CN103546945B - 一种用于多模通信设备的网络选择方法及装置 - Google Patents

Abstract

本发明涉及网络技术，具体的说是涉及一种用于多模通信设备的网络选择方法及其装置。本发明所述的方法主要步骤为：首先采用多层2元判决算法对选网过程进行建模，记录用户对应用的网络制式选择作为训练数据，然后根据网络参数和用户选择数据对判决算法参数进行训练，最后更新判决算法参数,并对通过网络选择算法进行选网或提供选网推荐。本发明的有益效果为，以用户选择作为依据，动态修改选网函数参数，能最大概率的匹配选择/推荐网络，大幅提高用户体验效果，切合实际使用情况。本发明尤其适用于多模通信设备的网络选择。

Description

一种用于多模通信设备的网络选择方法及装置

技术领域

本发明涉及网络技术，具体的说是涉及一种用于多模通信设备的网络选择方法及装置。

背景技术

随着移动通信系统的发展，多种模式的通信网络（2G，3G，LTE，bluetooth，WIFI等）重叠覆盖的场景会越来越多。不同的通信业务类型对网络有不同的要求（带宽，延迟等），用户对不同业务的传输速率需求，消费额度心理承受能力等指标具有个性的需求。

传统基于性能最优的网络选择方法，不能够很好的适应不同用户个体的需求，从而也不能带来真正意义上的好的用户体验。

部分相关研究中将用户满意度建模为数据速率的简单映射关系，也不能很好的适应用户的个体需求，如BoXingandNaliniVenkatasubramanian提出的一种优化多限制动态网络选择算法，如下：

步骤1，设置数据流集合F＝f₁,f₂,...,f_n,可选择的接入网络集合A＝A₁,...,A_m；数据流向量f_i为四元向量[ap_i,p_i,bw_i,d_i]。（ap_i表示数据流f_i的接入网络喜好；p_i表征是否可划分；bw_i表示f_i的带宽要求；d_i表示f_i的延迟要求）。接入网络A_i为五元向量[BW_j,D_j,PB_j,PT_j,PR_j](BW_j表示A_i网络提供的最大带宽；D_j表示A_i网络提供的最大通信延时；PB_j表示网络的后台损耗；PT_j表示网络每传输1kbps的功耗；PR_j表示网络每接收1kbps数据的功耗)。

设置数据流f_i选择A_j网络时的不满意度来表征数据流是否符合应用接入需求。不满意度赋值规则如下：

步骤2，引入分配函数Asgn，算法的目标使得分配函数Asgn（f_i）＝A_j。提出了一个功率损耗模型来表征数据f_i采用网络A_j时的功耗公式：

c_i＝PB_j+PT_j×bwt_i+PR_j×bwr_i

(bwt_i表示传输带宽损耗；bwr_i表示接收带宽损耗)

给出了计算单位带宽损耗的计算式：

给出了计算平均不满意度的计算式：

步骤3，采用FFD算法寻找使得平均功耗与平均不满意度最小的对应规则。

上述对多限制动态网络选择问题的优化算法，可以在降低功耗的情况下优化降低应用不满意度，但是上述方式对应的不满意度为应用需求的不满意度，忽略了用户实际选择与用户需求，用户体验较差。

发明内容

本发明所要解决的，就是针对上述问题，提出一种用于多模通信设备的网络选择方法及装置。

本发明解决上述技术问题所采用的技术方案是：一种用于多模通信设备的网络选择方法，其特征在于，包括以下步骤：

a.将设备接收到的所有网络模式信号进行分组，构建二叉树模型，具体为：以当前所有的网络模式信号为根节点，将根节点分为两个子节点，两个子节点包含的网络模式信号的并集等于根节点的网络模式信号，再同样分别对两个子节点进行分组，直到只包括一个网络模式信号的子节点为止；

b.从根节点开始，判断并选择下一子节点，并依次向下判断选择，直到选择只包括一个网络模式信号的子节点为止，设备选择该子节点的网络模式信号进行通信，其中，根节点和所有子节点的判断方式是相互独立的。

具体的，步骤b中所述判断并选择下一子节点为采用判断函数进行判断，其中，θ_c为判断参数，x为网络参数和业务类型组成的多维向量，e为常量，根节点和所有子节点的判断参数θ_c均不相同，具体判断方法为：将当前节点中包含的x输入判断函数若得到的大于等于0.5则选择该节点的一个子节点、小于0.5则选择另外一个子节点。

具体的，所述判断参数θ_c根据用户的选择进行动态调整，具体方法为：

在步骤a中建立的二叉树模型下，每个节点处用户每次选择的结果只有两种，对每一节点处用户的选择结果分别进行统计，利用统计结果计算出判断参数θ_c，具体为：

用y⁽ⁱ⁾表示用户在一个节点处的选择结果，y⁽ⁱ⁾＝0表示用户选择该节点的一个子节点、y⁽ⁱ⁾＝1表示用户选择另外一个子节点；x⁽ⁱ⁾表示用户第i次的选择，用户在该节点处的m次选择统计为集合{x⁽ⁱ⁾,y⁽ⁱ⁾},i＝1,...,m,y⁽ⁱ⁾∈{0,1}；设该节点处的x为31维向量，表示为：j＝1,...,31；则可初始化θ_c＝[θ_c,1,θ_c,2,...,θ_c,31]^T＝[1,1,...,1]^T，对每一维度分别进行计算： ${\mathrm{\θ}}_{c,j}:={\mathrm{\θ}}_{c,j}+\mathrm{\α}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(y^{\left(i\right)}-h_{{\mathrm{\θ}}_c}\left(x^{\left(i\right)}\right))\·x_j^{\left(i\right)},$ 其中α为预设值；然后判断公式是否成立，ε为预设值，若成立，则重新计算每一维度，若不成立，则结束计算，得到该节点处的判断参数θ_c。

具体的，所述判断参数θ_c为从网络中自动获取。

具体的，所述网络参数和业务类型x至少包括网络最大带宽、网络最大通信延迟、网络收费费率、网络闲置时后台损耗、网络传输数据时实时功耗和网络接收数据时实时功耗。

一种用于多模通信设备的装置，包括信息交互模块，其特征在于，还包括网络制式选择模块和参数更新模块，所述网络制式选择模块用于选择网络模式，具体为：

将设备接收到的所有网络模式信号进行分组，构建二叉树模型，具体为：以当前所有的网络模式信号为根节点，将根节点分为两个子节点，两个子节点包含的网络模式信号的并集等于根节点的网络模式信号，再同样分别对两个子节点进行分组，直到只包括一个网络模式信号的子节点为止；

从根节点开始，判断并选择下一子节点，并依次向下判断选择，直到选择只包括一个网络模式信号的子节点为止，设备选择该子节点的网络模式信号进行通信，其中，根节点和所有子节点的判断方式是相互独立的，具体为：

采用判断函数进行判断，其中，θ_c为判断参数，x为网络参数和业务类型组成的多维向量，根节点和所有子节点的判断参数θ_c均不相同，具体判断方法为：将当前节点中包含的x输入判断函数若得到的大于等于0.5则选择该节点的一个子节点、小于0.5则选择另外一个子节点；

所述参数更新模块用于接收用户输入并更新判断参数θ_c，具体为：

在建立的二叉树模型下，每个节点处用户每次选择的结果只有两种，对每一节点处用户的选择结果分别进行统计，利用统计结果计算出判断参数θ_c，具体为：

用y⁽ⁱ⁾表示用户在一个节点处的选择结果，y⁽ⁱ⁾＝0表示用户选择该节点的一个子节点、y⁽ⁱ⁾＝1表示用户选择另外一个子节点；x⁽ⁱ⁾表示用户第i次的选择，用户在该节点处的m次选择统计为集合{x⁽ⁱ⁾,y⁽ⁱ⁾},i＝1,...,m,y⁽ⁱ⁾∈{0,1}；设该节点处的x为31维向量，表示为：j＝1,...,31；则可初始化θ_c＝[θ_c,1,θ_c,2,...,θ_c,31]^T＝[1,1,...,1]^T，对每一维度分别进行计算： ${\mathrm{\θ}}_{c,j}:={\mathrm{\θ}}_{c,j}+\mathrm{\α}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(y^{\left(i\right)}-h_{{\mathrm{\θ}}_c}\left(x^{\left(i\right)}\right))\·x_j^{\left(i\right)},$ 其中α为预设值；然后判断公式是否成立，ε为预设值，若成立，则重新计算每一维度，若不成立，则结束计算，得到该节点处的判断参数θ_c；

所述信息交互模块用于接收用户输入的选择信息和网络信息并传递到参数更新模块和网络制式选择模块。

具体的，所述网络制式选择模块还包括自动输出网络选择单元，所述自动输出网络选择单元采样网络中的判断参数θ_c自动进行网络选择。

本发明的有益效果为，以用户选择作为依据，动态修改选网函数参数，能最大概率的匹配选择/推荐网络，大幅提高用户体验效果，切合实际使用情况。

附图说明

图1为本发明的网络选择流程示意图；

图2为实施例中建立的二叉树模型示意图；

图3为本发明的用于多模通信设备的装置的逻辑框图。

具体实施方式

下面结合附图和实施例，详细描述本发明的技术方案：

本发明通过对多限制动态网络的优化选网问题，以用户选择作为依据，动态修改选网函数参数，最大概率的匹配选择/推荐网络，能大幅提高用户体验效果，从而切合实际使用情况。

本发明的工作流程如图1所示，首先采用多层2元判决算法对选网过程进行建模，记录用户对应用的网络制式选择作为训练数据，然后根据网络参数和用户选择数据对判决算法参数进行训练，最后更新判决算法参数,并对通过网络选择算法进行选网或提供选网推荐。

实施例：

本例中设备共接收到5种网络，将5种网络模式进行分组，每次分组划分将现有的模式组分成两组，对用户选择行为构建二叉树模型。如图2所示，每个圆圈代表一个事件，如B1代表选择网络模式1或2或3。一共需要进行4次分组，得到二叉树的结构。

本例从节点A开始选择网络，根据网络参数和业务类型，在节点A处判决应该选取B1还是B2中的网络模式；如果选择了B1，则根据网络参数和业务类型，进一步判决应该选取C1还是C2中的网络模式,以此类推，选出最后一层叶节点上的一种网络模式。要完成这一过程中，需要有4个二元判决算法：{B1,B2},{C1,C2}{D1,D2}{E1,E2}。

其中每个二元判决算法均独立的进行统计学习，得到独立的判断参数θ_c，以判决{C1,C2}为例，建立判决算法函数如下：

$h_{{\mathrm{\θ}}_c}\left(x\right)=g_{{\mathrm{\θ}}_c}\left(x\right)=\frac{1}{1+e^{-{{\mathrm{\θ}}_c}^{T}x}}$

其中，x＝[t,b,d,c,p_b,p_t,p_r]^T为输入网络参数和业务类型参数的N维向量，N＝6×K+1，K为网络模式数量。其中向量b＝[b₁,b₂,...b_K,]表示K个网络的最大带宽提供；向量d＝[d₁,d₂,...d_K,]表示K个网络的最大通信延迟；向量c＝[c₁,c₂,...c_K,]表示K个网络的收费费率；向量p_b＝[p_b1,p_b2,...p_bK,]表示K个网络闲置时的后台损耗；向量p_t＝[p_t1,p_t2,...p_tK,]表示K个网络每传输1kbps数据时的功耗；向量p_r＝[p_r1,p_r2,...p_rK,]表示K个网络每接收1kbps数据时的功耗，t表示当前的业务类型，如：以x＝[t,b,d,c,p_b,p_t,p_r]^T为N＝31维向量为例，b＝[b₁,b₂,...b₅,]表示5个网络的最大带宽提供；d＝[d₁,d₂,...d₅,]表示5个网络的最大通信延迟；c＝[c₁,c₂,...c₅,]表示5个网络的收费费率；p_b＝[p_b1,p_b2,...p_b5,]表示5个网络闲置时的后台损耗；p_t＝[p_t1,p_t2,...p_t5,]表示5个网络每传输1kbps数据时的功耗；p_r＝[p_r1,p_r2,...p_r5,]表示5个网络每接收1kbps数据时的功耗。

得到判断参数θ_c后，当需要进行{C1,C2}判决时，将当前的x输入公式，如果得到的则判决为C1，即在网络模式1,2中选取；否则判决为C2，即选取网络模式3。

计算判断参数θ_c的具体方法为：

（1）针对{C1,C2}判决时，用户的判决结果只有C1,C2两种，用y⁽ⁱ⁾表示用户选择结果，y⁽ⁱ⁾＝0表示用户选择模式1或2；y⁽ⁱ⁾＝1表示用户选择模式3。所有选择结果为模式1或模式2或模式3的m个输入输出对{x⁽ⁱ⁾,y⁽ⁱ⁾},i＝1,...,m,y⁽ⁱ⁾∈{0,1}，构成训练样本集合。

（2）计算θ_c：

第一步：初始化θ_c＝[θ_c,1,θ_c,2,...,θ_c,31]^T＝[1,1,...,1]^T

第二步：对于所有维度j＝1,...,31， ${\mathrm{\θ}}_{c,j}:={\mathrm{\θ}}_{c,j}+\mathrm{\α}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(y^{\left(i\right)}-h_{{\mathrm{\θ}}_c}\left(x^{\left(i\right)}\right))\·x_j^{\left(i\right)};$

第三步：判断是否成立,若是，则返回第二步，若否，结束计算。

其中，α为学习速率，可用来调节训练数据对θ_i,j的影响程度，ε为预设值。

在训练数据支持下，可以求得对应网络比较组的预测函数θ_c，带入预测函数可使得选择贴近用户选择，提高用户体验。

如图3所示，为用于多模通信设备的装置，包括信息交互模块、网络制式选择模块和参数更新模块，所述网络制式选择模块用于选择网络模式，其中，

网络制式选择模块用于选择网络模式，具体为：

将设备接收到的所有网络模式信号进行分组，构建二叉树模型，具体为：以当前所有的网络模式信号为根节点，将根节点分为两个子节点，两个子节点包含的网络模式信号的并集等于根节点的网络模式信号，再同样分别对两个子节点进行分组，直到只包括一个网络模式信号的子节点为止；

从根节点开始，判断并选择下一子节点，并依次向下判断选择，直到选择只包括一个网络模式信号的子节点为止，设备选择该子节点的网络模式信号进行通信，其中，根节点和所有子节点的判断方式是相互独立的，具体为：

采用判断函数进行判断，其中，θ_c为判断参数，x为网络参数和业务类型组成的多维向量，根节点和所有子节点的判断参数θ_c均不相同，具体判断方法为：将当前节点中包含的x输入判断函数若得到的大于等于0.5则选择该节点的一个子节点、小于0.5则选择另外一个子节点；

参数更新模块用于接收用户输入并更新判断参数θ_c，具体为：

在建立的二叉树模型下，每个节点处用户每次选择的结果只有两种，对每一节点处用户的选择结果分别进行统计，利用统计结果计算出判断参数θ_c，具体为：

用y⁽ⁱ⁾表示用户在一个节点处的选择结果，y⁽ⁱ⁾＝0表示用户选择该节点的一个子节点、y⁽ⁱ⁾＝1表示用户选择另外一个子节点；x⁽ⁱ⁾表示用户第i次的选择，用户在该节点处的m次选择统计为集合{x⁽ⁱ⁾,y⁽ⁱ⁾},i＝1,...,m,y⁽ⁱ⁾∈{0,1}；设该节点处的x为31维向量，表示为：j＝1,...,31；则可初始化θ_c＝[θ_c,1,θ_c,2,...,θ_c,31]^T＝[1,1,...,1]^T，对每一维度分别进行计算： ${\mathrm{\θ}}_{c,j}:={\mathrm{\θ}}_{c,j}+\mathrm{\α}\underset{i=1}{\overset{m}{\mathrm{\Σ}}}(y^{\left(i\right)}-h_{{\mathrm{\θ}}_c}\left(x^{\left(i\right)}\right))\·x_j^{\left(i\right)},$ 其中α为预设值；然后判断公式是否成立，ε为预设值，若成立，则重新计算每一维度，若不成立，则结束计算，得到该节点处的判断参数θ_c；

信息交互模块用于接收用户输入的选择信息和网络信息并传递到参数更新模块和网络制式选择模块。

网络制式选择模块还包括自动输出网络选择单元，所述自动输出网络选择单元采样网络中的判断参数θ_c自动进行网络选择。

Claims (4)

1.一种用于多模通信设备的网络选择方法，其特征在于，包括以下步骤：

a.将设备接收到的所有网络模式信号进行分组，构建二叉树模型，具体为：以当前所有的网络模式信号为根节点，将根节点分为两个子节点，两个子节点包含的网络模式信号的并集等于根节点的网络模式信号，再同样分别对两个子节点进行分组，直到只包括一个网络模式信号的子节点为止；

b.从根节点开始，判断并选择下一子节点，并依次向下判断选择，直到选择只包括一个网络模式信号的子节点为止，设备选择该子节点的网络模式信号进行通信，其中，根节点和所有子节点的判断方式是相互独立的；所述判断并选择下一子节点为采用判断函数进行判断，其中，θ_c为判断参数，x为网络参数和业务类型组成的多维向量，根节点和所有子节点的判断参数θ_c均不相同，具体判断方法为：将当前节点中包含的x输入判断函数若得到的大于等于0.5则选择该节点的一个子节点、小于0.5则选择另外一个子节点；

所述判断参数θ_c根据用户的选择进行动态调整，具体方法为：

在步骤a中建立的二叉树模型下，每个节点处用户每次选择的结果只有两种，对每一节点处用户的选择结果分别进行统计，利用统计结果计算出判断参数θ_c，具体为：

用y⁽ⁱ⁾表示用户在一个节点处的选择结果，y⁽ⁱ⁾＝0表示用户选择该节点的一个子节点、y⁽ⁱ⁾＝1表示用户选择另外一个子节点；x⁽ⁱ⁾表示用户第i次的选择，用户在该节点处的m次选择统计为集合{x⁽ⁱ⁾,y⁽ⁱ⁾},i＝1,...,m,y⁽ⁱ⁾∈{0,1}；设该节点处的x为31维向量，表示为：j＝1,...,31；则可初始化θ_c＝[θ_c,1,θ_c,2,...,θ_c,31]^T＝[1,1,...,1]^T，对每一维度分别进行计算： ${\mathrm{\θ}}_{c,j}:={\mathrm{\θ}}_{c,j}+\mathrm{\α}\underset{i=1}{\overset{m}{\Σ}}(y^{\left(i\right)}-h_{{\mathrm{\θ}}_c}(x^{\left(i\right)}\left)\right)\·x_j^{\left(i\right)},$ 其中α为预设值；然后判断公式 $\underset{j=1}{\overset{31}{\Σ}}|\underset{i=1}{\overset{m}{\Σ}}(y^{\left(i\right)}-h_{{\mathrm{\θ}}_c}(x^{\left(i\right)}\left)\right)\·x_j^{\left(i\right)}{|}^2>\mathrm{\ϵ}$ 是否成立，ε为预设值，若成立，则重新计算每一维度，若不成立，则结束计算，得到该节点处的判断参数θ_c。

2.根据权利要求1所述的一种用于多模通信设备的网络选择方法，其特征在于，所述网络参数和业务类型x至少包括网络最大带宽、网络最大通信延迟、网络收费费率、网络闲置时后台损耗、网络传输数据时实时功耗和网络接收数据时实时功耗。

3.一种用于多模通信设备的装置，包括信息交互模块，其特征在于，还包括网络制式选择模块和参数更新模块，所述网络制式选择模块用于选择网络模式，具体为：

将设备接收到的所有网络模式信号进行分组，构建二叉树模型，具体为：以当前所有的网络模式信号为根节点，将根节点分为两个子节点，两个子节点包含的网络模式信号的并集等于根节点的网络模式信号，再同样分别对两个子节点进行分组，直到只包括一个网络模式信号的子节点为止；

从根节点开始，判断并选择下一子节点，并依次向下判断选择，直到选择只包括一个网络模式信号的子节点为止，设备选择该子节点的网络模式信号进行通信，其中，根节点和所有子节点的判断方式是相互独立的，具体为：

采用判断函数进行判断，其中，θ_c为判断参数，x为网络参数和业务类型组成的多维向量，根节点和所有子节点的判断参数θ_c均不相同，具体判断方法为：将当前节点中包含的x输入判断函数若得到的大于等于0.5则选择该节点的一个子节点、小于0.5则选择另外一个子节点；

所述参数更新模块用于接收用户输入并更新判断参数θ_c，具体为：

在建立的二叉树模型下，每个节点处用户每次选择的结果只有两种，对每一节点处用户的选择结果分别进行统计，利用统计结果计算出判断参数θ_c，具体为：

用y⁽ⁱ⁾表示用户在一个节点处的选择结果，y⁽ⁱ⁾＝0表示用户选择该节点的一个子节点、y⁽ⁱ⁾＝1表示用户选择另外一个子节点；x⁽ⁱ⁾表示用户第i次的选择，用户在该节点处的m次选择统计为集合{x⁽ⁱ⁾,y⁽ⁱ⁾},i＝1,...,m,y⁽ⁱ⁾∈{0,1}；设该节点处的x为31维向量，表示为：j＝1,...,31；则可初始化θ_c＝[θ_c,1,θ_c,2,...,θ_c,31]T＝[1,1,...,1]^T，对每一维度分别进行计算： ${\mathrm{\θ}}_{c,j}:={\mathrm{\θ}}_{c,j}+\mathrm{\α}\underset{i=1}{\overset{m}{\Σ}}(y^{\left(i\right)}-h_{{\mathrm{\θ}}_c}(x^{\left(i\right)}\left)\right)\·x_j^{\left(i\right)},$ 其中α为预设值；然后判断公式 $\underset{j=1}{\overset{31}{\Σ}}|\underset{i=1}{\overset{m}{\Σ}}(y^{\left(i\right)}-h_{{\mathrm{\θ}}_c}(x^{\left(i\right)}\left)\right)\·x_j^{\left(i\right)}{|}^2>\mathrm{\ϵ}$ 是否成立，ε为预设值，若成立，则重新计算每一维度，若不成立，则结束计算，得到该节点处的判断参数θ_c；

所述信息交互模块用于接收用户输入的选择信息和网络信息并传递到参数更新模块和网络制式选择模块。

4.根据权利要求3所述的一种用于多模通信设备的装置，其特征在于，所述网络制式选择模块还包括自动输出网络选择单元，所述自动输出网络选择单元采样网络中的判断参数θ_c自动进行网络选择。