CN103686914A - 基于服务偏好和网络条件的垂直切换方法snvho - Google Patents

Abstract

本发明公开了一种基于服务偏好和网络条件的垂直切换方法SNVHO，该切换方法采用了一种新的计算权重的算法，相关的权重分为两类，一类是针对服务偏好的主观权重，另一类是网络特性决定的客观权重，采用层次分析法（AHP），利用相对重要性得到的判决矩阵，算出每一个切换判决因子的权重，最后使用每一个属性与相应权重的乘积的累加和来进行最终的判决，本发明方法能针对不同的业务计算权重，权重不是固定值，而是动态变化的，克服了设定固定权重带来的缺陷，仿真结果表明在垂直切换次数、系统吞吐量、掉话率、用户费用等性能参数上有较大改善。

Description

基于服务偏好和网络条件的垂直切换方法SNVHO

技术领域：

本发明属于通信领域，具体涉及异构网络切换领域 

背景技术

下一代异构无线网络的切换判决主要是多属性决策问题。在垂直切换过程中，对候选网络的选择是通过判决属性与相应权重值计算网络的效应函数或代价函数来判断[LING Yu-tao,YI Ben-shun,ZHU Qiu-ping．Vertical handoff decision strategy in wireless overlay networks[C].//Proceedings of the5th International Conference on Wireless Communications，Networking and Mobile Computing.2009:1-3]。例如简单加权算法如公式（1）: 

$A_{\mathrm{SAW}}^{*}=\arg \underset{i\∈M}{\max }\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_j{r}_{\mathrm{ij}}---\left(1\right)$

N代表判决属性的个数，M是候选网络的个数，ω_j是第j个属性的权重，r_ij是第i个网络的第j个属性的值，选择具有最大

值的网络作为切换的目标网络。多属性判决（MADM）网络选择的关键问题之一是要确定每一个属性在决策中所占的权重。广泛采用的权重的分配方法是将判决属性对应的权重设定为固定权重值[N Nasser,A Hasswa,H Hassanein.Handoffs in fourth generation heterogeneous networks[J].IEEE Communication Magazine,2006,11:96-103][JEONW S,JEONGD G.Call Admission control for CDMA mobile communications systems supporting multimedia services[J].IEEE Transaction on Wireless Communications,2002,1(4):649-659]。权重一般是任意指定[Bari,F.,&Leung,V.C.M(2007).Automated network selection in a heterogeneous wireless network environment.IEEE Network[J],21(1),34-40],或是通过网络条件及用户偏好推断出来的一个固定值。虽然设定固定权重虽然能够简化算法，但是考虑到用户的差异化以及对通信质量的需求不一样，使用固定的权重不能适应用户多样化的需求。 

下一代网络是集成当前多种无线接入技术的网络，多种网络相互协作，优势互补，为用户提供良好的无线连接，实现“ABC”需求。由于判决属性的权重直接影响切换过程中对备选网络的选择，因此，如何设定权重决定了多属性判决算法的优劣以及能否选择最佳网络。 

文献[Nancy S,Ahmed K.A mobility prediction architecture based on contextual knowledge and spatial conceptual maps[J].IEEE Transactions on Mobile Computing,2005,4(6):537-551]提出了一种基于代价函数的算法，该算法考虑了信噪比SNR、用户所需带宽、服务费用等因素。与基于RSS的垂直切换算法相比，该算法充分考虑了网络性能的不同，提高了系统吞吐量，降低了服务费用，提高了系统资源的利用率。 

但是，该方案只考虑了客观的属性判决，主观的设定了固定的权重。如果给定的权重值不合理，就不能在垂直切换中选择接入最佳网络。另外，忽略主观判决属性会使用户的体验下降。 

文献[Mahardhika G,Ismail M,Mat K.Multi-criteria vertical handover decision in heterogeneous network[C]//Wireless Technology and Applications(ISWTA),2012IEEE Symposium on.IEEE,2012:1-4]提出了一种多标准判决算法，充分考虑了各种无线网络的差异，如带宽、时延、费用、覆盖半径等。根据网络的不同特性设定判决标准参数来进行切换判决。该算法能够使多种异构网络相互协作优势互补，相对于固定权重的多属性判决能够提高系统整体性能，减少切换次数。 

该算法考虑了异构无线网络的固有属性，根据多标准判决选择最佳接入网络。但是，不同的业务对带宽、时延、费用等要求各不相同，异构无线网络针对不同的业务差异很大，该算法不能适应业务的变化，没有根据业务的不同分别计算加权系数。 

发明内容

发明目的：为了解决现有技术在垂直切换次数、系统吞吐量、掉话率等性能上的问题。 

技术方案： 

网络发现 

进行垂直切换的第一步是通过测量接收信号强度RSS来发现所有的可用网络，在测量周期T中，移动台每隔T_s激活每一个无线接口，并且测量来自相应网络的RSS。为了避免乒乓效应，在预先设定的门限基础上加一个滞后余量HY。测量周期T和滞后余量HY可以根据移动台的速度来设定，而移动台的速度可以通过使用手机GPS来测量。对于速度较快的移动台，设定较小的滞后余量HY和较短的测量周期T，以便于移动台快速对RSS的改变做出反应。如果某个网络的RSS的K个抽样的平均值大于预定义的门限，满足公式（2），那么该网络就是移动台的可用网络。 

${\stackrel{\‾}{\mathrm{RSS}}}_i=\frac{1}{K}\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{\mathrm{RSS}}_{\mathrm{ik}}>{\mathrm{Threshold}}_i+\mathrm{HY}---\left(2\right)$

其中的K=T/T_s，为抽样周期T内的抽样次数，RSS_ik是第i个网络的第k次抽样的RSS值， 

是第i个网络K次抽样的RSS平均值，Threshold_i是设定的RSS门限值，HY是滞后余量。移动台的可用网络集合为V={v₁,v₂,…,v_i,…,v_n}。 

切换决策 

在切换决策阶段，网络选择的过是一个多属性决策问题。将不同属性的权重值代入效用 函数，具有最大效用值的候选网络将会成为目标切换网络。 

（1）切换决策属性：为了完成切换决策的功能，提供一系列的切换决策属性，在本专利算法中，使用下面的网络性能参数作为切换决策属性。 

SINR 

SINR是无线链路质量最重要的指标之一，决定了在一个固定带宽上的最大可用数据率，一旦SINR的值低于一个预定义的值那么误码率将会显著增加。 

带宽利用率 

网络可用带宽用来指示该网络的负载情况，标准化的带宽利用率如下式： 

$G_i=\frac{B_{\mathrm{if}}}{B_i}---\left(3\right)$

其中的B_if是第i个网络的可用带宽，B_i是网络i的总的带宽。因此，G_i越大，意味着网络i负载越小，反之，负载越大。 

传输时延 

不同类型的服务在传输时延方面要求不同，比如语音和视频流实时性服务要求非常小的时延，而对于数据流服务来说，传输时延就要宽松一些。 

丢包率 

由拥塞引起的丢包率也是一个QoS的重要指标，特别是在数据流服务中，但视频流服务对丢包相对就没有那么严格的要求。 

服务代价 

服务代价总是移动用户主要考虑的因素，不同的网络可能会使用不同的策略，而这也会影响用户对网络的偏好。 

综上，可以得到一个决策属性集合P={p₁,p₂,p₃,p₄,p₅}，可以使用集合P来对候选网络进行评估，定义判决矩阵如式（4）所示： 

$S={\left(s_{\mathrm{ij}}\right)}_{n\×5}=\left(\begin{array}{cccc}{s}_{11}& s_{12}& ...& s_{15}\\ s_{21}& s_{22}& ...& s_{25}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ s_{n1}& s_{n2}& ...& s_{n5}\end{array}\right)---\left(4\right)$

其中s_ij代表第i个候选网络的第j个属性值，n是候选网络的个数。 

为了使不同的属性在一个共同的量纲上，必须进行相应的标准化。对于受益属性来说，如SINR和带宽利用率，值越大越好，如式5所示的标准化，其中a_ij是标准化之后第i个网络的第j个属性值： 

$a_{\mathrm{ij}}=\frac{s_{\mathrm{ij}}}{\max \left\{s_{\mathrm{ij}}\right|(1\≤i\≤n)\}}---\left(5\right)$

而对于代价属性，如传输时延，丢包率和服务代价，值越小越好，如式（6）所示的标准化: 

$a_{\mathrm{ij}}=\frac{\max \left\{s_{\mathrm{ij}}\right|(1\≤i\≤n)\}-s_{\mathrm{ij}}}{\max \left\{s_{\mathrm{ij}}\right|(1\≤i\≤n)\}}---\left(6\right)$

在经过标准化处理之后得到标准化的判决矩阵A： 

$A={\left(a_{\mathrm{ij}}\right)}_{n\×5}=\left(\begin{array}{cccc}{a}_{11}& a_{12}& ...& a_{15}\\ a_{21}& a_{22}& ...& a_{25}\\ .& .& & .\\ .& .& & .\\ .& .& & .\\ a_{n1}& a_{n2}& ...& a_{n5}\end{array}\right)---\left(7\right)$

（2）权重的分配：属性集合P中决策属性的权重分配是垂直切换的重要过程。当移动台的服务类型或网络的当前条件发生改变时，分配给每一个决策属性的权重也应该是变化的。本算法综合考虑服务偏好和网络的当前条件为每一个决策属性分配一个组合的权重值，包含服务偏好权重W^S和网络条件权重W^N。 

服务偏好权重W^S

对于每一种服务类型，属性是通过两两比较的方式进行评估的，也就是属性对这种服务的相对重要性，相对重要性评估有1～9个等级，如表1所示。 

表1 1～9标度法 

相对重要性程度定义	eij
		i和j一样重要	1
i比j稍微重要	3
		i比j明显重要	5
i比j非常重要	7
		i比j极度重要	9
表示相邻决策的中间值	2,4,6,8
		如果i相比j有上述标度，则j相比i就是该标度的倒数	倒数
按标度成比例倒换	有理数

e_ij是i属性相对于j属性的相对重要性程度，如当e_ij的值是7的时候表明的是前者比后者非常重要。 

建立一个服务偏好的比较判决矩阵E=[e_ij]_5×5来保存相对重要性评估的结果，矩阵如下： 

$E=\left(\begin{array}{ccccc}{e}_{11}& e_{12}& e_{13}& e_{14}& e_{15}\\ e_{21}& e_{22}& e_{23}& e_{24}& e_{25}\\ e_{31}& e_{32}& e_{33}& e_{34}& e_{35}\\ e_{41}& e_{42}& e_{43}& e_{44}& e_{45}\\ e_{51}& e_{52}& e_{53}& e_{54}& e_{55}\end{array}\right)---\left(8\right)$

其中e_ii等于1，满足e_ij=1/e_ji，服务偏好权重向量

通过特征根法求出，如公式（9）所示： 

Eω=λ_maxω （9） 

用特征根法求解矩阵E的特征向量，λ_max是E的最大特征根，ω是特征向量，将得到的ω进行归一化处理之后就得到服务偏好权重向量，求解的步骤如下： 

（1）选取一个与E同阶的单位向量 ${\mathrm{\ω}}^0=({\mathrm{\ω}}_1^0,{\mathrm{\ω}}_2^0,...,{\mathrm{\ω}}_n^0),$ 也就是 $\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ω}}_i^0=1.$

（2）计算如式（10）： 

（3）进行归一化处理: 

（4）对于任意给定精度ε>0， 

$|{\mathrm{\&omega;}}_i^{q+1}-{\mathrm{\&omega;}}_i^q|<\mathrm{\&epsiv;},i\&Element;n---\left(12\right)$

当式（12）成立时，ω=ω^q+1就是矩阵E的最大特征根λ_max所对应的权重向量ω，λ_max表示如下： 

对所得的结果进行一致性检测，步骤如下： 

（1）算出一致性指标C.I.（consistency index） 

C.I.=(λ_max-n)/(n-1) （14） 

（2）查找相应n的平均一致性指标R.I.（random index）。如表2所示。 

表2 平均一致性指标 

阶数	1	2	3	4	5	6	7	8
									R.I.	0	0	0.52	0.89	1.12	1.26	1.36	1.41
阶数	9	10	11	12	13	14	15

[0066] 

R.I.

1.46

1.49

1.52

1.54

1.56

1.58

1.59

（3）计算一致性比例C.R.（consistency ratio） 

C.R.=C.I./R.I. （15） 

当C.R.的值低于0.1时，比较判决矩阵的一致性可以接受，否则应该对矩阵进行修正，以满足一致性。 

综上，服务偏好权重向量W^s等于用特征根法求出的权重向量ω。本文中E的阶数是5，n取5。最后服务偏好权重表示如下： 

$W^S=({\mathrm{\&omega;}}_1^s,{\mathrm{\&omega;}}_2^s,{\mathrm{\&omega;}}_3^s,{\mathrm{\&omega;}}_4^s,{\mathrm{\&omega;}}_5^s)---\left(16\right)$

网络条件权重W^N

为了使切换决策的结果更客观和可靠，在计算权重时将候选网络之间的客观差异考虑在内，采用下面公式计算网络条件权重： 

${\mathrm{\&mu;}}_j=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}---\left(17\right)$

${\mathrm{\&sigma;}}_j=\sqrt{\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(a_{\mathrm{ij}}-{\mathrm{\&mu;}}_j)}^2}---\left(18\right)$

a_ij是式(7)中标准化处理后第i个候选网络的第j个属性的标度值，n是候选网络集合中的网络个数,σ_j和μ_j分别代表第j个属性的均值和标准差。第j个属性的均值越小，该属性就越重要，标准差越大，那么该属性就应该分配更大的权重。网络条件的动态调整权重如公式（19）所示： 

${\mathrm{\&omega;}}_j^n=\frac{{\mathrm{\&phi;}}_j}{\mathrm{\&Phi;}}---\left(19\right)$

其中的φ_j和Φ分别表示下： 

φ_j=exp(-μ_j+σ_j) （20） 

$\mathrm{\&Phi;}=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&phi;}}_j---\left(21\right)$

M代表属性个数，网络条件的权重向量W^N可以表示为： 

$W^N=({\mathrm{\&omega;}}_1^n,{\mathrm{\&omega;}}_2^n,{\mathrm{\&omega;}}_3^n,{\mathrm{\&omega;}}_4^n,{\mathrm{\&omega;}}_5^n)---\left(22\right)$

总的权重W 

结合服务偏好权重向量W^S和网络条件权重向量W^N，得到组合权重向量W^f， 

$W^f=W^S+W^N=({\mathrm{\&omega;}}_1^f,{\mathrm{\&omega;}}_2^f,{\mathrm{\&omega;}}_3^f,{\mathrm{\&omega;}}_4^f,{\mathrm{\&omega;}}_5^f)---\left(23\right)$

其中

表示为： 

${\mathrm{\&omega;}}_j^f={\mathrm{\&omega;}}_j^s+{\mathrm{\&omega;}}_j^n,(j=\mathrm{1,2},...,5)---\left(24\right)$

将式（23）中得到的权重进行式（25）的归一化就得到最终的权重W=(ω₁,ω₂,ω₃,ω₄,ω₅)。 

${\mathrm{\&omega;}}_j=\frac{{\mathrm{\&omega;}}_j^f}{\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i^f},(j=\mathrm{1,2},...,5)---\left(25\right)$

（3）切换效用值排序 

得到每一个属性的权重后，需要对每一个候选网络的效用值进行计算，采用简单加权法（SAW），如式（26）所示： 

$s_i=\underset{j=1}{\overset{5}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_j{a}_{\mathrm{ij}}---\left(26\right)$

ω_j是第j个属性的权重，a_ij是第i个网络的第j个属性标准化值，将每一个候选网络的效用值进行比较，具有最大效用值得网络将作为最终的切换目标网络。 

切换执行 

切换执行是根据判决算法从当前网络切换到目标网络，如果目标切换网络就是当前网络则不需要进行切换，否则就要切换到目标网络。 

有益效果 

本专利提出了基于服务偏好和网络条件的垂直切换算法，采用层次分析法AHP和简单加权法SAW进行切换判决。针对不同的服务如话音、数据流等服务类型计算加权系数，使得在切换判决中能够让用户保持最佳链接，减少切换次数，提高系统吞吐量，减少掉话率。 

附图说明

图1异构网络仿真环境 

图2切换次数的比较 

图3系统吞吐量的比较 

图4掉话率的比较 

图5垂直切换方法整体流程 

仿真分析 

如图1所示的仿真模型图，图中TD-LTE网络覆盖整个服务区域，宏蜂窝小区的半径是 1200米，WLAN的小区半径是100米。在仿真模型中取一个1600×1600m²的区域来进行仿真，该区域包含四个WLAN区域，并且该区域中的移动终端初始位置是随机分布的，移动终端是在不断的运动中，用户的最大速度是80km/h，为了简化仿真的过程，假设移动终端在一次会话中速度不变，运动方向服从[0,2π]内的均匀分布，且方向一旦确定就不再改变，除非移动终端运动到1600×1600m²边缘时，又假定终端一直在设定的区域内运动。在仿真的系统中有语音流、数据流和视频流三类服务，每一个终端将被随机分配其中的一种服务类型，每一种服务类型的数量是相近的。 

语音流、数据流和视频流三种服务类型的服务偏好矩阵如表3，4，5所示，TD-LTE和WLAN两种网络的决策属性值如表7所示，表中没有标出SINR和带宽利用率这两个参数的值，是因为这两个参数的值是在仿真的过程中得到的。其他的一些系统参数如表8所示。 

表3 语音流的服务偏好矩阵 

决策属性	SINR	带宽利用率	时延	丢包率	代价
						SINR	1	3	1/3	2	3
带宽利用率	1/3	1	1/7	1/3	1
						时延	3	7	1	3	7
丢包率	1/2	3	1/3	1	3
						代价	1/3	1	1/7	1/3	1

表4 数据流的服务偏好矩阵 

决策属性	SINR	带宽利用率	时延	丢包率	代价
						SINR	1	1/3	3	1/5	3
带宽利用率	3	1	3	1/3	3
						时延	1/3	1/3	1	1/7	1
丢包率	5	3	7	1	7
						代价	1/3	1/3	1	1/7	1

表5 视频流的服务偏好矩阵 

决策属性	SINR	带宽利用率	时延	丢包率	代价
						SINR	1	5	1/3	2	3
带宽利用率	1/5	1	1/5	1/3	1
						时延	3	5	1	3	5
丢包率	1/2	3	1/3	1	3
						代价	1/3	1	1/5	1/3	1

表6 服务偏好权重值 

表7 决策属性值 

表8系统参数 

系统参数	参数值
		背景噪声功率（dBm）	-104
WLAN接入点（AP）的最大传输功率（dBm）	18
		TD-LTE基站的最大传输功率（dBm）	46
阴影衰落的标准差（dB）	10
		下行链路的正交因子	0.8

通过增加系统的用户数量来对系统的性能进行评估，仿真结果如图2，3，4所示： 

图2可以看出SNVHO算法相对于RVHO算法，能够有效的减少切换的次数，因为RVHO算法只考虑单一的RSS作为切换的属性，而SNVHO算法综合考虑了多种属性及不同业务类型，因此能够有效降低不必要的切换次数，避免了频繁切换的“乒乓效应”。 

图3可知SNVHO算法使得整个系统有一定的负载均衡的能力，不会发生某一个网络过载的情况。所以在仿真的每一个阶段移动台总是保持最佳连接。SNVHO算法在整个系统的吞吐量上有较大的提升。 

图4可以看出SNVHO算法相对于RVHO算法来说掉话率有了一定的降低，原因是SNVHO算法考虑了不同网络的特性以及根据不同业务类型计算权重，使得在切换过程中充分利用了不同网络的资源，实现了网络资源的优化和负载均衡。 

具体实施方式

整个流程如图5所示，基于服务偏好和网络条件的垂直切换方法，考虑了不同服务类型要求和网络固有属性（带宽、费用、时延等），关键是计算两类权重：网络固有属性权重和基于服务偏好权重，计算方法如下： 

步骤1,网络固有属性权重计算，网络属性有SINR(信噪比)、带宽利用率、传输时延、 丢包率。计算组合权重向量W^N。 

步骤2，计算服务偏好权重W^S； 

步骤3，结合服务偏好权重向量W^S和网络条件权重向量W^N，得到组合权重向量W^f， 

$W^f=W^S+W^N=({\mathrm{\&omega;}}_1^f,{\mathrm{\&omega;}}_2^f,{\mathrm{\&omega;}}_3^f,{\mathrm{\&omega;}}_4^f,{\mathrm{\&omega;}}_5^f)$

其中

表示为： 

${\mathrm{\&omega;}}_j^f={\mathrm{\&omega;}}_j^s+{\mathrm{\&omega;}}_j^n,(j=\mathrm{1,2},...,5)$

将得到的权重进行归一化就得到最终的权重W=(ω₁,ω₂,ω₃,ω₄,ω₅)。 

${\mathrm{\&omega;}}_j=\frac{{\mathrm{\&omega;}}_j^f}{\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_i^f},(j=\mathrm{1,2},...,5)$

得到每一个属性的权重后，需要对每一个候选网络的效用值进行计算，采用简单加权法（SAW）， 

$s_i=\underset{j=1}{\overset{5}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_j{a}_{\mathrm{ij}}$

ω_j是第j个属性的权重，a_ij是第i个网络的第j个属性标准化值，将每一个候选网络的效用值进行比较，具有最大效用值得网络将作为最终的切换目标网络。 

Claims (2)

1.基于服务偏好和网络条件的垂直切换方法，其特征在于，采用多属性判决时考虑了不同服务类型要求和网络固有属性（带宽、费用、时延等）；关键是计算两类权重：网络固有属性权重和基于服务偏好权重，其方法如下： 

步骤1,网络固有属性权重计算，网络属性有SINR(信噪比)、带宽利用率、传输时延、丢包率； 

SIN是无线链路质量最重要的指标之一，决定了在一个固定带宽上的最大可用数据率，一旦SINR的值低于一个预定义的值那么误码率将会显著增加； 

带宽利用率：网络可用带宽用来指示该网络的负载情况，标准化的带宽利用率如下式： 

其中的B_if是第i个网络的可用带宽，B_i是网络i的总的带宽；因此，G_i越大，意味着网络i负载越小，反之，负载越大； 

传输时延：不同类型的服务在传输时延方面要求不同，比如语音和视频流实时性服务要求非常小的时延，而对于数据流服务来说，传输时延就要宽松一些； 

丢包率：由拥塞引起的丢包率也是一个QoS的重要指标，特别是在数据流服务中，但视频流服务对丢包相对就没有那么严格的要求； 

服务代价总是移动用户主要考虑的因素，不同的网络可能会使用不同的策略，而这也会影响用户对网络的偏好； 

综上，可以得到一个决策属性集合P={p₁,p₂,p₃,p₄,p₅}，可以使用集合P来对候选网络进行评估，定义判决矩阵如式（2）所示： 

其中s_ij代表第i个候选网络的第j个属性值，n是候选网络的个数； 

为了使不同的属性在一个共同的量纲上，必须进行相应的标准化；对于受益属性来说，如SINR和带宽利用率，值越大越好，如式3所示的标准化，其中a_ij是标准化之后第i个网络的第j个属性值： 

而对于代价属性，如传输时延，丢包率和服务代价，值越小越好，如式（4）所示的标准化: 

在经过标准化处理之后得到标准化的判决矩阵A： 

网络条件权重W^N

为了使切换决策的结果更客观和可靠，在计算权重时将候选网络之间的客观差异考虑在内，采用下面公式计算网络条件权重： 

a_ij是式(5)中标准化处理后第i个候选网络的第j个属性的标度值，n是候选网络集合中的网络个数,σ_j和μ_j分别代表第j个属性的均值和标准差；第j个属性的均值越小，该属性就越重要，标准差越大，那么该属性就应该分配更大的权重；网络条件的动态调整权重如公式（8）所示： 

其中的φ_j和Φ分别表示下： 

φ_j=exp(-μ_j+σ_j)（9） 

M代表属性个数，网络条件的权重向量W^N可以表示为： 

步骤2，计算服务偏好权重W^S： 

对于每一种服务类型，属性是通过两两比较的方式进行评估的，也就是属性对这种服务的相对重要性，相对重要性评估有1～9个等级，如表1所示； 

表1 1～9标度法 

e_ij是i属性相对于j属性的相对重要性程度，如当e_ij的值是7的时候表明的是前者比后者非常重要； 

建立一个服务偏好的比较判决矩阵E=[e_ij]_5×5来保存相对重要性评估的结果，矩阵如下： 

其中e_ii等于1，满足e_ij=1/e_ji，服务偏好权重向量

通过特征根法求出，如公式（13）所示： 

Eω=λ_maxω （13） 

用特征根法求解矩阵E的特征向量，λ_max是E的最大特征根，ω是特征向量，将得到的ω进行归一化处理之后就得到服务偏好权重向量，求解的步骤如下： 

（1）选取一个与E同阶的单位向量也就是

（2）计算如式（14）： 

（3）进行归一化处理: 

（4）对于任意给定精度ε>0， 

当式（16）成立时，ω=ω^q+1就是矩阵E的最大特征根λ_max所对应的权重向量ω，λ_max表示如下： 

对所得的结果进行一致性检测，步骤如下： 

（1）算出一致性指标C.I.（consistency index） 

C.I.=(λ_max-n)/(n-1) （18） 

（2）查找相应n的平均一致性指标R.I.（random index）；如表2所示； 

表2 平均一致性指标 

阶数 1 2 3 4 5 6 7 8 R.I. 0 0 0.52 0.89 1.12 1.26 1.36 1.41 阶数 9 10 11 12 13 14 15   R.I. 1.46 1.49 1.52 1.54 1.56 1.58 1.59  

（3）计算一致性比例C.R.（consistency ratio） 

C.R.=C.I./R.I. （19） 

当C.R.的值低于0.1时，比较判决矩阵的一致性可以接受，否则应该对矩阵进行修正，以满足一致性； 

综上，服务偏好权重向量W^s等于用特征根法求出的权重向量ω；本专利E的阶数是5，n取5；最后服务偏好权重表示如下： 

2.根据权利要求1所述的基于服务偏好和网络条件的垂直切换方法，其特征在于利用两类属性进行多属性判决，其中总的属性权重的计算方法如下： 

结合服务偏好权重向量W^S和网络条件权重向量W^N，得到组合权重向量W^f， 

其中表示为： 

将式（21）中得到的权重进行式（23）的归一化就得到最终的权重W=(ω₁,ω₂,ω₃,ω₄,ω₅)； 

得到每一个属性的权重后，需要对每一个候选网络的效用值进行计算，采 用简单加权法（SAW），如式（24）所示： 

ω_j是第j个属性的权重，a_ij是第i个网络的第j个属性标准化值，将每一个候选网络的效用值进行比较，具有最大效用值得网络将作为最终的切换目标网络。 

Images