CN110933691A - 一种用于专用融合网络中基于相对熵和理想解的垂直切换方法 - Google Patents

Abstract

本发明提出一种用于专用融合网络中基于相对熵和理想解的垂直切换方法，所述方法所述方法包括步骤1、利用层次分析法计算网络属性的主观权重；步骤2、采用熵值法计算网络属性的客观权重；步骤3、基于相对熵和理想解相似排序法进行候选网络排序，根据候选网络排序顺序确定最佳切换网络；本发明提出的基于相对熵和理想解相似排序法的垂直切换方法比传统的简单加权法具有更好的切换判决性能。

Description

一种用于专用融合网络中基于相对熵和理想解的垂直切换 方法

技术领域

本发明属于公安专网选择技术领域，特别是涉及一种用于专用融合网络中基于相对熵和理想解的垂直切换方法。

背景技术

在自然灾害、恐怖袭击、公共突发事件或大型活动安保等特殊场景下，现有的公共网络由于其较差的保密性和较高的网络负载等原因，可能无法保证及时的指挥调度通信需求，因此需要构建稳定高效的专用网络。专用移动通信网络可以为特定用户群体提供高可靠性的指挥调度业务来满足特殊情况下通信要求的无线通信网络。目前，中国的警用移动通信网络主要包括警用数字集群(Police Digital Trunking,PDT)和宽带集群通信(Broadband Trunking Communication,B-TrunC)。其中，PDT是具有完全中国自主知识产权的窄带数字通信系统，B-TrunC是基于TD-LTE的“LTE数字传输+集群语音通信”专网宽带集群系统标准，其在兼容LTE数据业务的基础上，增加了多媒体集群调度等宽带集群业务功能。在当下移动互联网和公用网络中5G技术迅猛发展的背景下，专网通信中也不仅仅局限于语音业务，同时也产生了视频多媒体业务的需求。因此，未来警用移动通信网络一定是宽带的B-TrunC网络与窄带的PDT网络相互融合并且重叠分布的异构网络，而网络切换技术是异构网络中十分重要的关键技术。切换是指移动终端与各个网络间的当前连接从一个接入点转移到另一个接入点的机制和过程，根据移动终端切换前后的网络是否是同种网络，切换又分为水平切换与垂直切换。其中水平切换指同种网络技术下的不同接入点之间的切换，垂直切换指不同网络技术接入点之间的切换，因此垂直切换是异构网络系统中必不可少的关键技术。垂直切换过程分为网络发现、切换判决、切换执行三个阶段，其中切换判决是最重要的环节，此阶段的任务是根据所获得的切换判定指标来判断是否需要进行切换，以及应该选择哪个目标网络。切换判决算法是否高效合理将直接影响网络的性能。

现有的异构无线网络垂直切换判决算法主要分为三类：传统的切换判决算法、基于多属性决策的切换判决算法以及基于人工智能的切换判决算法。其中前两类是目前研究较成熟的技术，第三类为新兴热门研究领域。传统的切换判决算法的主要网络参数是接收信号强度(Received Signal Strength,RSS)，参考信号接收功率(RSRP,Reference SignalReceiving Power)，链路质量等等。当用户终端接收到的目标参数到达一定的阈值时，就进行切换决策，但这类算法可能会引起终端在几个网络之间来回切换的“乒乓效应”，因此一些方法引入了驻留时间(Dwelling Timer)和迟滞电平的概念。首先初始化一个定时器，当新加入网络的RSS大于当前网络时启动定时器，若定时器期满时仍然满足切换条件，则开始执行切换。或者引入迟滞电平H，只有当备选网络的RSS大于当前网络并且二者的差值大于H时才进行切换。但是这类算法使用的数学模型相对简单，且只采用单一的网络参数做为主要的判决指标，因此判决结果往往不太理想。为了利用尽可能多的网络参数进行切换判决，一些算法采用了多属性决策(Multi-Attribute Decision Making,MADM)的方法，其基本思想是把网络切换看作是多属性的决策问题，通过选取网络的各项指标参数以及相应的权重来建立效用函数，用于比较并且选取最佳的目标切换网络。其中层次分析法(AnalyticHierarchy Process,AHP)是计算权重时使用最多的算法，它通过对多属性网络建立层次模型从而确定各属性的主观权重，但是这种方法过于依赖人为经验，因此很难获得一个完全精确的权重向量。随着人工智能技术的普及，基于人工智能的切换判决算法近些年来也获得了很多关注。这类算法通过结合网络性能及用户特性等几种参数设计多维判决策略，按照所设计的策略做出垂直切换判决。但是由于切换判决过程通常在终端上执行，基于人工智能的算法因为其计算过程较复杂度因此很难普及。

发明内容

本发明目的是为了解决现有技术中存在的问题，提出了一种用于专用融合网络中基于相对熵和理想解的垂直切换方法。所述方法通过计算相对熵并利用理想解相似排序法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)对候选网络进行排序，帮助终端进行高效的网络切换过程。

本发明是通过以下技术方案实现的，本发明提出一种用于专用融合网络中基于相对熵和理想解的垂直切换方法，所述方法包括以下步骤：

步骤1、利用层次分析法计算网络属性的主观权重；

步骤2、采用熵值法计算网络属性的客观权重；

步骤3、基于相对熵和理想解相似排序法进行候选网络排序，根据候选网络排序顺序确定最佳切换网络；

所述步骤3包括以下步骤：

步骤3.1、计算综合权重W＝(w₁,w₂,…,w_n)，n表示属性，

其中，w_j表示第j个属性的权重值，j＝1,2,3…n；α_j表示第j个属性的主观权重，β_j表示第j个属性的客观权重；

步骤3.2、参数矩阵X标准化处理：

其中，m表示候选网络的数量，标准化后的数据仍用x_ij表示，参数矩阵仍用X表示；

步骤3.3、计算加权参数矩阵：

式(12)已经求出综合权重W，即各个属性具有不同的权重，将这些权值与标准化后的参数矩阵相结合，得到加权参数矩阵

步骤3.4、确定正理想解

与负理想解

步骤3.5、计算相对熵距离：

利用式(17)和(18)计算各个候选网络与正负理想解之间的相对熵距离

步骤3.6、计算各候选网络的综合评价值：

将T_i降序排列就是各候选网络的排序结果，排名越高证明该候选网络越适合切换。

进一步地，所述步骤1具体为：

步骤1.1、确定层次结构模型；

所述层次结构模型包括目标层、准则层和方案层，所述目标层是要解决的总问题即最佳切换网络，所述准则层包括发射功率、带宽、接收灵敏度、传输速率、网络负载、覆盖半径和耗电速率七种网络属性，所述方案层则是三个候选网络即PDT、B-TrunC、WLAN；

步骤1.2、构造比较矩阵；

通过对相同层次内各属性两两比较来构造比较矩阵，定义比较矩阵C＝[c_ij]_n×n如下：

其中n表示属性的数量，c_ij表示属性i对于属性j的相对重要程度，由于各属性的相对重要程度会根据不同业务类型而有所差异，因此对于不同的业务类型构造不同的比较矩阵；

所述比较矩阵C具有如下性质：

步骤1.3、权值计算；

计算比较矩阵C的最大特征值λ_max，设其对应的特征向量为V＝(v₁,v₂,…,v_n)，将V依据式(3)归一化，则求得归一化特征向量α＝(α₁,α₂,…,α_n)就是层次分析法求得的各网络属性的主观权重；

步骤1.4、对求得的主观权重进行一致性检验，利用式(4)和(5)计算CR值，当CR<0.1时，则比较矩阵通过一致性检验，接受权重向量α，否则重新修改比较矩阵；

其中，CI为一致性参考指标，RI为一致性指标，CR为一致性比例系数。

进一步地，所述步骤2具体为：

步骤2.1、构造参数矩阵；

选取m个候选网络，n个属性，则x_ij为第i个候选网络的第j个属性的参数值，得到候选网络参数矩阵X：

步骤2.2、属性参数标准化处理；

将属性分为正向指标与负向指标两种，其中正向指标数值越大越好，负向指标数值越小越好，用不同的方法将其标准化：

对于正向指标，

对于负向指标，

标准化后的数据仍用x_ij表示；

步骤2.3、计算第j个属性下第i个候选网络的比重：

步骤2.4、计算第j个属性的熵值：

步骤2.5、计算各网络属性的客观权重：

得到n个网络属性的客观权重集合β＝(β₁,β₂,…,β_n)。

本发明所述方法是一种基于多属性判决的改进的垂直切换算法，在计算各个网络参数的权重值时，分别计算主观权重和客观权重，然后将两种权重结合计算为综合权重，这就修正了主观权重由于人为原因造成的误差。然后利用相对熵对传统的理想解相似排序法进行改进，最终确定候选网络排序。

附图说明

图1为本发明所述垂直切换方法的流程图；

图2为异构网络系统模型示意图；

图3为AHP层次结构模型示意图；

图4为不同业务中各属性综合权重计算结果示意图；其中(a)为语音调度业务，(b)为视频调度业务，(c)为集群数据业务，(d)为调度台指令业务；

图5为语音调度业务候选网络排序结果示意图；

图6为视频调度业务候选网络排序结果示意图；

图7为集群数据业务候选网络排序结果示意图；

图8为调度台指令业务候选网络排序结果示意图。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的应用场景考虑为由PDT、B-TrunC、WLAN三种网络组成的异构网络，系统模型如图2所示。在这个异构网络中，PDT、B-TrunC、WLAN三种网络相互重叠，其中PDT网络的覆盖范围最广，B-TrunC其次，WLAN网络覆盖范围最小，用户终端有机会与三种网络的接入点进行通信。本发明选择发射功率、带宽、接收灵敏度、传输速率、网络负载、覆盖半径、耗电速率七种网络属性进行研究，分别用P_t,B,S_r,R,L,r_c,C_p表示。根据专网通信的特点，将业务分为语音调度业务、视频调度业务、集群数据业务以及调度台指令业务四种业务类型。

结合图1-图3，本发明提出一种用于专用融合网络中基于相对熵和理想解的垂直切换方法，所述方法包括以下步骤：

步骤1、利用层次分析法计算网络属性的主观权重；

步骤2、采用熵值法计算网络属性的客观权重；

步骤3、基于相对熵和理想解相似排序法进行候选网络排序，根据候选网络排序顺序确定最佳切换网络。

所述步骤1具体为：

步骤1.1、确定层次结构模型；

所述层次结构模型包括目标层、准则层和方案层，如图3所示，所述目标层是要解决的总问题即最佳切换网络，所述准则层包括发射功率、带宽、接收灵敏度、传输速率、网络负载、覆盖半径和耗电速率七种网络属性，所述方案层则是三个候选网络即PDT、B-TrunC、WLAN；

步骤1.2、构造比较矩阵；

通过对相同层次内各属性两两比较来构造比较矩阵，依据1～9标度法来表示两个属性之间的相对重要程度，如表1所示。定义比较矩阵C＝[c_ij]_n×n如下：

其中n表示属性的数量，c_ij表示属性i对于属性j的相对重要程度，例如c₂₃＝3表示属性2比属性3稍微重要。由于各属性的相对重要程度会根据不同业务类型而有所差异，因此对于不同的业务类型构造不同的比较矩阵；

表1 1～9重要性标度

所述比较矩阵C具有如下性质：

步骤1.3、权值计算；

计算比较矩阵C的最大特征值λ_max，设其对应的特征向量为V＝(v₁,v₂,…,v_n)，将V依据式(3)归一化，则求得归一化特征向量α＝(α₁,α₂,…,α_n)就是层次分析法求得的各网络属性的主观权重；

步骤1.4、对求得的主观权重进行一致性检验，利用式(4)和(5)计算CR值，当CR<0.1时，则比较矩阵通过一致性检验，接受权重向量α，否则重新修改比较矩阵；其中RI与矩阵阶数n的对应关系如表2所示。

其中，CI为一致性参考指标，RI为一致性指标，CR为一致性比例系数。

表2 RI与n的对应关系

所述步骤2具体为：

步骤2.1、构造参数矩阵；

选取m个候选网络，n个属性，则x_ij为第i个候选网络的第j个属性的参数值，得到候选网络参数矩阵X：

步骤2.2、属性参数标准化处理；

将属性分为正向指标与负向指标两种，其中正向指标数值越大越好，负向指标数值越小越好，用不同的方法将其标准化：

对于正向指标，

对于负向指标，

标准化后的数据仍用x_ij表示；

步骤2.3、计算第j个属性下第i个候选网络的比重：

步骤2.4、计算第j个属性的熵值：

步骤2.5、计算各网络属性的客观权重：

得到n个网络属性的客观权重集合β＝(β₁,β₂,…,β_n)。

传统的理想解相似排序法是通过计算候选方案的属性向量与正理想解和负理想解之间的欧氏距离来选取最佳方案，但是当出现某一候选方案距离正理想解和负理想解都很近的情况时，传统的算法在进行网络排序时就可能出现偏差。因此，本发明所述方法采用相对熵计算距离，可以有效避免上述情况造成的差错。

所述步骤3包括以下步骤：

步骤3.1、计算综合权重W＝(w₁,w₂,…,w_n)，n表示属性，

其中，w_j表示第j个属性的权重值，j＝1,2,3…n；α_j表示第j个属性的主观权重，β_j表示第j个属性的客观权重；

步骤3.2、参数矩阵X标准化处理：

其中，m表示候选网络的数量，标准化后的数据仍用x_ij表示，参数矩阵仍用X表示；

步骤3.3、计算加权参数矩阵：

式(12)已经求出综合权重W，即各个属性具有不同的权重，将这些权值与标准化后的参数矩阵相结合，得到加权参数矩阵

步骤3.4、确定正理想解

与负理想解

步骤3.5、计算相对熵距离：

利用式(17)和(18)计算各个候选网络与正负理想解之间的相对熵距离

步骤3.6、计算各候选网络的综合评价值：

将T_i降序排列就是各候选网络的排序结果，排名越高证明该候选网络越适合切换。

根据专网通信的特点，将业务分为语音调度业务、视频调度业务、集群数据业务以及调度台指令业务四种业务类型。语音调度业务是专网通信中最基本的业务类型，控制中心采用语音呼叫的方式调度移动终端，因此它要求非常低的时延，对于接收灵敏度、传输速率、耗电速率这些属性的要求较高，而带宽、发射功率这些属性则不太重要。视频调度业务也是实时业务，控制中心采用视频通话的方式调度移动终端，获得现场的实时影像信息。这就要求理想网络有足够的带宽资源和较快的传输速率，同时网络负载不能太大以避免拥塞。集群数据业务是控制中心以集团通信的形式向一组移动终端下发数据分组，例如传输图片、视频流等业务，同时移动终端也可以进行浏览网页、点播视频等操作。这类业务对于带宽的要求较高，但对于时延并不是十分敏感。调度台指令业务则是一种长时间的持续性业务，是控制中心向移动终端周期性的下发控制信令信息，这类业务的数据通常较小，且对时延的要求也不非常严格，但由于持续时间较长因此对于终端耗电速率要求较高。

候选网络的具体属性参数设置如表3所示，根据不同业务类型对于各属性的要求构造比较矩阵。语音调度业务、视频调度业务、集群数据业务、调度台指令业务的比较矩阵分别为C₁，C₂，C₃，C₄。

表3各候选网络的属性参数

根据以上比较矩阵以及本发明提出的方法，计算出不同业务类型下各个属性的综合权重，如图4所示。

根据表3中的网络属性参数以及已经求得的不同业务类型的各个属性的权值，利用本发明提出的方法进行网络排序，并与传统的简单加权法比较，结果如图5～图8所示。

如图5所示，语音调度业务下本发明所述方法的网络排序结果是PDT>WLAN>B-TrunC，这与SAW的排序结果基本一致，可以看到，此时PDT网络比WLAN与B-TrunC的优势较大。而PDT网络确实能够很好的完成语音业务，其话音质量清晰且开销较小。

如图6所示，视频调度业务下本发明所述方法的网络排序结果是B-TrunC>WLAN>PDT，而SAW得到的三个网络得分值十分接近，并不能给出一个明确的排序结果。视频调度业务需要较大的带宽和较快的反应速度，而通常WLAN的网络负载都比较大，因此B-TrunC排名更高。

如图7所示，集群数据业务下本发明所述方法的网络排序结果是WLAN>B-TrunC>PDT，且WLAN与B-TrunC的得分较为接近。这是因为集群数据业务并没有严格的时延要求，因此使用WLAN或B-TrunC传输的差别不大。此时SAW得到的PDT与B-TrunC得分值比较接近，并不能体现B-TrunC在数据传输方面的优势。

如图8所示，调度台指令业务下本发明所述方法和SAW得到的三个网络的得分值都比较相近，这是因为指令类业务所传输的包都比较小且没有十分严格的时延要求，因此三种网络都可以用来传输指令类业务。

综上，本发明提出的基于相对熵和理想解相似排序法的垂直切换方法比传统的简单加权法具有更好的切换判决性能。

以上对本发明所提出的一种用于专用融合网络中基于相对熵和理想解的垂直切换方法，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (3)

1.一种用于专用融合网络中基于相对熵和理想解的垂直切换方法，其特征在于：所述方法包括以下步骤：

步骤1、利用层次分析法计算网络属性的主观权重；

步骤2、采用熵值法计算网络属性的客观权重；

步骤3、基于相对熵和理想解相似排序法进行候选网络排序，根据候选网络排序顺序确定最佳切换网络；

所述步骤3包括以下步骤：

步骤3.1、计算综合权重W＝(w₁,w₂,…,w_n)，n表示属性，

其中，w_j表示第j个属性的权重值，j＝1,2,3…n；α_j表示第j个属性的主观权重，β_j表示第j个属性的客观权重；

步骤3.2、参数矩阵X标准化处理：

其中，m表示候选网络的数量，标准化后的数据仍用x_ij表示，参数矩阵仍用X表示；

步骤3.3、计算加权参数矩阵：

式(12)已经求出综合权重W，即各个属性具有不同的权重，将这些权值与标准化后的参数矩阵相结合，得到加权参数矩阵

步骤3.4、确定正理想解

与负理想解

步骤3.5、计算相对熵距离：

利用式(17)和(18)计算各个候选网络与正负理想解之间的相对熵距离

步骤3.6、计算各候选网络的综合评价值：

将T_i降序排列就是各候选网络的排序结果，排名越高证明该候选网络越适合切换。

2.根据权利要求1所述的方法，其特征在于：所述步骤1具体为：

步骤1.1、确定层次结构模型；

所述层次结构模型包括目标层、准则层和方案层，所述目标层是要解决的总问题即最佳切换网络，所述准则层包括发射功率、带宽、接收灵敏度、传输速率、网络负载、覆盖半径和耗电速率七种网络属性，所述方案层则是三个候选网络即PDT、B-TrunC、WLAN；

步骤1.2、构造比较矩阵；

通过对相同层次内各属性两两比较来构造比较矩阵，定义比较矩阵C＝[c_ij]_n×n如下：

其中n表示属性的数量，c_ij表示属性i对于属性j的相对重要程度，由于各属性的相对重要程度会根据不同业务类型而有所差异，因此对于不同的业务类型构造不同的比较矩阵；

所述比较矩阵C具有如下性质：

步骤1.3、权值计算；

计算比较矩阵C的最大特征值λ_max，设其对应的特征向量为V＝(v₁,v₂,…,v_n)，将V依据式(3)归一化，则求得归一化特征向量α＝(α₁,α₂,…,α_n)就是层次分析法求得的各网络属性的主观权重；

步骤1.4、对求得的主观权重进行一致性检验，利用式(4)和(5)计算CR值，当CR<0.1时，则比较矩阵通过一致性检验，接受权重向量α，否则重新修改比较矩阵；

其中，CI为一致性参考指标，RI为一致性指标，CR为一致性比例系数。

3.根据权利要求2所述的方法，其特征在于：所述步骤2具体为：

步骤2.1、构造参数矩阵；

选取m个候选网络，n个属性，则x_ij为第i个候选网络的第j个属性的参数值，得到候选网络参数矩阵X：

步骤2.2、属性参数标准化处理；

将属性分为正向指标与负向指标两种，其中正向指标数值越大越好，负向指标数值越小越好，用不同的方法将其标准化：

对于正向指标，

对于负向指标，

标准化后的数据仍用x_ij表示；

步骤2.3、计算第j个属性下第i个候选网络的比重：

步骤2.4、计算第j个属性的熵值：

步骤2.5、计算各网络属性的客观权重：

得到n个网络属性的客观权重集合β＝(β₁,β₂,…,β_n)。

Images