CN104968015A - 一种多rat并发传输方法和装置 - Google Patents

Abstract

本发明公开了一种新型的多流并发传输方法和装置，涉及异构网络通讯技术，目的是解决多流时延不一致在接收端造成的乱序问题。与现有技术相比，本发明创造性地引入“数据源的包到达特征”，将多流并发传输问题建模为“批到达”的M/G/m排队论模型，基于数学推理按比例地将单一流分裂为多条流进行传输，达到大数统计意义上的彻底消除多流时延差异的技术效果。

Description

一种多RAT并发传输方法和装置

技术领域

本发明涉及一种异构网络，特别是涉及一种多RAT(Multiple Radio Access Technologies)异构网络的并发传输方法和装置。

背景技术

由于移动互联网用户需求和业务的多样化，以及WiFi技术与传统的蜂窝网络在业务承载能力、生命周期更替规律等方面的差异性，在未来相当长的时间内，移动运营商将面对WiFi与2G/3G,LTE等多种异构无线接入技术长期共存的局面。因此，如何做到异构网络之间的相互协同、优势互补，提升WiFi网络的业务价值和网络利用率，有效缓解目前蜂窝网络的数据业务压力，实现多网深度融合和平衡发展的目标，最终向用户提供无缝连接和一致体验，是移动运营商面对关键技术难题。

目前，LTE-A与WiFi网络的深入融合仍有许多关键技术难题亟待解决。例如，目前3GPP提出的IFOM方案中，提出了多模终端用户在LTE和WiFi网络共存情况下进行负载迁移、并发传输的场景和案例，但是针对这些场景下的IFOM决策都较为简单。为了提升网络容量，LTE-A网络将朝着Small Cell方向演进，未来网络节点将更为密集，终端用户往往同时处于多个LTE基站及WiFi AP节点的覆盖范围。此时，在设计IFOM方案时，除了需要考虑信号强度，还要考虑信道利用率、网络吞吐量、时延等QoS相关因素，才能获得更优的系统性能和用户体验，这也是3GPP R12所关注的LTE-A网络融合的重点问题之一。

1、现有技术一的技术方案(专利号CN20101021038.4)

此方案公开了一种多网络接口设备的数据并发传输方法，主要应用在多网络接口的PC机上。它通过改进分组调度算法，试图解决数据分发调度不合理、接收乱序及快速重传效率低下等问题。具体的，它通过对SCTP协议进行改进实现调度；并且，对拥塞窗口更新算法的改进，在每条路径上独立的使用拥塞控制机制。现有技术一的缺点是该发明基于传输层的SCTP协议修改，实时性效果不好。

2、现有技术二的技术方案(专利号CN20121055122.5)

该发明公开了一种无线异构网络系统中基于跨层优化的数据并发传输方法。在网关的网络层和数据链路层之间构造一个新的协议层，称为跨层处理层。它在跨层处理层构造虚拟网卡，基于跨层优化的数据并发传输方法，试图实现无线异构网络系统中并发数据的均衡传输。现有技术二的缺点是该发明依赖端到端时延RTT的测量，实时性效果不好。

3、现有技术三的技术方案(专利申请号CN20121048255.9)

该发明公开了一种多流业务并发传输控制方法及装置，它试图克服无法充分利用聚合带宽资源导致不必要的数据重传的缺陷，避免接收端乱序而导致的不必要的重传和链路带宽拥塞。现有技术三的缺点是该发明仅依赖链路传输时延的估计和预测，它解决乱序问题的方式很难在实际中应用。而且，它没有考虑数据源的包到达特征。

因此，本领域的技术人员致力于开发一种多RAT并发传输方法,解决多流时延不一致在接收端的造成的乱序问题。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是多流时延不一致在接收端的造成的乱序问题。

为实现上述目的，本发明提供了一种多RAT(Multiple Radio Access Technologies)并发传输方法，将多流并发传输问题建模为“批到达”的M/G/m排队论模型，基于数学步骤按比例地将单一流分裂为多条流进行传输，在大数统计意义上消除多流时延差异。

进一步地，所述数学步骤如下：

步骤1：调度器根据不同链路的反馈信息以及总的数据包到达率计算数据包在不同链路上的理论时延；

步骤2：调度器先将多流时延问题建模为凸优化模型，再转为拉格朗日对偶问题进行求解；如果是2流问题，则得到解析解；如果是大于等于3流问题，则得到迭代解；

步骤3a：调度器确定单一流分裂成多条流的流量比例的大数概率方案；调度器将数据包按概率在不同链路上进行传输；

步骤3b：调度器确定单一流分裂成多条流的流量比例；

步骤4：重复迭代步骤3，直到结果收敛为止；调度器确定流量比例的大数概率方案，将数据包按概率在不同链路上进行传输。

进一步地，步骤1中所述理论延迟的总时延公式如下：

$T_j=\stackrel{\‾}{W_j}+\stackrel{\‾}{X_j}=\frac{{\mathrm{\ρ}}_j\stackrel{\‾}{X_j^2}}{(1-{\mathrm{\ρ}}_j)\stackrel{\‾}{X_j}}+\frac{(\stackrel{\‾}{G^2}-\stackrel{\‾}{G})\stackrel{\‾}{X_j}}{2\stackrel{\‾}{G}(1-{\mathrm{\ρ}}_j)}+\stackrel{\‾}{X_j}$

其中，表示批到达数据包的平均等待时间，和分别表示到数据包到达分布的一阶矩和二阶矩，和分别表示RAT j服务率的一阶矩和二阶矩， 为批到达率与服务率的比值；公式的第一项为单个数据包到达的时延，第二项为由于批到达所增加的额外的平均时延；表示RAT j上的平均服务时间，为服务率的倒数，即

进一步地，步骤2中所述凸优化模型如下：

$\begin{array}{ccc}\min & \underset{j}{\max }& T_j\end{array}---\left(1\right)$

$\begin{array}{cc}s.t.& {\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}\end{array},<{\mathrm{\&mu;}}_j,1\&le;j\&le;M,---\left(2\right)$

$\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}=\mathrm{\&lambda;}\stackrel{\&OverBar;}{G},---\left(3\right)$

${\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}\&GreaterEqual;\mathrm{0,1}\&le;j\&le;M.---\left(4\right)$

其中，约束条件(2)保证对于一个RAT来说，数据包的到达率要小于其RAT的服务率，即要完成有效传输；约束条件(3)要求分流后的所有RATs上的到达率总和等于总的数据包到达率；约束条件(4)要求分流后每个RAT上的数据包到达率不能为负值。

进一步地，步骤3a所述大数概率方案在双流场景下的解析解如下：

$\begin{array}{cc}{\mathrm{\&lambda;}}_1^{*}=\frac{-b\&PlusMinus;\sqrt{b^2-4\mathrm{ac}}}{b^2}& {\mathrm{\&lambda;}}_2^{*}=\mathrm{\&lambda;}-{\mathrm{\&lambda;}}_1^{*}\end{array}$

其中，a、b、c如下：

$a=2{\stackrel{\&OverBar;}{G}}^3({\mathrm{\&mu;}}_1\stackrel{\&OverBar;}{X_1^2}-{\mathrm{\&mu;}}_2\stackrel{\&OverBar;}{X_2^2}+\frac{1}{{\mathrm{\&mu;}}_2}-\frac{1}{{\mathrm{\&mu;}}_1})$

$\begin{array}{c}b=2{\stackrel{\&OverBar;}{G}}^2[{\mathrm{\&mu;}}_1{\mathrm{\&mu;}}_2(\stackrel{\&OverBar;}{X_1^2}+\stackrel{\&OverBar;}{X_2^2})-\mathrm{\&lambda;}\stackrel{\&OverBar;}{G}({\mathrm{\&mu;}}_1\stackrel{\&OverBar;}{X_1^2}-{\mathrm{\&mu;}}_2\stackrel{\&OverBar;}{X_2^2})+\\ \frac{\stackrel{\&OverBar;}{G^2}}{\stackrel{\&OverBar;}{G}}-1-(\frac{1}{{\mathrm{\&mu;}}_2}-\frac{1}{{\mathrm{\&mu;}}_1})({\mathrm{\&mu;}}_1-{\mathrm{\&mu;}}_2+\mathrm{\&lambda;}\stackrel{\&OverBar;}{G})]\end{array}$

$c=(\stackrel{\&OverBar;}{G^2}-\stackrel{\&OverBar;}{G})({\mathrm{\&mu;}}_2-{\mathrm{\&mu;}}_1-\mathrm{\&lambda;}\stackrel{\&OverBar;}{G})-2\stackrel{\&OverBar;}{G}(\frac{1}{{\mathrm{\&mu;}}_2}-\frac{1}{{\mathrm{\&mu;}}_1})({\mathrm{\&mu;}}_1{\mathrm{\&mu;}}_2-\mathrm{\&lambda;}{\mathrm{\&mu;}}_1\stackrel{\&OverBar;}{G})$

进一步地，步骤3b中所述确定分流流量比例的过程如下：

(1)拉格朗日函数变形为：

$\begin{array}{c}L(T,\mathrm{\&lambda;})=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_j{T}_j+{\mathrm{\&beta;}}_j{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}+\mathrm{\&gamma;}{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G})+(1-\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_j)T\\ -\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_j{\mathrm{\&mu;}}_j-\mathrm{\&gamma;\&lambda;}\stackrel{\&OverBar;}{G}\\ =\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{L}_j\left({\mathrm{\&lambda;}}_j\right)+L_0\left(T\right)-(\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_j{\mathrm{\&mu;}}_j+\mathrm{\&gamma;\&lambda;}\stackrel{\&OverBar;}{G})\end{array};$

(2)其中： $L_j\left({\mathrm{\&lambda;}}_j\right)={\mathrm{\&Sigma;}}_{j=1}^M({\mathrm{\&alpha;}}_j{T}_j+{\mathrm{\&beta;}}_j{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}+\mathrm{\&gamma;}{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G})$

$L_0\left(T\right)=(1-{\mathrm{\&Sigma;}}_{j=1}^M{\mathrm{\&alpha;}}_j)T;$

(3)给定拉格朗日参数，即可求得每个小的拉格朗日函数，即

${\mathrm{\&lambda;}}_j\left(t\right)=\arg {\min }_{{\mathrm{\&lambda;}}_j}{L}_j\left({\mathrm{\&lambda;}}_j\right);$

(4)问题转化为拉格朗日对偶问题：

${\max }_{{\mathrm{\&alpha;}}_j,{\mathrm{\&beta;}}_j,\mathrm{\&gamma;}}{\mathrm{\&Sigma;}}_{j=1}^M{L}_j\left({\mathrm{\&lambda;}}_j\right)+L_T\left(T\right)-({\mathrm{\&Sigma;}}_{j=1}^M{\mathrm{\&beta;}}_j{\mathrm{\&mu;}}_j+\mathrm{\&gamma;\&lambda;}\stackrel{\&OverBar;}{G});$

(5)设定迭代步长，并初始化拉格朗日参数，并由此计算出此时的最优λ_j，继

而确定所有RATs上的最大时延；

(6)初始化拉格朗日参数，由可以求得此时最优的λ_j；

(7)根据公式 $T\left(t\right)=T(t-1)-(1-{\mathrm{\&Sigma;}}_{j=1}^M{\mathrm{\&alpha;}}_j){\mathrm{\&Delta;}}_t$ 来更新T的值；

(8)根据上述得到的结果，用梯度值来更新拉格朗日参数，公式如下：

$\left\{\begin{array}{cc}{\mathrm{\&alpha;}}_j\left(t\right)={\mathrm{\&alpha;}}_j(t-1)+\frac{\&PartialD;L(T,\mathrm{\&lambda;})}{{\&PartialD;\mathrm{\&alpha;}}_j}{\mathrm{\&Delta;}}_t& \frac{\&PartialD;L(T,\mathrm{\&lambda;})L}{{\&PartialD;\mathrm{\&alpha;}}_j}=T_j-T,\\ {\mathrm{\&beta;}}_j\left(t\right)={\mathrm{\&beta;}}_j(t-1)+\frac{\&PartialD;L(T,\mathrm{\&lambda;})}{{\&PartialD;\mathrm{\&beta;}}_j}{\mathrm{\&Delta;}}_t& \frac{\&PartialD;L(T,\mathrm{\&lambda;})}{{\&PartialD;\mathrm{\&beta;}}_j}={\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}-{\mathrm{\&mu;}}_j,\\ \mathrm{\&gamma;}\left(t\right)=\mathrm{\&gamma;}(t-1)+\frac{\&PartialD;L(T,\mathrm{\&lambda;})}{\&PartialD;\mathrm{\&gamma;}}{\mathrm{\&Delta;}}_t& \frac{\&PartialD;L(T,\mathrm{\&lambda;})}{\&PartialD;\mathrm{\&gamma;}}=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}-\mathrm{\&lambda;}\stackrel{\&OverBar;}{G}.\end{array}\right..$

本发明还提供了一种多RAT(Multiple Radio Access Technologies)并发传输装置，将多流并发传输问题建模为“批到达”的M/G/m排队论模型，基于数学步骤按比例地将单一流分裂为多条流进行传输，在大数统计意义上的消除多流时延差异。

进一步地，所述数学步骤如下：

步骤1：调度器根据不同链路的反馈信息以及总的数据包到达率计算数据包在不同链路上的理论时延；

步骤2：调度器先将多流时延问题建模为凸优化模型，再转为拉格朗日对偶问题进行求解；如果是2流问题，则得到解析解；如果是大于等于3流问题，则得到迭代解；

步骤3a：调度器确定单一流分裂成多条流的流量比例的大数概率方案；调度器将数据包按概率在不同链路上进行传输；

步骤3b：调度器确定单一流分裂成多条流的流量比例；

步骤4：重复迭代步骤3，直到结果收敛为止；调度器确定流量比例的大数概率方案，将数据包按概率在不同链路上进行传输。

本发明提出一种新型的多流并发传输方法和装置，目的是解决多流时延不一致在接收端的造成的乱序问题。与现有技术相比，本发明创造性地引入“数据源的包到达特征”，将多流并发传输问题建模为“批到达”的M/G/m排队论模型，基于数学推理 按比例地将单一流分裂为多条流进行传输，达到大数统计意义上的彻底消除多流时延差异的技术效果。

本发明可以应用在基于Cloud-WiFi架构的异构网络中，在Cloud-WiFi架构下，Cloud-AC可以获取WiFi网络中各AP节点的实时/准实时状态信息，通过与LTE-A的深入融合，可以优化终端用户在LTE-A和WiFi网络间的切换、负载迁移、负载均衡等决策。

我们所研究的场景如图5所示。用户终端同时连接WiFi和LTE网络分别为RAT1和RAT2链路，上行或下行数据都可以通过这两条链路流通。在实际应用中，由于各个RAT共用某些无线资源(带宽)，分配给某种RAT的带宽资源是有限的。当一个新用户接入网络时，由于网络现有的用户数量及其业务需求都会对可用的网络资源产生影响，因此需要根据各RAT的可用资源情况进行决策。针对用户的某种业务，从保证QoS的角度出发，在网络中已有用户占用了部分RAT资源的情况下，可以通过估计RAT的可达数据率和传输时延，得到当前网络状态的信息。此时，如果某个RAT具有足够可用资源时，可以为用户分配最大带宽，而当该RAT已达到自身网络容量限制时，则充分利用重叠覆盖的其他RAT的可用资源，满足用户的最小带宽需求。此外，对用户而言，还必须考虑不同RAT方式接入网络时的功耗和费用问题，可以为用户设计相应的效用函数，在满足用户当前业务需求的情况下，尽可能的最小化用户的功率消耗和费用，或者在用户的功耗或费用受限制的情况下，最大化QoS性能。

本发明方法基于数学推理按比例地将单一流分裂为多条流进行传输，达到大数统计意义上的彻底消除多流时延差异的技术效果；从源头上克服多流并行传输技术遇到的多流时延不一致问题。

图6，图7，图8分别与算法的对比和算法的收敛性能的模拟仿真结果，模拟场景为3个RATs的，数据包的到达符合“批到达”的M/G/m排队论模型，采用的对比算法为OMMA算法。图6的纵坐标表示网络时延(Seconds)，横坐标表示数据包到达率(Mbps)。可以观察到DOCT算法较其他在3个RATs上的时延更为均衡，代表采用本发明技术方案较好地从源头上克服多流并行传输技术遇到的多流时延不一致问题。图7，图8表示算法的收敛性能，可以看到分流后的到达率在一定迭代步骤(如图大约250步)之内收敛。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的工作流程图；

图2是本发明的一个较佳实施例的数据流、控制流图；

图3是本发明的一个较佳实施例的2RATs分流图；

图4是本发明的一个较佳实施例的3RATs分流图；

图5是本发明的一个较佳实施例的多RAT分流场景；

图6是本发明的一个较佳实施例与OMMA算法的网络时延对比；

图7是本发明的一个较佳实施例的算法的收敛过程(包到达率)；

图8是本发明的一个较佳实施例的算法的收敛过程(网络延迟)；

具体实施方式

本发明提出的并发传输分流方法，如图1，图2所示，包括以下步骤：

步骤1：调度器根据不同链路的反馈信息以及总的数据包到达率计算数据包在不同链路上的理论时延。总时延公式如下：

$T_j=\stackrel{\&OverBar;}{W_j}+\stackrel{\&OverBar;}{X_j}=\frac{{\mathrm{\&rho;}}_j\stackrel{\&OverBar;}{X_j^2}}{(1-{\mathrm{\&rho;}}_j)\stackrel{\&OverBar;}{X_j}}+\frac{(\stackrel{\&OverBar;}{G^2}-\stackrel{\&OverBar;}{G})\stackrel{\&OverBar;}{X_j}}{2\stackrel{\&OverBar;}{G}(1-{\mathrm{\&rho;}}_j)}+\stackrel{\&OverBar;}{X_j}$

其中，表示批到达数据包的平均等待时间，和分别表示到数据包到达分布的一阶矩和二阶矩，和分别表示RAT j服务率的一阶矩和二阶矩， 为批到达率与服务率的比值。公式的第一项为单个数据包到达的时延，第二项为由于批到达所增加的额外的平均时延。表示RAT j上的平均服务时间，为服务率的倒数，即

步骤2：调度器先将多流时延问题建模为凸优化问题，再转为拉格朗日对偶问题进行求解。如果是2流问题，此处可以得到解析解；如果是大于等于3流问题，此处只能得到迭代解。凸优化模型如下：

$\begin{array}{ccc}\min & \underset{j}{\max }& T_j\end{array}---\left(1\right)$

$\begin{array}{cc}s.t.& {\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}\end{array},<{\mathrm{\&mu;}}_j,1\&le;j\&le;M,---\left(2\right)$

$\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}=\mathrm{\&lambda;}\stackrel{\&OverBar;}{G},---\left(3\right)$

${\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}\&GreaterEqual;\mathrm{0,1}\&le;j\&le;M.---\left(4\right)$

其中，约束条件(2)保证对于一个RAT来说，数据包的到达率要小于其RAT的服务率，即要完成有效传输。约束条件(3)要求分流后的所有RATs上的到达率总和等于总的数据包到达率。约束条件(4)要求分流后每个RAT上的数据包到达率不能为负值。

步骤3a：调度器确定单一流分裂成多条流的流量比例的大数概率方案。调度器将数据包按概率在不同链路上进行传输。双流场景下的解析解如下：

$\begin{array}{cc}{\mathrm{\&lambda;}}_1^{*}=\frac{-b\&PlusMinus;\sqrt{b^2-4\mathrm{ac}}}{b^2}& {\mathrm{\&lambda;}}_2^{*}=\mathrm{\&lambda;}-{\mathrm{\&lambda;}}_1^{*}\end{array}$

其中，a、b、c如下：

$a=2{\stackrel{\&OverBar;}{G}}^3({\mathrm{\&mu;}}_1\stackrel{\&OverBar;}{X_1^2}-{\mathrm{\&mu;}}_2\stackrel{\&OverBar;}{X_2^2}+\frac{1}{{\mathrm{\&mu;}}_2}-\frac{1}{{\mathrm{\&mu;}}_1})$

$\begin{array}{c}b=2{\stackrel{\&OverBar;}{G}}^2[{\mathrm{\&mu;}}_1{\mathrm{\&mu;}}_2(\stackrel{\&OverBar;}{X_1^2}+\stackrel{\&OverBar;}{X_2^2})-\mathrm{\&lambda;}\stackrel{\&OverBar;}{G}({\mathrm{\&mu;}}_1\stackrel{\&OverBar;}{X_1^2}-{\mathrm{\&mu;}}_2\stackrel{\&OverBar;}{X_2^2})+\\ \frac{\stackrel{\&OverBar;}{G^2}}{\stackrel{\&OverBar;}{G}}-1-(\frac{1}{{\mathrm{\&mu;}}_2}-\frac{1}{{\mathrm{\&mu;}}_1})({\mathrm{\&mu;}}_1-{\mathrm{\&mu;}}_2+\mathrm{\&lambda;}\stackrel{\&OverBar;}{G})]\end{array}$

$c=(\stackrel{\&OverBar;}{G^2}-\stackrel{\&OverBar;}{G})({\mathrm{\&mu;}}_2-{\mathrm{\&mu;}}_1-\mathrm{\&lambda;}\stackrel{\&OverBar;}{G})-2\stackrel{\&OverBar;}{G}(\frac{1}{{\mathrm{\&mu;}}_2}-\frac{1}{{\mathrm{\&mu;}}_1})({\mathrm{\&mu;}}_1{\mathrm{\&mu;}}_2-\mathrm{\&lambda;}{\mathrm{\&mu;}}_1\stackrel{\&OverBar;}{G})$

步骤3b：调度器确定单一流分裂成多条流的流量比例。

(1)拉格朗日函数变形为：

$\begin{array}{c}L(T,\mathrm{\&lambda;})=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_j{T}_j+{\mathrm{\&beta;}}_j{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}+\mathrm{\&gamma;}{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G})+(1-\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_j)T\\ -\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_j{\mathrm{\&mu;}}_j-\mathrm{\&gamma;\&lambda;}\stackrel{\&OverBar;}{G}\\ =\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{L}_j\left({\mathrm{\&lambda;}}_j\right)+L_0\left(T\right)-(\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_j{\mathrm{\&mu;}}_j+\mathrm{\&gamma;\&lambda;}\stackrel{\&OverBar;}{G})\end{array}$

(2)其中： $L_j\left({\mathrm{\&lambda;}}_j\right)={\mathrm{\&Sigma;}}_{j=1}^M({\mathrm{\&alpha;}}_j{T}_j+{\mathrm{\&beta;}}_j{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}+\mathrm{\&gamma;}{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G})$

$L_0\left(T\right)=(1-{\mathrm{\&Sigma;}}_{j=1}^M{\mathrm{\&alpha;}}_j)T$

(3)给定拉格朗日参数，即可求得每个小的拉格朗日函数，即

${\mathrm{\&lambda;}}_j\left(t\right)=\arg {\min }_{{\mathrm{\&lambda;}}_j}{L}_j\left({\mathrm{\&lambda;}}_j\right)$

(4)问题转化为拉格朗日对偶问题：

${\max }_{{\mathrm{\&alpha;}}_j,{\mathrm{\&beta;}}_j,\mathrm{\&gamma;}}{\mathrm{\&Sigma;}}_{j=1}^M{L}_j\left({\mathrm{\&lambda;}}_j\right)+L_T\left(T\right)-({\mathrm{\&Sigma;}}_{j=1}^M{\mathrm{\&beta;}}_j{\mathrm{\&mu;}}_j+\mathrm{\&gamma;\&lambda;}\stackrel{\&OverBar;}{G})$

(5)设定迭代步长，并初始化拉格朗日参数，并由此计算出此时的最优λ_j，继而确定所有RATs上的最大时延。

(6)初始化拉格朗日参数，由可以求得此时最优的λ_j。

(7)根据公式 $T\left(t\right)=T(t-1)-(1-{\mathrm{\&Sigma;}}_{j=1}^M{\mathrm{\&alpha;}}_j){\mathrm{\&Delta;}}_t$ 来更新T的值。

(8)根据上述得到的结果，用梯度值来更新拉格朗日参数，公式如下：

$\left\{\begin{array}{cc}{\mathrm{\&alpha;}}_j\left(t\right)={\mathrm{\&alpha;}}_j(t-1)+\frac{\&PartialD;L(T,\mathrm{\&lambda;})}{{\&PartialD;\mathrm{\&alpha;}}_j}{\mathrm{\&Delta;}}_t& \frac{\&PartialD;L(T,\mathrm{\&lambda;})L}{{\&PartialD;\mathrm{\&alpha;}}_j}=T_j-T,\\ {\mathrm{\&beta;}}_j\left(t\right)={\mathrm{\&beta;}}_j(t-1)+\frac{\&PartialD;L(T,\mathrm{\&lambda;})}{{\&PartialD;\mathrm{\&beta;}}_j}{\mathrm{\&Delta;}}_t& \frac{\&PartialD;L(T,\mathrm{\&lambda;})}{{\&PartialD;\mathrm{\&beta;}}_j}={\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}-{\mathrm{\&mu;}}_j,\\ \mathrm{\&gamma;}\left(t\right)=\mathrm{\&gamma;}(t-1)+\frac{\&PartialD;L(T,\mathrm{\&lambda;})}{\&PartialD;\mathrm{\&gamma;}}{\mathrm{\&Delta;}}_t& \frac{\&PartialD;L(T,\mathrm{\&lambda;})}{\&PartialD;\mathrm{\&gamma;}}=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}-\mathrm{\&lambda;}\stackrel{\&OverBar;}{G}.\end{array}\right.$

步骤4：重复迭代步骤3，直到结果收敛为止。调度器确定流量比例的大数概率方案，将数据包按概率在不同链路上进行传输。

本发明具体实施例一，如图3所示：

a)假设一个异构网络中有WiFi和蜂窝网络两种类型，并且某个STA用户终端支持这两种网络，而且同时接入了WiFi和蜂窝网络。 

b)RAT调度器根据WiFi和蜂窝网络链路的服务速率以及总的数据包到达率的测量值，计算出STA数据包在WiFi和蜂窝网络链路上的理论时延。

c)RAT调度器根据公式解出数据流在WiFi和蜂窝网络上的到达率最优解λ1和λ2。

d)调度器确定流量比例的大数概率方案，将数据包按概率在不同链路上进行传输，当一个数据包到达RAT调度器时，可以根据前面算出的流量比例λ1和λ2，按照概率λ1/(λ1+λ2)来走RAT 1,以及λ2/(λ1+λ2)来走RAT 2。

本发明具体实施例二，如图4所示：

a)假设一个异构网络中有RAT1、RAT2、RAT3三种网络类型，并且某个STA用户终端支持这三种网络，而且同时接入了这三种网络。

b)RAT调度器根据RAT1、RAT2、RAT3链路的服务速率以及总的数据包到达率的测量值，计算出STA数据包在RAT1、RAT2、RAT3链路上的理论时延。

c)RAT调度器将问题转化为拉格朗日对偶问题，设定迭代步长，并初始化拉格朗日参数，并由此计算出此时的最优λj，继而确定所有RATs上的最大时延；更新T的值；用梯度值来更新拉格朗日参数。

d)重复c中迭代步骤，直到结果收敛为止，此时可以得到收敛时的RAT1、RAT2、RAT3链路数据包到达率λ1，λ2，λ3。

e)调度器确定流量比例的大数概率方案，将数据包按概率在不同链路上进行传输，当一个数据包到达RAT调度器时，可以根据前面算出的流量比例λ1、λ2和λ3，按照概率λ1/(λ1+λ2+λ3)来走RAT 1,λ2/(λ1+λ2+λ3)来走RAT 2，以及λ3/(λ1+λ2+λ3)来走RAT 3。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (8)

1.一种多RAT(Multiple Radio Access Technologies)并发传输方法，其特征在于，将多流并发传输问题建模为“批到达”的M/G/m排队论模型，基于数学步骤按比例地将单一流分裂为多条流进行传输，在大数统计意义上的消除多流时延差异。

2.如权利要求1所述的一种多RAT并发传输方法，其特征在于，所述数学步骤如下：

步骤1：调度器根据不同链路的反馈信息以及总的数据包到达率计算数据包在不同链路上的理论时延；

步骤2：调度器先将多流时延问题建模为凸优化模型，再转为拉格朗日对偶问题进行求解；如果是2流问题，则得到解析解；如果是大于等于3流问题，则得到迭代解；

步骤3a：调度器确定单一流分裂成多条流的流量比例的大数概率方案；调度器将数据包按概率在不同链路上进行传输；

步骤3b：调度器确定单一流分裂成多条流的流量比例；

步骤4：重复迭代步骤3，直到结果收敛为止；调度器确定流量比例的大数概率方案，将数据包按概率在不同链路上进行传输。

3.如权利要求2所述的一种多RAT并发传输方法，其特征在于，步骤1中所述理论延迟的总时延公式如下：

$T_j=\stackrel{\&OverBar;}{W_j}+\stackrel{\&OverBar;}{X_j}=\frac{{\mathrm{\&rho;}}_j\stackrel{\&OverBar;}{X_j^2}}{(1-{\mathrm{\&rho;}}_j)\stackrel{\&OverBar;}{X_j}}+\frac{(\stackrel{\&OverBar;}{G^2}-\stackrel{\&OverBar;}{G})\stackrel{\&OverBar;}{X_j}}{2\stackrel{\&OverBar;}{G}(1-{\mathrm{\&rho;}}_j)}+\stackrel{\&OverBar;}{X_j}$

其中，表示批到达数据包的平均等待时间，和分别表示到数据包到达分布的一阶矩和二阶矩，和分别表示RAT j服务率的一阶矩和二阶矩，为批到达率与服务率的比值；公式的第一项为单个数据包到达的时延，第二项为由于批到达所增加的额外的平均时延；表示RAT j上的平均服务时间，为服务率的倒数，即

4.如权利要求2所述的一种多RAT并发传输方法，其特征在于，步骤2中所述凸优化模型如下：

$\begin{array}{ccc}\min & \underset{j}{\max }{T}_j& \left(1\right)\\ s.t.& {\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}<{\mathrm{\&mu;}}_j,1\&le;j\&le;M,& \left(2\right)\\ & \underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}=\mathrm{\&lambda;}\stackrel{\&OverBar;}{G},& \left(3\right)\\ & {\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}\&GreaterEqual;\mathrm{0,1}\&le;j\&le;M.& \left(4\right)\end{array}$

其中，约束条件(2)保证对于一个RAT来说，数据包的到达率要小于其RAT的服务率，即要完成有效传输；约束条件(3)要求分流后的所有RATs上的到达率总和等于总的数据包到达率；约束条件(4)要求分流后每个RAT上的数据包到达率不能为负值。

5.如权利要求2所述的一种多RAT并发传输方法，其特征在于，步骤3a所述大数概率方案在双流场景下的解析解如下：

${\mathrm{\&lambda;}}_1^{*}=\frac{-b\&PlusMinus;\sqrt{b^2-4\mathrm{ac}}}{b^2},{\mathrm{\&lambda;}}_2^{*}=\mathrm{\&lambda;}-{\mathrm{\&lambda;}}_1^{*}$

其中，a、b、c如下：

$\begin{array}{c}a=2{\stackrel{\&OverBar;}{G}}^2({\mathrm{\&mu;}}_1\stackrel{\&OverBar;}{X_1^2}-{\mathrm{\&mu;}}_2\stackrel{\&OverBar;}{X_2^2}+\frac{1}{{\mathrm{\&mu;}}_2}-\frac{1}{{\mathrm{\&mu;}}_1})\\ b=2{\stackrel{\&OverBar;}{G}}^2[{\mathrm{\&mu;}}_1{\mathrm{\&mu;}}_2(\stackrel{\&OverBar;}{X_1^2}+\stackrel{\&OverBar;}{X_2^2})-\mathrm{\&lambda;}\stackrel{\&OverBar;}{G}({\mathrm{\&mu;}}_1\stackrel{\&OverBar;}{X_1^2}-{\mathrm{\&mu;}}_2\stackrel{\&OverBar;}{X_2^2})+\\ \frac{\stackrel{\&OverBar;}{G^2}}{\stackrel{\&OverBar;}{G}}-1-(\frac{1}{{\mathrm{\&mu;}}_2}-\frac{1}{{\mathrm{\&mu;}}_1})({\mathrm{\&mu;}}_1-{\mathrm{\&mu;}}_2+\mathrm{\&lambda;}\stackrel{\&OverBar;}{G})]\\ c=(\stackrel{\&OverBar;}{G^2}-\stackrel{\&OverBar;}{G})({\mathrm{\&mu;}}_2-{\mathrm{\&mu;}}_1-\mathrm{\&lambda;}\stackrel{\&OverBar;}{G})-2\stackrel{\&OverBar;}{G}(\frac{1}{{\mathrm{\&mu;}}_2}-\frac{1}{{\mathrm{\&mu;}}_1})({\mathrm{\&mu;}}_1{\mathrm{\&mu;}}_2-\mathrm{\&lambda;}{\mathrm{\&mu;}}_1\stackrel{\&OverBar;}{G})\end{array}.$

6.如权利要求2所述的一种多RAT并发传输方法，其特征在于，步骤3b中所述确定分流流量比例的过程如下：

(1)拉格朗日函数变形为：

$\begin{array}{c}L(T,\mathrm{\&lambda;})=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}({\mathrm{\&alpha;}}_j{T}_j+{\mathrm{\&beta;}}_j{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}+\mathrm{\&gamma;}{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G})+(1-\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_j)T\\ -\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_j{\mathrm{\&mu;}}_j-\mathrm{\&gamma;\&lambda;}\stackrel{\&OverBar;}{G}\\ =\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{L}_j\left({\mathrm{\&lambda;}}_j\right)+L_0\left(T\right)-(\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_j{\mathrm{\&mu;}}_j+\mathrm{\&gamma;\&lambda;}\stackrel{\&OverBar;}{G})\end{array};$

(2)其中： $L_j\left({\mathrm{\&lambda;}}_j\right)={\mathrm{\&Sigma;}}_{j=1}^M({\mathrm{\&alpha;}}_j{T}_j+{\mathrm{\&beta;}}_j{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}+\mathrm{\&gamma;}{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G})$

$L_0\left(T\right)=(1-{\mathrm{\&Sigma;}}_{j=1}^M{\mathrm{\&alpha;}}_j)T;$

(3)给定拉格朗日参数，即可求得每个小的拉格朗日函数，即

λ_j(t)＝arg minλ_j L_j(λ_j)；

(4)问题转化为拉格朗日对偶问题：

${\max }_{{\mathrm{\&alpha;}}_j,{\mathrm{\&beta;}}_j,\mathrm{\&gamma;}}{\mathrm{\&Sigma;}}_{j=1}^M{L}_j\left({\mathrm{\&lambda;}}_j\right)+L_T-({\mathrm{\&Sigma;}}_{j=1}^M{\mathrm{\&beta;}}_j{\mathrm{\&mu;}}_j+\mathrm{\&gamma;\&lambda;}\stackrel{\&OverBar;}{G});$

(5)设定迭代步长，并初始化拉格朗日参数，并由此计算出此时的最优λ_j，继而确定所有RATs上的最大时延；

(6)初始化拉格朗日参数，由可以求得此时最优的λ_j；

(7)根据公式 $T\left(t\right)=T(t-1)-(1-{\mathrm{\&Sigma;}}_{j=1}^M{\mathrm{\&alpha;}}_j){\mathrm{\&Delta;}}_t$ 来更新T的值；

(8)根据上述得到的结果，用梯度值来更新拉格朗日参数，公式如下：

$\left\{\begin{array}{cc}{\mathrm{\&alpha;}}_j\left(t\right)={\mathrm{\&alpha;}}_j(t-1)+\frac{\&PartialD;L(T,\mathrm{\&lambda;})}{\&PartialD;{\mathrm{\&alpha;}}_j}{\mathrm{\&Delta;}}_t& \frac{\&PartialD;L(T,\mathrm{\&lambda;})L}{\&PartialD;{\mathrm{\&alpha;}}_j}=T_j-T,\\ {\mathrm{\&beta;}}_j={\mathrm{\&beta;}}_j(t-1)+\frac{\&PartialD;L(T,\mathrm{\&lambda;})}{\&PartialD;{\mathrm{\&beta;}}_j}{\mathrm{\&Delta;}}_t& \frac{\&PartialD;L(T,\mathrm{\&lambda;})}{\&PartialD;{\mathrm{\&beta;}}_j}={\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}-{\mathrm{\&mu;}}_j,\\ \mathrm{\&gamma;}\left(t\right)=\mathrm{\&gamma;}(t-1)+\frac{\&PartialD;L(T,\mathrm{\&lambda;})}{\&PartialD;\mathrm{\&gamma;}}{\mathrm{\&Delta;}}_t& \frac{\&PartialD;L(T,\mathrm{\&lambda;})}{\&PartialD;\mathrm{\&gamma;}}=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}{\mathrm{\&lambda;}}_j\stackrel{\&OverBar;}{G}-\mathrm{\&lambda;}\stackrel{\&OverBar;}{G}.\end{array}\right..$

7.一种多RAT(Multiple Radio Access Technologies)并发传输装置，其特征在于，将多流并发传输问题建模为“批到达”的M/G/m排队论模型，基于数学步骤按比例地将单一流分裂为多条流进行传输，在大数统计意义上的消除多流时延差异。

8.如权利要求7所述的一种多RAT并发传输装置，其特征在于，所述数学步骤如下：

步骤1：调度器根据不同链路的反馈信息以及总的数据包到达率计算数据包在不同链路上的理论时延；

步骤2：调度器先将多流时延问题建模为凸优化模型，再转为拉格朗日对偶问题进行求解；如果是2流问题，则得到解析解；如果是大于等于3流问题，则得到迭代解；

步骤3a：调度器确定单一流分裂成多条流的流量比例的大数概率方案；调度器将数据包按概率在不同链路上进行传输；

步骤3b：调度器确定单一流分裂成多条流的流量比例；

步骤4：重复迭代步骤3，直到结果收敛为止；调度器确定流量比例的大数概率方案，将数据包按概率在不同链路上进行传输。