CN104301969A - 一种异构多认知无线网络共存环境中的网络选择方法 - Google Patents

Abstract

本发明公开了一种基于多决策属性复合权重加权的异构多认知无线网络共存环境中的网络选择方法，该网络选择方法综合考虑用户偏好、业务需求和网络性能三方面因素，针对异构多认知无线网络共存场景，采用改进的逼近理想解排序法(ITOPSIS)避免候选网络排序异常；引入熵权作为决策属性的客观权重，依据决策属性与业务类型、网络性能之间的关联关系定义主观权重，将客观权重和主观权重组合形成复合权重，采用复合权重加权ITOPSIS算法执行最佳网络选择。本发明的显著特点是：能根据用户偏好和业务需求对候选网络进行正确排序和最优选择，且能在满足用户服务质量的同时，均衡网络负载，合理配置资源，提高系统资源利用率，实现用户与网络运营商各自利益的折中。

Description

一种异构多认知无线网络共存环境中的网络选择方法

技术领域

本发明涉及无线移动通信领域，具体地说，是在异构多认知无线网络共存环境中，认知用户在异构多网共存场景中发起新业务或因移动而切换时，对邻居网络进行择优接入的一种网络选择方法。 

背景技术

通信业务的迅猛增长与服务质量的不断提高，促使无线通信网络一方面必须探索新的传输体制来提高频谱资源效率，另一方面也在不断寻求新的频谱可用机会。认知无线电(Cognitive Radio,CR)作为一种智能通信技术，其具有的环境意识、行为意识和目标意识特征，允许在时域、频域和空域上进行多维的频谱共享。随着模拟电视向数字电视发展，授权电视频段出现了大量空白片段(Television White Space,TVWS)。与ISM(Industrial Scientific Medical)频段相比，TVWS频段具有更好的无线传输性能，且任何依据无线电频谱规则实施的系统均可免申请接入。目前，国际标准化组织已发布多款基于认知无线电技术接入TVWS频段的通信标准，如IEEE802.22，IEEE802.11af，IEEE802.16h和ECMA392等。从用户角度看，异构多网共存可以实现无缝覆盖，为用户提供更好的通信服务，支持多模接入的智能终端能接入覆盖区域内的任何网络。然而，不同网络在体系结构和提供的QoS(Quality of Service)性能方面存在差异，终端用户需要结合自身业务需求对各网络进行性能评估，从而选择最佳网络接入。因此，用户终端通过网络识别掌握各网络的运行质量，根据当前各网络质量选择最佳网络为用户提供接入服务是异构多网共存应用有待解决的技术难点。 

能够触发网络选择的原因很多：一是不同接入网采用不同的接入规范、具有不同的传输特性与QoS保障能力；二是业务类型已突破传统的话音业务与数据业务划分，QoS需求呈现多样性；三是移动终端具有不同的传输支持能力、业务支持能力和人机交互能力；四是用户需求呈现多样性。 

发明内容

本发明综合考虑用户偏好、业务需求和网络性能三方面因素，针对基于IEEE802.11af的无线局域网、基于IEEE 802.22的无线区域网、基于IEEE 802.15.4m的智能公共事业网、基于IEEE 802.16h的WiMAX网以及基于ECMA 392的智能信息栅格网构成的异构多认知无线网络共存场景，为了在保障用户偏好和业 务需求的同时，提高网络整体资源利用率，实现用户与网络运营商各自利益的折中，采用改进的逼近理想解排序法(Improved Technique for Order Preference by Similarity to an Ideal Solution,ITOPSIS)避免候选网络排序异常；引入熵权作为决策属性的客观权重，依据决策属性与业务类型、网络性能之间的关联关系定义主观权重，将客观权重和主观权重组合形成复合权重，采用复合权重加权ITOPSIS算法执行最佳网络选择，均衡网络负载，合理利用网络资源。 

为了实现上述目的，本发明提供了一种基于多决策属性复合权重加权的异构多认知无线网络共存环境中的网络选择方法，由以下步骤组成： 

步骤一：构建决策矩阵D， 

其中，m表示候选网络数，n表示决策属性数，d_ij(i＝1,2,…,m；j＝1,2,…,n)表示候选网络i对决策属性j的表现； 

步骤二：利用步骤一构建的决策矩阵D生成归一化决策矩阵A， 

其中， $a_{\mathrm{ij}}=d_{\mathrm{ij}}/\sqrt{\mathrm{\Σ}{d}_{\mathrm{ij}}^2},i=\mathrm{1,2},...,m;j=\mathrm{1,2},...,n;$

步骤三：依据用户偏好和业务类型构建层次化结构模型，为各决策属性执行主观赋权，该层次化结构模型中的目标层是选择的最佳网络，准则层是决策属性，方案层是候选网络，根据各决策属性的相对重要性，计算主观权重

对主观权重做归一化处理，得到归一化主观权重为， 

步骤四：根据熵的定义，计算各决策属性的熵，决策属性j的熵e_j为： 

$e_j=-{\mathrm{\Σ}}_{i=1}^m{p}_{\mathrm{ij}}\·\ln p_{\mathrm{ij}},j=\mathrm{1,2},...,n,$

其中， $p_{\mathrm{ij}}=a_{\mathrm{ij}}/{\mathrm{\Σ}}_{i=1}^m{a}_{\mathrm{ij}},i=\mathrm{1,2},...,m;j=\mathrm{1,2},...,n;$

步骤五：利用步骤四获得的熵e_j计算决策属性j的熵权，并将其作为客观权重 ${\mathrm{\ω}}_j^O=(1-e_j)/(n-{\mathrm{\Σ}}_{j=1}^n{e}_j),j=\mathrm{1,2},...,n,$

熵权表征了决策属性能提供的信息量，决策属性的熵权越大，表明提供的信息量越多，如果某决策属性的熵权为0，表明该决策属性未提供有用信息，在该决策属性下所有候选网络无差异，应从评估指标体系中剔除该决策属性； 

步骤六：将步骤三获得的归一化主观权重和步骤四获得的客观权重加权组合得到决策属性j的复合权重ω_j，  ${\mathrm{\ω}}_j=\mathrm{\α}{\mathrm{\ω}}_j^S+(1-\mathrm{\α}){\mathrm{\ω}}_j^O,j=\mathrm{1,2},...,n$

其中，α∈(0,1)，典型值取α＝0.5； 

步骤七：利用步骤六获得的复合权重ω_j对步骤二构建的归一化决策矩阵A中各元素加权，生成加权归一化决策矩阵V， 

其中，v_ij＝a_ij×ω_j,i＝1,2,…,m；j＝1,2,…,n； 

步骤八：确定正理想值I⁺和负理想值I^-， 

$I^{+}=[v_1^{+},v_2^{+},...,v_m^{+}],I^{-}=[v_1^{-},v_2^{-},...,v_m^{-}],$

其中， 

对于向上型决策属性， $v_i^{+}=\max \left\{v_{\mathrm{ij}}\right\},v_i^{-}=\min \left\{v_{\mathrm{ij}}\right\},i=\mathrm{1,2},...,m;j=\mathrm{1,2},...,n;$

对于向下型决策属性， $v_i^{+}=\min \left\{v_{\mathrm{ij}}\right\},v_i^{-}=\max \left\{v_{\mathrm{ij}}\right\},i=\mathrm{1,2},...,m;j=\mathrm{1,2},...,n;$

步骤九：计算候选网络i与正理想值I⁺之间的绝对距离和候选网络i与负理想值I^-之间的绝对距离 $S_i^{+}={\mathrm{\Σ}}_{j=1}^n|v_i^{+}-v_{\mathrm{ij}}|,S_i^{-}={\mathrm{\Σ}}_{j=1}^n|v_{\mathrm{ij}}-v_i^{-}|,i=\mathrm{1,2},...,m,$

步骤十：选择具有最小和最大的候选网络作为理想网络P，即  $P~\left(\min \right\{S_i^{+}\},\max \{S_i^{-}\},i=\mathrm{1,2},...,m);$

步骤十一：计算候选网络i与理想网络P之间的有效距离C_i，  $C_i=\sqrt{{(S_i^{+}-\min \{S_i^{+}\left\}\right)}^2+{\left(\min \right\{S_i^{-}\}-S_i^{-})}^2},i=\mathrm{1,2},...,m.$

根据C_i对各候选网络执行降序排列，得到所有候选网络的优劣排序； 

步骤十二：选择距离值C_i最小的候选网络作为最佳网络。 

综上所述，本发明所述的一种基于多决策属性复合权重加权的异构多认知 无线网络共存环境中的网络选择方法，综合考虑了用户偏好、业务需求和网络性能三方面因素执行候选网络排序和最佳网络选择，其有益效果是： 

1.采用改进的逼近理想解排序法(ITOPSIS)，避免了候选网络排序异常； 

2.引入熵权作为决策属性的客观权重，依据决策属性与业务类型、网络性能之间的关联关系定义主观权重，将客观权重和主观权重组合形成复合权重，采用复合权重加权ITOPSIS算法执行最佳网络选择，能均衡网络负载，合理配置资源，提高系统资源利用率。 

附图说明

本发明将通过例子并参照附图的方式说明，其中： 

图1是本发明中异构多认知无线网络共存场景示意图 

图2是本发明中网络选择方法框图 

附图3是本发明中层次化结构模型 

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。 

本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。 

对于附图1所示的异构多认知无线网络共存场景，基于多决策属性复合权重加权的异构多认知无线网络共存环境中的网络选择方法如附图2，由以下步骤进行： 

步骤一：构建决策矩阵D，候选网络数为5，其中，基于IEEE 802.11af的无线局域网为1、基于IEEE 802.22的无线区域网为2、基于IEEE 802.15.4m的智能公共事业网为3、基于IEEE 802.16h的WiMAX网为4、基于ECMA 392的智能信息栅格网为5；决策属性数为6，其中，时延为1、丢包率为2、时延抖动为3、传输速率为4、网络可用负载为5、价格为6， 

候选网络i对决策属性j的表现d_ij(i＝1,2,…,5；j＝1,2,…,6)如表1： 

表1 

步骤二：利用步骤一构建的决策矩阵D生成归一化决策矩阵A， 

其中， $a_{\mathrm{ij}}=d_{\mathrm{ij}}/\sqrt{\mathrm{\Σ}{d}_{\mathrm{ij}}^2},i=\mathrm{1,2},...,5;j=\mathrm{1,2},...,6;$

步骤三：依据用户偏好和业务类型构建层次化结构模型，其中各决策属性与不同业务类型的关联程度如表2所示， 

表2 

为各决策属性执行主观赋权，构建层次化模型如附图3，该层次化结构模型中的目标层是选择的最佳网络，准则层是决策属性，方案层是候选网络，根据各决策属性的相对重要性，计算主观权重

对主观权重做归一化处理，得到归一化主观权重为， 

步骤四：根据熵的定义，计算各决策属性的熵，决策属性j的熵e_j为： 

$e_j=-{\mathrm{\Σ}}_{i=1}^m{p}_{\mathrm{ij}}\·\ln p_{\mathrm{ij}},j=\mathrm{1,2},...,6,$

其中， $p_{\mathrm{ij}}=a_{\mathrm{ij}}/{\mathrm{\Σ}}_{i=1}^5{a}_{\mathrm{ij}},i=\mathrm{1,2},...,5;j=\mathrm{1,2},...,6;$

步骤五：利用步骤四获得的熵e_j计算决策属性j的熵权，并将其作为客观权重 ${\mathrm{\ω}}_j^O=(1-e_j)/(n-{\mathrm{\Σ}}_{j=1}^n{e}_j),j=\mathrm{1,2},...,6,$

步骤六：将步骤三获得的归一化主观权重和步骤四获得的客观权重加权组合得到决策属性j的复合权重ω_j，  ${\mathrm{\ω}}_j=\mathrm{\α}{\mathrm{\ω}}_j^S+(1-\mathrm{\α}){\mathrm{\ω}}_j^O,j=\mathrm{1,2},...,6$

其中，α∈(0,1)，典型值取α＝0.5； 

步骤七：利用步骤六获得的复合权重ω_j对步骤二构建的归一化决策矩阵A中各元素加权，生成加权归一化决策矩阵V， 

其中，v_ij＝a_ij×ω_j,i＝1,2,…,5；j＝1,2,…,6； 

步骤八：确定正理想值I⁺和负理想值I^-， 

$I^{+}=[v_1^{+},v_2^{+},...,v_5^{+}],I^{-}=[v_1^{-},v_2^{-},...,v_5^{-}],$

其中， 

对于向上型决策属性，如传输速率和网络可用负载，  $v_i^{+}=\max \left\{v_{\mathrm{ij}}\right\},v_i^{-}=\min \left\{v_{\mathrm{ij}}\right\},i=\mathrm{1,2},...,5;j=\mathrm{4,5};$

对于向下型决策属性，如时延、丢包率、时延抖动、价格，  $v_i^{+}=\min \left\{v_{\mathrm{ij}}\right\},v_i^{-}=\max \left\{v_{\mathrm{ij}}\right\},i=\mathrm{1,2},...,5;j=\mathrm{1,2},\mathrm{3,6};$

步骤九：计算候选网络i与正理想值I⁺之间的绝对距离和候选网络i与负理想值I^-之间的绝对距离 $S_i^{+}={\mathrm{\Σ}}_{j=1}^n|v_i^{+}-v_{\mathrm{ij}}|,S_i^{-}={\mathrm{\Σ}}_{j=1}^n|v_{\mathrm{ij}}-v_i^{-}|,i=\mathrm{1,2},...,5,$

步骤十：选择具有最小和最大的候选网络作为理想网络P，即  $P~\left(\min \right\{S_i^{+}\},\max \{S_i^{-}\},i=\mathrm{1,2},...,5);$

步骤十一：计算候选网络i与理想网络P之间的有效距离C_i，  $C_i=\sqrt{{(S_i^{+}-\min \{S_i^{+}\left\}\right)}^2+{\left(\min \right\{S_i^{-}\}-S_i^{-})}^2},i=\mathrm{1,2},...,5.$

根据C_i对各候选网络执行降序排列，得到所有候选网络的优劣排序； 

步骤十二：选择距离值C_i最小的候选网络作为最佳网络。 

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。 

Claims (2)

1.一种异构多认知无线网络共存环境中的网络选择方法，其特征在于：为了在保障用户偏好和业务需求的同时，提高网络整体资源利用率，实现用户与网络运营商各自利益的折中，采用改进的逼近理想解排序法(Improved Technique forOrder Preference by Similarity to an Ideal Solution,ITOPSIS)避免候选网络排序异常；引入熵权作为决策属性的客观权重，依据决策属性与业务类型、网络性能之间的关联关系定义主观权重，将客观权重和主观权重组合形成复合权重，采用复合权重加权ITOPSIS算法执行最佳网络选择，均衡网络负载，合理利用网络资源。

2.根据权利要求1所述，一种异构多认知无线网络共存环境中的网络选择方法，其特征在于由以下步骤组成：

步骤一：构建决策矩阵D，

其中，m表示候选网络数，n表示决策属性数，d_ij(i＝1,2,…,m；j＝1,2,…,n)表示候选网络i对决策属性j的表现；

步骤二：利用步骤一构建的决策矩阵D生成归一化决策矩阵A，

其中， $a_{\mathrm{ij}}=d_{\mathrm{ij}}/\sqrt{\mathrm{\Σ}{d}_{\mathrm{ij}}^2},i=\mathrm{1,2},...,m;j=\mathrm{1,2},...,n;$

步骤三：依据用户偏好和业务类型构建层次化结构模型，为各决策属性执行主观赋权，该层次化结构模型中的目标层是选择的最佳网络，准则层是决策属性，方案层是候选网络，根据各决策属性的相对重要性，计算主观权重

对主观权重做归一化处理，得到归一化主观权重为，

步骤四：根据熵的定义，计算各决策属性的熵，决策属性j的熵e_j为：

$e_j=-{\mathrm{\Σ}}_{i=1}^m{p}_{\mathrm{ij}}\·\ln p_{\mathrm{ij}},j=\mathrm{1,2},...,n,$

其中， $p_{\mathrm{ij}}=a_{\mathrm{ij}}/{\mathrm{\Σ}}_{i=1}^m{a}_{\mathrm{ij}},i=\mathrm{1,2},...,m;j=\mathrm{1,2},...,n;$

步骤五：利用步骤四获得的熵e_j计算决策属性j的熵权，并将其作为客观权重 ${\mathrm{\ω}}_j^O=(1-e_j)/(n-{\mathrm{\Σ}}_{j=1}^n{e}_j),j=\mathrm{1,2},...,n,$

熵权表征了决策属性能提供的信息量，决策属性的熵权越大，表明提供的信息量越多，如果某决策属性的熵权为0，表明该决策属性未提供有用信息，在该决策属性下所有候选网络无差异，应从评估指标体系中剔除该决策属性；

步骤六：将步骤三获得的归一化主观权重和步骤四获得的客观权重加权组合得到决策属性j的复合权重ω_j， ${\mathrm{\ω}}_j=\mathrm{\α}{\mathrm{\ω}}_j^S+(1-\mathrm{\α}){\mathrm{\ω}}_j^O,j=\mathrm{1,2},...,n$

其中，α∈(0,1)，典型值取α＝0.5；

步骤七：利用步骤六获得的复合权重ω_j对步骤二构建的归一化决策矩阵A中各元素加权，生成加权归一化决策矩阵V，

其中，v_ij＝a_ij×ω_j,i＝1,2,…,m；j＝1,2,…,n；

步骤八：确定正理想值I⁺和负理想值I^-，

$I^{+}=[v_1^{+},v_2^{+},...,v_m^{+}],I^{-}=[v_1^{-},v_2^{-},...,v_m^{-}],$

其中，

对于向上型决策属性， $v_i^{+}=\max \left\{v_{\mathrm{ij}}\right\},v_i^{-}=\min \left\{v_{\mathrm{ij}}\right\},i=\mathrm{1,2},...,m;j=\mathrm{1,2},...,n;$

对于向下型决策属性， $v_i^{+}=\min \left\{v_{\mathrm{ij}}\right\},v_i^{-}=\max \left\{v_{\mathrm{ij}}\right\},i=\mathrm{1,2},...,m;j=\mathrm{1,2},...,n;$

步骤九：计算候选网络i与正理想值I⁺之间的绝对距离和候选网络i与负理想值I^-之间的绝对距离 $S_i^{+}={\mathrm{\Σ}}_{j=1}^n|v_i^{+}-v_{\mathrm{ij}}|,S_i^{-}={\mathrm{\Σ}}_{j=1}^n|v_{\mathrm{ij}}-v_i^{-}|,i=\mathrm{1,2},...,m,$

步骤十：选择具有最小和最大的候选网络作为理想网络P，即 $P~\left(\min \right\{S_i^{+}\},\max \{S_i^{-}\},i=\mathrm{1,2},...,m);$

步骤十一：计算候选网络i与理想网络P之间的有效距离C_i， $C_i=\sqrt{{(S_i^{+}-\min \{S_i^{+}\left\}\right)}^2+{\left(\min \right\{S_i^{-}\}-S_i^{-})}^2},i=\mathrm{1,2},...,m.$

根据C_i对各候选网络执行降序排列，得到所有候选网络的优劣排序；

步骤十二：选择距离值C_i最小的候选网络作为最佳网络。