CN109413680A

CN109413680A - 一种超密集网络中基于认知和接入点协作的自治愈方法

Info

Publication number: CN109413680A
Application number: CN201811109505.6A
Authority: CN
Inventors: 李曦; 郜忠明; 纪红; 张鹤立
Original assignee: Beijing University of Posts and Telecommunications
Current assignee: Beijing University of Posts and Telecommunications
Priority date: 2018-09-21
Filing date: 2018-09-21
Publication date: 2019-03-01
Anticipated expiration: 2038-09-21
Also published as: CN109413680B

Abstract

本发明提出一种超密集网络中基于认知和接入点协作的自治愈方法，属于无线通信技术领域。本发明首先对超密集网络中的接入点AP基于地理位置划分成簇，在每个簇中设置一个主AP；主AP通过认知无线电技术定期检测簇中其他AP的工作状态，记录各AP的频段占用情况；当某个AP对应的频段未被占用时，将该AP对应的运行参数输入基于多臂抽奖问题建立的故障诊断模型中进行判断，当判定出现故障，主AP向AP发送一条探询信令进一步判定；当AP故障时，主AP进行故障恢复，为受影响用户恢复服务。本发明在簇内应用自治愈机制，有效降低了计算复杂度，缩短了检测时间，避免了在检测过程中的大量的冗余信令开销和频谱占用。

Description

一种超密集网络中基于认知和接入点协作的自治愈方法

技术领域

本发明属于无线通信技术领域，具体涉及一种超密集网络中基于认知和接入点协作的自治愈方法。

背景技术

近年来，随着无线业务类型的增多，移动设备数量的急剧增长，对无线网络的带宽、吞吐量和接入连接提出了更高的要求。在超密集网络UDN通信场景中，参考文献[1]中提出了一个考虑接入点AP(Access Point)选择和资源分配的优化算法来保证为受影响用户提供可信赖的、无缝的服务。超密集网络因其在典型通信场景下能满足较高的带宽需求和支持大量用户接入而受到广泛的关注。它是密集部署大量的低功率、小覆盖范围的接入点的一种组网方式，能实现频谱复用效率的巨大提升，极大地提高通信系统的容量。但是，由于UDN中接入点的密集部署，传统的手工或半自动的网络管理方式比较费时费力。因此，自组织网络 SON被应用到UDN中来实现对智能的网络参数自优化、突发故障的检测和补偿以及通信实体的自部署。作为自组织网络的关键技术之一，自治愈由故障检测、诊断和故障恢复三个部分组成。它能实时地检测网络中的突发故障、分析故障类型并定位故障位置、自动采取有效措施修复网络故障，消除故障对受影响的用户(原本被故障AP所服务的用户)产生的影响，从而阻止通信网性能的下降。然而，在UDN中由于节点非常密集，已有的集中式故障检测算法会产生非常高的计算复杂度，致使故障检测时间被大大延长，检测时间会直接影响自治愈性能；另一方面，UDN中的干扰问题也是一个不可忽视的因素，由于UDN中节点的距离相对变小，单纯增大发射功率的方式会产生严重的同频干扰，因此，需要一种新的机制来解决上述的问题。

参考文献[2]探索利用隐马尔可夫模型自动获取目前基站(Base Station,BS)的状态，然后概率性地评估小区中断。但是这种模型需要人为规定初始概率分布，而且它的状态转移矩阵是固定的，不符合基站随着工作时间的增长出现故障概率逐渐增加的情况。

参考文献[3]提出一个基于联盟游戏的资源分配算法来实现自治愈并补偿突发的小区中断。该算法虽然可以较好的补偿接入点故障带来的用户性能损失，但是却没有提出一种有效的故障检测算法。

参考文献[4]提出一种为控制平面和数据平面分离的异构网络进行故障检测和中断补偿的自治愈框架，在该框架中控制平面的基站利用其所服务的大量用户收集报告数据，然后进行中断监测，并且由控制平面检测数据平面的基站故障情况。由于该算法需要移动设备UE (User Equipment)周期性地汇报自己的日志信息，会带来很大的系统开销，造成频谱资源和能量的浪费，因此也存在一些局限性。

已有技术大多只关注故障检测或故障发现后的恢复过程，而没有形成一个完整的机制；或者提出的方法需要大量的报告数据，需要比较大的信令开销，这将产生比较大的资源浪费，并且也没有专门考虑接入点AP间的干扰问题。

参考文献：

[1]Y.Liu,X.Li,H.Ji,K.Wang,and H.Zhang,“Joint aps selection andresource allocation for self-healing in ultra dense network,”pp.1–5,July2016.

[2]M.Alias,N.Saxena,and A.Roy,“Efficient cell outage detection in 5ghetnets using hidden markov model,”IEEE Communications Letters,vol.20,no.3,pp.562–565,March 2016.

[3]S.Fan and H.Tian,“Cooperative resource allocation for self-healingin small cell networks,”IEEE Communications Letters,vol.19,no.7,pp.1221–1224,July 2015.

[4]O.Onireti,A.Zoha,J.Moysen,A.Imran,L.Giupponi,M.A.Imran,and A.Abu-Dayya, “A cell outage management framework for dense heterogeneous networks,”IEEE Transactions on Vehicular Technology,vol.65,no.4,pp.2097–2113,April2016.

发明内容

本发明针对于现有技术大多只关注自治愈中的某一个方面，且在故障检测时会产生大量的信令开销、造成资源浪费等这些问题，提出一种超密集网络中基于认知和接入点协作的自治愈方法。

本发明提供的超密集网络中基于认知和接入点协作的自治愈方法，包括如下步骤：

步骤1，对超密集网络中的接入点AP基于地理位置划分成簇，系统带宽被簇内AP均分，每个AP占据一个相互正交的子频带，在每个簇中设置一个主AP；

步骤2，主AP通过认知无线电技术定期检测簇中其他AP的工作状态，记录各AP的频段占用情况；AP的工作状态记录在主AP的向量表V中，V中元素v_i取值为0或1，当v_i值为1时，表示第i个AP的频段处于占用状态，正在为用户提供服务，当v_i值为0时，表示第 i个AP处于休眠或者故障状态；

步骤3，主AP检测到某个AP对应的频段未被占用时，将该AP利用基于多臂抽奖问题建立的故障诊断模型进行故障判断，若是判定结果为出现故障，则主AP向该AP发送一条探询信令，若是在设定时间内没有收到反馈消息，则该AP出现故障，主AP读取该故障AP的用户连接信息表；

所述的故障诊断模型中包含两个摇臂，分别代表休眠状态和故障状态，通过置信度传播算法来建立故障诊断模型，计算摇臂的置信度；

步骤4，主AP进行故障恢复，为受影响用户恢复服务。

本发明与现有技术相比，具有以下明显优势：

(1)本发明提出了一种分布式的自治愈机制，通过对超密集网络中的接入点分簇，在簇内应用自治愈机制，有效降低了计算复杂度，缩短了检测时间；

(2)本发明通过认知技术感知簇内各AP的工作状态，然后将这些信息通过多臂抽奖问题进行故障判断，避免了在检测过程中的大量的冗余信令开销和频谱占用；

(3)本发明中由于在故障判断时会参考近期的AP状态，因此故障检测具有时变性，模型可以随着时间的变化认定AP故障几率会逐渐增大；

(4)本发明在故障恢复时引入非正交多址接入技术，避免了相邻小区间的同频干扰。

附图说明

图1是本发明超密集网络中基于认知和接入点协作的自治愈系统模型图；(a)表示AP 未出现故障系统模型图，(b)表示自制愈后系统模型图；

图2是本发明的基于认知和接入点协作的自治愈方法的整体流程示意图；

图3是本发明中故障检测时间随簇内AP数量的变化曲线示意图；

图4是本发明自治愈过程中AP的吞吐量变化情况示意图；

图5是本发明自治愈过程中用户设备的速率变化情况示意图；

图6是本发明自治愈过程系统能效变化情况示意图；

图7是本发明自治愈过程系统频谱效率变化情况示意图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图对本发明作进一步的详细描述。

UDN作为满足未来通信需求的一种关键组网技术，可以有效提高系统频谱复用效率，拉近和用户间的通信距离，满足未来用户的需求，但是也随之带来了网络管理和维护上的困难。随着自治愈功能的引入，通过对网络故障的自动检测和修复，可以极大地减少人工干预，提升网络的健壮性。本发明在UDN中的自治愈功能基础上提出了完整的自治愈机制，在故障检测时通过认知技术获取AP的工作状态及运行参数；然后将这些信息输入多臂抽奖问题来判断是否有AP出现故障。本发明采用分布式的算法有效降低了系统计算复杂度，减少故障检测时间。在故障恢复时引入非正交多址的接入技术减少了小区间的干扰。

如图1所示，为本发明超密集网络中基于认知和接入点协作的自治愈系统，即UDN网络场景，包括：多个AP；设定数量的主AP，称为L-AP；多个用户Ue。本发明提出一种超密集网络中基于认知和接入点协作的自治愈方法，流程如图2所示，下面说明各步骤。

步骤1、基于UDN网络场景，将热点区域的AP基于地理位置划分成簇，系统带宽被簇内AP均分，每个AP占据一个相互正交的子频带。每个簇中设置一个L-AP，它可以调度簇内所有AP和用户。在L-AP中建立有一张记录簇内所有AP的工作状态的表，在各AP中有一张用户连接信息表，在L-AP中也保存有簇内各AP的用户连接信息表。

步骤2、在网络运行过程中，L-AP通过认知无线电(cognitive radio，简称CR)技术定期检测簇中其他AP的工作状态并记录下运行参数。所述的运行参数主要是指AP的频段占用情况。

本发明考虑在单个簇的场景中。在故障检测领域，传统的方法需要用户设备或AP周期性地汇报它们的日志数据，由于UDN中的AP数量众多，这种方式会消耗大量的系统资源，甚至可能导致“信令风暴”，致使网络性能明显变差。因此，将UDN中的AP按照地理位置划分成簇。在每个簇中，表示所有AP组成的集合,和分别是正常AP和故障AP 所组成的集合。此外，在每个簇中设置一个L-AP，采用认知无线电技术定期检测簇中其他 AP的工作状态。L-AP的检测周期为T，T是由簇内AP的个数和L-AP的计算能力决定的。同时，L-AP会在自身内存中建立一个向量集合V＝{v₁,v₂...v_M}，其中，M表示簇内AP 数目，v_i∈{0,1},v_i表示第i段频谱的占用情况，即第i个AP是否正在传输数据，用以记录簇内各AP的历史工作状态。当第AP正在为用户提供服务时，它的频谱处于占用状态， v_i被赋值为1；否则，v_i被赋值为0，表示该AP处于休眠或者故障状态。

步骤3、当L-AP检测到某个AP对应的频段未被占用时，将该AP对应的参数信息输入多臂抽奖问题中进行判断，若是判定结果出现故障，为防止出现误判的情况，L-AP会向该AP发送一条问询信令，若是在一定时间内没有收到反馈消息，则该AP出现故障，L-AP会读取该故障AP的用户连接表。

传统的故障检测算法需要AP或用户设备周期性地汇报自己的日志数据，在UDN这种 AP密集部署的网络架构中，这需要大量的信令开销，增大了系统运行成本，而且也不适合目前网络资源本就匮乏的现状。因此，本发明采用基于多臂抽奖问题建立故障诊断模型，本方法通过认知技术获取各AP的运行参数，然后将这些参数用于AP故障诊断判决，从而节省了终端日志汇报的开销，系统可以节约出更多的资源用于数据传输，能在一定程度上提高系统频谱效率。

多臂抽奖问题来源于现实生活中一个实现最大化收益的问题，在一个多臂抽奖问题上有 K个摇臂，分别是μ₁,μ₂...μ_K，μ_K表示第K个摇臂的返回值。玩家每放入一枚硬币后选择一个摇臂按下，然后摇臂会给出一个对应的收益值，该模型的目标是获取最大的收益值。

在本发明实例中，设置摇臂数目为2，分别代表休眠和故障两种状态。考虑到AP出现故障的可能性非常小，系统采用置信度传播算法来实现这种模型。该算法在选择摇臂过程中不仅考虑每个摇臂的收益值，还会考虑每个摇臂被选取的次数，从而对发生概率较小的情况也能有很好的了解。系统在选取的过程中需要记录每个摇臂的相关信息，摇臂的数据结构S如下：

S＝(m,c,q) (1)

其中，m表示每个摇臂的编号，c表示当前摇臂被选取的次数，q表示当前摇臂的平均收益值。

每个摇臂的置信度bonus按照如下公式计算：

其中，tc是所有摇臂总共被选取的次数，S_i.c是第i个摇臂被选取的次数，bonus表示摇臂目前的可信程度。如果系统对该摇臂没有多少了解，摇臂目前的平均收益值q有一个低的置信度，系统需要选择这个摇臂来得到更多的信息，所以此时该摇臂的bonus值会比较大，从而系统有更大的可能性来选择这个摇臂。

故障诊断模型通过检测AP的频谱来感知它的工作状态，因此L-AP将在检测到某个AP 对应的频段未被占用时触发，具体步骤如下：

步骤301、初始化阶段。如果存在选择次数为0，即S_i.c＝0的摇臂，这说明该摇臂还没有被选择过，系统要优先选取未被选择过的摇臂，即要保证在初始阶段每个摇臂至少被选择一次。

步骤302、在完成了初始化阶段后，对每个摇臂都有了一定的了解，每次选择摇臂时先遍历所有情况，根据公式(2)计算每个摇臂的置信度，并求得每个摇臂的置信度bonus和回报值res的加和，然后选择加和最大的摇臂，该摇臂代表对AP的判定结果。

步骤303、若结果判定AP出现故障，则L-AP向该AP发送一条探询信令，在一定时间内如果能收到反馈信息说明该AP未出现故障，说明故障诊断模型判断错误，需要降低该摇臂的回报值作为惩罚，判断结束。

步骤304、根据步骤303，若L-AP不能收到反馈信息，则认为该AP出现故障，按照如下公式更新该摇臂的平均回报值S_i.q：

其中，res是第i个摇臂对应的回报值。公式(3)是一个迭代公式，每次选中这个摇臂的时候会更新存储的平均收益值。公式左边的S_i.q为更新后值，公式右边的S_i.q为更新前的值。

当AP出现故障，则调用故障恢复方法，消除故障AP所带来的影响。

步骤4、根据受影响用户和簇内正常AP的信道质量，L-AP为受影响用户选择最合适的 AP接入。

步骤5、为避免在故障恢复过程中产生严重的同频干扰问题，所有AP采用非正交多址接入技术服务多个用户。如图1所示，其中，a表示故障发生后用户的连接情况；b表示故障恢复后的用户连接情况。

传统的故障恢复算法通过调高邻近基站的下行发射功率或调整天线倾角来扩大周边小区的覆盖范围，实现对故障区域的无缝覆盖。将这种方式应用于UDN中会使得小小区的重叠范围大大增加，小小区边缘用户可能会受到严重的同频干扰，甚至会使得用户不能继续在该段频谱上传输数据。因此，本发明采用的自治愈机制在进行故障恢复时引入了非正交多址接入技术，由于簇内的不同AP分配不同的频带资源，在进行小区扩展时对临近小小区不会产生同频干扰问题，降低了资源分配的复杂度。同时还在受影响用户重接入的过程中考虑了它们和各AP间的信道质量，在一定程度上带来了能效上的优化。

故障恢复方法的详细步骤如下：

步骤401、当一个AP被检测到出现故障，L-AP通过该AP的用户连接表读取故障AP所服务的用户信息。

步骤402、L-AP调度故障AP邻近的正常AP发送一个探询信号，检测附近的受影响的用户，并反馈正常AP和受影响用户间的信道质量指示(CQI)值。

步骤403、L-AP验证是否故障AP所服务的所有用户都被检测到，若是存在未被检测到的用户，则调度所有AP增大探测范围，直到所有受影响用户都被发现，然后跳转到步骤402。

步骤404、所有受影响用户都被检测到后，L-AP比较AP反馈与受影响用户间的CQI值，然后为每个用户设备UE选择最优信道的AP接入，如果这时最优AP已经达到了最大连接数量，则为其选择次优AP接入，以此类推。

步骤405、当所有受影响UE接入指定的AP后，开始为各UE分配合适的功率值传输信息。分配方式为：AP将它所服务的用户根据CQI值降序排列，然后根据每个用户的速率需求为不同的用户分配不同的发射功率值(参考文献5：L.Lei,D.Yuan,C.K.Ho,and S.Sun,“Joint optimization of power and channel allocation with non-orthogonalmultiple access for 5g cellular systems,”in 2015IEEE Global CommunicationsConference(GLOBECOM),Dec 2015,pp. 1–6.)。

例如：编号为i的AP中为用户k分配的发射功率值p_ik为：

其中，r_k,min表示用户k的最小速率需求，B_i表示分配给第i个AP的频谱带宽，表示第i个AP所服务的用户集合。h_ig表示第i个AP和用户g间的信道状况，h_ik表示第i个AP 和用户k间的信道状况；p_ig是第i个AP分配给用户g的发射功率值，n₀是加性高斯白噪声功率谱密度值。

在功率分配过程中，当发现剩余功率不能满足某些用户的功率需求时，这些用户将由附近的其他能满足传输需求的AP继续提供服务。

因此，系统总能量消耗被建模为：

其中，P_C表示每个AP自身消耗的功率值；s.t表示限制条件；p_i,max表示第i个AP服务用户时的最大发射功率，p_i,min表示第i个AP服务用户时的最小发射功率，C_max表示AP的最大用户连接数量。

本发明的自治愈机制在尽量不影响簇内其余AP正常运行的情况下实现故障恢复过程，且为了与人工维护相兼容，因此当发现AP故障后它的频段不会被其它正常AP使用。这样正常AP不需要在有AP出现故障时重新划分频段且AP被修复后可以继续使用它原来的频带资源。

本发明方法提出了在UDN中基于AP协作和认知技术的自治愈机制，借助认知技术感知簇内AP的运行参数，然后通过多臂抽奖问题建立故障诊断模型对可能的AP故障进行检测，并通过问询信令进行二次确认，避免了故障检测过程中大量冗余信令的产生，节省了系统资源。最后引入非正交多址接入的方式来避免故障恢复过程中区间干扰问题的产生。

下面对本发明方法进行仿真验证，仿真验证如下：仿真主要围绕系统自治愈性能和资源变化情况两个方面进行。仿真场景为人员密集的广场区域，簇的半径为26米，L-AP被放置在簇的中心区域，它的检测时间间隔为10ms。每个簇中放置4～10个AP和16个用户，每个 AP的覆盖半径为10米。系统带宽为30MHz，每个AP的最大发射功率为37dBm，用户业务通信速率为5～15Mbps，每个AP最大服务的用户个数为5。无线信道被建模为小尺度的瑞利衰落和大尺度的路径损耗两部分，可表示为其中L_ij为AP和用户之间的距离。路径损耗因子κ＝4，h₀是复高斯信道系数。h_ij ²表示信道增益值。

如图3所示，为随着簇内AP总数量的增加系统发现AP故障的平均检测时间的变化曲线示意图。为了确保结果的精确性，图3是在同一场景下仿真数据保持不变时求得的多次仿真结果的平均值。由图3可以发现本发明故障诊断模型算法在AP发生故障时能够快速地检测出来。由图3还可以看出，随着簇内AP数量的增多，系统检测出AP故障的时间会相应地变长。这是因为本发明设定簇内的用户数量为一个恒定值，当AP数目增多时，每个AP所服务的用户数相应地就会变少，由于用户位置及其业务请求具有随机性，此时AP有更大的几率会时常处于休眠状态。这会使AP休眠时系统发生误判的可能性增大，当AP真正发生故障时系统反而更有可能会误认为AP休眠，当AP出现故障时系统误判为AP休眠的可能性变大，因此相应地系统就可能会经过更多次的检测才能确定该AP出现了故障。

为更清晰展示本发明提出的自治愈机制的性能，如图4至图7所示，为数据采用同一次仿真过程的结果。

如图4所示，为本发明自治愈过程中AP的吞吐量变化情况示意图，簇内的4个AP从原本正常运行的状态到出现故障再经过自治愈机制处理后的吞吐量变化情况。由图4中可以看出，开始阶段4个AP均有用户接入，它们在正常提供服务。当AP3出现故障后，它不能继续为用户提供服务，吞吐量降为0。这时系统还未发现该故障，其他AP也未受到任何影响，它们依旧正常为接入自身的用户提供服务，吞吐量不变。经过一段时间后，系统的自治愈机制检测到AP3的故障，L-AP调度邻近的AP，即AP1和AP4，为这些受影响的用户提供服务。在故障恢复阶段重新进行接入选择时，为了节约系统的传输功率，每个受影响的用户都被接入链路质量最好的AP。当受影响用户被接入AP1和AP4后由图4中可以发现，AP1和AP4 的吞吐量均有所升高，且它们升高的吞吐量值恰好等于AP3原本的吞吐量，说明本发明提出的自治愈机制在某些情况下可以完全消除AP故障产生的影响。AP2因为在自治愈过程中没有参与，所以它的吞吐量一直保持不变。

如图5所示，为在自治愈过程中受影响用户的数据速率变化情况。本场景中的AP个数为4、用户数为16，其中有两个用户连接到了将会出现故障的AP3。在前一段时间，AP3未发生故障，用户可以正常地接收从AP3中传来的数据。然后在仿真运行到0.7s附近时，AP3 出现故障、不能继续为用户提供服务，这时用户接收速率下降为0。然后在等待了几十毫秒后，L-AP检测到AP3出现故障，系统开始故障恢复过程。L-AP比较受影响用户和邻近正常 AP的信道质量后，选择将受影响用户分别接入信道质量最好的AP1和AP4，由它们继续为受影响用户提供服务。当AP1和AP4确认可用资源能够支持它们的业务传输后，AP1和AP4 开始进行资源分配，这时受影响用户能够再次接入通信网中继续其中断的业务传输。由图5 中数据看出，在经过自治愈机制处理后受影响用户的数据速率未发生改变。这说明本发明提出的方法可以很好地消除节点突发故障带来的性能衰减，通过合理的恢复策略能够使得用户享受到未发生故障前的网络性能。

如图6和图7所示，为在自治愈机制工作前后整个系统的能量效率和频谱效率的变化情况。因为同一个AP中的多个用户通过功率域的非正交多址接入技术接受服务，每增加一个用户所需的发射功率会急剧增加。因此，一个AP所服务的用户越多，一般来说它的能效也就越低，但是它的频谱效率会因为多次的频谱复用而变得更高。当AP3出现故障后，由于它所服务的用户比较少，能效与其他AP比相对较高，因此这时整个系统的能效会降低一些。且由于它的吞吐量相对较低，频谱效率要低于整个系统的频谱效率平均值，因此此时系统的频谱效率会变高。当系统完成自治愈过程，将受影响用户接入邻近的正常AP后，由于新接入的AP中已经存在一些用户，因此这些新加入的用户需要更大的发射功率才能达到原本的速率需求，这时所需的功率能效要远远高于系统能效的平均值，这会导致系统能效进一步降低。然而，由于此时整个系统的吞吐量未发生改变，并且一个AP出现故障导致系统正在使用的频谱变小，整个系统的频谱效率会相应地增大很多。

由于在仿真过程中信道质量会不断变化，而CQI值的获取和发包之间存在一些时间上的不对称性，所以仿真结果会出现一些波动。

至此，本发明方法结合未来通信发展的特点，首先分析了UDN对未来网络和用户产生的影响，然后分析了引入UDN后对网络管理带来的挑战，说明引入自组织概念可以有效解决UDN中产生的问题，并提出了一种有效的分布式自治愈机制，快速发现网络故障，并能通过一些恢复策略有效消除该故障对网络产生的不良影响。最后，通过仿真验证了本发明分布式自治愈机制的有效性。

Claims

1.一种超密集网络中基于认知和接入点协作的自治愈方法，其特征在于，包括如下步骤：

步骤2，主AP通过认知无线电技术定期检测簇中其他AP的工作状态，记录各AP的频段占用情况；AP的工作状态记录在主AP的向量表V中，V中元素v_i取值为0或1，当v_i值为1时，表示第i个AP的频段处于占用状态，正在为用户提供服务，当v_i值为0时，表示第i个AP处于休眠或者故障状态；

步骤4，主AP进行故障恢复，为受影响用户恢复服务。

2.根据权利要求1所述的方法，其特征在于，所述的方法中，所有AP采用非正交多址接入技术服务多个用户。

3.根据权利要求1所述的方法，其特征在于，所述的主AP中还记录簇内各AP的用户连接信息表。

4.根据权利要求1所述的方法，其特征在于，所述的故障诊断模型中，根据下面公式来计算第i个摇臂的bonus；

其中，tc是所有摇臂总共被选取的次数，S_i.c是第i个摇臂被选取的次数。

5.根据权利要求1或4所述的方法，其特征在于，所述的步骤3中，当某个AP对应的频段未被占用时，主AP触发故障诊断模型，执行如下步骤：

步骤301，初始化阶段，优先选取未被选择过的摇臂，保证在初始化阶段每个摇臂至少被选择一次；

步骤302，完成初始化阶段后，计算每个摇臂的置信度，并求得每个摇臂的置信度和回报值的加和，选择加和最大的摇臂作为判定结果；

步骤303，若是结果判定AP出现故障，则主AP向该AP发送一条探询信令，当在设定时间内收到反馈消息，说明该AP未出现故障，模型误判，降低该摇臂的回报值作为惩罚，判断结束；

步骤304，若主AP没有收到反馈消息，说明该AP出现故障，更新摇臂的平均回报值；

设模型选择了第i个摇臂，第i个摇臂的回报值为res，第i个摇臂被选取的次数是S_i.c，则更新第i个摇臂的平均回报值公式左边的S_i.q为更新后值，公式右边的S_i.q为更新前的值；

6.根据权利要求1所述的方法，其特征在于，所述的步骤4中，主AP进行故障恢复的步骤包括如下：

步骤401，当一个AP被检测到出现故障，主AP通过用户连接信息表读取故障AP所服务的用户信息；

步骤402，主AP调度故障AP邻近的正常AP发送一个探询信号，检测附近的受影响的用户，并反馈该正常AP和受影响用户间的信道质量指示值；

步骤403，主AP验证是否故障AP所服务的所有用户都被检测到，若是存在未被检测到的用户，则调度所有AP增大探测范围，直到所有受影响用户都被发现，然后跳转到步骤402；

步骤404，当所有受影响用户都被检测到后，主AP比较反馈的AP与受影响用户间的信道质量指示值，为每个受影响的用户设备选择最优信道的AP接入，如果此时最优AP已经达到了最大连接数量，则为用户设备选择次优AP接入，以此类推；

步骤405，当所有受影响的用户接入指定的AP后，开始为各用户设备分配功率值传输信息。