CN111372260B - 一种基于流量预测与果蝇优化算法的网络负载均衡方法 - Google Patents
一种基于流量预测与果蝇优化算法的网络负载均衡方法 Download PDFInfo
- Publication number
- CN111372260B CN111372260B CN202010158447.7A CN202010158447A CN111372260B CN 111372260 B CN111372260 B CN 111372260B CN 202010158447 A CN202010158447 A CN 202010158447A CN 111372260 B CN111372260 B CN 111372260B
- Authority
- CN
- China
- Prior art keywords
- cell
- value
- fruit fly
- load balancing
- flow
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
- H04W36/00835—Determination of neighbour cell lists
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/16—Performing reselection for specific purposes
- H04W36/22—Performing reselection for specific purposes for handling the traffic
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
一种基于流量预测与果蝇优化算法的网络负载均衡方法,该方法引入流量预测和果蝇优化算法对网络流量进行预测,并在流量预测值的基础上对果蝇优化算法进行改进以达到对网络负载的均衡的目的。该策略使用果蝇算法在集中式架构下对历史数据进行寻优,之后将优化的结果作为每个小区分布式调度时的训练数据,随后使用回归模型学习并根据预测到的流量进行负载均衡策略的学习。该策略可有效的节省网络计算能力,同时分布式调度无需大量信息交互,极大程度上节省了系统的信令开销,并且提高了区域网络内的资源利用率。
Description
技术领域
本发明涉及网络负载均衡,特别涉及一种基于流量预测与果蝇优化算法的网络负载均衡方法。
背景技术
超密集网络是一种典型的异构网络,无线通信技术的迅猛发展使得不同的接入技术提供给用户形式多样的业务类型和更快的数据传输速度。超密集网络作为第五代移动通信的关键技术之一,通过密集部署基础基站设施,增加子网数目,使得小区覆盖范围持续缩小,资源利用率提高,增大了网络容量。子网数目的增加导致网络中小区负载动态变化过程加速,从而最终使得网络负载均衡方案开销急剧增加。负载均衡技术主要用来均衡网络之间负载,防止其负载失衡,从而提高整个网络系统的无线资源利用率以及给系统中的用户提供有保证的QoS服务业务。因此,对于超密集网络下的负载均衡策略的研究自然十分有意义。比如,在用户比较多的热点地区,如音乐节的现场,有可能会出现业务相对密集,网络业务流量非常大,从而导致用户发起新呼叫的阻塞率升高或垂直切换的失败率增大以及掉话率提高,而此时周边的非热点小区的用户业务少,流量很低,用户不会选择其接入而导致非热点小区资源过剩的情况。因此,整个超密集网络系统的资源就没有能够得到充分利用,而且不能为用户提供QoS保证,从而会造成整个系统提供给用户的服务质量不高、资源利用率变低,使得整个网络系统性能下降。所以,通过引入负载均衡策略,在满足用户期望的业务QoS情况下,通过负载均衡机制合理的均衡重载小区和轻载小区之间的负载,可以使得整个网络系统的服务质量得到明显的提高,如阻塞率降低和掉话率降低,从而达到提高系统无线资源利用率,提高整个系统的性能,增加网络系统的容量以及为用户提供有保证的服务质量等目的。但是,基于触发进行负载均衡的方式将导致严重的滞后性,而基于动态网络状态的负载均衡策略收敛速度无法与网络状态变化速度相匹配。此外,随着网络覆盖半径不断变小,接入的每个子网内的用户数随机性随之增强,局部区域内负载变化情况更加剧烈,难以为负载均衡提供有效信息。
发明内容
本发明的目的在于解决超密集网络中的负载均衡问题,提供一种基于流量预测和果蝇优化算法的网络负载均衡方法。
为了达到上述目的,本发明采用了以下技术方案:
一种基于流量预测与果蝇优化算法的网络负载均衡方法,包括以下步骤:
(一)在网络使用的空闲时段内,所有小区以天为时间单位将历史流量信息发送至区域内的中心节点,通过果蝇优化算法给出历史信息上的负载均衡方案,中心节点在空闲时段将所得到的负载均衡方案广播至各个小区;
(二)每个小区根据自己与邻小区的历史流量信息及负载均衡方案构造GBDT回归模型,并训练GBDT回归模型,判断是否还能够接收呼叫业务或者转移业务;
(三)若能够接收呼叫任务,在进行接入控制时,每个小区基于本小区和邻小区预测的流量值,对本小区的接入控制进行预测;
(四)如果小区进行接入控制后的负载过载,则进行业务的切换控制来均衡负载。
本发明进一步的改进在于,步骤(一)的具体过程如下:
1)假设每个小区的资源上限值一致并且为R,并且区域内所有小区两两组成相邻关系,能够进行业务切换,则网络中的总资源利用率ρ为:
其中,Ti是小区i保持不变的业务流量,T′i是邻小区转移到小区i的业务流量,n为小区个数,R为小区的资源上限值。
2)在夜晚网络使用的闲暇时段,所有小区将各自每天以小时时间间隔的业务流量信息发送给中心节点;i小区流量t小时的业务流量信息包含保持不变的业务流量值x和邻小区转移进本小区的业务流量值y,即流量向量形式为:(t,xti,yti),其中t为时间,xti是小区i在t小时时保持不变的业务流量,yti是邻小区在t小时时转移到小区i的业务流量。
3)采用果蝇优化算法对式(1.1)求解,所有小区组成果蝇种群,果蝇个体采用果蝇优化算法搜索公式利用嗅觉搜索食物;
4)计算每个果蝇个体与坐标原点之间的距离Disti,再计算每个果蝇个体的味道浓度判定值Si:
Si=1/Disti(1.7)
其中,Disti为第i个果蝇个体与坐标原点之间的距离,Xi、Yi分别为第i个果蝇个体的x轴和y轴位置,Si为第i个果蝇个体的味道浓度判定值。
5)将步骤4)中的第i个果蝇个体的味道浓度判定值Si带入味道浓度判定函数Function,求出每个果蝇个体位置的味道浓度Smell,并找出该果蝇群体中味道浓度最佳的果蝇:
Smelli=Function(Si) (1.8)
[bestSmell bestIndex]=max(Smelli) (1.9)
其中,Smelli为第i个果蝇个体位置的味道浓度,Function()为味道浓度判定函数,bestSmell和bestIndex分别为当前迭代次数中果蝇群体中最浓味道值和最浓味道值所在的果蝇个体标号,max()为求最大值函数。
6)记录下味道浓度最佳果蝇的味道浓度值以及其位置坐标,果蝇群体中所有果蝇逐渐飞向这个位置以达到全局最优解:
Smellbest=bestSmell (1.10)
X_axis=XbestIndex (1.11)
Y_axis=YbestIndex (1.12)
其中,bestSmell为全局果蝇群体中最浓味道值,X_axis,Y_axis,XbestIndex,YbestIndex为达到最优解的果蝇群体所在的位置坐标。
7)进入迭代优化阶段,重复上述步骤4)到步骤5),并判断味道浓度值是否大于前一迭代的味道浓度,若是,则执行步骤6);若否,则在最大迭代次数内继续重复上述步骤4)到步骤5),得到小区群体在最大资源利用率时的各小区保持不变的业务流量值和邻小区转移到本小区的业务流量值。
8)根据小区群体在最大资源利用率时的各小区保持不变的业务流量值和邻小区转移到本小区的业务流量值,得到最大总体资源利用率的历史最佳负载均衡策略,然后中心节点将历史最佳负载均衡策略以广播的形式发送给各小区。
本发明进一步的改进在于,采用果蝇优化算法对式(1.1)求解的具体过程如下:首先设置种群规模N为50、最大迭代次数为100,并将步骤2)中xti,yti真实流量值设置为果蝇群体的初始位置X_axis,Y_axis,给出每个果蝇个体随机的方向和距离,然后果蝇个体采用果蝇优化算法搜索公式利用嗅觉搜索食物,其中,果蝇优化算法搜索距离公式为:
Xi=X_aixs+αm·Rand() (1.4)
Yi=Y_aixs+αm·Rand() (1.5)
其中,α为步长控制因子,m为迭代次数,Xi、Yi分别为第i个果蝇个体的x轴和y轴位置,Rand()为果蝇的飞行范围。
本发明进一步的改进在于,步骤8)中,历史最佳负载均衡策略为网络每小时达到网络最大资源利用率时各个小区保持不变的业务流量值x′ti和邻小区转移至本小区的业务流量值y′ti。
本发明进一步的改进在于,步骤(二)的具体过程如下:
1)各小区接收并保存由步骤(一)中心节点发送的历史最佳负载均衡策略;
2)各小区根据本小区和邻小区的历史流量及历史最佳负载均衡策略构造GBDT回归模型的特征,GBDT回归模型的特征有:时间t、本小区流量xti、邻小区流量yti、本小区与邻小区的流量差值δti、历史最佳负载均衡策略中该小区保持不变的业务流量x′ti,历史最佳负载均衡策略中邻小区转移到该小区的业务流量值y′ti。
3)各小区构建GBDT回归模型,来对小区未来的负载进行预测。
本发明进一步的改进在于,GBDT回归模型输入向量形式为inputt(t,xti,yti,δti,x'ti,y'ti),训练集为T{(input0,x1i),(input1,x2i),…,(input23,x23i)},进行初始化:
本发明进一步的改进在于,各小区构建GBDT回归模型的具体过程如下:
3.1)对于GBDT回归模型中的m棵回归树:
(a)对每棵回归树的小区个数i=1,2,…,N,计算伪残差:
rmi=xi+1-f(inputi) (2.2)
其中,xi+1为该小区i+1小时的业务流量值,rmi为第m棵回归树对第i个样本所求的残差值;
(b)对{(input1,rm1),(input2,rm2),...,(inputn,rmn)}拟合一个回归树,得到第m棵回归树的叶节点区域Rmj,j=1,2,...,J;
(c)对j=1,2,...,J,利用线性搜索,估计叶节点区域的值,使损失函数最小化,根据式(2.4)计算每棵回归树中每个叶节点的伪残差的平均数;其中,损失函数如式(2.3)所示
L(xi+1,f(inputi))=(xi+1-f(inputi))2 (2.3)
其中,cmj表示第m棵树的第j个节点的伪残差的平均数;
(d)根据式(2.5)更新每棵回归数的值;
其中,I为调节因子。
3.2)根据式(2.6)得到GBDT回归模型;
其中,m为树的棵树,j为叶节点的个数;
4)以训练集T为输入集合,若GBDT回归模型的损失函数值不再变化或达到迭代次数则GBDT回归模型训练完毕,若否,则继续训练GBDT回归模型。
本发明进一步的改进在于,步骤(三)的具体过程如下:
2)将步骤1)得到的下一时刻本小区的业务流量预测值和邻小区转移到本小区的业务流量预测值替换测试集中的x′t+1i和y′t+1i,然后将测试集输入至步骤(二)中训练好的GBDT回归模型当中,得到预测值,若得到的预测值大于小区资源上限值则拒绝业务的接入,若预测值小于小区的资源上限值则接受业务的接入。
本发明进一步的改进在于,步骤(四)的具体过程如下:
1)对接入业务的小区负载进行检查,若没有发生负载过载,则网络负载均衡完成;若进行接入控制之后小区负载过载,则进行步骤2);
2)对该小区的邻小区的负载大小进行排序,将导致该小区过载的业务切换至负载负载最小的小区。
与现有技术相比,本发明具有的有益效果:该方法引入流量预测和果蝇优化算法对网络流量进行预测,并在流量预测值的基础上对果蝇优化算法进行改进以达到对网络负载的均衡的目的。该策略使用果蝇算法在集中式架构下对历史数据进行寻优,之后将优化的结果作为每个小区分布式调度时的训练数据,随后使用回归模型学习并根据预测到的流量进行负载均衡策略的学习。该策略可有效的节省网络计算能力,同时分布式调度无需大量信息交互,极大程度上节省了系统的信令开销。根据以上问题,提出基于流量预测与果蝇优化改进算法的网络负载均衡策略,有效缓解了现有负载均衡方案开销大、速度慢的问题,并有效的提高了整个网络的资源利用率。
附图说明
图1为果蝇优化算法流程图。
图2为基于模糊聚类算法的LSTM的预测模型图。
图3为GBDT回归模型图。
图4为基于流量预测和果蝇优化改进算法的网络负载均衡策略流程图。
具体实施方式
为了使本发明的内容、效果以及优点更加清楚明白,下面结合附图和实施例对本发明进行详细描述。
参见图1、图2、图3和图4,本发明是基于流量预测和果蝇优化改进算法的网络负载均衡策略,该策略引入流量预测和果蝇优化算法对网络流量进行预测,并在流量预测值的基础上对果蝇优化算法进行改进以达到对网络负载的均衡的目的。该策略使用果蝇算法在集中式架构下对历史数据进行寻优,找到历史最佳负载均衡策略,之后将优化的结果作为每个小区分布式调度时的训练数据,随后每个小区使用基于聚类的LSTM模型对其历史信息进行流量预测,使用回归模型学习并根据预测到的流量进行负载均衡策略的学习,进而对呼叫业务进行接入控制,该策略可有效的节省网络计算能力,同时分布式调度无需大量信息交互,极大程度上节省了系统的信令开销。之后对接入之后的实际网络负载进行观察,若接入后的网络负载由于预测误差导致负载超载,则对该业务进行垂直切换;否则,则使得网络负载均衡。该基于流量预测和果蝇优化改进算法的网络负载均衡策略在节省网络计算资源的基础上,有效缓解了现有负载均衡方案开销大、速度慢的问题,并有效的提高了整个网络的资源利用率。
参见图,4,本发明的具体过程如下:
(一)集中式寻优
在网络使用的空闲时段内,所有小区以天为时间单位将历史流量信息发送至区域内的中心节点,中心节点通过改进的果蝇优化算法给出历史信息上的负载均衡方案,中心节点在空闲时段将所得到的负载均衡方案广播至各个小区。具体过程如下:
1)假设每个小区的资源上限值一致并且为R,并且区域内所有小区两两组成相邻关系,可进行业务切换,则网络中的总资源利用率ρ计算为:
其中,Ti是小区i保持不变的业务流量,T′i是邻小区转移到小区i的业务流量,n为小区的数量,R为小区的资源上限值。
2)在夜晚网络使用的空闲时段,所有小区将自己每天以小时时间间隔的业务流量信息发送给中心节点,i小区流量t小时的业务流量信息包含保持不变的业务流量值x和邻小区转移进本小区的业务流量值y,即流量向量形式为:(t,xti,yti),其中t为时间,xti是小区i在t小时时保持不变的业务流量,yti是邻小区在t小时时转移到小区i的业务流量。
3)参见图1,中心节点使用果蝇优化算法对式(1.1)求解,在这里所有小区组成果蝇种群。下面为求解的具体过程:首先设置种群规模N为50、最大迭代次数为100,并将步骤2)中xti,yti真实流量值设置为果蝇群体的初始位置X_axis,Y_axis,给出每个果蝇个体随机的方向和距离,然后果蝇个体开始利用嗅觉搜索食物,由于传统的果蝇优化算法缺少自适应性,导致算法极易陷入局部搜索,全局搜索的能力下降,故对传统果蝇优化算法的搜索距离进行合理调整。传统的果蝇算法搜索距离公式:
Xi=X_axis+Rand() (1.2)
Yi=Y_axis+Rand() (1.3)
其中,Xi、Yi分别为第i个果蝇个体的x轴和y轴位置,Rand()为果蝇的飞行范围,即迭代步长为[0-10]。
改进后的果蝇优化算法的搜索距离公式在前期搜索过程中先给与一个最大范围的搜索半径,便于迅速地在全局范围内寻得较优解,然后随着迭代次数的增加再逐渐缩小搜索半径,从而在小范围内进行较为精准的搜索,最后确定最优解。其中,改进后的搜索距离公式为:
Xi=X_aixs+αm·Rand() (1.4)
Yi=Y_aixs+αm·Rand() (1.5)
其中,α为步长控制因子,值为2,m为迭代次数。
4)计算每个果蝇个体与坐标原点之间的距离Disti,再计算每个果蝇个体的味道浓度判定值Si:
Si=1/Disti (1.7)
其中,Disti为第i个果蝇个体与坐标原点之间的距离,Xi、Yi分别为第i个果蝇个体的x轴和y轴位置,Si为第i个果蝇个体的味道浓度判定值。
5)将步骤4)中的味道浓度判定值Si带入味道浓度判定函数(Function),求出每个果蝇个体位置的味道浓度Smell,并找出该果蝇群体中味道浓度最佳的果蝇(求极大值):
Smelli=Function(Si) (1.8)
[bestSmell bestIndex]=max(Smelli) (1.9)
其中,Smelli为第i个果蝇个体位置的味道浓度,Function()为味道浓度判定函数,bestSmell和bestIndex分别为当前迭代次数中果蝇群体中最浓味道值和最浓味道值所在的果蝇个体标号,max()为求最大值函数。
6)记录下味道浓度最佳果蝇的味道浓度值以及其位置坐标,此时果蝇群体中所有果蝇逐渐飞向这个位置以达到全局最优解:
Smellbest=bestSmell (1.10)
X_axis=XbestIndex (1.11)
Y_axis=YbestIndex (1.12)
其中,bestSmell为全局果蝇群体中最浓味道值,X_axis,Y_axis,XbestIndex,YbestIndex为达到最优解的果蝇群体所在的位置坐标。
7)进入迭代优化阶段,即重复上述步骤4)到步骤5),并判断味道浓度值是否大于前一迭代的味道浓度。若是,则执行步骤6);若否,则在最大迭代次数内继续重复上述步骤4)到步骤5),得到果蝇群体搜寻到的最浓味道值和达到最浓味道值的果蝇群体所在的位置坐标,在负载均衡场景下,也就是得到小区群体的最大资源利用率和在最大资源利用率时的各小区保持不变的业务流量值和邻小区转移到本小区的业务流量值。
8)中心节点由步骤7)的小区群体在最大资源利用率时的各小区保持不变的业务流量值和邻小区转移到本小区的业务流量值,得到最大总体资源利用率的历史最佳负载均衡策略。该历史最佳负载均衡策略为网络每小时达到网络最大资源利用率时各个小区保持不变的业务流量值x′ti和邻小区转移至本小区的业务流量值y′ti。之后中心节点将此历史最佳负载均衡策略以广播的形式发送给各小区。
(二)基于集中式的分布式预测
每个小区根据自己与邻小区的历史流量信息及由中心节点计算得到的负载均衡方案构造GBDT回归模型,并训练模型以判断是否还可以接收呼叫业务或者转移业务。具体过程如下:
1)各小区接收并保存由步骤(一)中心节点发送的历史最佳负载均衡策;
2)各小区根据本小区和邻小区的历史流量及步骤1)的历史最佳负载均衡策略构造出GBDT回归模型的特征,其模型的特征有:时间t、本小区流量xti、邻小区流量yti、本小区与邻小区的流量差值δti、历史最佳负载均衡策略中该小区保持不变的业务流量x′ti,历史最佳负载均衡策略中邻小区转移到该小区的业务流量值y′ti,即该GBDT回归模型的输入向量为input(t,xti,yti,δti,x′ti,y′ti)。
3)参见图3,各小区构建梯度提升树模型即GBDT回归模型,来对小区未来的负载进行预测,其输入向量形式为步骤2)得到的inputt(t,xti,yti,δti,x'ti,y'ti),训练集为T{(input0,x1i),(input1,x2i),…,(input23,x23i)}。首先进行初始化:
各小区构建GBDT回归模型的具体过程如下:
3.1)对于GBDT回归模型中的m棵回归树:
(a)对每棵回归树的小区个数i=1,2,…,N,计算伪残差:
rmi=xi+1-f(inputi) (2.2)
其中,xi+1为该小区i+1小时的业务流量值,rmi为第m棵回归树对第i个样本所求的残差值。
(b)对{(input1,rm1),(input2,rm2),...,(inputn,rmn)}拟合一个回归树,得到第m棵回归树的叶节点区域Rmj,j=1,2,...,J。
(c)对j=1,2,...,J,利用线性搜索,估计叶节点区域的值,使损失函数(2.3)最小化,根据式(2.4)计算每棵回归树中每个叶节点的伪残差的平均数。
L(xi+1,f(inputi))=(xi+1-f(inputi))2 (2.3)
其中,cmj表示第m棵树的第j个节点的伪残差的平均数。
(d)根据式(2.5)更新每棵回归数的值。
其中I为调节因子。
3.2)根据式(2.6)得到最终回归树即GBDT回归模型。
其中,m为树的棵树,j为叶节点的个数。
4)以训练集T为输入集合,若GBDT回归模型的损失函数值不再变化或达到迭代次数则GBDT回归模型训练完毕,若否,则继续训练GBDT回归模型。
(三)业务的接入控制
若能够接收呼叫任务,在进行接入控制时,每个小区基于自己和邻小区预测的流量值,对该小区的接入控制进行预测,以实现对区域网络的提前负载均衡,达到资源利用率最大。
具体过程如下:
1)若要对小区的负载进行预测,需使用步骤(二)所训练好的模型进行训练,但是对于测试集中本小区下一时刻的业务流量x′t+1i与邻小区转移到本小区的业务流量值y′t+1i不能提前预知,所以要对这两个特征值进行预测。
2)参见图2,使用专利201910527461.7的基于模糊聚类的LSTM的预测方法方法对t时刻的本小区的业务流量值和邻小区转移到本小区的业务流量值进行预测,得到下一时刻本小区的业务流量预测值和邻小区转移到本小区的业务流量预测值
3)将步骤2)得到的预测值和替换测试集中本小区的业务流量值x′t+1i和邻小区转移到本小区的业务流量值y′t+1i,之后将测试集输入至步骤(二)所训练好的GBDT回归模型当中,得到预测值。若得到的预测值大于小区资源上限值则拒绝业务的接入,若预测值小于小区的资源上限值则接受业务的接入。
(四)切换控制
如果小区进行接入控制后的负载过载,则进行业务的切换控制来均衡负载。具体过程如下:
1)对接入业务的小区负载进行检查,若没有发生负载过载,则网络负载均衡完成;若进行接入控制之后的由于预测误差导致小区负载过载,则进行步骤2)对该业务进行切换控制。
2)对负载过载的小区的邻小区的负载大小进行排序,将负载过载的小区过载的业务切换至负载最小的小区。
本发明设计了一种基于流量预测和果蝇优化改进算法的网络负载均衡策略,该策略引入流量预测和果蝇优化算法对网络流量进行预测,并在流量预测值的基础上对果蝇优化算法进行改进以达到对网络负载的均衡的目的。该策略使用果蝇算法在集中式架构下对历史数据进行寻优,之后将优化的结果作为每个小区分布式调度时的训练数据,随后使用回归模型学习并根据预测到的流量进行负载均衡策略的学习。该策略可有效的节省网络计算能力,同时分布式调度无需大量信息交互,极大程度上节省了系统的信令开销,并且提高了区域网络内的资源利用率。
Claims (6)
1.一种基于流量预测与果蝇优化算法的网络负载均衡方法,其特征在于,包括以下步骤:
(一)在网络使用的空闲时段内,所有小区以天为时间单位将历史流量信息发送至区域内的中心节点,通过果蝇优化算法给出历史信息上的负载均衡方案,中心节点在空闲时段将所得到的负载均衡方案广播至各个小区;
具体过程如下:
1)假设每个小区的资源上限值一致并且为R,并且区域内所有小区两两组成相邻关系,能够进行业务切换,则网络中的总资源利用率ρ为:
其中,Ti是小区i保持不变的业务流量,Ti'是邻小区转移到小区i的业务流量,n为小区个数,R为小区的资源上限值;
2)在夜晚网络使用的闲暇时段,所有小区将各自每天以小时时间间隔的业务流量信息发送给中心节点;i小区流量t小时的业务流量信息包含保持不变的业务流量值x和邻小区转移进本小区的业务流量值y,即流量向量形式为:(t,xti,yti),其中t为时间,xti是小区i在t小时时保持不变的业务流量,yti是邻小区在t小时时转移到小区i的业务流量;
3)采用果蝇优化算法对式(1.1)求解,所有小区组成果蝇种群,果蝇个体采用果蝇优化算法搜索公式利用嗅觉搜索食物;
4)计算每个果蝇个体与坐标原点之间的距离Disti,再计算每个果蝇个体的味道浓度判定值Si:
Si=1/Disti(1.7)
其中,Disti为第i个果蝇个体与坐标原点之间的距离,Xi、Yi分别为第i个果蝇个体的x轴和y轴位置,Si为第i个果蝇个体的味道浓度判定值;
5)将步骤4)中的第i个果蝇个体的味道浓度判定值Si带入味道浓度判定函数Function,求出每个果蝇个体位置的味道浓度Smell,并找出该果蝇群体中味道浓度最佳的果蝇:
Smelli=Function(Si)(1.8)
[bestSmell bestIndex]=max(Smelli)(1.9)
其中,Smelli为第i个果蝇个体位置的味道浓度,Function()为味道浓度判定函数,bestSmell和bestIndex分别为当前迭代次数中果蝇群体中最浓味道值和最浓味道值所在的果蝇个体标号,max()为求最大值函数;
6)记录下味道浓度最佳果蝇的味道浓度值以及其位置坐标,果蝇群体中所有果蝇逐渐飞向这个位置以达到全局最优解:
Smellbest=bestSmell(1.10)
X_axis=XbestIndex(1.11)
Y_axis=YbestIndex(1.12)
其中,bestSmell为全局果蝇群体中最浓味道值,X_axis,Y_axis,XbestIndex,YbestIndex为达到最优解的果蝇群体所在的位置坐标;
7)进入迭代优化阶段,重复上述步骤4)到步骤5),并判断味道浓度值是否大于前一迭代的味道浓度,若是,则执行步骤6);若否,则在最大迭代次数内继续重复上述步骤4)到步骤5),得到小区群体在最大资源利用率时的各小区保持不变的业务流量值和邻小区转移到本小区的业务流量值;
8)根据小区群体在最大资源利用率时的各小区保持不变的业务流量值和邻小区转移到本小区的业务流量值,得到最大总体资源利用率的历史最佳负载均衡策略,然后中心节点将历史最佳负载均衡策略以广播的形式发送给各小区;
(二)每个小区根据自己与邻小区的历史流量信息及负载均衡方案构造GBDT回归模型,并训练GBDT回归模型,判断是否还能够接收呼叫业务或者转移业务;
具体过程如下:
1)各小区接收并保存由步骤(一)中心节点发送的历史最佳负载均衡策略;
2)各小区根据本小区和邻小区的历史流量及历史最佳负载均衡策略构造GBDT回归模型的特征,GBDT回归模型的特征有:时间t、本小区流量xti、邻小区流量yti、本小区与邻小区的流量差值δti、历史最佳负载均衡策略中该小区保持不变的业务流量xt'i,历史最佳负载均衡策略中邻小区转移到该小区的业务流量值yt'i;
3)各小区构建GBDT回归模型,来对小区未来的负载进行预测;
(三)若能够接收呼叫任务,在进行接入控制时,每个小区基于本小区和邻小区预测的流量值,对本小区的接入控制进行预测;
具体过程如下:
2)将步骤1)得到的下一时刻本小区的业务流量预测值和邻小区转移到本小区的业务流量预测值替换测试集中的xt'+1i和yt'+1i,然后将测试集输入至步骤(二)中训练好的GBDT回归模型当中,得到预测值,若得到的预测值大于小区资源上限值则拒绝业务的接入,若预测值小于小区的资源上限值则接受业务的接入;
(四)如果小区进行接入控制后的负载过载,则进行业务的切换控制来均衡负载。
2.根据权利要求1所述的一种基于流量预测与果蝇优化算法的网络负载均衡方法,其特征在于,采用果蝇优化算法对式(1.1)求解的具体过程如下:首先设置种群规模N为50、最大迭代次数为100,并将步骤2)中xti,yti真实流量值设置为果蝇群体的初始位置X_axis,Y_axis,给出每个果蝇个体随机的方向和距离,然后果蝇个体采用果蝇优化算法搜索公式利用嗅觉搜索食物,其中,果蝇优化算法搜索距离公式为:
Xi=X_aixs+αm·Rand()(1.4)
Yi=Y_aixs+αm·Rand()(1.5)
其中,α为步长控制因子,m为迭代次数,Xi、Yi分别为第i个果蝇个体的x轴和y轴位置,Rand()为果蝇的飞行范围。
3.根据权利要求1所述的一种基于流量预测与果蝇优化算法的网络负载均衡方法,其特征在于,步骤8)中,历史最佳负载均衡策略为网络每小时达到网络最大资源利用率时各个小区保持不变的业务流量值xt'i和邻小区转移至本小区的业务流量值yt'i。
5.根据权利要求4所述的一种基于流量预测与果蝇优化算法的网络负载均衡方法,其特征在于,各小区构建GBDT回归模型的具体过程如下:
3.1)对于GBDT回归模型中的m棵回归树:
(a)对每棵回归树的小区个数i=1,2,…,N,计算伪残差:
rmi=xi+1-f(inputi)(2.2)
其中,xi+1为该小区i+1小时的业务流量值,rmi为第m棵回归树对第i个样本所求的残差值;
(b)对{(input1,rm1),(input2,rm2),...,(inputn,rmn)}拟合一个回归树,得到第m棵回归树的叶节点区域Rmj,j=1,2,...,J;
(c)对j=1,2,...,J,利用线性搜索,估计叶节点区域的值,使损失函数最小化,根据式(2.4)计算每棵回归树中每个叶节点的伪残差的平均数;其中,损失函数如式(2.3)所述
L(xi+1,f(inputi))=(xi+1-f(inputi))2(2.3)
其中,cmj表示第m棵树的第j个节点的伪残差的平均数;
(d)根据式(2.5)更新每棵回归数的值;
其中,I为调节因子;
3.2)根据式(2.6)得到GBDT回归模型;
其中,m为树的棵树,j为叶节点的个数;
4)以训练集T为输入集合,若GBDT回归模型的损失函数值不再变化或达到迭代次数则GBDT回归模型训练完毕,若否,则继续训练GBDT回归模型。
6.根据权利要求1所述的一种基于流量预测与果蝇优化算法的网络负载均衡方法,其特征在于,步骤(四)的具体过程如下:
1)对接入业务的小区负载进行检查,若没有发生负载过载,则网络负载均衡完成;若进行接入控制之后小区负载过载,则进行步骤2);
2)对该小区的邻小区的负载大小进行排序,将导致该小区过载的业务切换至负载最小的小区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010158447.7A CN111372260B (zh) | 2020-03-09 | 2020-03-09 | 一种基于流量预测与果蝇优化算法的网络负载均衡方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010158447.7A CN111372260B (zh) | 2020-03-09 | 2020-03-09 | 一种基于流量预测与果蝇优化算法的网络负载均衡方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111372260A CN111372260A (zh) | 2020-07-03 |
CN111372260B true CN111372260B (zh) | 2021-09-07 |
Family
ID=71207018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010158447.7A Active CN111372260B (zh) | 2020-03-09 | 2020-03-09 | 一种基于流量预测与果蝇优化算法的网络负载均衡方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111372260B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104219319A (zh) * | 2014-09-15 | 2014-12-17 | 南京邮电大学 | 一种分布式网络流量自组织调度方法 |
CN109934330A (zh) * | 2019-03-04 | 2019-06-25 | 温州大学 | 基于多样化种群的果蝇优化算法来构建预测模型的方法 |
WO2019187302A1 (ja) * | 2018-03-30 | 2019-10-03 | Kddi株式会社 | ノード装置及びその制御方法、並びにプログラム |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9060269B2 (en) * | 2010-12-15 | 2015-06-16 | At&T Intellectual Property I, L.P. | Optimization of cellular network architecture based on device type-specific traffic dynamics |
CN104811336A (zh) * | 2015-04-02 | 2015-07-29 | 南京邮电大学 | 基于智能优化的分布式网络流量预测方法 |
CN106447085A (zh) * | 2016-09-05 | 2017-02-22 | 华北电力大学 | 一种短期电力负荷预测方法、装置及计算设备 |
CN106802563B (zh) * | 2016-10-13 | 2019-11-05 | 湖南工业大学 | 一种基于果蝇优化和lssvm的污水过程优化控制方法 |
CN106570250A (zh) * | 2016-11-02 | 2017-04-19 | 华北电力大学(保定) | 面向电力大数据的微电网短期负荷预测方法 |
CN108063452A (zh) * | 2017-12-04 | 2018-05-22 | 广东电网有限责任公司电力科学研究院 | 基于自适应混沌果蝇优化算法的配电网最优孤岛划分方法 |
CN110677858B (zh) * | 2019-10-25 | 2022-05-17 | 国家电网有限公司 | 基于物联网任务迁移周期的传输功率与计算资源分配方法 |
-
2020
- 2020-03-09 CN CN202010158447.7A patent/CN111372260B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104219319A (zh) * | 2014-09-15 | 2014-12-17 | 南京邮电大学 | 一种分布式网络流量自组织调度方法 |
WO2019187302A1 (ja) * | 2018-03-30 | 2019-10-03 | Kddi株式会社 | ノード装置及びその制御方法、並びにプログラム |
CN109934330A (zh) * | 2019-03-04 | 2019-06-25 | 温州大学 | 基于多样化种群的果蝇优化算法来构建预测模型的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111372260A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110427261A (zh) | 一种基于深度蒙特卡洛树搜索的边缘计算任务分配方法 | |
CN107484209B (zh) | 一种考虑用户QoS的网络负载均衡垂直切换方法 | |
CN113365312B (zh) | 强化学习和监督学习相结合的移动负载均衡方法 | |
CN106507370B (zh) | 主动式频谱感知切换的方法 | |
CN104010356B (zh) | 一种用于异构网络的集中式动态关闭小小区方法 | |
CN108322274B (zh) | 一种基于贪心算法的wlan系统ap节能与干扰优化方法 | |
CN104135752A (zh) | 一种无线传感器网络簇头节点选择方法及分簇方法 | |
CN112672402B (zh) | 超密集异构无线网络中基于网络推荐的接入选择方法 | |
CN108834079A (zh) | 一种在异构网络中基于移动性预测的负载均衡优化方法 | |
Cicioğlu | Multi-criteria handover management using entropy‐based SAW method for SDN-based 5G small cells | |
Li et al. | Deep deterministic policy gradient based dynamic power control for self-powered ultra-dense networks | |
Wu et al. | Load balancing for communication networks via data-efficient deep reinforcement learning | |
CN103618674B (zh) | 基于自适应服务模型的联合分组调度和信道分配路由方法 | |
CN111372260B (zh) | 一种基于流量预测与果蝇优化算法的网络负载均衡方法 | |
CN109768839A (zh) | 基于改进混沌粒子群算法的认知无线电频谱分配方法 | |
CN111225398B (zh) | 一种基于协作覆盖的微电网无线传感器网络能耗优化方法 | |
Wang et al. | A dynamic channel-borrowing approach with fuzzy logic control in distributed cellular networks | |
CN105007594A (zh) | Lte-a异构网络中一种联合优化mlb与mro的方法 | |
CN111065121B (zh) | 一种考虑小区差异的密集网络能耗及能效联合优化方法 | |
Kai et al. | Deep reinforcement learning based user association and resource allocation for D2D-enabled wireless networks | |
Liya et al. | A MADM-based handover management in software defined 5G network | |
Yu et al. | Proximal Policy Optimization-based Federated Client Selection for Internet of Vehicles | |
Wang et al. | Adaptive channel borrowing for quality of service in wireless cellular networks | |
Huang et al. | Mobile traffic offloading with forecasting using deep reinforcement learning | |
Luo et al. | Intelligent load balancing relying on load prediction with mgcn-gru |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |