CN105657758B

CN105657758B - 一种基于Markov模型的多AP自适应切换方法

Info

Publication number: CN105657758B
Application number: CN201610018771.2A
Authority: CN
Inventors: 罗佩; 郑从环
Original assignee: Hangzhou Technology Ltd By Share Ltd
Current assignee: Nanchang Bijiashan Agricultural Technology Co.,Ltd.
Priority date: 2016-01-12
Filing date: 2016-01-12
Publication date: 2019-11-12
Anticipated expiration: 2036-01-12
Also published as: CN105657758A

Abstract

本发明公开了一种基于Markov模型的多AP自适应切换方法，所述方法包括以下步骤：1)采集实时客流量，结合BP神经网络和Markov状态模型预测出客流量，并实时滚动预测；2)通过隶属度函数建立离线查询表和控制查询表，对AP分配进行模糊控制和实时现场控制，实现多AP自适应切换。本发明一种基于Markov模型的多AP自适应切换方法的有益效果有：多AP间自适应切换是一个复杂的系统工程，涉及信息科学、地理科学、控制科学以及系统科学等学科，本发明的方法引入Markov模型，建立客流量预测模型，并结合智能调度技术自动的切换耗时最少且服务质量最好的AP,建立严格的数学模型，达到用户无感知的进行上网体验。

Description

一种基于Markov模型的多AP自适应切换方法

技术领域

本发明涉及无线网络智能认证领域，具体涉及一种基于Markov模型的多AP自适应切换方法。

背景技术

近年来，随着智能手机和平板电脑为代表的移动智能终端的快速普及，人们通过移动智能终端进行网页浏览、安装、使用应用软件日益成为日常使用习惯。虽然3G、4G技术提供了大覆盖移动互联网接入，但用户对流量及费用超限存在担忧，同时WiFi模块已成为移动智能终端的标准配置，从而使WiFi成为性价比最高的无线互联网接入技术。WiFi是为了中短距离无线通信所专门设计的，其通信距离一般在100m以下。所以为了覆盖一个相对较大的区域，我们就必须布设大量的无线接入点AP(Access Point)。因为一个客户应该被允许在同一WiFi网络覆盖范围内自由漫游，所以组成WiFi的所有AP必须通力合作，保证向用户提供一种无缝的接入服务。当用户逐渐脱离某一AP的范围的时候，他的移动终端MS应该在很短的时间内挂靠到另一个AP上去，我们把这种和AP连接关系的转换叫做切换。现有技术方案是硬切换，也就是强制切换，移动终端MS和一个AP连接保持连接，只有当这个连接的质量变得不可接受的时候，达到AP的最大值时，移动终端MS才会连其它的AP。

现有技术的客观缺点是，一个移动终端在正常运行的时候并不会为可能的切换做准备，所以它对于周围的AP资源一无所知。那么在切换的时候这个扫描过程时间非常长，一般至少需要300到500ms的耗时。紧接着就是授权和连接，这个过程也需要花费几十毫秒。第三个步骤，也就是扩展安全功能的实现，这个过程是可选的，并且实现方法也有多种，不过总的来说这个过程需时不会超过100ms。从而可知，切换信号的主要延时原因归咎于AP扫描。所以这也是降低延时的主要切入点，也是硬切换的主要缺点。AP扫描可以分为主动和被动。主动扫描就是移动终端主动发送一个叫做探测请求的管理包。所有附近的AP收到这个包的时候都会返回一个探测响应以报告它的存在以及服务参数。正常情况下AP返回探测响应的时间只有十几毫秒，但是一旦网络繁忙，那么探测请求就很有可能丢失或者迟迟无法被接收到，而且，主动发送探测包会进一步加重网络的负担。被动扫描就是移动终端去接受AP发送的信标，每个AP每隔大约100ms都会发送一个信标。因此，通过AP扫描方式切换并不能达到无缝切换。

发明内容

为了解决现有技术问题，本发明提供了一种基于Markov模型的多AP自适应切换方法。

本发明的一种基于Markov模型的多AP自适应切换方法，所述方法包括以下步骤：

1)采集实时客流量，结合BP神经网络和Markov状态模型预测出客流量，并实时滚动预测；

2)通过隶属度函数建立离线查询表和控制查询表，对AP分配进行模糊控制和实时现场控制，实现多AP自适应切换。

进一步的，所述步骤1)中采集实时客流量，结合BP神经网络和Markov状态模型预测出客流量具体为：先构建基于BP神经网络的客流量预测基准，求出客流量数据的状态样本值与Markov模型预测值之间的残差序列；根据各残差序列状态计算出状态转移概率矩阵，然后预测未来状态，从而得出预测值的状态，取其加权中心修正计算预测值，最终得到精度较高的客流量预测值。

进一步的，所述步骤1)中实时滚动预测具体为：保持客流量预测值的数据长度不变，不断补充客流量实时状态新数据，及时去掉客流量实时状态旧数据，进行实时滚动预测。

进一步的，所述步骤2)中通过隶属度函数建立离线查询表和控制查询表具体为：以一天内各AP的平均人数为数据源，离线建立离线查询表，通过模糊化、模糊推理、清晰化的过程建立控制查询表。

进一步的，所述步骤2)中对AP分配进行模糊控制和实时现场控制具体为：将模糊控制转化为将模糊逻辑和模糊推论数据存放在计算机内存中，在实施时直接通过查询表得出相应输出量，进而实现实时现场控制。

本发明一种基于Markov模型的多AP自适应切换方法的有益效果有：多AP间自适应切换是一个复杂的系统工程，涉及信息科学、地理科学、控制科学以及系统科学等学科，本发明的方法引入Markov模型，建立客流量预测模型，并结合智能调度技术自动的切换耗时最少且服务质量最好的AP,建立严格的数学模型，达到用户无感知的进行上网体验。

附图说明

图1为本发明的一种基于Markov模型的多AP自适应切换方法流程图；

图2为本发明的基于Markov模型的多AP自适应切换框架图。

具体实施方式

为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体图示，进一步阐述本发明。

如图1所示，一种基于Markov模型的多AP自适应切换方法，包括以下步骤：

101)采集实时客流量，结合BP神经网络和Markov状态模型预测出客流量，并实时滚动预测，即

先构建基于BP神经网络的客流量预测基准，求出客流量数据的状态样本值与Markov模型预测值之间的残差序列；根据各残差序列状态计算出状态转移概率矩阵，然后预测未来状态，从而得出预测值的状态，取其加权中心修正计算预测值，最终得到精度较高的客流量预测值；保持客流量预测值的数据长度不变，不断补充客流量实时状态新数据，及时去掉客流量实时状态旧数据，进行实时滚动预测。

WiFi覆盖区域的客流量受随机因素影响大、非线性强、规律性不明显的特点，将神经网络和Markov链的基本原理应用于客流量预测的研究。神经网络具有很强的非线性映射能力，而Markov链则根据系统状态之间的转移概率来揭示系统未来发展趋势。因此，结合神经网络和Markov链的优点，提出了一种新的客流量预测方法，来研究人为行为实时滚动一步预测，即对下一时刻的客流量作出实时预测。

预测客流量的基本思路是：先构建基于BP神经网络的客流量预测基准：求出客流量数据的状态样本值与模型预测值之间的残差序列；根据各残差状态计算出状态转移概率矩阵，然后预测未来状态，从而得出预测值的状态，取其加权中心修正计算预测值，最终得到精度较高的预测值。同时，保持数据长度不变，不断补充新数据，及时去掉旧数据，以实现实时滚动预测。

Markov链应用系统的状态转移规律分析随机事件未来发展变化趋势及可能结果，其特点是要求数据列的无后效性，即指对随机过程X(t)，当时刻所处的状态已知，此后状态只与当前的状态有关，而与更前面的状态无关。基本原理是：

设随机过程P{x(n),n＝1,2,…},状态集E{i₁,i₂,…}；若对任意的整数n及{i₁,…,i_n+1}，对应的随机变量{X(1),X(2),…,X(n+1)}满足：

P{X(n+1)＝i_n+1|x(1)＝i₁,…,x(n)＝i_n}

＝P{X(n+1)＝i_n+1|x(n)＝i_n}

则称此过程为Markov链，并记：

其中i,j∈E表示系统在时刻m处于状态i条件下，经k步转移到状态j的概率，简记为k步转移概率具有如下性质：

构建状态转移概率矩阵时，先作状态划分，即以一个具有马氏链特点的非平稳随机序列曲线y(t)＝x(t)为基准，在其上下两侧作m条与之平行的曲线，每相邻两条曲线之间的区域称为一种状态，它将数据序列分成了若干状态区间。

从第一个状态经过n步转移到第n个状态的转移概率为:

状态转移概率矩阵为:

通过考察P_ij(n)来预测系统未来的发展变化，为选取距离预测时刻n+1最近的n个时刻，按距离预测时刻的远近，将转移步数分别定为1,2,…,n，在转移步数所对应的转移矩阵中，取起始状态对应的行向量，从而组成新的概率矩阵，并将其列向量求和，其和最大的列向量对应的状态即为待预测状态；如果有两个或两个以上的最大列向量和相同或相近，则考察n+1时刻，以此类推,得到待预测样本所处的状态。

102)通过隶属度函数建立离线查询表和控制查询表，对AP分配进行模糊控制和实时现场控制，实现多AP自适应切换，即

以一天内各AP的平均人数为数据源，离线建立离线查询表，通过模糊化、模糊推理、清晰化的过程建立控制查询表；将模糊控制转化为将模糊逻辑和模糊推论数据存放在计算机内存中，在实施时直接通过查询表得出相应输出量，进而实现实时现场控制。

本发明以手机是否进行正常上网的方式表现为最终实现形式，使用模糊控制进行实现。模糊控制是将人们的长期经验作为控制策略,并将它转化成机器可识别的自然语言,进而实现自动控制。本发明中将人们对人为轨迹策略语言转化为机器语言所描述的控制算法,使得该算法能够模拟人的思维对各个AP的时间分配问题进行很好地分析,从而实现多个AP自适应切换的可变控制。

由于模糊规则条数越多,推理速度就越慢,故只考虑不会影响实际控制效果的一天内各AP的平均人数。先离线建立查询表,即模糊化、模糊推理、清晰化等过程通过编程先实现,进而建立控制查询表,将数据存放在计算机的内存中，在实施时直接通过查询表就可得到相应输出量。这样在实时控制过程中,模糊控制过程便转化为计算量不大的对查询表进行查询的过程,因此,以查找查询表形式实现的模糊控制具有良好的实时性,满足现场控制的要求。

将移动终端距离AP的长度L看作模糊变量l，其论域为：L＝{2,4,6,8,10,12,14,16,18,20,22}。取7个语言值：VS(很近)，S(近)，LS(较近)，M(中等)，LL(较远)，L(远)，VL(很远)。隶属度赋值表如表1所示。

表1模糊变量l的隶属度赋值表

当前移动终端距离一个AP的长度与其距离下一个AP的长度差ΔL作为第二个模糊变量Δl，其论域为：ΔL＝{-10,-8,-6,-4,-2,0,2,4,6,8,10}。取7个语言值：NB(负大)，NM(负中)，NS(负小)，ZO(零)，PS(正小)，PM(正中)，PB(正大)。隶属度赋值表如表2所示。

表2模糊变量Δl的隶属度赋值表

同理将AP切换延时模糊化为g，其论域为：G＝{2,4,6,8,10,12,14,16,18,20,22}。取7个语言值：VS(很少)，S(少)，LS(较少)，M(中等)，LL(较多)，L(多)，VL(很多)。隶属度赋值表如表3所示。

表3模糊变量g的隶属度赋值表

确定模糊控制规则表如表4所示。

表4AP切换延时的模糊控制规则表(语言值)

表4所示的两个输入单个输出的语言控制策略由49条模糊条件语句构成：

if l＝li andΔl＝Δlj,then g＝gk

i,j,k＝{1,……,7}

其中每一条模糊条件语句都决定一个模糊关系，所决定的模糊关系可按下式计算：

R_i＝[(l_i)×(Δl_i)]^T1×(g_i) (10)

式中T1表示将矩阵[·]按行排成一列向量。

通过49个模糊关系的“并”运算，可得到总的模糊关系R，即：

给定模糊输入li,Δlj由R按合成推理规则可得到模糊输出gi，即为模糊控制的控制量。

g_i＝[(l_i)×(Δl_j)]^T2οR (12)

式中T2表示将矩阵[·]按行排成一行向量。计算得到AP切换延时的模糊控制规则表(精确到毫秒)，在实际计算时通过查表运算即可。

表5 AP切换延时模糊控制规则表(精确值)

根据前面采集得到实时客流量和马尔科夫预测模型，计算出预测客流量，代入排队模型得到排队长度和排队长度差作为模糊控制的两个输入变量，通过查找表5得到AP切换延时延长时间，实现对AP分配时的实时控制。模糊控制在AP控制系统中的使用解决了如何根据客流量调整AP的状态问题,从而实现用户正常上网的可变控制。

如图2所示，移动终端1接入到平台，随着移动终端1的位置不断变化，控制器2首先定位移动终端1所在的区域，当移动终端1可能需要切换AP的时候，控制器2会自动的查询实时生成的模糊规则库3，得到该区域切换时间最少且AP接入人数最少、服务质量最好的AP，然后控制器2通知移动终端1接入该AP，最后，移动终端1会自动的连接该AP，从而达到AP自适应切换。具体模块为：

1、数据采集4模块：收集每个AP的在线客流量的历史数据；

2、BP神经网络5模块：训练每个AP的历史数据预测将来时刻的预测值，并求出客流量的状态样本值与模型预测值之间的残差序列；

3、Markov状态模型6模块：根据各残差状态计算出状态转移概率矩阵，然后预测未来状态：

4、模糊规则库3模块：根据Markov模型生成模糊规则库，并不断更新和优化模糊规则库；

5、控制器2模块：根据移动终端所在的区域和区域AP的活动状态，查询模糊规则库，找出切换时间最少并且服务质量最好的AP，并让移动终端无感知的连上该AP。

本实施例的一种基于Markov模型的多AP自适应切换方法的有益效果有：多AP间自适应切换是一个复杂的系统工程，涉及信息科学、地理科学、控制科学以及系统科学等学科，本发明的方法引入Markov模型，建立客流量预测模型，并结合智能调度技术自动的切换耗时最少且服务质量最好的AP,建立严格的数学模型，达到用户无感知的进行上网体验。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明围内。本发明要求保护范围由所附的权利要求书及其等同物界定。

Claims

1.一种基于Markov模型的多AP自适应切换方法，其特征在于，所述方法包括以下步骤：

2)通过隶属度函数建立离线查询表和控制查询表，对AP分配进行模糊控制和实时现场控制，实现多AP自适应切换；

所述步骤1)中采集实时客流量，结合BP神经网络和Markov状态模型预测出客流量具体为：先构建基于BP神经网络的客流量预测基准，求出客流量数据的状态样本值与Markov模型预测值之间的残差序列；根据各残差序列状态计算出状态转移概率矩阵，然后预测未来状态，从而得出预测值的状态，取其加权中心修正计算预测值，最终得到精度较高的客流量预测值；构建状态转移概率矩阵时，先作状态划分，即以一个具有马氏链特点的非平稳随机序列曲线为基准，在其上下两侧作m条与之平行的曲线，每相邻两条曲线之间的区域称为一种状态，它将数据序列分成了若干状态区间；通过考察状态转移概率矩阵来预测系统未来的发展变化，为选取距离预测时刻n+1最近的n个时刻，按距离预测时刻的远近，将转移步数分别定为1至n；在转移步数所对应的转移矩阵中，取起始状态对应的行向量，从而组成新的概率矩阵，并将其列向量求和，其和最大的列向量对应的状态即为待预测状态；如果有两个或两个以上的最大列向量和相同或相近，则考察n+1时刻，以此类推,得到待预测样本所处的状态；所述步骤2)中对AP分配进行模糊控制和实时现场控制具体为：将模糊控制转化为将模糊逻辑和模糊推论数据存放在计算机内存中，在实施时直接通过查询表得出相应输出量，进而实现实时现场控制；将预测客流量代入排队模型得到排队长度和排队长度差作为模糊控制的两个输入变量，通过查找控制查询表得到AP切换延时延长时间，找出切换时间最少并且服务质量最好的AP，并让移动终端无感知地连上该AP，从而达到AP自适应切换。

2.根据权利要求1所述的一种基于Markov模型的多AP自适应切换方法，其特征在于，所述步骤1)中实时滚动预测具体为：保持客流量预测值的数据长度不变，不断补充客流量实时状态新数据，及时去掉客流量实时状态旧数据，进行实时滚动预测，更新模糊规则库。

3.根据权利要求1所述的一种基于Markov模型的多AP自适应切换方法，其特征在于，所述步骤2)中通过隶属度函数建立离线查询表和控制查询表具体为：以一天内各AP的平均人数为数据源，离线建立离线查询表，通过模糊化、模糊推理、清晰化的过程建立控制查询表。