CN103096380A

CN103096380A - 无线接入点负载均衡优化方法

Info

Publication number: CN103096380A
Application number: CN201310020600XA
Authority: CN
Inventors: 薛广涛; 何琪; 岳超群; 朱弘恣; 俞嘉地
Original assignee: Shanghai Jiaotong University
Current assignee: Shanghai Jiaotong University
Priority date: 2013-01-21
Filing date: 2013-01-21
Publication date: 2013-05-08
Anticipated expiration: 2033-01-21
Also published as: CN103096380B

Abstract

一种无线通信领域的无线接入点负载均衡优化方法，通过收集用户在无线网络中的行为和流量特征数据计算用户之间的社会关系系数值，将相互之间SI值低的用户分配到相同的无线接入点上，使得当用户共同离开的事件发生的时候，用户对无线网络中AP之间的负载均衡造成的影响最小。

Description

无线接入点负载均衡优化方法

技术领域

本发明涉及的是一种无线通信技术领域的方法，具体是一种基于用户社会关系和行为模式的企业无线网络中AP的负载均衡方法，具体涉及无线网络中用户流量特征和上网时间的数据采集分析以及相应的用户调度策略。

背景技术

如今无线网络技术已经广泛应用于企业中，企业网络建设的主要方案是无线控制器和无线接入点组合的方式。过去的研究表明在无线接入点之间的负载是不均衡的，因为在通常的无线网络中，用户扫描可用的无线接入点并且选择信号强度最大的无线接入点连接。无线接入点之间的负载不均衡会导致连接在负载重的无线接入点上的用户上网体验变差。

解决负载均衡的问题是很难的，主要有两方面的原因：1）由于很难准确预测无线网络中未来的流量，因此很难对用户连接无线接入点做出最佳调度。2）将用户从负载重的无线接入点迁移到负载轻的无线接入点会造成用户连接的中断，使用户体验变差。虽然是用户同时与多个无线接入点保持连接可以解决上述的问题，但是这需要所有用户持有特殊的设备，因此实际是不可行的。

已有的无线网络负载均衡解决方案主要包括：

1）基于用户到达的方法。在用户接入无线网络的时候进行调度，将用户分配到可以连接到的最低负载的无线接入点上。

2）在线调度方法。通过实时监视各个无线接入点的流量，将负载重的无线接入点上的用户迁移到负载轻的无线接入点上。

现在的无线网络负载均衡应用中存在以下不足之处：

1）基于用户到达的方法。由于无线网络中用户的数量是实时变化的，而此类方法只能对用户到达的事件作出响应，而无法应对用户离开的事件，因此在用户离开导致无线接入点之间负载不均衡的情况下，需要花费很长的时间，依靠对新到达的用户作出调度来恢复负载均衡的状态。

2）在线调度方法。该类方法可以快速调整无线接入点之间的负载情况，从而可以保证无线接入点之间保持均衡的状态，但是在用户数量频繁发生变化的情况下，此类方法会导致用户中断连接，造成糟糕的用户体验。

经过对现有技术的检索发现，中国专利文献号CN101860909，公开日2010/10/13，载了一种瘦ＡＰ架构的无线网络的负载均衡方法。但该现有技术只能解决AC之间的负载均衡，而AP之间依然存在负载不均衡的问题。

发明内容

本发明针对现有技术存在的上述不足，提出一种无线接入点负载均衡优化方法，通过收集用户在无线网络中的行为和流量特征数据计算用户之间的社会关系系数(SI)值，将相互之间SI值低的用户分配到相同的无线接入点（AP）上，使得当用户共同离开的事件发生的时候，用户对无线网络中AP之间的负载均衡造成的影响最小。

本发明是通过以下技术方案实现的，本发明包括如下步骤：

步骤1：计算当前无线网络中各个无线接入点的流量，读取各个等待分配接入点的用户的流量特征；然后根据用户之间的共同离开概率以及用户历史共同离开概率，计算用户之间的SI值，根据等待分配接入点的用户的流量特征把用户聚类到不同的流量类型组；

所述的流量特征是指：基于网络中流量最大的六种应用（网页浏览、视频、音乐、邮件、P2P、即时通讯）各自占用户总流量的比例，并根据归一化互信息（NMI）确定具体采集用户网络流量的天数，以更好地体现用户的流量特征；对于用户u在第x天的流量特征为

其中：

表示用户u使用应用i所花的归一化的流量值；i为1至6的自然常数，分别对应页浏览、视频、音乐、邮件、P2P、即时通讯六种应用。

所述的归一化互信息通过以下方式得到：

NMI (T_{x} (U), T_{x - n} (u)) = \frac{I (T_{x} (u), T_{x - n} (u))}{H (T_{x} (u))},

当计算得到NMI值不再增加时，即可确定对应的n为读取用户记录的天数；其中：T_x(u)表示用户u在第x天的流量特征；T_x-n(u)表示用户u在第x-n天的流量特征；I(T_x(u),T_xn(u))为T_x(u)和T_x-n(u)之间的互信息，

I(T_x(u),T_x-n(u))＝H(T_x(u))+H(T_x-n(u))-H(T_x(u),T_x-n(u))，H(T_x(u))和H(T_x-n(u))分别是T_x(u)和T_x-n(u)的熵，H(T_x(u),T_x-n(u))是T_x(u)和T_x-n(u)的联合熵。

所述的聚类通过k-means的方法实现，具体步骤包括：

1)从n个用户的流量特征任意选择k个作为初始聚类中心；对于剩下其它数据对象，根据它们与所有初始聚类中心的欧式距离作为相似度降序排列，分别按照最高相似度将它们分配给对应的聚类；

2)计算每个聚类中所有流量特征的均值作为新的聚类中心，并按照步骤1）的方式重复计算，直到标准测度函数，既流量特征的均方差收敛为止。

所述的初始聚类中心的个数k使用GAP算法确定，GAP算法通过对平均分布的参考数据集的期望值和观测数据集的log(w_k)，其中：w_k表示初始聚类中心的个数为k时聚类完成后各类的平均离散度，n表示数据对象的个数；使得log(w_k)下降最快的k值为最优的聚类数。w_k通过以下方式得到：

D_r表示第r个集合内流量特征之间的欧氏距离之和，n_r表示第r个集合内流量特征的数量。

步骤2：以待分配接入点的用户为点，用户之间的超过社会关系阈值t_δ的SI值为边构造图，并迭代搜索出图中的团；然后对团中的用户以相互之间共同离开概率更大的用户优先搜索分配方案，并根据每个用户在该AP上的所有SI值的和对搜索得到的分配方案升序排列，既满足技术方案的主要目标，以选前30%的方案为备选方案；最后选取备选方案中均衡系数β最大的作为分配方案对AP设定，满足技术方案的次要目标；

所述的构造图是指：选取等待分配的用户之间超过社会关系阈值t_δ的SI值作为一条边，用户为点构造图G（V，E），其中：V={1,…,n}是图G的顶点集，E是图G的边集；所述的团是指图内一个两两之间有边的顶点的集合。

所述的迭代搜索是指：先按启发式的分支限界法搜索出当前图G中的极大团，然后将这个极大团中的点和边从图G中删除，再重复搜索极大团，直到不再存在团，完成迭代；

所述的迭代搜索中，当图中任意一个团不是其他任一团的真子集，则称该团为图G的极大团，当存在相同大小的多个极大团，则优先选取边的权值的和最大的极大团并删除该团的边和点，以保证将有更大可能共同离开的用户分配到不同的AP上。

所述的启发式的分支限界法是指：先将图中所有顶点，即用户按贪心顶点着色算法排序，再从第一个顶点开始搜索，详细方法参照Ostergard,P.(2002)A fast algorithm for themaximum clique problem（关于最大团问题的一种快速算法）（Discrete Appl.Math.离散应用数学,120,195-205）。

步骤3：若还有步骤2中没有划入团中的用户待分配，则继续步骤2，否则结束本方法。

所述的步骤2采用以下约束模型实现：

其中：δ(u,v）即为用户之间的SI值，用来衡量用户u与用户v之间共同离开无线网络的可能性，各个AP上的用户之间的SI值之和最小意味着系统中不同AP上的用户共同离开的概率最大，这样当用户离开网络时，对AP之间的负载均衡造成的影响最小，即大幅降低可将用户共同离开对无线网络负载均衡造成的影响。

所述的相遇是指：用户一起连接在同一个无线接入点上超过30分钟为一次相遇事件；

所述的共同离开是指：用户间相隔10分钟离开同一个入无线接入点为一次共同离开事件。

所述的SI值通过以下方式得到：δ(u,v）=P(L(u,v)|E(u,v))+α*τ(U,V)，其中：P(L(u,v)|E(u,v))代表用户u和v在同一个无线接入点上相遇L(u,v)并且共同离开E(u,v)为真的条件概率；U和V是以流量特征划分的用户组，τ(U,V)是在历史上两组用户之间共同离开的概率的均值，α为模拟调度系数。

max(β)表示当前AP之间的负载均衡系数最大，均衡系数是反映AP之间均衡情况的一种指标，值越大表明AP之间的负载越均衡，当达成主要和次要目标后即可期望无线网络中AP长时间的保持负载均衡的状态，

其中：T_i表示第i个AP当前的吞吐量，n表示网络中的n个AP。

w(u)表示用户u最大的吞吐量；W(i)表示第i个AP的最大吞吐量。u∈api表示第i个AP内的用户u。

技术效果

与现有技术相比，本发明的优势在于采用用户连接网络的时候既分配何时的AP而不做用户在AP之间切换的动作，在达到负载均衡的目标的同时不干扰到用户上网体验。本发明通过收集、分析用户数据对用户连接AP进行分配，易于实现，能在保证用户上网体验的情况下达到企业无线网络的AP之间稳定的负载均衡的目标。

附图说明

图1为系统实际部署位置示意图。

图2为通过计算NMI值来确定读取用户历史的天数。

图3为针对不同的α取值，模拟本发明的调度后得到的无线网络中AP之间的平均负载均衡系数。

图4为实施与LLF方法的比较图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

如图1所示，本实施例应用场景：在一个楼层布置4个AP和一台服务器，服务器端运行调度算法，指示用户连接合适的AP，主要考察AP之间的均衡系数，采集50个用户的数据，21天的使用时间。实际部署如图1所示。

原型系统和对比系统：本实施例共采用4个AP，单个AP理论吞吐量300Mbps，一台服务器用来收集用户数据，运行调度算法。用户数据包括用户MAC，用户成功连接上一个AP的时间，用户离开AP的时间，用户连接的AP的id，用户使用的各个应用的流量等。为了保护用户的隐私，使用SHA对用户MAC地址做散列处理。

本实施例中通过客户端实现与服务器通信，连接AP。客户端工作过程如下：

1）连接可以搜索到的AP来与服务器通信；

2）向服务器发送请求，将用户ID和搜索到的AP的ID和信号强度发送到服务器，用户ID是根据用户的MAC地址使用SHA进行计算；

3）接受到服务器返回的结果后，按服务器指示的去连接AP。

服务器端有常规任务来收集用户数据，同时监听来自客户端的请求，当收到来自客户端的请求之后，服务器的工作过程如下：

1）计算当前无线网络中各个无线接入点的流量；

2）根据等待分配接入点的用户的流量特征把用户聚类到不同的流量类型组，计算用户之间的SI值；

3）为了减小搜索最优方案的计算复杂度，以等待分配接入点的用户为点，用户之间的超过一定t_δ的SI值为边，构造图G（V，E），迭代的寻找图G中的团；

4)对团中的用户搜索分配方案，既优先对相互之间共同离开概率大的用户搜索分配方案，根据

对分配方案从小到大排序，选排名靠前的方案为备选方案；对这些备选方案，选取均衡系数β最小的方案；

5)若还有用户待分配，则继续步骤3。

在实施例中首先采集三个月的用户数据，然后针对这些数据进行分析，最终确定系统参数。

确定读取用户历史记录的天数：用网络中流量最大的六种应用（网页浏览，视频，音乐，邮件，P2P，即时通讯）各自占用户总流量的比例来表示一个用户的流量特征,使用NMI的方法来确定采集用户多少天的数据可以更好的刻画用户的流量特征，MI是信息论里一种有用的信息度量，它是指两个事件集合之间的相关性，对于一个用户u，他在第x天的流量特征

代表用户u使用应用i(1＜i＜6)所花的流量的归一化的值，在第x-n天，用户u同样的有流量特征T_x-n(u)，对T_x(u)和T_x-n(u)的六种应用的联合分布计算墒值，计算T_x(u)和T_x-n(u)之间的MI，计算方法为：I(T_x(u),T_x-n(u))＝H(T_x(u))+H(T_x-n(u))-H(T_x(u),T_x-n(u))，H(T_x(u))和H(T_x-n(u))分别是T_x(u)和T_x-n(u)的熵，H(T_x(u),T_x-n(u))是T_x(u)和T_x-n(u)的联合熵，定义NMI来衡量熵的变化程度，其计算方法为：

NMI (T_{x} (U), T_{x - n} (u)) = \frac{I (T_{x} (u), T_{x - n} (u))}{H (T_{x} (u))}

如图2所示，当NMI值不再增加时，则可以认为信息量已经足够，既可确定读取用户记录的天数。

本实施例中步骤2中涉及的数学模型为

其中：τ(U,V)每天计算一次，通过将用户u和用户v归到各自的流量特征用户组U和V中后，取相应的值τ(U,V)，该参数提供额外的信息来更精确的预测用户的共同离开的概率；参数α的取值是很重要的，一方面，如果取值太大，会导致用户之间的SI值被用户之间的流量特征关系所主导，导致无法正确反映用户共同离开的概率；另一方面，如果取值太小，当用户之间并没有或者很少发生相遇事件时，系统无力预测用户共同离开事件发生的概率。在实施例中根据历史数据进行用户分配的模拟，根据模拟的结果确定参数α的值，如图3所示，参数α取值0.3的时候，无线网络中AP之间的负载均衡系数是最高的。

均衡方法将与最小负载优先(LLF)方法进行比较，LLF是一种基于用户到达的方法：当一个用户试图连接无线网络的时候，将他分配到在之前一小段时间内负载最轻的AP上去，以达到负载均衡的目的。这种方法实施容易，但是依赖于用户进入无线网络来进行负载均衡，所以一旦网络系统出现负载不均衡的状况，会出现花费很长时间来恢复均衡状态的情况。在开始的两个星期服务器运行LLF算法，同时收集本发明所需的数据，在第三个星期运行本发明的方法。

效果比较：指标是负载均衡系数，为了方便比较，对均衡系数做了归一化，即

如图4所示，在前两个星期运行LLF算法时，AP之间归一化的均衡系数的均值为0.58，在服务器运行本实施例的算法的一周内，AP之间的归一化的均衡系数的均值为0.79，本实施例在均衡系数上取得了36.8%的提升。同时可以看出本实施例均衡系数的波动小于LLF，因此相比LLF而言可以提供了一个更加稳定的负载均衡。

Claims

1.一种无线接入点负载均衡优化方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的方法，其特征是，所述的流量特征是指：基于网络应用中的网页浏览、视频、音乐、邮件、P2P、即时通讯的流量各自占用户总流量的比例，并根据归一化互信息确定具体采集用户网络流量的天数，以更好地体现用户的流量特征；对于用户u在第x天的流量特征为

其中：：

3.根据权利要求1所述的方法，其特征是，所述的归一化互信息通过以下方式得到：

NMI (T_{x} (U), T_{x - n} (u)) = \frac{I (T_{x} (u), T_{x - n} (u))}{H (T_{x} (u))},

当计算得到NMI值不再增加时，即可确定对应的n为读取用户记录的天数；其中：T_x(u)表示用户u在第x天的流量特征；T_x-n(u)表示用户u在第x-n天的流量特征；I(T_x(u),T_x-n(u))为T_x(u)和T_x-n(u)之间的互信息，I(T_x(u),T_x-n(u))＝H(T_x(u))+H(T_x-n(u))-H(T_x(u),T_x-n(u))，H(T_x(u))和H(T_x-n(u))分别是T_x(u)和T_x-n(u)的熵，H(T_x(u),T_x-n(u))是T_x(u)和T_x-n(u)的联合熵。

4.根据权利要求1所述的方法，其特征是，所述的聚类通过k-means的方法实现，具体步骤包括：

5.根据权利要求4所述的方法，其特征是，所述的初始聚类中心的个数k使用GAP算法确定，GAP算法通过对平均分布的参考数据集的期望值

和观测数据集的log(w_k)，其中：w_k表示初始聚类中心的个数为k时聚类完成后各类的平均离散度，n表示数据对象的个数；使得log(w_k)下降最快的k值为最优的聚类数。w_k通过以下方式得到：

6.根据权利要求1所述的方法，其特征是，所述的构造图是指：选取等待分配的用户之间超过社会关系阈值t_δ的SI值作为一条边，用户为点构造图G（V，E），其中：V={1，...,n}是图G的顶点集，E是图G的边集；所述的团是指图内一个两两之间有边的顶点的集合。

7.根据权利要求1所述的方法，其特征是，所述的迭代搜索是指：先按启发式的分支限界法搜索出当前图G中的极大团，然后将这个极大团中的点和边从图G中删除，再重复搜索极大团，直到不再存在团，完成迭代；

8.根据权利要求1所述的方法，其特征是，所述的步骤2采用以下约束模型实现：

其中：δ(u,v）即为用户之间的SI值，

δ(u,v）=P(L(u,v)|E(u,v))+α*τ(U,V)，其中：P(L(u,v)|E(u,v))代表用户u和v在同一个无线接入点上相遇L(u,v)并且共同离开E(u,v)为真的条件概率；U和V是以流量特征划分的用户组，τ(U,V)是在历史上两组用户之间共同离开的概率的均值，α为模拟调度系数；

max(β)表示当前AP之间的负载均衡系数最大，

其中：T_i表示第i个AP当前的吞吐量，n表示网络中的AP的个数；

w(u)表示用户u最大的吞吐量；W(i)表示第i个AP的最大吞吐量，u∈api表示第i个AP内的用户u。

9.根据权利要求8所述的方法，其特征是，所述的模拟调度系数α为0.3。