CN105072638B

CN105072638B - 一种时延忍受异构无线移动网络的流量分载方法

Info

Publication number: CN105072638B
Application number: CN201510450183.1A
Authority: CN
Inventors: 胡智群; 温向明; 路兆铭; 张洪春; 雷涛; 徐恒; 王宜清
Original assignee: Beijing University of Posts and Telecommunications
Current assignee: Beijing University of Posts and Telecommunications
Priority date: 2015-07-28
Filing date: 2015-07-28
Publication date: 2018-11-09
Anticipated expiration: 2035-07-28
Also published as: CN105072638A

Abstract

本发明公开了一种时延忍受异构无线移动网络的流量分载方法，该方法包括步骤：步骤1，在特定区域内构建随机几何模型的接入点AP部署图；步骤2，根据步骤1中所构建的AP部署图，对在所述特定区域中的用户确定离散时间的状态转移概率；步骤3，确定用户距离与其通信的AP的距离概率分布函数；步骤4，确定所述AP的覆盖率；步骤5，根据步骤2、3和4得到的结果确定在一定时间内用户期待分载的数据流量函数。利用本发明的方法能够提高分载流量的预测准确度，提高wifi的流量分载效率。

Description

一种时延忍受异构无线移动网络的流量分载方法

技术领域

本发明涉及移动通信技术领域中关于流量分载的基于时延的分载流量方法，特别是涉及一种时延忍受异构无线移动网络的流量分载方法。

背景技术

随着无线通信技术的发展，智能终端增加了移动数据流量增长，另一方面，移动互联网应用、视频业务进一步加剧了移动数据流量的增长。快速增长的移动数据流量对核心网造成了巨大的压力，导致了网络拥塞，连接中断等问题，影响了用户体验。为了解决这一问题，3GPP提出了Local IP Access(LIPA)和selection IP traffic offload(SIPTO)技术方案来实现对宏网络数据流量的分载。LIPA是基于本地移动数据的分载，可以支持在本地网络之内的用户直接通信，而无需通过核心网，这一方案的实现主要是通过家庭基站(例如，femtocell)进行直接的数据流量分载；而SIPTO允许用户通过家庭基站连接到Internet中，而无需经过核心网。

LIPA/SIPTO存在以下几点缺点：

干扰严重：

Small cell是工作在许可频段的低功率接入点，由运营商管理。Small cell源于最初为家庭设计的Femtocell技术，现今延伸到企业Picocell、城市Metrocell和Microcell，可以帮助家庭、企业以及城市和乡村公共区域改善蜂窝网络的覆盖、容量及应用，提高用户质量，降低宏基站的负荷。

LIPA/SIPTO采用small cell作为家庭基站网关来实现对宏网络的分流，而通常small cell在部署时采用与宏网络相同的频段，因此small cell部署之后不仅要考虑自身相邻small cell之间的干扰，还要考虑small cell与宏站的相互干扰，以及宏站终端用户对家庭基站用户的接收干扰。如果small cell与宏网络之间通过异频组网来解决干扰问题，将会对频谱资源造成很大的浪费，而这对珍贵的频谱资源来说无疑是不可行的，因此现在的small cell与宏网络是同频组网，因些需要在small cell之间采用复杂的干扰管理算法来减干扰。

分载效率低

基于LIPA/SIPTO的流量分载方案是即时对用户数据进行分载，没有额外的时延，适应于用户固定或者移动性低的网络场景，不适应于用户移动场景以及异构网络场景。在LIPA/SIPTO这种分载方案下，如果用户不在small cell的覆盖范围，则用户立即选择从宏网络进行数据流量服务，没有额外的时延增加给业务；如果在用户在高速移动过程中，用户常常不会在某个家庭基站下停留太久时间，则大部分数据还是从宏网络流过，分载效率低。

随机几何(Stochastic geometry)理论是20世纪70年代在几何概率学和积分几何学的基础之上发展起来的一门现代随机集理论(见Stoyan D,Kendall W S，MeckeJ.1995.Stochastic Geometry and its Applications,2nd edition.New York:Wiley)。随机几何理论最先被Miller等人应用在图像处理领域，应用于对感兴趣的目标的形状进行识别等，近年来通信工作者将随机几何理论应用在WLAN网络的性能分析上，利用随机几何的特性模拟基站的部署属性，分析其覆盖率及其接入点的概率(见H.Q.NGUYEN,F.BACCELLI.2007.A Stochastic Geometry Analysis of Dense IEEE 802.11Networks)。

发明内容

(一)要解决的技术问题

本发明的目的是提供一种时延忍受异构无线移动网络的流量分载方法，该方法能够提高分载流量的预测准确度，提高wifi的流量分载效率。

(二)技术方案

本发明提出的时延忍受异构无线移动网络的流量分载方法包括：步骤1，在特定区域内构建随机几何模型的接入点AP部署图；步骤2，根据步骤1中所构建的AP部署图，对在所述特定区域中的用户确定离散时间的状态转移概率；步骤3，确定用户距离与其通信的AP的距离概率分布函数；骤4，确定所述AP的覆盖率；步骤5，根据步骤2、3和4得到的结果确定在一定时间内用户期待分载的数据流量函数。

(三)有益效果

利用本发明的方法能够提高分载流量的预测准确度，提高wifi的流量分载效率。

附图说明

图1是本发明的时延忍受异构无线移动网络的流量分载方法的流程示意图。

图2是本发明构建联合随机几何和markov模型的AP部署流程示意图。

图3是根据本发明用户在时间t内期待分载数据流量函数推导过程示意图。

图4是根据本发明在时延忍受网络的流量分载流程示意图

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明提出了一种时延忍受异构无线移动网络的流量分载方法，解决现在的LIPA/SIPTO流量分载方案干扰严重，分载效率低的问题。

本发明采用了WiFi作为流量分载的载体对宏网络的数据进行分载，由于WiFi采用的是公共频段，因此不存在small cell所存在的与宏网络之间的干扰问题，另一方面，wifi由于其易于部署的特点，周围存在大量的可用的wifi网络，不需要搭建新的wifi网络，节约成本；本发明针对用户快速移动，对用户移动行为进行预测，并在保证业务QoS的条件下为每一类业务分配一个最大时延忍受值，如果用户移动到有WiFi的场景下并在用户可忍受的时延范围内，对用户的进行wifi分载；如果超过了用户的最大时延忍受值，则直接通过宏网络进行数据服务，而不再等待。本发明根据用户的行为对用户能够分载的数据进行预测，基于预测结果，分载决策者决定哪一部分数据在什么时候由哪个Access points(APs)来进行传输，从而实现对宏网络的流量分载。本发明基于随机几何模型的预测将要分载的数据流量引入了Access points(APs)的部署相关的先验知识，在一定的信道模型下确定了APs的覆盖范围，通过与Markov模型进行组合式建模，不仅能对特定信道模型、AP位置等随机变化的特征参量进行统计分析，而且还可以对彼此之间的约束条件进行统计估计，避免了网络部分信息的缺失对预测wifi分载流量结果的影响，同时考虑了干扰对用户数据传输的影响，有效地提高了预测的准确性。

本发明的基于随机几何markov模型的时延忍受异构无线移动网络的流量分载方法的基本原理是，首先建立一个大小为a*b的区域A，以密度为的N个泊松点随机地分布在区域A中，然后根据沃罗诺伊图的规则构建每个点的覆盖区域，构建随机几何模型；构建随机点的随机几何模型后，通过半静态的马尔可夫过程对用户节点的移动性进行建模，每个马尔可夫状态代表一个地理位置；用户在每个状态随机移动，采用马尔可夫过程估计出每个状态的转移概率；最后利用随机几何模型计算出用户在每个状态逗留的时间t，如果当前用户在遇到wifi时没有超过其业务的最大忍受时延，则通过wifi进行流量分载，如果用户在等待wifi时超过其业务的最大忍受时延，则直接通过宏网络进行传输，利用随机几何模型结合马尔可夫模型并最终得到wifi进行流量分载的流量在用户最大忍受时延范围内的预测值。根据上述预测值，分载决策者决定哪一部分数据在什么时候由哪个Access points(APs)来进行传输，从而实现对宏网络的流量分载。

图1为本发明时延忍受异构无线移动网络的流量分载方法的流程示意图。参照图1，该方法包括以下各步骤：

参照图1，本发明的方法包括以下各步骤：

步骤102，构建随机几何模型的AP部署图。

图2为构建随机几何模型的AP部署图的具体流程图。参照图2，步骤102进一步包括：

步骤202，在区域A中部署N个随机点。

假设用户在一个大小为a*b的区域A活动，其中a,b是区域A的长和宽，单位是米。区域A在宏网络的覆盖范围下，区域A中部署了N个随机点(N>0且N∈N^*)且这N个随机点相互独立。根据均匀泊松点过程(PPP)，这N个随机点在区域A中随机分布，即有的地方点分布密集，有的地方点分布稀疏。

步骤204，根据沃罗诺伊规则将区域A进行划分。

沃罗诺伊的原理是：当给定的空间有一系列给定的点，例如本发明中的N个随机点，为每个随机点划分一个包围这个点的区域，例如点x,划分一个包围点x的区域，例如Cx,这一包含了点x的区域Cx称为Voronoi Cell。具体实现为，用线段连接每个点和它邻近的一些点，作这些线段的垂直平分线，这些垂直平分线将包围起一块区域，这样的一个区域即为一个一个Voronoi Cell。

根据步骤202所确定的N个随机点的分布，以沃罗诺伊规则将区域A的N个随机点划分成N个Voronoi Cell,即N点的沃罗诺伊图。在点x所在Voronio Cell区域中的任一点y与点x的距离小于离其他所有的给定的点的矩离，则用户与离他最近的AP进行通信；例如给定点x,y，根据沃罗诺伊的原理作出点x，y的Voronoi Cell(Cx,Cy)，假定x，y是我们的AP节点，Cx，Cy分别是其所覆盖的范围，则在Cx中的任一点与点x的矩离小于与点y的矩离，即用户与离他最近的AP进行通信。

步骤206，用N个马尔可夫状态代表上面的N个区域，状态j的数据传输的速率为rj，j∈[1,2,…,N]。

根据上述的步骤204，对区域A进行了N区域的划分，用户在区域A中移动，即从一个随机点范围移动到另一个随机点范围中。用户从一个区域移动到另一个区域中定义为从一个状态移动到另一个状态中，又因为用户在从当前区域中移动到下一区域中不依赖于过去用户所在的区域，因此用户的移动可看作为马尔可夫过程(markov process)。用户移动到每一个随机点所在的区域定义为一个马尔可夫状态。

根据本发明的方法，有N个Voronoi Cell，故用N个马尔可夫状态代表这N个区域，即状态1,状态2,……,状态N。状态j(j∈[1,2,……,N])数据传输的速率为r_j。

步骤208，判断rj是否为零。

步骤210：如果rj为零，则说明状态j所代表的地理区域的AP关闭或者没有部署AP。

步骤212：如果rj不为零，则说明状态j所代表的地理区域部署有AP。

上面是对步骤102的详细描述，在步骤102之后执行步骤104，确定离散时间的markov状态转移概率。

假设用户在请求应用服务时用户的初始状态为j，则用户从状态j移动到状态k的转移概率记为

P_jk＝P[X_n+1＝k|X_n＝j]

其中X_n表示用户的第n次区域间转移所在的状态。

其中P_jk的计算通过统计分析得到，统计用户在一段时间从状态j出发转移到状态k的次数为m,转移到其他的状态的次数为n，则类似的，其他的状态转移概率可通过统计方法得到，基于上述统计分析方法可以得到markov链的状态转移矩阵P＝[P_ij]，其中i∈[1,2,……,N]，j∈[1,2,……,N]。

在时间t内，用户从状态j转移到状态k的概率为：B_jk(t)＝P[X_n+1＝k,T_n+1-T_n≤t|X_n＝j]＝P_jkP[t_jk<t]

其中T_n表示用户在第n次状态转换时运行的累积时间，例如，设用户初始状态为i,记为X₁＝i，时刻记为T₁＝0，用户在状态i逗留时间后状态进行了转移；设第一次状态转换为j,记为X₂＝j，时刻记为用户在状态j逗留时间后状态转移；设第二次状态转换为q,记为X₃＝q,时刻记为t_jk表示用户在状态j停留的时间。

用户在一个状态的停留时间与其他状态的停留时间相互独立，假设用户在一个状态的逗留时间服从指数分布，则P[t_jk<t]＝1-e^-λt，其中λ表示单位时间内用户平均转移的次数。

设S_j(t)＝P[T_n+1-T_n≤t|X_n＝j]表示用户在状态j停留的时间为t的概率，即从状态j停留时间t后离开的概率可得到

假设时间是离散，则定义离散半静态马尔可夫在时间t的状态为Q_t,t∈N^*(其中N^* ∈[1，2，3，……]),则时间离散马尔可夫转移矩阵为其中表示在t2时刻用户的离散半静态马尔可夫状态，表示在t1时刻用户的离散半静态马尔可夫状态。

对于移动通信业务而言，最重要的时延是端到端时延，即对于已经建立连接的收发两端，数据包从发送端产生，到接收端正确接收的时延。由于业务模型不同，用户对不同业务的最大忍受时延不同。本发明所指的时延是指在保证业务QoS条件下，用户申请的业务所能忍受的最大时延，记为d。设用户的初始状态为j,t＝0；在最大时延d内转移到状态k的概率为

其中δ_jk作为状态改变指示器，若j＝k，则δ_jk＝1，否则为0。

步骤106，距离概率密度分布函数的推导。

基于沃罗诺伊的随机几何模型的AP部署，在Voronio Cell中用户与自己最近的AP进行通信。区域A中的点数服从泊松分布，设集合Φ_a表示所有的AP，泊松强度为λ_a，R表示用户与其最近AP的距离，r表示矩离的随机变量。设用户距离与其通信的AP(随机点)的距离为随机变量r，则用户距离与其通信的AP的距离概率分布函数为

则距离r的概率密度函数为

步骤108，AP覆盖率的推导。

假设路径损耗指数为α，设AP信道增益为G，信道模型为均值为1的Rayleigh信道，传输功率为设AP位于点x,该AP所在的区域中用户位于点y，AP和用户两者之间的距离为L(x,y)，则用户的接收功率为P(x,y)＝GL(x,y)^-α，其中G～exp(u)。

由于WLAN网络采用的CSMA/CA协议进行接入，节点内部有一个计数器timer，节点在传输之前会进行二进制退避过程，即为timer分配若干个时隙。节点每次在传输之前会检测信道是否空闲，如果信道空闲，则timer采取减1操作，如果信道忙，则节点会将计数器挂起直到信道空闲。当timer计算减到0时，则节点开始传输。基于CSMA/CA的协议特点，选择在区域A中同一时刻能够同时传输的AP，定义为集合Φ,则其泊松强度为pλ_a,其中p为集合Φ中的点从Φ_a中被选中的概率，即其中D为包含所有AP的最小的半径。

由于信号在接收时，必须信号干扰比大于一定的值才能被正确解析，因此AP的覆盖概率定义为：

其中β为目标信号能够被接收的信噪比门限值。

设位于y处用户，为其服务的AP位于x^*，则用户接收到有用信号与接收到的干扰信号(噪声和干扰)强度比为其中表示来自其他AP的干扰，g_i表示其他AP到位于y处用户的衰减值,g_i～exp(u)。

设位于y处用户，为其服务的AP位于x^*，用户到该AP的距离为r,在该条件下用户能够被覆盖的概率为P_c(β,pλ_a,α)。因为r为随机变量，则对于位于x^*的AP的覆盖率也是一个随机变量，为了得到普遍结果，对AP的覆盖率求其期望，得到AP覆盖的平均值，即

其中v是一个积分变量,没有物意义。

步骤110，构建在时间t内用户期待分载的总数据流量函数V_i(t)。

参照图3，该步骤进一步包括：

步骤302，首先将最大时延d分成离散的时间t_i＝i(i＝0,1,2,…,d)，设在t₀时，用户所在的区域的状态为j。

步骤304，由步骤104可知，在最大时延时间d内，用户从状态j转移到状态k的状态转移概率Z_jk(t)。

步骤306，由步骤108可知，在考虑周围AP的干扰条件下，在状态k处所对应的AP的覆盖率P_c。

步骤308，设用户从初始状态j到最终的状态k，时间t内用户通过wifi传送的数据量为D_jk(t)。设初始值D_jj(0)＝0，通过迭代运算则可以得到时间t内用户通过wifi传送的数据量为D_jk(t)，其中U为用户需要传送的总的数据量，r_j为状态j中AP的传输速率。

步骤310，计算用户i在时间t内期待分载的数据量为

其中P_c(β,pλ_a,α)由步骤108可得,D_jk(t)由步骤308所求，Z_jk(t)由步骤104所求。

步骤112，根据上面的分析数据，决策者可以预测用户在什么时间什么地方传送了多少数据，将这些数据提前加载到AP中，当用户移动到这些位置直接进行数据的分载。

参照图4，具体的时延忍受网络的流量分载步骤进一步包括：

步骤402：给出初始条件，t＝0时，用户i在状态j请求应用服务(例如：视频服务，Web服务等)，请求的数据量大小为U。

步骤404：基于业务的QoS保证，为该业务分配最大可忍受时延d。

步骤406：计算用户在时间t内通过wifi传送的分载数据流量V_i(t)。

步骤408：判断分载的数据流量V_i(t)是否超过了用户要传送的流量U。

步骤412：步骤408否后，即数据还没有通过wifi分载完，用户继续等待时间t+1,更新t为t+1,判断t是否超过最大时延d，若没有则回到步骤406，否则回到步骤414。

步骤414：若用户移动时间t超过了最大时延d，则剩下的数据包将通过宏网络进行传输，分载结束。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种时延忍受异构无线移动网络的流量分载方法，该方法包括步骤：

步骤1，在特定区域内构建随机几何模型的接入点AP部署图；

步骤2，根据步骤1中所构建的AP部署图，基于离散半静态markov链对用户的移动性进行建模，对在所述特定区域中的用户确定离散时间的状态转移概率；

步骤3，确定用户与其通信的AP距离的概率分布函数；

步骤4，确定所述AP的覆盖率；

步骤5，根据步骤2、3和4得到的结果预测在一定时间内用户能够分载的数据流量函数，

其中，所述状态转移概率以及用户能够分载的数据流量函数都是根据最大可忍受时延d得到的，且在得到用户能够分载的数据流量函数后，给出初始条件，t＝0时，用户i在状态j请求的数据量大小为U，计算用户在时间t内通过wifi传送的分载数据流量V_i(t)，判断分载的数据流量V_i(t)是否超过了用户要传送的流量U，如果未超过，即数据还没有通过wifi分载完，用户继续等待时间t+1，更新t为t+1，判断t是否超过最大时延d，若未超过最大时延d则返回继续判断分载的数据流量V_i(t)是否超过了用户要传送的流量U，若超过了最大时延d则剩下的数据包将通过宏网络进行传输，分载结束。

2.根据权利要求1所述的方法，其特征在于，步骤1进一步包括：

步骤11，在区域A中部署N个随机点；

步骤12，根据沃罗诺伊规则将区域A划分成N个区域；

步骤13，用N个马尔可夫状态代表上面的N个区域，状态j的数据传输的速率为rj，j∈[1，2，...，N]；

步骤14，判断rj是否为零，如果rj为零，则状态j所代表的地理区域的AP关闭或者没有部署AP；如果rj不为零，则状态j所代表的地理区域部署有AP。

3.根据权利要求2所述的方法，其特征在于，步骤2进一步包括：

P_jk＝P[X_n+1＝k|X_n＝j]

其中X_n表示用户的第n次区域间转移所在的状态，P＝[P_ij]为markov链的状态转移矩阵，其中i∈[1，2，......，N]，j∈[1，2，......，N]；

在时间t内，用户从状态j转移到状态k的概率为：B_jk(t)＝P[X_n+1＝k，T_n+1-T_n≤t|X_n＝j]＝P_jkP[t_jk＜t]＝P_jk(1-e^-λt)，其中λ表示单位时间内用户平均转移的次数，T_n表示用户在第n次状态转换时运行的累积时间，t_jk表示用户在状态j停留的时间；

假设时间是离散，则定义离散半静态马尔可夫在时间t的状态为Q_t，t∈N^*(其中N^*∈[1，2，3，......])，则时间离散马尔可夫转移矩阵为其中表示在t2时刻用户的离散半静态马尔可夫状态，表示在t1时刻用户的离散半静态马尔可夫状态；

设用户的初始状态为j，t＝0，在最大时延d内转移到状态k的概率为

4.根据权利要求3所述的方法，其特征在于，步骤3进一步包括：

区域A中的点数服从泊松分布，设集合Φ_a表示所有的AP，泊松强度为λ_a，R表示用户与其最近AP的距离，r表示矩离的随机变量，则用户距离与其通信的AP的距离概率分布函数为

则距离r的概率密度函数为

5.根据权利要求4所述的方法，其特征在于，步骤4进一步包括：

假设路径损耗指数为α，设AP信道增益为G，信道模型为均值为1的Rayleigh信道，传输功率为设AP位于点x，该AP所在的区域中用户位于点y，AP和用户两者之间的距离为L(x，y)，则用户的接收功率为P(x，y)＝GL(x，y)^-α，其中G～exp(u)；

选择在区域A中同一时刻能够同时传输的AP，定义为集合Φ，则其泊松强度为pλ_a，其中p为集合Φ中的点从Φ_a中被选中的概率，即其中D为包含所有AP的最小的半径；

AP的覆盖概率定义为：

其中β为目标信号能够被接收的信噪比门限值。

6.根据权利要求5所述的方法，其特征在于，步骤5进一步包括：

步骤51，首先将最大时延d分成离散的时间t_i＝i(i＝0，1，2，...，d)，设在t₀时，用户所在的区域的状态为j；

步骤52，由步骤2可知，在最大时延时间d内，用户从状态j转移到状态k的状态转移概率Z_jk(t)；

步骤53，由步骤4可知，在考虑周围AP的干扰条件下，在状态k处所对应的AP的覆盖率P_c(β，pλ_α，α)；

步骤54，设用户从初始状态j到最终的状态k，时间t内用户通过wifi传送的数据量为D_jk(t)，设初始传送的数据量D_jj(0)＝0，通过迭代运算则可以得到时间t内用户通过wifi传送的数据量为D_jk(t)，其中U为用户需要传送的总的数据量，r_j为状态j中AP的传输速率；步骤55，计算用户i在时间t内期待分载的数据量为

其中P_c(β，pλ_α，α)由步骤4可得，D_jk(t)由步骤54所求，Z_jk(t)由步骤2所求。

7.根据权利要求1-6任一项所述的方法，其特征在于，该方法进一步包括：

步骤6：给出分载的初始条件，当用户i请求业务数据量U时，为该业务建立一个分载会话，基于业务的QoS保证，为该业务分配最大可忍受时延d，假设用户i在t＝0时的初始状态为j；

步骤7：累积计算用户在时间t内传送的要分载数据流量V_i(t)；

步骤8：判断分载的数据流量V_i(t)是否超过了用户要传送的流量U；

步骤9：当步骤8判断结果为否，则时间t增加1后判断是否超过最大时延d，若没有则回到步骤7，否则回到步骤10；

步骤10：若用户移动时间t超过了最大时延d，则直接将数据包通过宏网络进行传输，分载结束。