CN110474796A - 基于用户体验质量的异构网络选择方法 - Google Patents

Abstract

本发明公开了一种基于用户体验质量的异构网络选择方法，将备选网络以及影响QoE的属性值构成原始决策矩阵并对其进行规范化；根据熵值法得到各个属性的不确定度；依照数据模糊化流程对备选网络各属性对QoE的影响程度进行评判，求得隶属度；根据不确定度和隶属度确定属性的非隶属度，得到网络QoE判决矩阵；对各备选网络的属性间关系进行QoE模糊测度赋值；对各备选网络的网络QoE判决矩阵应用模糊集成算子进行集成、排序，得到决策结果。本发明客观的模糊化流程将QoE赋值变得简单易行，可移植性强。

Description

基于用户体验质量的异构网络选择方法

技术领域

本发明属于网络选择技术，具体为一种基于用户体验质量的异构网络选择方法。

背景技术

现有的模糊评价大多依据决策者的主观意见进行打分，缺少客观科学的评判标准，并且实时性可移植性差。在解决具有属性优先级的优先多准则问题时，信息集成过程不够全面客观。

基于多属性决策的网络选择方法是当前比较主流的网络选择方法之一。多属性决策(multiple attribute decision making,MADM)主要解决的是具备选项的优劣由多个属性(属性间相互关联或矛盾)共同决定时的最优选项决策问题。多属性决策包含五个要素：备选项集、备选项的属性集、决策矩阵、属性权重。其中决策矩阵的列对应备选项的属性，行对应备选项，矩阵中的元素表示特定备选项的指定属性取值。经过归一化的属性取值结合属性权重和多属性融合准则可以得到指示备选项优劣的指标，根据不同的多属性融合准则，MADM有不同类型。在采用MADM做决策时，网络性能指标作为算法输入的多个属性，输出的是各个网络的综合评价值(这里是QoE)，一般评价值越大表明网络性能越好，常见于网络选择中的MADM方法有：加性加权法(求所有属性的加权和)、乘性加权法(求所有属性的积，各属性以其权重为指数)、TOPSIS法等。这些方法虽然解决了一些情况下的网络选择问题，但在评价过程中都是将网络的各个属性单独考虑入评价值，忽略了属性之间关系对网络表现的影响。

由于客观事物的复杂性和人类思维的模糊性，人们对事物的描述很难以精确的信息表示，如果将QoE作为评价值，应考虑将模糊数应用其中。在模糊数的赋值过程中，现有的主要方法是由专家打分获取，这样的方式虽然较为精准，但耗时耗力且可移植性、实时性差，作为模糊决策的必要准备工作会带来很大的局限性。

发明内容

本发明的目的在于提出了一种基于用户体验质量的异构网络选择方法。

实现本发明的技术解决方案为：一种基于用户体验质量的异构网络选择方法，具体步骤为：

步骤1、将待接入的异构网络中备选网络以及影响QoE的属性值作为初始值构成原始决策矩阵；

步骤2、对原始决策矩阵中的属性值进行规范化得到规范化决策矩阵；

步骤3、根据熵值法得到各个属性的不确定度；

步骤4、依照数据模糊化流程对备选网络各属性对QoE的影响程度进行评判，求得隶属度；

步骤5、根据不确定度和隶属度确定属性的非隶属度，得到网络QoE判决矩阵；

步骤6、根据备选网络特点以及待接入用户的业务需求，对各备选网络的属性间关系进行QoE模糊测度赋值；

步骤7、对各备选网络的网络QoE判决矩阵应用模糊集成算子进行集成、排序；

步骤8、根据排序结果得到异构网络接入决策策略。

优选地，对原始决策矩阵中的属性值进行规范化的具体公式为：

其中，x_ij为原始决策矩阵中网络i的属性j的值，r_ij为经过标准化的属性值。

优选地，步骤3根据熵值法得到各个属性的不确定度，具体公式为：

π_j＝1-E_j,j＝1,2,3,...,n

式中，π_j为属性j的不确定度，E_j为属性j的熵。

优选地，属性j的熵具体为：

其中，E_j为属性j的熵，

r_ij为经过标准化的属性值。

优选地，步骤3中不同属性的隶属度分别为：

效益型：

成本型：

其中，α＝0.8，β＝1.2，S_j为该业务对属性j的需求标准，x_ij为原始决策矩阵中网络i的属性j的值。

优选地，步骤4根据不确定度和隶属度确定属性的非隶属度的具体公式为：

式中，π_β表示不确定度，μ_β表示隶属度，υ_β表示非隶属度。

优选地，步骤6根据备选网络特点以及待接入用户的业务需求，对各备选网络的属性间关系进行QoE模糊测度赋值的具体方法为：

根据备选网络特点以及待接入用户的业务需求，设置QoE模糊测度初值；

根据QoE模糊测度初值确定各备选网络的属性间关系值，其中属性间关系值的确定公式为：

式中，F_m(S)＝1，F_m(s_i)为设置的初始模糊测度值，ρ属性间关系值；

根据各备选网络的属性间关系值确定QoE模糊测度值，确定公式为：

式中，F_m(A)为最终的QoE模糊测度值。

优选地，步骤7中对各备选网络的网络QoE判决矩阵应用PFCOWA算子进行集成，具体公式为：

式中，为毕达哥拉斯模糊数，β_i表示的是最终决策矩阵中该网络第i个属性的QoE值，i＝1,2,...,n，s_i表示的是β中第i大的属性QoE值，L_i是S的一个子集，F_m(L_i)是对集合L_i的模糊测度。

本发明与现有技术相比，其显著优点为：(1)本发明客观的模糊化流程将QoE赋值变得简单易行，可移植性强；(2)本发明使用毕达哥拉斯模糊数描述QoE，更加精准、贴合实际；(3)本发明利用提出的模糊集成算子作为MADM解决方案，能够将网络不同属性之间的关系考虑到网络评价过程中，从而提供更适合选定业务的网络选择方案。

下面结合附图对本发明做进一步详细的描述。

附图说明

图1是QoE最终判决矩阵生成流程图。

图2是网络属性QoE模糊化流程图。

图3是由QoE最终判决矩阵经过模糊集成算子集成的网络选择流程图。

图4是QOE客观赋值过程中的成本型属性映射函数。

图5是QOE客观赋值过程中的效益型属性映射函数。

图6是客观赋值得到的网络属性QoE值与主观赋值的网络属性QoE值的对比图。

图7客观网络属性QoE值进行集成决策得到的结果图。

图8主观网络属性QoE值进行集成决策得到的结果对比图。

具体实施方式

一种基于用户体验质量的异构网络选择方法，具体步骤为：

步骤1、将待接入的异构网络中备选网络以及影响QoE的属性值作为初始值构成原始决策矩阵；

步骤2、对原始决策矩阵中的属性值进行规范化得到规范化决策矩阵；

步骤3、根据熵值法得到各个属性的不确定度；

步骤4、依照数据模糊化流程对备选网络各属性对QoE的影响程度进行评判，求得隶属度；

步骤5、根据不确定度和隶属度确定属性的非隶属度，得到网络QoE判决矩阵；

步骤6、根据备选网络特点以及待接入用户的业务需求，对各备选网络的属性间关系进行QoE模糊测度赋值；

步骤7、对各备选网络的网络QoE判决矩阵应用模糊集成算子进行集成、排序；

步骤8、根据排序结果得到异构网络接入决策策略。

进一步的实施例中，对原始决策矩阵中的属性值进行规范化的具体公式为：

其中，x_ij为原始决策矩阵中网络i的属性j的值，r_ij为经过标准化的属性值。

进一步的实施例中，步骤3根据熵值法得到各个属性的不确定度，具体公式为：

π_j＝1-E_j,j＝1,2,3,...,n

式中，π_j为属性j的不确定度，E_j为属性j的熵。

进一步的实施例中，属性j的熵具体为：

其中，E_j为属性j的熵，r_ij为经过标准化的属性值。

进一步的实施例中，步骤3中不同属性的隶属度分别为：

效益型：

成本型：

其中，α＝0.8，β＝1.2，S_j为该业务对属性j的需求标准，x_ij为原始决策矩阵中网络i的属性j的值。

进一步的实施例中，步骤4根据不确定度和隶属度确定属性的非隶属度的具体公式为：

式中，π_β表示不确定度，μ_β表示隶属度，υ_β表示非隶属度。

进一步的实施例中，步骤6根据备选网络特点以及待接入用户的业务需求，对各备选网络的属性间关系进行QoE模糊测度赋值的具体方法为：

根据备选网络特点以及待接入用户的业务需求，设置QoE模糊测度初值；

根据QoE模糊测度初值确定各备选网络的属性间关系值，其中属性间关系值的确定公式为：

式中，F_m(S)＝1，F_m(s_i)为设置的初始模糊测度值，ρ属性间关系值；

根据各备选网络的属性间关系值确定QoE模糊测度值，确定公式为：

式中，F_m(A)为最终的QoE模糊测度值。

进一步的实施例中，步骤7中对各备选网络的网络QoE判决矩阵应用PFCOWA算子进行集成，具体公式为：

式中，为毕达哥拉斯模糊数，β_i表示的是最终决策矩阵中该网络第i个属性的QoE值，i＝1,2,...,n，s_i表示的是β中第i大的属性QoE值，L_i是S的一个子集，F_m(L_i)是对集合L_i的模糊测度。

实施例

一种基于用户体验质量的异构网络选择方法，具体步骤为：

步骤1、将待接入的异构网络中备选网络中影响QoE的属性作为原始决策矩阵X＝{x_ij}，其中矩阵纵坐标代表备选网络，以会话业务为例，i＝1,2,3,4分别代表UMTS网络，802.11a，802.11b，WiMAX网络，横坐标代表影响网络QoE的属性，本例中j＝1,2,3,4,5，分别为时延，抖动，吞吐量，丢包率，花销。构成的原始决策矩阵为X＝{x_ij}，本实施例中原始决策矩阵具体如表1所示。

表1

步骤2、将原始决策矩阵中的属性值进行规范化得到规范化决策矩阵；

根据公式(1)对原始决策矩阵进行标准化处理，得到标准化后的属性值如表2所示。

其中x_ij为原始决策矩阵中网络i的属性j的值，r_ij为经过标准化的属性值；

表1

步骤3、根据熵值法得到各个属性的不确定度；

根据公式(2)和公式(3)，得到各属性的不确定度。计算结果如表3所示。

r_ij为经过标准化的属性值。p_ij为计算属性j的中间量，E_j为属性j的熵，由公式(3)得到的π_j为属性j的不确定度：

π_j＝1-E_j,j＝1,2,3,...,n (3)

表3

步骤4、依照数据模糊化流程对备选网络的各属性对QoE的影响程度进行评判，求得隶属度；

与此同时，根据QoE映射函数和会话业务对应的各属性标准值，如表4所示，得到不同属性的隶属度。流程如图2所示。

效益型：函数曲线如图5所示

其中α＝0.8。

成本型：函数曲线如图4所示

其中，β＝1.2，S_j为该业务对属性j的需求标准，具体数值如表4所示。

表4

步骤5、根据不确定度和隶属度确定属性的非隶属度，得到网络QoE判决矩阵；

由于毕达哥拉斯模糊数β的不确定度定义：

已知不确定度π_β和隶属度μ_β，可以求得非隶属度υ_β。

由公式(4)可以计算得到非隶属度，确定完整的属性模糊评价值，即最终决策矩阵如表5所示。需要注意的是，当根据毕达哥拉斯模糊数的定义，不确定度的值应调整为而此时的非隶属度υ_p(x)为零。

表5

以上计算过程得到的是对QoE的客观评价结果，传统的主观评价过程是通过专家打分的方法得到最终决策矩阵。这里为了与客观评价形成对比，针对上述问题利用主观评价方法得到主观的最终决策矩阵，结果如表6所示。

表6

如图6所示，四种备选网络的主观评价得分值与客观评价得分值、主观模糊值和客观模糊值的大致趋势是相同的，这也可以印证客观评价方法的有效性。客观模糊值的取值两极化较为明显，这是由于映射函数在临界值附近的斜率较大，因此一旦偏离临界值，就会造成评价的大幅度下滑。相比之下，主观评价显得较为宽容，只有在对用户的影响可感时才会对评价造成影响，因此可以认为，客观评价是一种比主观评价更为严苛的评价方法，同时也证明了这种客观模糊评价方法的可行性。值得注意的是，在某种特定环境下建立了客观评价体系后，需要用传统的主观评价方法进行对比参照，只有这样才能确认建立的客观评价体系能够得出与主观评价相一致的结果。也就是说，客观评价体系在前期建立时，需要有一个验证过程来保证其在特定环境下的有效性。完整的数据模糊化流程如图1所示。

步骤6、根据备选网络特点以及待接入用户的业务需求，对各备选网络的属性间关系进行QoE模糊测度赋值；

表7

各属性的模糊测度值来自于不同业务的特点。以会话业务为例，它对时延和抖动比较敏感，因此测度值较大而对丢包率容忍度高，相对的测度值也比较小。

ρ的值可以用来定义多种属性之间的关系。下面将详细说明如何确定参数ρ的值。集合S＝{s_i}为影响网络QoE的所有属性集合，而集合A是属性集合S的一个子集，有公式(5)和公式(6)成立：

F_m(A)为子集A的模糊测度，表示该集合中各属性之间的相互关系。

已知F_m(S)＝1、F_m(s_i)为设置的初始模糊测度值，具体如表7所示。依据公式(5)即可得到ρ的值：

得出ρ＝-0.6253，得到ρ的值后，可以依据公式(6)计算得出集合S任意子集的模糊测度。

步骤7、对各备选网络的网络QoE判决矩阵，应用模糊集成算子进行集成、排序；

本发明对各备选网络的最终QoE决策矩阵利用PFCOWA算子进行集成、排序，具体过程为：

其中，代入的是网络各属性QoE最终决策矩阵中的值。s_i是β_i中第i大的值，设定L_i是S的一个子集：

对各个网络的集成结果进行比较排序，如图3所示。

步骤8、根据排序结果得到异构网络接入决策结果。以上计算过程得到的是客观结果，主观结果是将得到最终决策矩阵以前的过程替换成专家打分，得到的客观、主观集成结果分别如表8、表9所示。

表8

表9

为了更直观地对比各算子的集成结果以及它们的相互关系，本发明将结果用图7和图8表示。表10中列出的是主客观评估值在不同集成算子下对应的决策结果，并与TOPSIS法得到的结果进行对比。

表10

本发明符合用户需求，能够模拟主观评价做出符合用户意愿的评估结果。并且，客观评估方法具有快捷方便、实时性好、可移植性强等特点，因此，在异构网络环境中使用本发明，利用所提出的算子进行多属性决策是合理有效的。

Claims (8)

1.一种基于用户体验质量的异构网络选择方法，其特征在于，具体步骤为：

步骤1、将待接入的异构网络中备选网络以及影响QoE的属性值作为初始值构成原始决策矩阵；

步骤2、对原始决策矩阵中的属性值进行规范化得到规范化决策矩阵；

步骤3、根据熵值法得到各个属性的不确定度；

步骤4、依照数据模糊化流程对备选网络各属性对QoE的影响程度进行评判，求得隶属度；

步骤5、根据不确定度和隶属度确定属性的非隶属度，得到网络QoE判决矩阵；

步骤6、根据备选网络特点以及待接入用户的业务需求，对各备选网络的属性间关系进行QoE模糊测度赋值；

步骤7、对各备选网络的网络QoE判决矩阵应用模糊集成算子进行集成、排序；

步骤8、根据排序结果得到异构网络接入决策策略。

2.根据权利要求1所述的基于用户体验质量的异构网络选择方法，其特征在于，对原始决策矩阵中的属性值进行规范化的具体公式为：

其中，x_ij为原始决策矩阵中网络i的属性j的值，r_ij为经过标准化的属性值。

3.根据权利要求1所述的基于用户体验质量的异构网络选择方法，其特征在于，步骤3根据熵值法得到各个属性的不确定度，具体公式为：

π_j＝1-E_j,j＝1,2,3,...,n

式中，π_j为属性j的不确定度，E_j为属性j的熵。

4.根据权利要求3所述的基于用户体验质量的异构网络选择方法，其特征在于，属性j的熵具体为：

其中，E_j为属性j的熵，r_ij为经过标准化的属性值。

5.根据权利要求1所述的基于用户体验质量的异构网络选择方法，其特征在于，步骤3中不同属性的隶属度分别为：

效益型：

成本型：

其中，α＝0.8，β＝1.2，S_j为该业务对属性j的需求标准，x_ij为原始决策矩阵中网络i的属性j的值。

6.根据权利要求1所述的基于用户体验质量的异构网络选择方法，其特征在于，步骤4根据不确定度和隶属度确定属性的非隶属度的具体公式为：

式中，π_β表示不确定度，μ_β表示隶属度，υ_β表示非隶属度。

7.根据权利要求1所述的基于用户体验质量的异构网络选择方法，其特征在于，步骤6根据备选网络特点以及待接入用户的业务需求，对各备选网络的属性间关系进行QoE模糊测度赋值的具体方法为：

根据备选网络特点以及待接入用户的业务需求，设置QoE模糊测度初值；

根据QoE模糊测度初值确定各备选网络的属性间关系值，其中属性间关系值的确定公式为：

式中，F_m(S)＝1，F_m(s_i)为设置的初始模糊测度值，ρ属性间关系值；

根据各备选网络的属性间关系值确定QoE模糊测度值，确定公式为：

式中，F_m(A)为最终的QoE模糊测度值。

8.根据权利要求1所述的基于用户体验质量的异构网络选择方法，其特征在于，步骤7中对各备选网络的网络QoE判决矩阵应用PFCOWA算子进行集成，具体公式为：

式中，S:为毕达哥拉斯模糊数，β_i表示的是最终决策矩阵中该网络第i个属性的QoE值，i＝1,2,...,n，s_i表示的是β中第i大的属性QoE值，L_i是S的一个子集，F_m(L_i)是对集合L_i的模糊测度。