CN103905330A - 多终端协同通信业务分流比例获取方法和服务器 - Google Patents

Abstract

本发明公开了一种多终端协同通信业务分流比例获取方法和服务器，涉及异构无线网络中的多终端协同通信技术领域。该方法从目标模型的构建，模型的分解计算，迭代求解等步骤进行整合，实现了针对不同目标模型（如最小时延，最大网络吞吐量等）的统一分流比例的获取方法。并以网络最小时延为目的，构建目标函数，获取最小时延条件下的业务分流比例。本发明围绕多终端协同通信过程中自动分配业务流比例的问题，提供了一种最佳业务分流比例获取方案。

Description

多终端协同通信业务分流比例获取方法和服务器

技术领域

本发明涉及异构无线网络中的多终端协同通信技术领域，特别涉及一种多终端协同通信业务分流比例获取方法。

背景技术

多终端协同通信是指终端的单一广域网链路无法满足业务吞吐量的需求时，通过协同周边终端的能力，主要指终端的广域网和个域网通信能力，来完成系统性能的提升从而为用户带来较好的业务体验。

多终端协同通信的前提是终端的广域网接入能力处于闲置状态或者带宽仍有冗余，并且终端配备有至少两种接口，一种用于从广域网接收数据，另一种用于个域网内的数据转发。在终端协同过程中，根据业务流的流向将终端分为主终端和从终端两类。其中业务的发起者称为主终端；为主终端承担一定比例的数据转发的终端称为从终端。业务流在网络侧按照一定的比例通过相应的RAT（Radio AccessTechnologies，无线接入技术）被分流到主终端和从终端，从终端接收到数据后利用与主终端建立的个域网连接进行数据转发，最后所有的业务流在主终端完成汇聚。因而多终端协同通信中面临着具有一定QoS(Quality of Service,服务质量)保证的业务数据的分流机制。

发明内容

本发明的发明人发现上述现有技术中存在问题，并因此针对所述问题中的至少一个问题提出了一种新的技术方案。

本发明的一个目的是提供一种用于获取多终端协同通信业务分流比例的技术方案。

根据本发明的第一方面，提供了一种多终端协同通信业务分流比例获取方法，包括：获取各个网络终端的网络能力参数，网络能力参数包括网络服务率和业务到达率；根据分配目标模型构建拉格朗日函数，分配目标模型根据网络能力参数构建；根据Karush-Kuhn-Tucker最优解条件通过牛顿迭代算法获得拉格朗日函数最优解；根据拉格朗日函数最优解获得最优业务分流比例。

可选地，网络服务率包括广域网服务率和个域网服务率，个域网采用WiFi（Wireless Fidelity,无线保真）Adhoc（点对点）模式进行组网。

可选地，分配目标模型为最小时延分配目标模型或最大网络吞吐量分配目标模型。

可选地，最小时延分配目标模型为：

$\min D({\mathrm{\λ}}_1,{\mathrm{\λ}}_2...{\mathrm{\λ}}_{N+1})$

$=\min \underset{i=1}{\overset{N+1}{\mathrm{\Σ}}}\frac{1}{u_i-{\mathrm{\λ}}_i}+\underset{i=2}{\overset{N+1}{\mathrm{\Σ}}}\frac{1}{u_p-{\mathrm{\λ}}_i}$

$s.t.\underset{i=1}{\overset{N+1}{\mathrm{\Σ}}}{\mathrm{\λ}}_i=\mathrm{\λ}$

0≤λ₁<u₁,i＝1

0≤λ_i<min(u_i,u_p),2≤i≤N+1；

拉格朗日函数为：

$L({\mathrm{\&lambda;}}_i,\mathrm{\&theta;},v_i)=D({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2...{\mathrm{\&lambda;}}_{N+1})$

$-\mathrm{\&theta;}(\underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i-\mathrm{\&lambda;})+v_1(u_1-{\mathrm{\&lambda;}}_1)+\underset{i=2}{\overset{N+1}{\mathrm{\&Sigma;}}}{v}_i(\min (u_i,u_p)-{\mathrm{\&lambda;}}_i);$

牛顿迭代算法迭代公式为：

λ_ik+1=λ_ik-g(λ_ik)/g′(λ_ik)

${\mathrm{\&theta;}}_{k+1}={[{\mathrm{\&theta;}}_k+\mathrm{\&rho;}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\mathrm{ik}}-\mathrm{\&lambda;})]}^{+}$

其中，λ为总的业务到达率，λ_i对应终端i的业务到达率，u_i为终端i的广域网服务率，u_p为个域网服务率，θ为逼近斜率，v_i为逼近步长，g(λ_ik)表示

g′(λ_ik)表示

下标k表示第k次迭代,ρ>0表示迭代步长，[x]⁺=max(x,0)。

可选地，最大网络吞吐量分配目标模型为：

$\mathrm{MinD}\left(({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,....{\mathrm{\&lambda;}}_{N+1})\right)=\mathrm{Min}{\mathrm{\&Sigma;}}_{i=1}^{N+1}(u_i-{\mathrm{\&lambda;}}_i)+{\mathrm{\&Sigma;}}_{i=2}^{N+1}(u_p-{\mathrm{\&lambda;}}_i),$

$s.t{\mathrm{\&Sigma;}}_{i=1}^{N+1}{\mathrm{\&lambda;}}_i=\mathrm{\&lambda;};$

拉格朗日函数为：

$L({\mathrm{\&lambda;}}_i,\mathrm{\&theta;},v_i)=D({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,....{\mathrm{\&lambda;}}_{N+1})-\mathrm{\&theta;}({\mathrm{\&Sigma;}}_{i=1}^{N+1}\left(\frac{1}{\mathrm{\&lambda;}-{\mathrm{\&lambda;}}_i}\right)+v_i({\mathrm{\&lambda;}}_1-u_1)+$ ${\mathrm{\&Sigma;}}_{i=2}^{N+1}\min (u_p,{\mathrm{\&lambda;}}_{i,})-\frac{1}{{\mathrm{\&lambda;}}_i};$

牛顿迭代算法迭代公式为：

λ_ik+1=λ_ik-g(λ_ik)/g′(λ_ik)

${\mathrm{\&theta;}}_{k+1}={[{\mathrm{\&theta;}}_k+\mathrm{\&rho;}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\mathrm{ik}}-\mathrm{\&lambda;})]}^{+}$

其中，λ为总的业务到达率，λ_i对应终端i的业务到达率，u_i为终端i的广域网服务率，u_p为个域网服务率，θ为逼近斜率，v_i为逼近步长，g(λ_ik)表示

g′(λ_ik)表示

下标k表示第k次迭代,ρ>0表示迭代步长，[x]⁺=max(x,0)。

根据本发明的另一方面，提供一种服务器，包括：参数获取单元，用于获取各个网络终端的网络能力参数，网络能力参数包括网络服务率和业务到达率；函数构造单元，用于根据分配目标模型构建拉格朗日函数，分配目标模型根据网络能力参数构建；迭代计算单元，用于根据Karush-Kuhn-Tucker最优解条件通过牛顿迭代算法获得拉格朗日函数最优解；分流比例确定单元，用于根据拉格朗日函数最优解获得最优业务分流比例。

可选地，网络服务率包括广域网服务率和个域网服务率，个域网采用WiFi adhoc模式进行组网。

可选地，分配目标模型为最小时延分配目标模型或最大网络吞吐量分配目标模型。

可选地，最小时延分配目标模型为：

$\min D({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2...{\mathrm{\&lambda;}}_{N+1})$

$=\min \underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}\frac{1}{u_i-{\mathrm{\&lambda;}}_i}+\underset{i=2}{\overset{N+1}{\mathrm{\&Sigma;}}}\frac{1}{u_p-{\mathrm{\&lambda;}}_i}$

$s.t.\underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i=\mathrm{\&lambda;}$

0≤λ₁<u₁,i＝1

0≤λ_i<min(u_i,u_p),2≤i≤N+1

；

拉格朗日函数为：

$L({\mathrm{\&lambda;}}_i,\mathrm{\&theta;},v_i)=D({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2...{\mathrm{\&lambda;}}_{N+1})$

$-\mathrm{\&theta;}(\underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i-\mathrm{\&lambda;})+v_1(u_1-{\mathrm{\&lambda;}}_1)+\underset{i=2}{\overset{N+1}{\mathrm{\&Sigma;}}}{v}_i(\min (u_i,u_p)-{\mathrm{\&lambda;}}_i);$

牛顿迭代算法迭代公式为：

λ_ik+1=λ_ik-g(λ_ik)/g′(λ_ik)

${\mathrm{\&theta;}}_{k+1}={[{\mathrm{\&theta;}}_k+\mathrm{\&rho;}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\mathrm{ik}}-\mathrm{\&lambda;})]}^{+}$

其中，λ为总的业务到达率，λ_i对应终端i的业务到达率，u_i为终端i的广域网服务率，u_p为个域网服务率，θ为逼近斜率，v_i为逼近步长，g(λ_ik)表示

g′(λ_ik)表示

下标k表示第k次迭代,ρ>0表示迭代步长，[x]⁺=max(x,0)。

可选地，最大网络吞吐量分配目标模型为：

$\mathrm{MinD}\left(({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,....{\mathrm{\&lambda;}}_{N+1})\right)=\mathrm{Min}{\mathrm{\&Sigma;}}_{i=1}^{N+1}(u_i-{\mathrm{\&lambda;}}_i)+{\mathrm{\&Sigma;}}_{i=2}^{N+1}(u_p-{\mathrm{\&lambda;}}_i),$

$s.t{\mathrm{\&Sigma;}}_{i=1}^{N+1}{\mathrm{\&lambda;}}_i=\mathrm{\&lambda;};$

拉格朗日函数为：

$L({\mathrm{\&lambda;}}_i,\mathrm{\&theta;},v_i)=D({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,....{\mathrm{\&lambda;}}_{N+1})-\mathrm{\&theta;}({\mathrm{\&Sigma;}}_{i=1}^{N+1}\left(\frac{1}{\mathrm{\&lambda;}-{\mathrm{\&lambda;}}_i}\right)+v_i({\mathrm{\&lambda;}}_1-u_1)+$ ${\mathrm{\&Sigma;}}_{i=2}^{N+1}\min (u_p,{\mathrm{\&lambda;}}_{i,})-\frac{1}{{\mathrm{\&lambda;}}_i};$

牛顿迭代算法迭代公式为：

λ_ik+1=λ_ik-g(λ_ik)/g′(λ_ik)

${\mathrm{\&theta;}}_{k+1}={[{\mathrm{\&theta;}}_k+\mathrm{\&rho;}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\mathrm{ik}}-\mathrm{\&lambda;})]}^{+}$

其中，λ为总的业务到达率，λ_i对应终端i的业务到达率，u_i为终端i的广域网服务率，u_p为个域网服务率，θ为逼近斜率，v_i为逼近步长，g(λ_ik)表示

g′(λ_ik)表示

下标k表示第k次迭代,ρ>0表示迭代步长，[x]⁺=max(x,0)。

本发明的一个优点在于，从目标模型的构建，模型的分解计算，迭代求解等步骤进行整合，实现了针对不同目标模型的统一最佳分流比例的获取方案。

通过以下参照附图对本发明的示例性实施例的详细描述，本发明的其它特征及其优点将会变得清楚。

附图说明

构成说明书的一部分的附图描述了本发明的实施例，并且连同说明书一起用于解释本发明的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本发明，其中：

图1示出根据本发明的多终端协同通信业务分流比例获取方法的一个实施例的流程图。

图2示出多终端协同通信系统模型示意图。

图3示出根据本发明的服务器的一个实施例的结构图。

图4示出获取传输最优业务分流比例的过程图。

具体实施方式

现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。

同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。

在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

图1示出根据本发明的多终端协同通信业务分流比例获取方法的一个实施例的流程图。

如图1所示，步骤102，获取各个网络终端的网络能力参数，网络能力参数包括网络服务率和业务到达率。在一个实施例中，个域网采用WiFi Adhoc模式进行组网,终端的网络服务率包括终端的广域网服务率（表示下载能力）和个域网服务率。

步骤104，根据分配目标模型构建拉格朗日函数，分配目标模型根据获取的网络能力参数构建。

目标模型的构建是整个计算结果的方向和基础。根据什么目的构建出的目标模型，意味着最终计算结果的目的。例如可以构建以最小时延为目的的目标函数，那么计算结果则是最小时延条件下的业务分流比例；也可以构建以最大数据吞吐量为目的的目标函数，那么计算的结果则是以最大数据吞吐量为目的的业务分流比例。因此，目标函数的构建，可以根据需要灵活处理。

步骤106，根据Karush-Kuhn-Tucker最优解条件通过牛顿迭代算法获得拉格朗日函数最优解。

步骤108，根据拉格朗日函数最优解获得最优业务分流比例。

上述实施例中，首先获取各个网络终端的网络能力参数，包括网络服务率和业务到达率，然后根据能获取的参数构建目标模型，再进行模型简化和迭代计算后获取最小分流比例的结果，最后根据结果提供给系统进行业务比例分流，实现了最佳业务分流比例。

下面结合图2对所获取网络参数进行介绍。

图2为多终端协同通信系统模型，终端1为主终端，终端2至终端N+1为从终端，从终端通过自己的广域网接入技术协同主终端进行分流下载，然后通过wifi-adhoc模式将数据传输给主终端，最后业务在主终端完成汇聚。每条链路采用排队论中的M/M/1模型，λ为总的业务到达率，λ_i对应终端i的业务到达率，u_i为终端i的广域网服务率（表示下载能力），个域网采用wifi adhoc模式进行组网，其中u_p为个域网的服务率。

下面分别构建最小时延分配目标模型和最大网络吞吐量分配目标模型为例，介绍本发明技术方案的两个应用例。

【应用例1－最小时延分配目标模型】

在该应用例中，以为系统总时延最小为条件进行目标函数的构建。

1)构建分配目标模型

对于图2所示的协同模型，个域网存在N个从终端需要传输数据包，假设每个用户获得的系统服务率相同，则可知每个用户的个域网平均服务率u_p为：

$u_p=\frac{S}{{\mathrm{NL}}_p}---\left(1\right)$

其中，S表示归一化的系统吞吐量(将实际吞吐量通过规则化后的表达方式)，Lp表示数据包平均载荷长度。

假设排队系统处于稳态，即满足λ_i<u_i,则每条链路的时延可以表示为：

$d_i=\left\{\begin{array}{c}\frac{1}{u_1-{\mathrm{\&lambda;}}_1},i=1\\ \frac{1}{u_1-{\mathrm{\&lambda;}}_i}+\frac{1}{u_p-{\mathrm{\&lambda;}}_i},2\&le;i\&le;N+1\end{array}\right.---\left(2\right)$

故系统的总时延为：

$D({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2...{\mathrm{\&lambda;}}_{N+1})=\underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}{d}_i=\underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}\frac{1}{u_i-{\mathrm{\&lambda;}}_i}+\underset{i=2}{\overset{N+1}{\mathrm{\&Sigma;}}}\frac{1}{u_p-{\mathrm{\&lambda;}}_i}---\left(3\right)$

其中，λ为总的业务到达率，λ_i对应终端i的业务到达率，u_i为终端i的广域网服务率。

通过合理分配λ_i可以使得系统总时延达到最小，故最优化问题可以表示为：

$\min D({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2...{\mathrm{\&lambda;}}_{N+1})$

$=\min \underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}\frac{1}{u_i-{\mathrm{\&lambda;}}_i}+\underset{i=2}{\overset{N+1}{\mathrm{\&Sigma;}}}\frac{1}{u_p-{\mathrm{\&lambda;}}_i}$

$s.t.\underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i=\mathrm{\&lambda;}$

0≤λ₁<u₁,i＝1

0≤λ_i<min(u_i,u_p),2≤i≤N+1      (4)

2）计算方法

上述最优化问题是一个凸优化问题，由于

故可以获取最优解并且局部最小值是全局最小值。

利用KKT（Karush-Kuhn-Tucker）条件，可以将(4)构造为如下的拉格朗日函数：

$L({\mathrm{\&lambda;}}_i,\mathrm{\&theta;},v_i)=D({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2...{\mathrm{\&lambda;}}_{N+1})$ $-\mathrm{\&theta;}(\underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i-\mathrm{\&lambda;})+v_1(u_1-{\mathrm{\&lambda;}}_1)+\underset{i=2}{\overset{N+1}{\mathrm{\&Sigma;}}}{v}_i(\min (u_i,u_p)-{\mathrm{\&lambda;}}_i)---\left(5\right)$

其中，θ和v_i两个参数是构建拉格朗日函数的辅助参数，在函数构建中，θ是逼近斜率，v_i是逼近步长。

根据KKT条件最优解的获取方法可知：

$\frac{\&PartialD;L}{\&PartialD;{\mathrm{\&lambda;}}_i}=0$

$\frac{\&PartialD;L}{\&PartialD;\mathrm{\&theta;}}=0$

$\left\{\begin{array}{c}{v}_1\&GreaterEqual;0\\ v_1\frac{\&PartialD;L}{{\&PartialD;v}_1}=v_1(u_1-{\mathrm{\&lambda;}}_1)=0\\ v_i\&GreaterEqual;\mathrm{0,2}\&le;i\&le;N+1\\ v_i\frac{\&PartialD;L}{{\&PartialD;v}_i}=v_i(\min (u_i,u_p)-{\mathrm{\&lambda;}}_i)=\mathrm{0,2}\&le;i\&le;N+1\end{array}\right.---\left(6\right)$

由于排队系统是稳定的，故λ_i<u_i,从而有u₁-λ₁>0和min(u_i,u_p)-λ_i>0，故由(6)可知：v_i=0

令g(λ_ik)表示

g′(λ_ik)表示

下标k表示第k次迭代，则一个较优的λ_i可以按下式获取：

λ_ik+1=λ_ik-g(λ_ik)/g′(λ_ik)

根据梯度下降搜索方法，可以对θ进行更新，如下所示：

${\mathrm{\&theta;}}_{k+1}={[{\mathrm{\&theta;}}_k+\mathrm{\&rho;}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\mathrm{ik}}-\mathrm{\&lambda;})]}^{+}---\left(7\right)$

其中，ρ>0表示迭代步长，[x]⁺=max(x,0)

综上，使用牛顿迭代算法，如算法1所示，可以获取最优的业务分配比例，使得系统总时延最小:

3）获得业务分流比例

【应用例2－最大业务吞吐量分配目标模型】

在该应用例中，以为业务吞吐量最大条件进行目标函数的构建。

1）构建分配目标模型

对于图2所示的协同模型，个域网存在N个从终端需要传输数据包，假设每个用户获得的系统服务率相同，则可知每个用户的平均服务率为：

$u_p=\frac{S}{{\mathrm{NL}}_p}---\left(8\right)$

其中，S表示归一化的系统吞吐量(将实际吞吐量通过规则化后的表达方式)，Lp表示数据包平均载荷长度。

假设排队系统处于稳态，即满足λ_i<u_i,则每条链路的吞吐量冗余可以表示为：

$d_i=\left\{\begin{array}{cc}{u}_i-{\mathrm{\&lambda;}}_i,& i=1\\ (u_i-{\mathrm{\&lambda;}}_i)+(u_p-{\mathrm{\&lambda;}}_i),& 2\&le;i\&le;N+1,\end{array}\right.,---\left(9\right)$

故系统的总冗余为：

$D({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,...{\mathrm{\&lambda;}}_i)={\mathrm{\&Sigma;}}_{i=1}^{N+1}\mathrm{di}={\mathrm{\&Sigma;}}_{i=1}^{N+1}(u_i-{\mathrm{\&lambda;}}_i)+{\mathrm{\&Sigma;}}_{i=2}^{N+1}(u_p-{\mathrm{\&lambda;}}_i)---\left(10\right)$

通过合理分配λ_i可以使得系统吞吐量冗余到最小，则意味着吞吐量达到最大，故最优化问题可以表示为：

$\mathrm{MinD}\left(({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,....{\mathrm{\&lambda;}}_{N+1})\right)=\mathrm{Min}\underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}(u_i-{\mathrm{\&lambda;}}_i)+\underset{i=2}{\overset{N+1}{\mathrm{\&Sigma;}}}(u_p-{\mathrm{\&lambda;}}_i)$

$s.t\underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i=\mathrm{\&lambda;}---\left(11\right)$

2）计算方法

上述最优化问题又转化为是一个凸优化问题，由于

故可以获取最优解并且局部最小值是全局最小值。

与实例1一样，利用KKT（Karush-Kuhn-Tucker）条件，可以将式(11)构造为如下的拉格朗日函数：

$L({\mathrm{\&lambda;}}_i,\mathrm{\&theta;},v_i)=D({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2...{\mathrm{\&lambda;}}_{N+1})$ $-\mathrm{\&theta;}(\underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}\left(\frac{1}{\mathrm{\&lambda;}-{\mathrm{\&lambda;}}_i}\right)+v_i({\mathrm{\&lambda;}}_1-u_1)+\underset{i=2}{\overset{N+1}{\mathrm{\&Sigma;}}}\min (u_p,{\mathrm{\&lambda;}}_{i,})-\frac{1}{{\mathrm{\&lambda;}}_i})---\left(12\right)$

根据KKT条件最优解的获取方法可知：

$\frac{\&PartialD;L}{\&PartialD;{\mathrm{\&lambda;}}_i}=0$

$\frac{\&PartialD;L}{\&PartialD;\mathrm{\&theta;}}=0$

$\left\{\begin{array}{c}{v}_1\&GreaterEqual;0\\ v_1\frac{\&PartialD;L}{{\&PartialD;v}_1}=v_1(u_1-{\mathrm{\&lambda;}}_1)=0\\ v_i\&GreaterEqual;\mathrm{0,2}\&le;i\&le;N+1\\ v_i\frac{\&PartialD;L}{{\&PartialD;v}_i}{=v}_i(\min (u_i,u_p)-{\mathrm{\&lambda;}}_i)=\mathrm{0,2}\&le;i\&le;N+1\end{array}\right.---\left(13\right)$

由于排队系统是稳定的，故λ_i<u_i,从而有u₁-λ₁>0和min(u_i,u_p)-λ_i>0，故由(13)可知：v_i=0

令g(λ_ik)表示

g′(λ_ik)表示

下标k表示第k次迭代，则一个较优的λ_i可以按下式获取：

λ_ik+1=λ_ik-g(λ_ik)/g′(λ_ik)

根据梯度下降搜索方法，可以对θ进行更新，如下所示：

${\mathrm{\&theta;}}_{k+1}={[{\mathrm{\&theta;}}_k+\mathrm{\&rho;}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\mathrm{ik}}-\mathrm{\&lambda;})]}^{+}---\left(14\right)$

其中，ρ>0表示迭代步长，[x]⁺=max(x,0)

综上，使用牛顿迭代算法，如算法2所示，可以获取最优的业务分配比例，使得系统吞吐量最大：

3)获得最大吞吐量条件下的业务分流比例

根据以上方式，就可以获取按要求的业务分流比例。该方法可以视为一套基本计算流程，可以根据目标模型的构建不同而获取不同含义的业务分流比例。例如，可以根据业务吞吐量最大来构建目标函数，那么计算的结果，则是业务吞吐量最大情况下的最佳分流比例。

图3示出根据本发明的服务器的一个实施例的结构图。如图3所示，该服务器包括：参数获取单元31，用于获取各个网络终端的网络能力参数，网络能力参数包括网络服务率和业务到达率；函数构造单元32，用于根据分配目标模型构建拉格朗日函数，分配目标模型根据网络能力参数构建；迭代计算单元33，用于根据Karush-Kuhn-Tucker最优解条件通过牛顿迭代算法获得拉格朗日函数最优解；分流比例确定单元34，用于根据拉格朗日函数最优解获得最优业务分流比例。网络服务率包括广域网服务率和个域网服务率，个域网采用WiFi adhoc模式进行组网。分配目标模型可以为最小时延分配目标模型或最大网络吞吐量分配目标模型。

图4示出获取传输最优业务分流比例的一个实施例的过程图。该具体实施流程如图1所示，首先获取各个网络终端的网络能力参数，包括网络服务率和服务到达率，然后根据能获取的参数，构建目标模型，例如以系统总延时最小为目的获取分流比例。然后再进行模型简化和迭代计算后获取最小分流比例的结果，最后再根据结果提供给系统进行业务比例分流。

本文中通过各个实施例，提供了一套网络侧服务器执行的流量分配的技术方案，该方案可根据不同的目标模型（如最小时延，最大网络吞吐量等），结合实际网络能力、资源变化等动态地决策出多终端协同传输时，最优业务的分流比例。

至此，已经详细描述了根据本发明的多终端协同通信业务分流比例获取方法和服务器。为了避免遮蔽本发明的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。

可能以许多方式来实现本发明的方法和系统。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本发明的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明，本发明的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本发明实施为记录在记录介质中的程序，这些程序包括用于实现根据本发明的方法的机器可读指令。因而，本发明还覆盖存储用于执行根据本发明的方法的程序的记录介质。

虽然已经通过示例对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。

Claims (10)

1.一种多终端协同通信业务分流比例获取方法，其特征在于，包括：

获取各个网络终端的网络能力参数，所述网络能力参数包括网络服务率和业务到达率；

根据分配目标模型构建拉格朗日函数，所述分配目标模型根据所述网络能力参数构建；

根据Karush-Kuhn-Tucker最优解条件通过牛顿迭代算法获得所述拉格朗日函数最优解；

根据所述拉格朗日函数最优解获得最优业务分流比例。

2.根据权利要求1所述的方法，其特征在于，所述网络服务率包括广域网服务率和个域网服务率，所述个域网采用无线保真点对点WiFi Adhoc模式进行组网。

3.根据权利要求1所述的方法，其特征在于，所述分配目标模型为最小时延分配目标模型或最大网络吞吐量分配目标模型。

4.根据权利要求3所述的方法，其特征在于，所述最小时延分配目标模型为：

$\min D({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2...{\mathrm{\&lambda;}}_{N+1})$

$=\min \underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}\frac{1}{u_i-{\mathrm{\&lambda;}}_i}+\underset{i=2}{\overset{N+1}{\mathrm{\&Sigma;}}}\frac{1}{u_p-{\mathrm{\&lambda;}}_i}$

$s.t.\underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i=\mathrm{\&lambda;}$

0≤λ₁<u₁,i＝1

0≤λ_i<min(u_i,u_p),2≤i≤N+1；

所述拉格朗日函数为：

$L({\mathrm{\&lambda;}}_i,\mathrm{\&theta;},v_i)=D({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2...{\mathrm{\&lambda;}}_{N+1})$ $-\mathrm{\&theta;}(\underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i-\mathrm{\&lambda;})+v_1(u_1-{\mathrm{\&lambda;}}_1)+\underset{i=2}{\overset{N+1}{\mathrm{\&Sigma;}}}{v}_i(\min (u_i,u_p)-{\mathrm{\&lambda;}}_i);$

所述牛顿迭代算法迭代公式为：

λ_ik+1=λ_ik-g(λ_ik)/g′(λ_ik)

${\mathrm{\&theta;}}_{k+1}={[{\mathrm{\&theta;}}_k+\mathrm{\&rho;}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\mathrm{ik}}-\mathrm{\&lambda;})]}^{+}$

其中，λ为总的业务到达率，λ_i对应终端i的业务到达率，u_i为终端i的广域网服务率，u_p为个域网服务率，θ是逼近斜率，v_i是逼近步长，g(λ_ik)表示

g′(λ_ik)表示

下标k表示第k次迭代,ρ>0表示迭代步长，[x]⁺=max(x,0)。

5.根据权利要求3所述的方法，其特征在于，所述最大网络吞吐量分配目标模型为：

$\mathrm{MinD}\left(({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,....{\mathrm{\&lambda;}}_{N+1})\right)=\mathrm{Min}{\mathrm{\&Sigma;}}_{i=1}^{N+1}(u_i-{\mathrm{\&lambda;}}_i)+{\mathrm{\&Sigma;}}_{i=2}^{N+1}(u_p-{\mathrm{\&lambda;}}_i),$ $s.t{\mathrm{\&Sigma;}}_{i=1}^{N+1}{\mathrm{\&lambda;}}_i=\mathrm{\&lambda;};$

所述拉格朗日函数为：

$L({\mathrm{\&lambda;}}_i,\mathrm{\&theta;},v_i)=D({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,....{\mathrm{\&lambda;}}_{N+1})-\mathrm{\&theta;}({\mathrm{\&Sigma;}}_{i=1}^{N+1}\left(\frac{1}{\mathrm{\&lambda;}-{\mathrm{\&lambda;}}_i}\right)+v_i({\mathrm{\&lambda;}}_1-u_1)+$ ${\mathrm{\&Sigma;}}_{i=2}^{N+1}\min (u_p,{\mathrm{\&lambda;}}_{i,})-\frac{1}{{\mathrm{\&lambda;}}_i};$

所述牛顿迭代算法迭代公式为：

λ_ik+1=λ_ik-g(λ_ik)/g′(λ_ik)

${\mathrm{\&theta;}}_{k+1}={[{\mathrm{\&theta;}}_k+\mathrm{\&rho;}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\mathrm{ik}}-\mathrm{\&lambda;})]}^{+}$

其中，λ为总的业务到达率，λ_i对应终端i的业务到达率，u_i为终端i的广域网服务率，u_p为个域网服务率，θ是逼近斜率，v_i是逼近步长，g(λ_ik)表示

g′(λ_ik)表示

下标k表示第k次迭代,ρ>0表示迭代步长，[x]⁺=max(x,0)。

6.一种服务器，其特征在于，包括：

参数获取单元，用于获取各个网络终端的网络能力参数，所述网络能力参数包括网络服务率和业务到达率；

函数构造单元，用于根据分配目标模型构建拉格朗日函数，所述分配目标模型根据所述网络能力参数构建；

迭代计算单元，用于根据Karush-Kuhn-Tucker最优解条件通过牛顿迭代算法获得所述拉格朗日函数最优解；

分流比例确定单元，用于根据所述拉格朗日函数最优解获得最优业务分流比例。

7.根据权利要求6所述的服务器，其特征在于，所述网络服务率包括广域网服务率和个域网服务率，所述个域网采用无线保真点对点WiFi adhoc模式进行组网。

8.根据权利要求6所述的服务器，其特征在于，所述分配目标模型为最小时延分配目标模型或最大网络吞吐量分配目标模型。

9.根据权利要求8所述的服务器，其特征在于，所述最小时延分配目标模型为：

$\min D({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2...{\mathrm{\&lambda;}}_{N+1})$

$=\min \underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}\frac{1}{u_i-{\mathrm{\&lambda;}}_i}+\underset{i=2}{\overset{N+1}{\mathrm{\&Sigma;}}}\frac{1}{u_p-{\mathrm{\&lambda;}}_i}$

$s.t.\underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i=\mathrm{\&lambda;}$

0≤λ₁<u₁,i＝1

0≤λ_i<min(u_i,u_p),2≤i≤N+1；

所述拉格朗日函数为：

$L({\mathrm{\&lambda;}}_i,\mathrm{\&theta;},v_i)=D({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2...{\mathrm{\&lambda;}}_{N+1})$

$-\mathrm{\&theta;}(\underset{i=1}{\overset{N+1}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_i-\mathrm{\&lambda;})+v_1(u_1-{\mathrm{\&lambda;}}_1)+\underset{i=2}{\overset{N+1}{\mathrm{\&Sigma;}}}{v}_i(\min (u_i,u_p)-{\mathrm{\&lambda;}}_i);$

所述牛顿迭代算法迭代公式为：

λ_ik+1=λ_ik-g(λ_ik)/g′(λ_ik)

${\mathrm{\&theta;}}_{k+1}={[{\mathrm{\&theta;}}_k+\mathrm{\&rho;}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\mathrm{ik}}-\mathrm{\&lambda;})]}^{+}$

其中，λ为总的业务到达率，λ_i对应终端i的业务到达率，u_i为终端i的广域网服务率，u_p为个域网服务率，θ是逼近斜率，v_i是逼近步长，g(λ_ik)表示g′(λ_ik)表示下标k表示第k次迭代,ρ>0表示迭代步长，[x]⁺=max(x,0)。

10.根据权利要求8所述的服务器，其特征在于，所述最大网络吞吐量分配目标模型为：

$\mathrm{MinD}\left(({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,....{\mathrm{\&lambda;}}_{N+1})\right)=\mathrm{Min}{\mathrm{\&Sigma;}}_{i=1}^{N+1}(u_i-{\mathrm{\&lambda;}}_i)+{\mathrm{\&Sigma;}}_{i=2}^{N+1}(u_p-{\mathrm{\&lambda;}}_i),$ $s.t{\mathrm{\&Sigma;}}_{i=1}^{N+1}{\mathrm{\&lambda;}}_i=\mathrm{\&lambda;};$

所述拉格朗日函数为：

$L({\mathrm{\&lambda;}}_i,\mathrm{\&theta;},v_i)=D({\mathrm{\&lambda;}}_1,{\mathrm{\&lambda;}}_2,....{\mathrm{\&lambda;}}_{N+1})-\mathrm{\&theta;}({\mathrm{\&Sigma;}}_{i=1}^{N+1}\left(\frac{1}{\mathrm{\&lambda;}-{\mathrm{\&lambda;}}_i}\right)+v_i({\mathrm{\&lambda;}}_1-u_1)+$ ${\mathrm{\&Sigma;}}_{i=2}^{N+1}\min (u_p,{\mathrm{\&lambda;}}_{i,})-\frac{1}{{\mathrm{\&lambda;}}_i};$

所述牛顿迭代算法迭代公式为：

λ_ik+1=λ_ik-g(λ_ik)/g′(λ_ik)

${\mathrm{\&theta;}}_{k+1}={[{\mathrm{\&theta;}}_k+\mathrm{\&rho;}(\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_{\mathrm{ik}}-\mathrm{\&lambda;})]}^{+}$

其中，λ为总的业务到达率，λ_i对应终端i的业务到达率，u_i为终端i的广域网服务率，u_p为个域网服务率，θ为逼近斜率，v_i为逼近步长，g(λ_ik)表示

g′(λ_ik)表示

下标k表示第k次迭代,ρ>0表示迭代步长，[x]⁺=max(x,0)。

Images