CN106060849B - 一种异构网络中的网络制式优化分配方法 - Google Patents
一种异构网络中的网络制式优化分配方法 Download PDFInfo
- Publication number
- CN106060849B CN106060849B CN201610355326.5A CN201610355326A CN106060849B CN 106060849 B CN106060849 B CN 106060849B CN 201610355326 A CN201610355326 A CN 201610355326A CN 106060849 B CN106060849 B CN 106060849B
- Authority
- CN
- China
- Prior art keywords
- user
- network
- flow
- group
- cluster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种异构网络中的网络制式优化分配方法，属于移动通信技术领域。该方法根据移动通信网络用户的移动性、日均流量、流量均速三个维度对用户行为特征进行分析，进而对移动通信网络用户的上网行为进行分类，为有不同上网行为的用户群体分配相应的不同的网络制式，从而实现异构网络中的网络制式的优化分配。该方法能够通过有效分析移动通信网络用户的上网行为特征，优化异构网络中的网络资源分配问题，为静态用户优先分配局域网，为动态用户优先分配移动网络；为流量需求较小的用户优先分配带宽小的2G网络，为流量需求较大的用户优先分配带宽大的4G网络，为流量需求居中的用户优先分配带宽居中的3G网络，使网络资源得到更为充分有效的利用又保障了各用户的QoS。
Description
技术领域
本发明属于移动通信技术领域，涉及一种异构网络中的网络制式优化分配方法，特别是一种考虑从用户移动性、用户日均流量、用户流量均速三个维度对移动通信网络用户的上网行为进行归类，为有不同上网行为的用户群体分配相应的不同的网络制式，从而实现异构网络中的网络制式的优化分配的研究方法。
背景技术
近年来，随着移动网络与用户需求相互作用，移动网络不断建设，网络容量不断提升吸引用户规模不断扩大；而用户规模的快速增长，又需要移动网路的进一步建设发展。在此背景下，QQ、微信等即时通信软件逐步取代了短信、电话的作用，流量成了移动网络用户的主要消费形式；而微博、知乎慢慢替换掉了大量的报纸，流媒体开始撼动电视在用户生活中的地位，这表明用户对流量的需求还在进一步地高速率地增长。
用户对于高速无线数据传输的需求越来越大，因而所需的频谱资源也越来越多。但是可利用的频谱资源毕竟有限，于是如何提高频谱资源的频带利用率以提高无线数据传输速率成为行内人士研究的热门问题。除了加快5G的研究步伐外，整合现有网络，组成异构网络，实现多种网络优势互补，提升网络服务能力和用户服务体验，成了如今的研究重心之一。
在异构无线网络的融合中，一个重要的问题是如何对融入的资源进行有效的管理，通过用户和网络之间的双向选择，在实现网络资源的最优化配置的同时，保证用户的QoS。
发明内容
有鉴于此，本发明的目的在于提供一种异构网络中的网络制式优化分配方法，该方法根据移动通信网络用户的移动性、日均流量、流量均速三个维度对用户行为特征进行分析，进而对移动通信网络用户的上网行为进行分类，为有不同上网行为的用户群体分配相应的不同的网络制式，从而实现异构网络中的网络制式的优化分配。
为达到上述目的，本发明提供如下技术方案：
一种异构网络中的网络制式优化分配方法，在该方法中，从移动通信网络用户的移动性、日均流量、流量均速三个维度对用户行为特征进行分析，进而对移动通信网络用户的上网行为进行分类，为有不同上网行为的用户群体分配相应的不同的网络制式，从而实现异构网络中的网络制式的优化分配；具体包括以下步骤：
S1：数据采集：从异构网络中运用DPI技术提取数据，数据集涵盖了2G、3G、4G网络中的用户；
S2：数据预处理：对采集得到的数据进行预处理，根据用户所接入的基站信息判断出用户的移动性，根据用户的入网时间和使用的总流量得到用户的日均流量，根据用户的入网时间和流量使用情况计算出用户的流量均速，并对用户类别进行预分类；
S3：数据挖掘：根据用户移动性、日均流量、流量均速三个特征对用户群体进行聚类，运用Canopy聚类算法确定聚类个数及初始聚类中心；运用K-Medoids算法对有不同上网行为的用户进行聚类，划分用户群体；
S4：数据分析：用户接入不同网络制式的优先级排序，为用户选择最适宜接入的网络。
进一步，在步骤S2中，针对不同的用户群体累计接入的基站数不同，将用户移动性划分为静态和运动；针对不同的用户群体产生的数据流量不同，将流量划分为高流量、中流量和低流量(包括无流量)；针对不同的用户群体接入的网络流速不同，将网络流速划分为快流速、中流速和慢流速(包括无流速)；从而针对不同用户群体的移动性和对网络流量的需求，将用户群体预分为十四类：包括静态低流量用户(包括沉默用户)、静态中流量慢流速用户、静态中流量中流速用户、静态中流量高流速用户、静态高流量慢流速用户、静态高流量中流速用户、静态高流量高流速用户、动态低流量用户(包括沉默用户)、动态中流量慢流速用户、动态中流量中流速用户、动态中流量高流速用户、动态高流量慢流速用户、动态高流量中流速用户及动态高流量高流速用户。
进一步，在步骤S3中，根据用户移动性、日均流量、流量均速三个特征对用户群体进行聚类，并分析每个聚类集合分别包含十四类用户群体的占比，具体包括以下步骤：
1)设置两个距离阈值T1和T2，且T1<T2；
2)记所取数据集为S，从中随机选择样本点P(i,j,k)作为Canopy聚类的中心，并记为一个Canopy，简记为数据集C；
3)计算数据集S中每一个样本点与点P之间的马氏距离dM；
其中Xj为数据集S中的样本点(特征向量)，P为Canopy聚类中心，Σ为协方差矩阵；
N为数据集总的点数；
4)若dM<T1，则认为这两个样本点强关联，将相应点归入数据集C，若dM<T2，则认为这两个样本相关联，将相应点移出数据集S，其中当T1<dM<T2时，两个样本点弱关联，拒绝为相应点分类以提高系统可靠性；
5)重复步骤2)—4)，直至数据集S为空集，即完成对整个数据集的Canopy分类，Canopies＝{C(1),C(2),…C(K)}；
6)记K-Medoids＝{M(1),M(2),…M(K)}以Canopy聚类结果作为初始聚类中心，即令的中心；
7)对剩余的每一个样本，将其划分入中心距离该样本最近的聚类：
d(j)＝min(d(1j),d(2j),...,d(Kj))
将Xj加入M(j)；
8)计算每个聚类的medoid，重新设定聚类中心，先计算N(i)为M(j)中样本点数，Xj为M(j)中的样本点，再选择距离最近的样本点作为新的聚类中心
9)如果聚类的medoids改变了则回到步骤7)，否则算法停止，聚类结束，得到有不同上网行为的用户群体划分。
进一步，在步骤S4中，计算每个聚类集合分别包含的十四类用户的占比，为静态用户占绝对主体的用户群体优先分配局域网，为动态用户占主体的用户群体优先分配移动网络；在为以动态用户占主体的用户群体分配移动网络时，又从流量需求考虑为用户分配2G/3G/4G等不同网络制式：为流量需求较小的用户占主体的用户群体优先分配带宽小的2G网络，为流量需求较大的用户占主体的用户群体优先分配带宽大的4G网络，为流量需求居中的用户占主体的用户群体优先分配带宽居中的3G网络；并在优先分配同种网络制式的用户群体间根据其主要类别指标(慢流速用户占比额/中流速用户占比额/快流速用户占比额/高流量用户占比额/中流量用户占比额/低流量用户占比额)判断其偏向性，确定其为第一优先级或第二优先级。
本发明的有益效果在于：本发明针对不同移动性、不同偏好的用户群体对流量的需求不同，从用户移动性、用户日均流量、用户流量均速三个维度进行分类和聚类以对移动通信网络用户的上网行为进行归类，为不同用户分别提供2G、3G、4G、WLAN等不同网络，从而为异构网络中的网络制式分配提供一种思路方法。实现网络资源配置智能化，既保证了网络资源的充分使用，又保证了用户的QoS。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为异构网络架构图；
图2为用户群体研究分析异构网络的系统结构框图；
图3为聚类算法流程图；
图4为用户分类表格；
图5为用户群体聚类结果图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
图1为异构网络架构图，图2为用户群体研究分析异构网络的系统结构框图，如图所示：本发明提供的方法包括以下步骤：
S1：数据采集：从异构网络中运用DPI技术提取数据，数据集涵盖了2G、3G、4G网络中的用户；
S2：数据预处理：对采集得到的数据进行预处理，根据用户所接入的基站信息判断出用户的移动性，根据用户的入网时间和使用的总流量得到用户的日均流量，根据用户的入网时间和流量使用情况计算出用户的流量均速，并对用户类别进行预分类；
S3：数据挖掘：根据用户移动性、日均流量、流量均速三个特征对用户群体进行聚类，运用Canopy聚类算法确定聚类个数及初始聚类中心；运用K-Medoids算法对有不同上网行为的用户进行聚类，划分用户群体；
S4：数据分析：用户接入不同网络制式的优先级排序，为用户选择最适宜接入的网络。
下面通过具体实施例对本发明进行详细阐述：
本实施例首先基于重庆移动公司现网数据得到用户所接入的基站信息从而推断出用户的移动性；得到用户的入网时间和使用的总流量从而分析得到用户的日均流量；最后根据用户的入网时间和流量使用情况计算出用户的流量均速。针对不同移动性和不同流量需求的用户群体，本实施例考虑用上述三个因素将用户预分为十四类，如图4所示。
图3为聚类算法流程图，根据之前介绍聚类模型，运用Python语言和Hadoop平台对用户移动性、用户日均流量、用户流量均速三个特征值下的用户数据进行聚类运算，得到用户群体聚类结果。然后根据用户群体分类法则计算每一个聚类群体A～N十四类用户所占的比重，结果如图5所示。
如图5所示，通过用户位置信息和用户流量信息对用户进行聚类算法计算后，可以将用户群体分为八组，其中G1占18.02％，G2占15.23％，G3占12.06％，G4占14.59％，G5占16.15％，G6占11.62％，G7占8.37％，G8占3.96％。
对于G1，A类用户占比达到85％，静态用户累计达94％占比，又因为G1用户占总用户的18.02％，推断该组用户处于科技园区或写字楼一类人口密度大而流动性小的地方，是最适宜使用WLAN的用户群体。
在G2中，A类用户和B类用户占主体，静态用户累计占比达96％，推断该组用户处于商业区，大家会在商业区长时间停留然而只有部分商家开放Wifi，他们有流量需求又相对静止，是WLAN网络的次优用户群体。
在G3中，B类用户和I类用户占主体，即中流量慢流速用户共占76％，而再加上中流量中流速用户，其占比达94％。说明该组用户对流量有需求，但通常用于文本信息的收发，如微信、QQ等即时通信软件，对上网速度的要求不高。因而该组用户是最适宜使用2G网络的用户群体。
在G4中，中流量慢流速B类用户和I类用户共占57％，中流量中流速C类用户和J类用户共占40％，说明该组用户对流量有需求，对上网速度的要求较G3稍高，是2G网络的次优用户群体，在3G网络较为空闲时，也可将其接入3G网络。
在G5中，中流量中流速C类用户和J类用户共占80％，而再加上中流量慢流速用户，其占比达93％，说明该组用户对流量有需求，且对上网速率的要求较高，很可能是是图片交流的主要用户群。因而该组用户是最适宜使用3G网络的用户群体。
在G6中，中流量中流速C类用户和J类用户共占62％，中流量快流速及高流量用户共占30％，说明该组用户对流量和上网速度的需求都较G5稍高，是3G网络的次优用户群体，在4G网络较为空闲的时候，也可将其接入4G网络。
在G7中，快流速D类、G类、K类和N类用户共占54％，中流速C类、F类、J类和M类用户共占46％，且高流量用户占比达40％，说明该组用户对流量和流速的需求都很高，但高流速和中流速用户占比相当，属于4G网络的次优用户群体。
对于G8，N类用户占比达到55％，快流速用户共占71％，与高流量用户占比相同，说明该组用户对流量和上网速度都有很大需求，推测该组用户为流媒体和视频会议等的消费群体，因而该组用户将作为4G网络的优先接入对象。
由此可见，本发明提出的异构网络的网络资源分配方法，在分析用户的移动性以及对流量和上网速度的需求后，可以为用户选择适宜的网络，也可以很好的为各网络提供优选用户的排序。在保证用户用网的QoS的同时，充分利用了异构网络的网络资源。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。
Claims (4)
1.一种异构网络中的网络制式优化分配方法，其特征在于：在该方法中，从移动通信网络用户的移动性、日均流量、流量均速三个维度对用户行为特征进行分析，进而对移动通信网络用户的上网行为进行分类，为有不同上网行为的用户群体分配相应的不同的网络制式，从而实现异构网络中的网络制式的优化分配；具体包括以下步骤：
S1：数据采集：从异构网络中运用DPI技术提取数据，数据集涵盖了2G、3G、4G网络中的用户；
S2：数据预处理：对采集得到的数据进行预处理，根据用户所接入的基站信息判断出用户的移动性，根据用户的入网时间和使用的总流量得到用户的日均流量，根据用户的入网时间和流量使用情况计算出用户的流量均速，并对用户类别进行预分类；
S3：数据挖掘：根据用户移动性、日均流量、流量均速三个特征对用户群体进行聚类，运用Canopy聚类算法确定聚类个数及初始聚类中心；运用K-Medoids算法对有不同上网行为的用户进行聚类，划分用户群体；
S4：数据分析：用户接入不同网络制式的优先级排序，为用户选择最适宜接入的网络。
2.根据权利要求1所述的一种异构网络中的网络制式优化分配方法，其特征在于：在步骤S2中，针对不同的用户群体累计接入的基站数不同，将用户移动性划分为静态和运动；针对不同的用户群体产生的数据流量不同，将流量划分为高流量、中流量和低流量，包括无流量；针对不同的用户群体接入的网络流速不同，将网络流速划分为快流速、中流速和慢流速，包括无流速；从而针对不同用户群体的移动性和对网络流量的需求，将用户群体预分为十四类：包括静态低流量用户，包括沉默用户、静态中流量慢流速用户、静态中流量中流速用户、静态中流量高流速用户、静态高流量慢流速用户、静态高流量中流速用户、静态高流量高流速用户、动态低流量用户，包括沉默用户、动态中流量慢流速用户、动态中流量中流速用户、动态中流量高流速用户、动态高流量慢流速用户、动态高流量中流速用户及动态高流量高流速用户。
3.根据权利要求2所述的一种异构网络中的网络制式优化分配方法，其特征在于：在步骤S3中，根据用户移动性、日均流量、流量均速三个特征对用户群体进行聚类，并分析每个聚类集合分别包含十四类用户群体的占比，具体包括以下步骤：
1)设置两个距离阈值T1和T2，且T1<T2；
2)记所取数据集为S，从中随机选择样本点P(i,j,k)作为Canopy聚类的中心，并记为一个Canopy，简记为数据集C；k为：被选择样本点的流量均速；
3)计算数据集S中每一个样本点与点P之间的马氏距离dM；
其中Xj为数据集S中的样本点(特征向量)，P为Canopy聚类中心，Σ为协方差矩阵；
N为数据集总的点数；
4)若dM<T1，则认为这两个样本点强关联，将相应点归入数据集C，若dM<T2，则认为这两个样本相关联，将相应点移出数据集S，其中当T1<dM<T2时，两个样本点弱关联，拒绝为相应点分类以提高系统可靠性；
5)重复步骤2)—4)，直至数据集S为空集，即完成对整个数据集的Canopy分类，Canopies＝{C(1),C(2),…C(K)}；
6)记K-Medoids＝{M(1),M(2),…M(K)}以Canopy聚类结果作为初始聚类中心，即令的中心；M为初始聚类呈现的分类结果；
7)对剩余的每一个样本，将其划分入中心距离该样本最近的聚类：
d(j)＝min(d(1j),d(2j),...,d(Kj))
将Xj加入M(j)；
8)计算每个聚类的medoid，重新设定聚类中心，先计算N(i)为M(j)中样本点数，Xj为M(j)中的样本点，再选择距离最近的样本点作为新的聚类中心
9)如果聚类的medoids改变了则回到步骤7)，否则算法停止，聚类结束，得到有不同上网行为的用户群体划分。
4.根据权利要求3所述的一种异构网络中的网络制式优化分配方法，其特征在于：在步骤S4中，计算每个聚类集合分别包含的十四类用户的占比，为静态用户占绝对主体的用户群体优先分配局域网，为动态用户占主体的用户群体优先分配移动网络；在为以动态用户占主体的用户群体分配移动网络时，又从流量需求考虑为用户分配2G/3G/4G等不同网络制式：为流量需求较小的用户占主体的用户群体优先分配带宽小的2G网络，为流量需求较大的用户占主体的用户群体优先分配带宽大的4G网络，为流量需求居中的用户占主体的用户群体优先分配带宽居中的3G网络；并在优先分配同种网络制式的用户群体间根据其主要类别指标判断其偏向性，确定其为第一优先级或第二优先级；主要类别指标包括慢流速用户占比额、中流速用户占比额、快流速用户占比额、高流量用户占比额、中流量用户占比额和低流量用户占比额。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610355326.5A CN106060849B (zh) | 2016-05-26 | 2016-05-26 | 一种异构网络中的网络制式优化分配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610355326.5A CN106060849B (zh) | 2016-05-26 | 2016-05-26 | 一种异构网络中的网络制式优化分配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106060849A CN106060849A (zh) | 2016-10-26 |
| CN106060849B true CN106060849B (zh) | 2019-08-20 |
Family
ID=57175140
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610355326.5A Active CN106060849B (zh) | 2016-05-26 | 2016-05-26 | 一种异构网络中的网络制式优化分配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106060849B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107248959B (zh) * | 2017-06-30 | 2020-07-24 | 联想(北京)有限公司 | 一种流量优化方法及装置 |
| CN108770002B (zh) * | 2018-04-27 | 2021-08-10 | 广州杰赛科技股份有限公司 | 基站流量分析方法、装置、设备及存储介质 |
| KR102389909B1 (ko) * | 2020-10-16 | 2022-04-21 | 주식회사 케이티 | 무선망 이상 탐지 장치 및 무선망 이상 탐지 방법 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101655868A (zh) * | 2009-09-03 | 2010-02-24 | 中国人民解放军信息工程大学 | 网络数据挖掘方法、网络数据推送方法及设备 |
| CN102075963A (zh) * | 2009-11-25 | 2011-05-25 | 中国移动通信集团贵州有限公司 | 一种移动业务数据采集分析方法及系统 |
| CN103198098A (zh) * | 2013-03-12 | 2013-07-10 | 亿赞普(北京)科技有限公司 | 一种网络信息投放方法和装置 |
| CN103369508A (zh) * | 2013-06-25 | 2013-10-23 | 华为技术有限公司 | 数据加载方法和终端设备 |
| CN105389713A (zh) * | 2015-10-15 | 2016-03-09 | 南京大学 | 基于用户历史数据的移动流量套餐推荐算法 |
-
2016
- 2016-05-26 CN CN201610355326.5A patent/CN106060849B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101655868A (zh) * | 2009-09-03 | 2010-02-24 | 中国人民解放军信息工程大学 | 网络数据挖掘方法、网络数据推送方法及设备 |
| CN102075963A (zh) * | 2009-11-25 | 2011-05-25 | 中国移动通信集团贵州有限公司 | 一种移动业务数据采集分析方法及系统 |
| CN103198098A (zh) * | 2013-03-12 | 2013-07-10 | 亿赞普(北京)科技有限公司 | 一种网络信息投放方法和装置 |
| CN103369508A (zh) * | 2013-06-25 | 2013-10-23 | 华为技术有限公司 | 数据加载方法和终端设备 |
| CN105389713A (zh) * | 2015-10-15 | 2016-03-09 | 南京大学 | 基于用户历史数据的移动流量套餐推荐算法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106060849A (zh) | 2016-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110493360A (zh) | 多服务器下降低系统能耗的移动边缘计算卸载方法 | |
| CN106413017B (zh) | 异构网络中面向终端个性化服务的模糊垂直切换方法 | |
| CN104185248B (zh) | 一种基于分级的异构网联合接入控制方法 | |
| CN110351760A (zh) | 一种移动边缘计算系统动态任务卸载及资源分配方法 | |
| CN106060849B (zh) | 一种异构网络中的网络制式优化分配方法 | |
| Zhong et al. | A multi-user cost-efficient crowd-assisted VR content delivery solution in 5G-and-beyond heterogeneous networks | |
| Sun et al. | Delay analysis and optimization in cache-enabled multi-cell cooperative networks | |
| CN114501073B (zh) | 直播回源方法及装置 | |
| CN105262703B (zh) | 一种基于双重优先级的路由带宽分配方法 | |
| CN102448147A (zh) | 一种无线业务接入方法和装置 | |
| CN105007591B (zh) | 一种异构无线网络中用户与网络双向选择方法 | |
| CN104936232A (zh) | 5g网络中基于用户标签的分流方法和系统 | |
| CN107332766B (zh) | 一种基于软件定义网络流调度下的提高网络吞吐量的方法 | |
| CN106550049B (zh) | 一种中间件部署方法、装置及系统 | |
| CN107734482B (zh) | 基于d2d和业务卸载的内容分发方法 | |
| CN108901058A (zh) | 一种物联网节点接入通道优化选择方法 | |
| CN104468411A (zh) | 一种带宽分配方法、装置及路由器 | |
| CN112543508A (zh) | 面向5g网络切片的无线资源分配方法及网络架构 | |
| CN105744592B (zh) | 一种基于异构无线网络的业务接入方法、装置及系统 | |
| CN102469504A (zh) | 一种无线通信系统的网络拥塞判决方法和设备 | |
| CN108280018B (zh) | 一种节点工作流通信开销效率分析优化方法及系统 | |
| CN103096386A (zh) | 一种基于信令分析的数据业务流量管控方法 | |
| CN102196498B (zh) | 一种高速载波负载调配方法 | |
| CN108513318A (zh) | 一种基于边缘计算的用户业务排队优化方法 | |
| CN110536398A (zh) | 基于多维有效容量的平均时延保障功率控制方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |