CN106060851A - 异构云无线接入网络中拥塞控制下的安全资源优化方法 - Google Patents

Abstract

本发明公开了一种异构云无线接入网络中的拥塞控制下的安全资源优化方法。收集异构云无线接入网络中系统资源信息；对系统进行拥塞控制优化系统建模，将模型转化为三个子过程；分别对三个子问题进行优化运算；初始化动态粒子群算法的参数；初始化粒子群空间，并且初始化粒子群体；根据适应度函数计算群体中每个体的适应度；根据粒子群算法公式，更新当前的个体的最优位置和群体的最优位置；对知识空间进行交叉与变异操作，获得变化后新的个体位置与速度；判断迭代收敛指标，若收敛则输出最优的个体，若没有则重复步迭代直到完成预设迭代次数为止。本发明是一种在拥塞控制下提高异构云无线接入网络资源安全分配，充分利用能效资源，动态进行拥塞控制的优化方法。

Description

异构云无线接入网络中拥塞控制下的安全资源优化方法

技术领域

本发明属于计算机网络技术领域，特别是一种异构云无线接入网络中拥塞控制下的安全动态资源优化方法。

背景技术

利用混合网络(heterogeneous networks，HetNet)以及云无线接入网络(cloudaccess radio access networks，C-RAN)的优势，有研究提出异构云无线接入网络(heterogeneous cloud radio access networks，H-CRAN)来强化频谱效率和功率效率，它使用远程射频头(remote radio heads，RRH)来为用户提供高服务质量(quality ofservice，QoS)要求的高速数据传输率。如，文献1(M.Peng,Y.Li,et.al.,“Heterogeneouscloud radio access networks:a new perspective for enhancing spectral andenergy efficiencies”,IEEE Wireless Commun.,Dec.2014.)所描述。在提出的H-CRAN中，增加低功率节点(LPN)稠密区域的蜂窝网络容量，过于稠密的LPN将导致建中的的干扰，并且限制性能的增长和今后的应用，RRH与HPN(高功率节点)之间的系统负载往往不平衡，这就导致使用RRH/HPN优化的分配策略能够增加额外性能。

为了限制层间干扰，并且实现高的协同增长，基于协同信号处理的云计算应用到集中式基带处理单元(BBU池)，用于RRH之间的协同工作。为了保证LTE先进网络的向后兼容性，H-CRAN采用正交频分多址复用(OFDMA)。

并且无线网络通信的安全要求也越来越被人重视。这之后提出了窃听者的概念。网络中的用户都有可能成为潜在的窃听者，因此确保保密率的方法被提出，也有通过限制延迟达到保密的方法。

对于基站(BS)合作，资源块(RB)与功率联合分配的问题，已经有所研究。如，文献2(S.Kim,S.Choi and B.Lee,“A joint algorithm for base station operation anduser association in heterogeneous networks,”IEEE commun.lett.,vol.17,no.8,pp.1552–1555,Aug.2013)所描述，得到了BS系统对蜂窝网络收益的优化。

Lyapunov稳定性优化框架已经被广泛研究，可以通过构造框架函数，根据函数性质来判定整个系统稳定性的强弱。

然而这些工作没有考虑到达的随机传输，并且假定通信的队列是无限大的。由于还没有优化资源分配并且保持网络稳定的解决方案应用于H-CRAN，因此需要一种拥塞控制下的异构云无线接入动态资源优化方法。

发明内容

本发明在于提供一种基于异构云无线接入网络(H-CRAN)的一种拥塞控制下的资源优化方法。在拥塞控制的情况下，从辅助变量优化、通信控制优化、RB和功率联合优化三方面，达到最优的资源分配。

实现本发明目的的技术解决方案为：

一种异构云无线接入网络中的拥塞控制下的安全资源优化方法，包括以下步骤：

步骤1，收集异构云无线接入入中的系统资源信息。

步骤2，通过步骤1收集的系统资源信息，对系统进行拥塞控制优化系统建模，将模型转化为对辅助变量进行优化、对通信控制进行优化、对资源与功率进行优化三个子过程。

步骤3，在得到步骤2所求模型后，对三个子过程分别使用线性优化以及粒子群算法进行系统优化。

对辅助变量加以优化。

对通信控制进行优化。

使用自适应动态粒子群算法(PSO)，对RB和功率联合分配进行优化。

步骤3.1初始化动态粒子群参数。并且初始化粒子群空间，初始化群体，对能效资源分配进行初始位置和速度的初始化。

步骤3.2依据得出的适应度函数计算群体中每个个体的适应度。

步骤3.3依据粒子群算法公式，更新当前的个体最优位置以及群体最优位置。

步骤3.4对知识空间进行交叉与变异，得到变化后的位置与速度。

步骤3.5计算收敛指标，并且判断迭代收敛指标是否达到预设值以下，若收敛则输出最优的个体，若没有则重复步骤3.2直到完成预设迭代次数为止。

本发明与现有技术相比，其优点在于：(1)在异构云无线接入中采用自适应动态粒子群算法进行资源和功率分配，满足资源优化需求；(2)适应函数采取拥塞控制策略，在拥塞控制的前提下完成资源优化分配。(3)使用传输率控制的方法达到安全感知的效果。(4)为H-CRAN网络的能效以及资源的高效分配提供技术上支持。

附图说明

图1为本发明拥塞控制下的动态资源优化流程图。

图2为本发明所在的异构云无线接入网络接入方法。

图3为本发明自适应动态粒子群算法具体实施流程。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

结合图1，本发明是在拥塞控制下的异构云无线接入网络安全动态资源优化，具体步骤为：

步骤1，收集H-CRAN入中的系统资源信息。结合图2，对网络架设。

步骤2，通过步骤1收集的系统资源信息，对系统进行拥塞控制优化系统建模，将模型转化为对辅助变量进行优化、对通信控制进行优化、对资源与功率进行优化三个子过程。

步骤3，在得到步骤2所求模型后，对三个子过程分别使用线性优化以及粒子群算法进行系统优化。

对辅助变量加以优化。

通过公式：和 对公式(12)进行优化。

对通信控制进行优化。

通过阈值解决方案

$R_{0m}\left(t\right)=\left\{\begin{array}{cc}{A}_{0m}\left(t\right),& H_{0m}\left(t\right)-Q_{0m}\left(t\right)>0\\ 0,& else\end{array}\right.---\left(22\right)$

$R_{ij}\left(t\right)=\left\{\begin{array}{cc}{A}_{ij}\left(t\right),& H_{ij}\left(t\right)-Q_{ij}\left(t\right)>0\\ 0,& else\end{array}\right.---\left(23\right)$

优化通信允许的值R。其中A是到达应用层的数据量。

使用自适应动态粒子群算法(PSO)，对RB和功率联合分配进行优化。结合图3，具体步骤如下：

步骤3.1置收敛阈值为设置种群大小为N，资源块数为k，连接数j+m，算法最大迭代次数T，加速度因子分别是c1和c2。初始化群体X＝[X₁,X₂,…X_N]，每个个体为X_i(x₁,x₂…x_k)，每个x指示资源分配到的设备。随机生成最初群体以及最初的速度域V＝[V₁,V₂,…V_N]。

步骤3.2使用公式(15)提供的适应度函数f(s)

$\begin{array}{c}f\left(s\right)=\underset{\{a,y_i,y_0\}}{\max }\underset{i\∈R}{\mathrm{\Σ}}\underset{j\∈u_i}{\mathrm{\Σ}}\underset{k\∈\mathrm{\κ}}{\mathrm{\Σ}}{a}_{ijk}{\mathrm{\Λ}}_{ijk}+\underset{i\∈R}{\mathrm{\Σ}}\underset{j\∈u_i^M}{\mathrm{\Σ}}\underset{k\∈\mathrm{\κ}}{\mathrm{\Σ}}{y}_{imk}{\mathrm{\Φ}}_{imk}\\ +\underset{m\∈u_i}{\mathrm{\Σ}}\underset{k\∈\mathrm{\κ}}{\mathrm{\Σ}}{y}_{0mk}{\mathrm{\Γ}}_{0mk}\end{array}$

s.t.a_ijk∈[0,1],y_imk∈[0,1],y_0mk∈[0,1],

$a_{i_{1}jk}+y_{i_2{m}_{1}k}+a_{0m_{2}k}=1$

计算每个个体的适应度。

步骤3.3根据粒子群算法公式，更新当前个体的最优位置和群体的最优位置。将每个个体历史最高适应度的位置记录在向量组pBest＝[pBest₁,pBest₂,…pBest_N]中，将本次最优位置记录为gBest(gBest₁,gBest₂,…gBest_k)。

步骤3.4根据公式

$V_{ij}^{t+1}={\mathrm{\ωV}}_{ij}^t+c_1{r}_1({\mathrm{pBest}}_{ij}^t-X_{ij}^t)+c_2{r}_2({\mathrm{gBest}}_j^t-X_{ij}^t)---\left(19\right)$

$X_{ij}^{t+1}=X_{ij}^t+V_{ij}^{t+1}---\left(20\right)$

对速度进行更新，并且获得新的种群位置。其中i表示第i个个体，j表示每个个体的第j维，t表示迭代次数，表示加速度，r₁、r₂表示[0,1]之间的随机数，用于维护群体多样性。此后再对知识空间中20％的个体进行交叉和变异运算。

步骤3.5对于所得的群体，若

则停止迭代，否则迭代直至到达T次。其中表示第t次迭代最优位置适应度，表示第t次迭代个体平均适应度。

实施实例

本发明采用动态粒子群算法，在拥塞控制下对资源功率进行安全优化配置，具体为：

步骤1，收集H-CRAN中的系统资源信息。

HPN数量为1，RRH数量为4，HUE连接数为8,每个RUE都分别被RRH服务,资源块数量为10，每个RB带宽为15kHz。HPN和RRH路径损失d^M(dB)＝128.1+37.6log₁₀(R)和d^R(dB)＝140.7+37.6log₁₀(R)，R单位为km。HPN静态功率43dBm，最大平均功率30dBm，噪音及弱层间干扰设为-110dBm/Hz。α＝0.6，β＝0.4。

步骤2，通过步骤1收集的系统资源信息，对系统进行拥塞控制优化系统建模，将模型转化为对辅助变量进行优化、对通信控制进行优化、对资源与功率进行优化三个子过程。

步骤3，在得到步骤2所求模型后，对三个子过程分别使用线性优化以及粒子群算法进行系统优化。

对辅助变量加以优化。

对通信控制进行优化。

使用自适应动态粒子群算法(PSO)，对RB和功率联合分配进行优化。

首先，置收敛阈值为设置种群大小为N＝30，资源块数为k＝10，连接数为j+8，最大迭代重复次数T＝1000，得到加速度因子c1＝c2＝1.49。初始化群体X＝[X₁,X₂,…X_N]，每个个体为X_i(x₁,x₂…x_k)，每个x指示资源分配到的设备。随机生成最初群体以及最初的速度域V＝[V₁,V₂,…V_N]。设置交叉变异率分别为P_c＝0.9，P_m＝0.1。

然后，使用公式(15)提供的适应度函数f(s)计算每个个体的适应度。

其次，根据粒子群算法公式，更新当前个体的最优位置和群体的最优位置。

再次，每次迭代更新迭代次数，并且对知识空间进行交叉与变异，得到变化后的位置与速度。

之后，计算是否满足收敛指标然后将所得知识空间较好的50％代替本次较差的一半。

最后，收敛或者达到循环次数T时，输出最优的个体X，以及最优适应度f(x)。

综上所述，本发明是一个在拥塞控制下提高异构云无线接入网络资源安全分配，充分利用能效资源，动态进行拥塞控制的优化方法。

Claims (10)

1.一种异构云无线接入网络中的拥塞控制下的安全资源优化方法，其特征在于包括以下步骤：

步骤1，收集异构云无线接入中的系统资源信息；

步骤2，通过步骤1收集的系统资源信息，对系统进行拥塞控制优化系统建模，将模型转化为对辅助变量进行优化、对通信控制进行优化、对资源与功率进行优化三个子过程；

步骤3，对三个子过程分别使用线性优化以及粒子群算法进行系统优化。

2.根据权利要求1所述的异构云无线接入网络中的拥塞控制下的安全资源优化方法，其特征在于：步骤1所述的收集异构云无线接入中的系统资源信息，包括帧长、带宽信息、系统资源数量信息、连接情况信息、路径损失信息、连接功率信息、干扰耗费信息。

3.根据权利要求1所述的异构云无线接入网络中的拥塞控制下的安全资源优化方法，其特征在于：步骤2所述具体过程为：

第一步求得系统模型：

端设备UE连接到HPN称作HUE，UE连接到RRH称作RUE，u₀表示HUE链接的集合，u_i表示分配给第i个RRH的RUE链接的集合；

对于第m个HUE连接，有分别连接到HPN和RRH的比例s_m(t)和s_m'(t)：

s_m(t)+s_m'(t)≤1 (1)

对于第i个RRH的资源块k的非重用约束，有：

$c_{ik}\left(t\right)=\underset{j\∈u_i}{\Σ}{a}_{ijk}\left(t\right)+\underset{m\∈u_0}{\Σ}{s_m}^{\′}\left(t\right)b_{imk}\left(t\right)\≤1---\left(2\right)$

a_ijk(t)表示第k个RB用于第i个RRH上第j个RUE；b_imk(t)表示第k个RB分配给第m个HUE，这个HUE通过HPN与第i个RRH连接；x_0mk表示第k个资源块分配给HUE并且只连接HPN；

此时每个RRH的传输功率有：

$p_i\left(t\right)=\underset{j\∈u_i}{\Σ}\underset{k\∈\mathrm{\κ}}{\Σ}{a}_{ijk}\left(t\right)p_{ijk}\left(t\right)+\underset{m\∈u_0}{\Σ}\underset{k\∈\mathrm{\κ}}{\Σ}{s_m}^{\′}\left(t\right)b_{imk}\left(t\right){p_{ijk}}^{\′}\left(t\right)\≤{P_i}^{\max }---\left(3\right)$

p_ijk(t)和p_ijk'(t)分别表示相应分配的功率消耗；

占领第k个RB的第j个RUE信道干扰增噪如下：

$g_{ijk}=d_{ij}^R{h}_{ijk}^R/(p^M{d}_{0ij}^R{h}_{0jk}^R+{\mathrm{\σ}}_0)---\left(4\right)$

和分别表示第j个RUE在RRH和HPN上的路径耗散，和分别表示相应的信道增长，σ₀表示噪音功率，p^M表示HPN每个RB所提供传输功率；然后求得第j个RUE和HUE的传输率分别为：

${\mathrm{\μ}}_{ij}=\underset{k\∈\mathrm{\κ}}{\Σ}{a}_{ijk}{R}_b{\[log(1+g_{ijk}{p}_{ijk})-log(1+{\mathrm{\λ}}_{ijk}{p}_{ijk})\]}^{+}---\left(5\right)$

$\begin{array}{c}{\mathrm{\μ}}_{0m}={s^{\′}}_m\underset{i\∈N}{\Σ}\underset{k\∈\mathrm{\κ}}{\Σ}{b}_{imk}{R}_b{\[\log (1+{g^{\′}}_{imk}{p^{\′}}_{imk})-\log (1+{\mathrm{\λ}}_{imk}{p^{\′}}_{imk})\]}^{+}\\ +s_m\underset{i\∈N}{\Σ}\underset{k\∈\mathrm{\κ}}{\Σ}{x}_{0mk}{R}_b{\[\log (1+g_{0mk}{p}^M)-\log (1+{\mathrm{\λ}}_{0mk}{p}^M)\]}^{+}\end{array}---\left(6\right)$

R_b表示所占的带宽。λ_ijk，λ_imk，λ_0mk分别代表此链接最高的信噪比，

[.]⁺＝max{.,0}，因此确保达到最小保密率；

由于使用通信允许控制，每时每刻允许的数据量分别为R_0m(t)与R_ij(t)。因此传输吞吐率约束为：

${\stackrel{\‾}{r}}_{0m}=\underset{T\→\mathrm{\∞}}{\lim }\frac{1}{T}\underset{t=1}{\overset{T}{\Σ}}{R}_{0m}\left(t\right)\≤\underset{T\→\mathrm{\∞}}{\lim }\frac{1}{T}\underset{t=1}{\overset{T}{\Σ}}{\mathrm{\μ}}_{0m}\left(t\right)---\left(7\right)$

${\stackrel{\‾}{r}}_{ij}=\underset{T\→\mathrm{\∞}}{\lim }\frac{1}{T}\underset{t=1}{\overset{T}{\Σ}}{R}_{ij}\left(t\right)\≤\underset{T\→\mathrm{\∞}}{\lim }\frac{1}{T}\underset{t=1}{\overset{T}{\Σ}}{\mathrm{\μ}}_{ij}\left(t\right)---\left(8\right)$

最后得到一个动态资源优化模型公式：

$max\{\mathrm{\α}\underset{i\∈R}{\Σ}\underset{j\∈u_i}{\Σ}{g}_R\left({\stackrel{\‾}{r}}_{ij}\right)+\mathrm{\β}\underset{m\∈u_0}{\Σ}{g}_M\left({\stackrel{\‾}{r}}_{0m}\right)\}---\left(9\right)$

s.t.(1)(2)(3)(7)(8)

g_R(.)和g_M(.)分别表示达到此时平均吞吐量时系统能效资源的具体评价函数，α和β分别代表相应情况具体功能的耗费；

第二步使用Lyapunov优化技术将问题划分为三个独立的子问题：

得到拥堵量度

$L\left(t\right)=\frac{1}{2}\[\underset{m\∈u_0}{\Σ}{Q}_{0m}^2\left(t\right)+\underset{m\∈u_0}{\Σ}{H}_{0m}^2\left(t\right)+\underset{i\∈R}{\Σ}\underset{j\∈u_i}{\Σ}{Q}_{ij}^2\left(t\right)+\underset{i\∈R}{\Σ}\underset{j\∈u_i}{\Σ}{H}_{ij}^2\left(t\right)+\underset{i\∈R}{\Σ}{Z}_i^2\left(t\right)\]---\left(10\right)$

其中Q_0m(t)和Q_ij(t)分别代表真实的HUE和RUE连接的传输队列长度，H_0m(t)和H_ij(t)代表虚拟的队列长度Z_i(t)表示第i个RRH的功耗；

Lyapunov漂移效用函数表示如下：

$\begin{array}{c}E\{L(t+1)-L\left(t\right)-V\{\mathrm{\α}\underset{i\∈R}{\Σ}\underset{j\∈u_i}{\Σ}{g}_F\left(r_{ij}\right)+\mathrm{\β}\underset{m\∈u_0}{\Σ}{g}_M\left(r_{0m}\right)\}\≤B\\ -E\left\{\underset{i\∈R}{\Σ}\underset{j\∈u_i}{\Σ}\right\{{\mathrm{V\αg}}_F\left(r_{ij}\right)-H_{ij}\left(t\right)r_{ij}\left(t\right)\}+\underset{m\∈u_0}{\Σ}\{{\mathrm{V\βg}}_M\left(r_{0m}\right)-H_{0m}\left(t\right)r_{0m}\left(t\right)\left\}\right\}\\ -E\left\{\underset{m\∈u_0}{\Σ}\right\{H_{0m}\left(t\right)-Q_{0m}\left(t\right)\}{R}_{0m}\left(t\right)+\underset{i\∈R}{\Σ}\underset{j\∈u_i}{\Σ}\{H_{ij}\left(t\right)-Q_{ij}\left(t\right)\left\}{R}_{ij}\left(t\right)\right\}\\ -E\left\{\underset{m\∈u_0}{\Σ}{Q}_{0m}\left(t\right)\right\{{s^{\′}}_m\left(t\right){{\mathrm{\μ}}^{\′}}_{ij}\left(t\right)+s_m\left(t\right){\mathrm{\μ}}_{0m}^M\left(t\right)\}+\\ \underset{i\∈R}{\Σ}\underset{j\∈u_i}{\Σ}{Q}_{ij}\left(t\right){\mathrm{\μ}}_{ij}\left(t\right)+\underset{i\∈R}{\Σ}{Z}_i\left(t\right)\{P_i-p_i\left(t\right)\}\}\end{array}---\left(11\right)$

其中B代表最大拥堵量度；

因此划分为

$\begin{array}{cc}\underset{\{r_{ij},r_{om}\}}{\max }& \underset{i\∈R}{\Σ}\underset{j\∈u_i}{\Σ}\{{\mathrm{V\αg}}_F\left(r_{ij}\right)-H_{ij}\left(t\right)r_{ij}\left(t\right)\}+\underset{m\∈u_0}{\Σ}\{{\mathrm{V\βg}}_M\left(r_{0m}\right)-H_{0m}\left(t\right)r_{0m}\left(t\right)\}\end{array}---\left(12\right)$

$\begin{array}{cc}\underset{\{R_{0m},R_{ij}\}}{\max }& \underset{m\∈u_0}{\Σ}\{H_{0m}\left(t\right)-Q_{0m}\left(t\right)\}{R}_{0m}\left(t\right)+\underset{i\∈R}{\Σ}\underset{j\∈u_i}{\Σ}\{H_{ij}\left(t\right)-Q_{ij}\left(t\right)\}{R}_{ij}\left(t\right)\end{array}---\left(13\right)$

$\begin{array}{c}\begin{array}{cc}\underset{\{s,p,x\}}{\max }& \underset{m\∈u_0}{\Σ}{Q}_{0m}\left(t\right)\{{s^{\′}}_m\left(t\right){{\mathrm{\μ}}^{\′}}_{ij}\left(t\right)+s_m\left(t\right){\mathrm{\μ}}_{0m}^M\left(t\right)\}+\end{array}\\ \underset{i\∈R}{\Σ}\underset{j\∈u_i}{\Σ}{Q}_{ij}\left(t\right){\mathrm{\μ}}_{ij}\left(t\right)+\underset{i\∈R}{\Σ}{Z}_i\left(t\right)\{P_i-p_i\left(t\right)\}\end{array}---\left(14\right)$

三个子过程。

4.根据权利要求1所述的异构云无线接入网络中的拥塞控制下的安全资源优化方法，其特征在于：步骤3所述对三个子过程分别使用线性优化以及粒子群算法进行系统优化，具体为：

使用线性最优方法对辅助变量进行优化；

使用线性最优方法对通信控制进行优化；

使用动态粒子群算法对资源与功率进行优化。

5.根据权利要求4所述的异构云无线接入网络中的拥塞控制下的安全资源优化方法，其特征在于：所述使用动态粒子群算法对资源与功率分配进行优化，

将公式(14)中的函数带入，得到适应度函数：

$\begin{array}{c}\begin{array}{cc}f\left(s\right)=\underset{\{a,y_i,y_0\}}{\max }& \underset{i\∈R}{\Σ}\underset{j\∈u_i}{\Σ}\underset{k\∈\mathrm{\κ}}{\Σ}{a}_{ijk}{\mathrm{\Λ}}_{ijk}+\underset{i\∈R}{\Σ}\underset{j\∈u_i^M}{\Σ}\underset{k\∈\mathrm{\κ}}{\Σ}{y}_{imk}{\mathrm{\Φ}}_{imk}\end{array}\\ +\underset{m\∈u_i}{\Σ}\underset{k\∈\mathrm{\κ}}{\Σ}{y}_{0mk}{\mathrm{\Γ}}_{0mk}\end{array}---\left(15\right)$

s.t. a_ijk∈[0,1],y_imk∈[0,1],y_0mk∈[0,1],

$a_{i_{1}jk}+y_{i_2{m}_{1}k}+a_{0m_{2}k}=1$

Λ_ijk＝Q_ij(t)R_b log(1+g_ijk(t)p_ijk(t))-Z_i(t)p_ijk(t) (16)

Φ_imk＝Q_0m(t)R_b log(1+g'_imk(t)p'_imk(t))-Z_i(t)p'_imk(t) (17)

Γ_0mk＝Q_0m(t)R_b log(1+g_0mk(t)p^M) (18)

步骤分为：

步骤3.1初始化动态粒子群参数，并且初始化粒子群空间，初始化群体，对能效资源分配进行初始位置和速度的初始化；

步骤3.2依据得出的适应度函数计算群体中每个个体的适应度；

步骤3.3依据粒子群算法公式，更新当前的个体最优位置以及群体最优位置；

步骤3.4对知识空间进行交叉与变异，得到变化后的位置与速度；

步骤3.5计算收敛指标，并且判断迭代收敛指标是否达到预设值以下，若收敛则输出最优的个体，若没有则重复步骤3.2直到完成预设迭代次数为止。

6.根据权利要求5所述的异构云无线接入网络中的拥塞控制下的安全资源优化方法，其特征在于：所述步骤3.1具体为：设置收敛阈值设置种群大小N，资源块数k，连接数j+m，最大迭代次数T，加速度因子c1和c2；初始化群体X＝[X₁,X₂,...X_N]，每个X_i(x₁,x₂...x_k)，每个x指示资源分配到的设备；随机生成初始化群体以及初始速度V＝[V₁,V₂,...V_N]。

7.根据权利要求5所述的异构云无线接入网络中的拥塞控制下的安全资源优化方法，其特征在于：所述步骤3.2具体为：利用公式(15)提供的适应度函数f(s)计算每个个体的适应度。

8.根据权利要求5所述的异构云无线接入网络中的拥塞控制下的安全资源优化方法，其特征在于：所述步骤3.3具体为：将每个个体历史最高适应度的位置记录在向量组pBest＝[pBest₁,pBest₂,...pBest_N]中，将本次最优位置记录为gBest(gBest₁,gBest₂,...gBest_k)。

9.根据权利要求5所述的异构云无线接入网络中的拥塞控制下的安全资源优化方法，其特征在于：所述步骤3.4具体为：

根据公式

$V_{ij}^{t+1}={\mathrm{\ωV}}_{ij}^t+c_1{r}_1({\mathrm{pBest}}_{ij}^t-X_{ij}^t)+c_2{r}_2({\mathrm{gBest}}_j^t-X_{ij}^t)---\left(19\right)$

$X_{ij}^{t+1}=X_{ij}^t+V_{ij}^{t+1}---\left(20\right)$

对速度进行更新，并且通过运算得到新的种群位置；

其中i表示第i个个体，j表示每个个体的第j维，t表示迭代次数，ω表示加速度，r₁、r₂表示[0,1]之间的随机数，用于维护群体多样性；

此后再对知识空间中20％的个体进行交叉和变异运算。

10.根据根据权利要求5所述的异构云无线接入网络中的拥塞控制下的安全资源优化方法，其特征在于：所述步骤3.5具体为：

对于所得的群体，若

那么就停止迭代，不然重复迭代直至到达T次；

其中表示第t次迭代最优位置适应度，表示第t次迭代个体平均适应度。