_ij为决策系数，在本发明中，d_ij为用户目标向量与网络之间的偏离度值，如式(1)定义，{d_ij}_N×M为系数矩阵。

由于用匈牙利法解决标准形式的指派问题时假设一个人只可以完成一项任务，当一个人可以完成几项任务时，可以转化为几个相同的人来接受指派，这几个人做同一件事情的费用系数是相同的。对应本发明中一个网络可以负载多个用户时，可以转化为几个相同的网络来分别负载这些用户，这些网络对用户的目标偏离度相同。然后就可以用解决标准分配问题的匈牙利法求使总体用户目标向量偏离度最小的群体用户接纳方法。

具体地，匈牙利法中系数矩阵可以扩展成

其中，每t_j行的系数是相同的。

该方法侧重负载均衡，即在目标函数中α＝0，β＝1时，可以得到比遗传方法更好的结果，因为用遗传方法求最优解时，在α＝0的情况下，会完全忽略用户满意度的影响，导致用户目标向量偏离度较大。而基于固定用户数的联合接纳控制方法可以弥补这一缺陷，实现负载均衡前提下用户满意度最大化。

下面用一个传统的接纳控制方法与本发明所设计的群体联合接纳控制方法进行对比。该传统方法中每个用户都选网络向量和用户目标向量之间的偏离度最小的网络：

Choice_i＝Min(d_ij)，(j＝1，…，M)

Choice_i为用户u_i选择的网络。

仿真中，目标函数取仿真结果如下：

图3为不同方法的掉话数随用户数变化情况，可以看出传统方法是每个用户都选择与自己目标向量偏离度最小的网络，由于忽略其他用户的选择很可能会造成很多用户都接入到同一个网络，所以掉话率较大。本发明所提出的在网络侧决策的遗传方法和固定用户数法由于是在网络侧总体优化，可以保证不发生掉话。

图4为不同方法的目标函数值随用户数变化情况，可以看出本发明所提供的遗传方法和固定用户数法都能达到比较小的目标函数值，而传统方法由于没有考虑网络负载均衡问题，造成目标函数值很大。

仿真中，目标函数取α＝0，β＝1，仿真结果如下：

图5为不同方法网络负载情况，可以看出本发明所提的遗传方法和固定用户数法都能较好的实现网络间的负载均衡。

图6为不同方法的用户目标总偏移度随用户数的变化情况，可以看出，本发明所提的遗传方法比固定用户数法的用户目标总偏移度大，这是由于优化目标中α＝0，造成对用户满意度的忽略。

由以上实施例可以看出，本发明提出了一种异构网络环境下的群体联合接纳控制方法，该方法综合考虑用户需求以及网络负载状况，能够尽可能满足用户需求同时达到网络负载均衡的目标，并且可以有效减少群体联合接纳控制场景下用户的掉话率。本发明尤其适用于异构无线环境。

以上所述仅是本发明的实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

1.一种基于用户需求和网络负载均衡的群体联合接纳控制方法，其特征在于，包括以下步骤：

S1、基于用户目标偏离度以及网络负载均衡度构建目标函数；

S2、针对所述目标函数进行基于遗传方法或基于固定用户数的网络侧决策。

2.如权利要求1所述的方法，其特征在于，步骤S1中所构建目标函数表示：使总体用户目标向量偏离度及网络负载的不均衡度尽可能小，所述总体用户目标向量偏离度用所有用户目标向量与所选网络向量之间的偏离度之和表示。

3.如权利要求1所述的方法，其特征在于，步骤S2中基于固定用户数进行网络侧决策具体包括：

S21、根据负载均衡原则确定每个网络分配的用户数；

S22、利用解决分配问题的匈牙利法确定每个用户的网络选择情况，以实现每个网络分配用户数固定前提下总体用户目标向量偏离度的最小化。

4.如权利要求2所述的方法，其特征在于，所述总体用户目标向量偏离度的计算方法包括步骤：

S11、将网络向量Net_j＝(w₁e′_j1…，w_se′_js)和用户目标向量Obj_i＝(w₁e_i1，…，w_se_is)之间的偏离度表示为

w_ke′_jk表示第j个网络的第k个参数值，w_ke_ik表示第i个用户的第k个目标参数值；用矩阵X＝{x_ij}_N×M表示网络选择矩阵，x_ij∈{0，1}，当用户u_i选择网络n_j时，x_ij＝1；当用户u_i不选择网络n_j时，x_ij＝0，N表示用户总数，M表示可用网络总数；

S12、确定矩阵X，然后将每个用户目标向量与所选网络向量的偏离度表示为

总体用户目标向量偏离度表示为

S13、将每个网络新增加的被占用信道数表示为定义每个网络的负载率O_j表示第j个网络原始被占用的信道数，C_j表示第j个网络可提供的信道数，假设完全负载均衡的情况下，每个网络的负载率为所有用户数和所有可用信道数之比

用表示网络负载的不均衡程度；

S14、将目标函数表示为：

$\min G(X,\mathrm{\&alpha;},\mathrm{\&beta;})=\mathrm{\&alpha;}{\mathrm{\&Sigma;}}_{i=1}^N{S}_i\left(X\right)+\mathrm{\&beta;}{\mathrm{\&Sigma;}}_{j=1}^M{(r_j-r_b)}^2$

约束条件为：O_j+O′_j(X)＜C_j，表示占用的信道总数不能超过每个网络可提供的信道数，其中，α，β为权重系数，分别表示决策时对用户满意度和网络负载均衡度的侧重程度。

5.如权利要求1所述的方法，其特征在于，步骤S2中基于遗传方法进行网络侧决策的过程中，用遗传方法解决整数规划问题得到使目标函数最小化的最优解，具体包括：

把用户选择向量K＝{k₁，…，k_N}，k_i∈{1，…，M}作为遗传方法每一代的个体，参与选择、交叉、变异运算，得到使目标函数最小的用户选择向量K_min，用户选择向量中k_i为用户选择的网络，M表示可用网络总数。

6.如权利要求3所述的方法，其特征在于，步骤S21具体包括：

1)根据用户接收到网络的信号强度确定网络可达矩阵V＝{v_ij}_N×M，只有当用户u_i接收到网络n_j的信号强度大于门限值时v_ij＝1；

2)计算每个网络最多需要负荷的用户数h_j；

3)求每个网络增加一个用户后的负载率；

4)找到负载率最低的网络n_j，如果h_j＞0，则给该网络增加一个用户，将h_j减1，否则，把该网络的负载设为一个预设的值；

5)重复步骤3)、4)直到把所有用户分配完毕。

Images