CN112672366B - 异构无线网络中基于个性化消费偏好的垂直切换系统 - Google Patents

Abstract

本发明请求保护一种异构无线网络中基于个性化消费偏好的垂直切换系统，针对异构无线网络环境中，如何满足用户基本需求的前提下提升用户体验的问题，该文提出一种基于个性化消费偏好的垂直切换算法。首先在预处理模块中结合当前业务进行参数处理，获得满足业务基本需求的网络相关参数；其次通过网络端的数据挖掘模块获得用户的个性化消费偏好权重；最后结合相关参数和个性化消费偏好权重构建自定义效用函数，通过比较用户对候选网络的综合效用值选择目标网络。仿真结果表明，该算法使用户接入满足其个性化消费偏好的网络，降低了算法时间开销和网络阻塞率，并提升了吞吐量和用户体验。

Description

异构无线网络中基于个性化消费偏好的垂直切换系统

技术领域

本发明属于异构无线网络中的网络选择方法，属于移动通信领域。特别是涉及一种异构无线网络中基于个性化消费偏好的垂直切换方法。

背景技术

随着无线通信技术的迅猛发展，已经逐渐形成了多种无线接入技术并存的异构无线网络环境。异构无线网络环境下，不同接入技术间的网络切换称为垂直切换，并在传输速率、服务费用、业务体验等方面存在较大差异，同时也为用户提供了更多的选择。在该领域中，如何满足用户基本需求的前提下提升用户体验，成为学术界与产业界的研究热点问题。

文献[Bin MA,Shangru LI,Xianzhong XIE.An Adaptive Vertical HandoverAlgorithm Based on Artificial Neural Network in Heterogeneous WirelessNetworks[J].Journal of Electronics and Information Technology,2019,41(5):1210-1216]基于神经网络，根据不同业务类型，对分类后的参数进行训练，从而进行网络选择。文献[MA B,ZHANG W J,and XIE X Z.Individualization Service Oriented FuzzyVertical Handover Algorithm[J].Journal of Electronics&Informa tionTechnology,2017,39(6):1284-1290]采用模糊逻辑算法，根据终端应用对QoS参数的需求，设计不同的隶属度函数，然后根据当前终端的业务类型，合理地选择网络。该类算法效率较高，能够高效选网，但是需要事先建立相应的模糊推理规则库，在输入参数增加的情况下，模糊规则库的数量会激增，导致推理时间复杂度过大。文献[杨静,李鹏程,闫俊杰,等.关系亲密程度的LTE异构网络切换算法[J].四川大学学报,2018,55(1):74-80.]通过统计用户接入微蜂窝的历史信息得到关系亲密程度，再结合用户移动速度和网络的带宽综合选网，降低了切换总次数。文献[王梦雪.超密集异构无线网络中基于环境预测的切换算法.[硕士论文].重庆邮电大学,2020]结合终端的历史移动信息，预测终端下一时刻的位置，以此提前生成高质量的网络候选集，最终为终端提供高质量的网络服务。此外，上述文献虽考虑了历史信息，但对其挖掘依旧不够，忽略了用户对网络的个性化需求，尤其在大数据时代背景下，如何利用好用户接入异构无线网络的历史信息，获取个性化偏好来辅助切换并提升用户体验，成为亟待解决的问题。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种异构无线网络中基于个性化消费偏好的垂直切换系统。本发明的技术方案如下：

一种异构无线网络中基于个性化消费偏好的垂直切换系统，其包括：预处理模块、数据挖掘模块及判别选择模块，其中，预处理模块用于结合当前业务进行阈值判断和参数处理，筛选得到满足业务基本需求的网络的服务质量评价值x₁、性价比x₂、价格效用值x₃；

数据挖掘模块，用于通过网络端的数据挖掘模块获得定义的个性化消费偏好权重，其中分别为追求极致性能的偏好程度α、追求较高性价比的偏好程度β、价格敏感型的偏好程度γ；

判别选择模块，用于结合预处理模块获得的服务质量评价值x₁、性价比x₂、价格效用值x₃和数据挖掘模块获得的个性化消费偏好权重，构建效用函数并判决选出目标网络。

进一步的，所述预处理模块结合当前业务进行阈值判断和参数处理，筛选得到满足业务基本需求的网络的服务质量评价值x₁、性价比x₂、价格效用值x₃，具体包括以下步骤：

201、对检测到的网络参数进行阈值判断并做归一化处理，其中需要阈值判断的参数为RSS、带宽、时延、抖动、丢包率这5个参数，得不同业务类型的RSS、带宽、时延、抖动、丢包率的最小阈值，分别表示为

其中i代表不同参数，取值为1,2,3,4,5；k为业务类型，当前为实时业务k＝0，否则k＝1；判断条件满足并且关系表示为：

Q_n表示检测到的参数值,其中n取值为1,2,3,4,5。

阈值筛选得到候选网络之后，需要归一化处理的参数为带宽、时延、抖动、丢包率和价格，无线网络参数分为效益型和成本型；

202、采用当前业务的层次分析法AHP计算得到网络的服务质量评价值(x₁)、性价比(x₂)、价格效用值(x₃)，用于构成自定义效用函数；

203、性价比是服务质量评价值与价格的比值。

进一步的，所述步骤201中，效益型参数、成本型参数这两类参数归一化处理如下：

效益型参数：

成本型参数：

其中，

表示用户在k业务下第i个网络的j参数值，

为k业务中j参数最大值，而

为k业务中j参数最小值，

表示归一化后的值。

进一步的，所述网络服务质量评价值由结合了当前业务的层次分析法AHP计算得到，其步骤简化如下：

①构建层次模型：最上层为目标层，中间为准则层，最下为网络选择层；

②构建判断矩阵：RSS只负责阈值筛选，在剩下参数中根据对目标的重要程度，选择带宽、时延、抖动、丢包率构建判断矩阵

其中

表示第j₁个参数与第j₂个参数的比值，并且

③计算权重向量：由如下公式可获得判断矩阵A的最大特征根λ_max所对应的特征向量W₁ ^k；

AW₁ ^k＝λ_maxW₁ ^k (4)

④一致性检验：由如下公式检验得到的权重是否分配合理：

CR＝CI/RI (5)

其中，CR为一致性比率，CI为一致性指标，RI为随机一致性指标，当CR＜0.1时，则认为矩阵A有满意的一致性，可用对应的特征向量作为权重，否则要重新构造判断矩阵A，直到通过一致性检验为止；

⑤构建评价矩阵并结合权重计算网络服务质量评价值，其公式如下：

X＝P·(W₁ ^k)^T＝(x₁)_m×1 (7)

其中，假设有m个候选网络，P为评价矩阵，

表示第m个网络的第4个参数归一化后的值，X为网络服务质量评价值向量，其由m个网络服务质量评价值x₁组成。

进一步的，所述步骤203性价比是服务质量评价值与价格的比值，

由如下公式得到：

其中，

表示同比例缩小的网络费用，由上述公式(3)得到，p₂为性价比，但其取值范围与归一化的网络服务质量评价值和价格不统一，遂进行归一化后得到x₂，价格效用值是对价格参数进行成本型归一化后得到的值，由公式(3)得到，记为x₃。

进一步的，所述数据挖掘模块，用于通过网络端的数据挖掘模块获得定义的个性化消费偏好权重，分别为追求极致性能的偏好程度α、追求较高性价比的偏好程度β、价格敏感型的偏好程度γ，具体包括：

301、把用户的个性化消费偏好视作一个整体记为1，这个整体由以上三类消费偏好构成，其关系可抽象为以下公式：

α+β+γ＝1 (10)

其中，α表示追求极致网络性能的偏好程度，β表示追求较高网络性价比的偏好程度，γ表示网络价格敏感的偏好程度，且α∈[0,1]，β∈[0,1]，γ∈[0,1]。

302、1)假设最近过去的K天内，终端不断收集用户检测到的候选网络和切换历史信息，如果只检测未切换，则视为与本次挖掘无关的噪声，清除即可；假设在最近的K天内，用户总共完成z次切换，则定义集合B＝{b_u|u＝1,2,...,z}表示用户切换的次序；定义集合C＝{N_c|c＝1,2,...,m}表示用户在某次判决中所检测到的所有候选网络，定义集合D＝{d_t|t＝1,2,...,h}表示某个网络的具体属性参数；由此可构建矩阵Y表示用户所有切换次序里，在所检测到的候选网络中所选择切换的网络，其中Y_uc表示用户在第u次判决中所选择切换的网络c；

2)通过熵值法构造客观网络性能评分值；

303、做好以上准备工作后，构造决策树模型，以便得到符合定义的用户个性化消费偏好权重，决策树模型用于反映过去的某一次判决切换中，用户个性化消费偏好中的某一类偏好的一次潜在偏，当用户做了z次切换后，便可得到该用户在最近的K天内的消费偏好权重；

304、根结点中，集合E是终端判决时检测到的网络集合C，经过客观网络性能评分值s_c降序后的集合，θ₁是客观网络性能评分值阈值，其作用是在集合E中，选取评分值在这个阈值之上的网络，并令这些网络组成叶子结点，得到新的集合I，集合I表示本次判决中，极致性能的网络集合；若用户在本次判决中，选择了I集合中的网络切换，则认为用户本次切换，具有追求极致网络性能的潜在偏好，则变量υ自增1，其中变量υ表示用户追求极致网络性能的潜在偏好次数；

内部节点中，集合M是指集合E中不满足阈值θ₁的剩余网络，并按照价格降序后的集合。θ₂为网络价格阈值，其作用是在集合M中选取价格小于等于θ₂的网络，组成新的叶子结点，得到集合L。集合L表示低价格的网络集合。若用户判决中，选择了L集合中的网络来切换，则认为用户的本次切换具有网络价格敏感的潜在偏好，则变量p自增1，其中变量p表示用户对网络价格敏感的潜在偏好次数；

经过根结点和内部结点判断后，分别得到叶子结点I集合和L集合，以及追求极致网络性能潜在偏好次数o和价格敏感的潜在偏好次数p，所以根据集合运算，可得到叶子结点J集合。J集合表示在极致网络性能和价格敏感之间的折中选择的网络集合，若用户在判决中，选择该集合中的网络来切换，则认为用户该切换具有追求较高网络性价比的潜在偏好。变量q代表用户追求较高网络性价比的潜在偏好次数；

以上是对用户切换历史数据中一次判决的决策树模型分析过程，得到了用户个性化消费偏好的其中一类的一次潜在偏好，当用户做了z次切换后，便得到了该用户的所有潜在消费偏好次数，即υ、p、q。再根据他们与总切换次数z的关系，可得到用户个性化消费偏好权重。

进一步的，所述步骤302)构造客观网络性能评分值时，选取时延、抖动、带宽、丢包率4个参数作为判决依据，假设某次判决中，g_ct表示网络c的t参数的测量值，采用归一化处理得到处理值G_ct，由此，可构建某次判决时的评价矩阵H为

熵值法计算客观网络性能评分值步骤简化如下：

①对矩阵H中每个参数计算信息熵；

其中，k＝1/ln(m)，p_ct表示t参数下第c个样本值占该参数的比重；

②计算信息熵冗余度r_t；

r_t＝1-e_t (14)

③计算参数权重w_t；

④计算客观网络性能评分值s_c；

进一步的，所述判别选择模块结合预处理模块中获得的网络参数x₁、x₂、x₃与数据挖掘模块中获得的用户个性化消费偏好分布α、β、γ，可构造自定义效用函数，其公式为

y＝αx₁+βx₂+γx₃ (17)

其中y为用户对于候选网络的综合效用值，其综合考虑了个性化消费偏好中三类偏好的分布情况，若在判决时，用户对m个候选网络的综合效用值集合为T＝{y_i|i＝1,2,...,m}，选择综合效用值最大的网络为该用户的目标网络，即

R＝max{T} (18)。

本发明的优点及有益效果如下：

1.本发明根据终端和基站收集的用户接入网络的历史信息，定义并建模获得了用户的个性化消费偏好权重。在无线异构网络垂直切换领域中，利用了数据挖掘中的决策树模型，深入分析挖掘了用户的个性化消费偏好，相对于现有文献对用户历史数据挖掘不足的缺点，是一次完善和进步。

2.结合个性化消费偏好权重和相关网络参数，提出了一种异构无线网络中基于个性化消费偏好的垂直切换算法。该算法充分利用了数据挖掘的工具，深入分析挖掘得到了用户个性化消费偏好权重，使用户接入满足其个性化消费偏好的网络，降低了算法时间开销和网络阻塞率，并提升了吞吐量和用户体验。

附图说明

图1是本发明提供优选实施例判决算法示意图；

图2消费偏好逻辑联系；

图3决策树模型；

图4异构无线网络场景模型；

图5计算时间开销；

图6用户1的得分值；

图7用户2的得分值；

图8用户3的得分值；

图9用户4的得分值；

图10切换阻塞率；

图11总吞吐量；

表1候选网络参数值。

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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

针对异构无线网络环境中，如何满足用户基本需求的前提下提升用户体验的问题，该文提出一种基于个性化消费偏好的垂直切换算法。首先在预处理模块中结合当前业务进行参数处理，获得满足业务基本需求的网络相关参数；其次通过网络端的数据挖掘模块获得用户的个性化消费偏好权重；最后结合相关参数和个性化消费偏好权重构建自定义效用函数，通过比较用户对候选网络的综合效用值选择目标网络。仿真结果表明，该算法使用户接入满足其个性化消费偏好的网络，降低了算法时间开销和网络阻塞率，并提升了吞吐量和用户体验。

本发明提出的网络选择方法包括以下步骤：

一种异构无线网络中基于个性化消费偏好的垂直切换系统，在预处理模块中结合当前业务进行阈值判断和参数处理，筛选得到满足业务基本需求的网络的服务质量评价值(x₁)、性价比(x₂)、价格效用值(x₃)，具体包括步骤：

为了满足用户当前业务的基本需求，需要对检测到的网络参数进行阈值判断并做归一化处理。其中需要阈值判断的参数为RSS、带宽、时延、抖动、丢包率这个5个参数，因为他们都是直接影响业务服务质量的重要参数，若他们没有满足当前业务能够容忍的最小阈值，则用户当前业务难以进行乃至中断，用户体验更无从谈起。根据文献[12]和文献[8]可得不同业务类型的RSS、带宽、时延、抖动、丢包率的最小阈值，分别表示为

其中i代表不同参数，取值为1,2,3,4,5；k为业务类型，当前为实时业务k＝0，否则k＝1。判断条件满足并且关系，其可表示为：

阈值筛选得到候选网络之后，由于各网络参数之间无法直接对比，则本文进行归一化处理，其中需要处理的参数为带宽、时延、抖动、丢包率和价格。无线网络参数可分为效益型和成本型，这两类参数归一化处理如下

效益型参数：

成本型参数：

其中，

表示用户在k业务下第i个网络的j参数值，

为k业务中j参数最大值，而

为k业务中j参数最小值，

表示归一化后的值。

接下来需要得到网络的服务质量评价值(x₁)、性价比(x₂)、价格效用值(x₃)，他们都是构成自定义效用函数的关键参数。

网络服务质量评价值由结合了当前业务的层次分析法(Analytic HierarchyProcess,AHP)计算得到，其步骤简化如下：

①构建层次模型。最上层为目标层，中间为准则层，最下为网络选择层。

②构建判断矩阵。因上述的RSS在本文中只负责阈值筛选，所以在剩下参数中根据对目标的重要程度，选择带宽、时延、抖动、丢包率构建判断矩阵

其中

表示第j₁个参数与第j₂个参数的比值，并且

③计算权重向量。由如下公式可获得判断矩阵A的最大特征根λ_max所对应的特征向量W₁ ^k。

AW₁ ^k＝λ_maxW₁ ^k (22)

④一致性检验。由如下公式检验得到的权重是否分配合理。

CR＝CI/RI (23)

其中，CR为一致性比率，CI为一致性指标，RI为随机一致性指标。当CR＜0.1时，则认为矩阵A有满意的一致性，可用对应的特征向量作为权重，否则要重新构造判断矩阵A，直到通过一致性检验为止。

⑤构建评价矩阵并结合权重计算网络服务质量评价值。其公式如下：

X＝P·(W₁ ^k)^T＝(x₁)_m×1 (25)

其中，假设有m个候选网络，P为评价矩阵，X为网络服务质量评价值向量，其由m个网络服务质量评价值x₁组成。

然后，性价比是服务质量评价值与价格的比值，由如下公式得到：

其中，

表示同比例缩小的网络费用，由上述公式(3)得到，p₂为性价比，但其取值范围与归一化的网络服务质量评价值和价格不统一，遂进行归一化后得到x₂。

最后，价格效用值是对价格参数进行成本型归一化后得到的值，由公式(4)得到，记为x₃。

所述数据挖掘模块的具体步骤如下：

用户个性化消费偏好是指用户在支付费用获取网络服务的消费行为中，不同的用户愿意支付不同的价格成本以获取不同网络性能的偏好程度。本文把用户个性化消费偏好看作一个整体，其由以下三类消费偏好构成：追求极致网络性能、追求较高网络性价比、网络价格敏感。第一类消费偏好，用户对网络服务质量最为敏感，他们不在乎付出的价格成本，总是希望能够获得最好的网络性能，在业务上获得最佳的体验；第二类消费偏好，用户希望可以付出一定的成本，获得较好的网络性能，他们在网络性能与价格成本之间，做出较为折中的选择；第三类消费偏好，用户对网络性能并不敏感，反而对价格敏感，希望能够接入便宜的网络。

这三类个性化消费偏好的逻辑联系如图2所示

如图，如果用户对网络性能敏感度越高，则对网络价格敏感度越低，反之亦然。在个性化消费偏好模型中，网络性能敏感程度与价格敏感程度具有负相关的联系。本模型的设计中，把用户的个性化消费偏好视作一个整体记为1，这个整体由以上三类消费偏好构成，其关系可抽象为以下公式：

α+β+γ＝1 (28)

其中，α表示追求极致网络性能的偏好程度，β表示追求较高网络性价比的偏好程度，γ表示网络价格敏感的偏好程度，且α∈[0,1]，β∈[0,1]，γ∈[0,1]。

1)假设最近过去的K天内，终端不断收集用户检测到的候选网络和切换历史信息，如果只检测未切换，则视为与本次挖掘无关的噪声，清除即可。假设在最近的K天内，用户总共完成z次切换，则定义集合B＝{b_u|u＝1,2,...,z}表示用户切换的次序。定义集合C＝{N_c|c＝1,2,...,m}表示用户在某次判决中所检测到的所有候选网络，定义集合D＝{d_t|t＝1,2,...,h}表示某个网络的具体属性参数。由此可构建矩阵Y表示用户所有切换次序里，在所检测到的候选网络中所选择切换的网络，其中Y_uc表示用户在第u次判决中所选择切换的网络c。

2)通过熵值法构造客观网络性能评分值，为后面建模得到个性化消费偏好提供客观条件。选择熵值法是因为由其所得的网络权重相对客观，尽可能减少了终端因移动趋势或业务类型等因素切换的考虑，得到更加纯粹客观的网络性能评价值，再结合客观的价格，让用户在尽可能客观的评价体系下，更好地突显出用户是由个性化消费偏好因素进行交互切换的，进而从用户与网络交互的历史数据中，更准确地衡量出用户个性化消费偏好权重。

构造客观网络性能评分值时，选取时延、抖动、带宽、丢包率4个参数作为判决依据。假设某次判决中，g_ct表示网络c的t参数的测量值。由于各个参数无法直接对比，需做类似于公式(6)、(7)的归一化处理，得到处理值G_ct。由此，可构建某次判决时的评价矩阵H为

熵值法计算客观网络性能评分值步骤简化如下：

①对矩阵H中每个参数计算信息熵。

其中，k＝1/ln(m)，p_ct表示t参数下第c个样本值占该参数的比重。

②计算信息熵冗余度r_t。

r_t＝1-e_t (32)

③计算参数权重w_t。

④计算客观网络性能评分值s_c。

做好以上准备工作后，构造决策树模型，以便得到符合定义的用户个性化消费偏好权重。决策树模型概览如图3所示，其可以反映过去的某一次判决切换中，用户个性化消费偏好中的某一类偏好的一次潜在偏好。当用户做了z次切换后，便可得到该用户在最近的K天内的消费偏好权重。

根结点中，集合E是终端判决时检测到的网络集合C，经过客观网络性能评分值s_c降序后的集合。θ₁是客观网络性能评分值阈值，其作用是在集合E中，选取评分值在这个阈值之上的网络，并令这些网络组成叶子结点，得到新的集合I。集合I表示本次判决中，极致性能的网络集合。若用户在本次判决中，选择了I集合中的网络切换，则认为用户本次切换，具有追求极致网络性能的潜在偏好，则变量υ自增1。其中变量υ表示用户追求极致网络性能的潜在偏好次数。各集合和变量满足以下约束条件：

其中上标f表示客观网络性能评分值排序序号，下标c表示网络标识符。

且

其中|I|表示集合I的元素个数，|E|表示集合E的元素个数，

表示网络性能极致率μ乘以集合E的元素个数并向上取整所得的值。μ表示网络性能极致率，根据帕累托二八法则，μ通常取值0.2，表示一组网络性能评分值降序中，前20％的网络可视为具有极致网络性能。

υ≤z，并且当Y_uc∈I时，则υ＝υ+1 (39)

其中υ初始化为0，z表示切换总次数。

内部节点中，集合M是指集合E中不满足阈值θ₁的剩余网络，并按照价格降序后的集合。θ₂为网络价格阈值，其作用是在集合M中选取价格小于等于θ₂的网络，组成新的叶子结点，得到集合L。集合L表示低价格的网络集合。若用户判决中，选择了L集合中的网络来切换，则认为用户的本次切换具有网络价格敏感的潜在偏好，则变量p自增1，其中变量p表示用户对网络价格敏感的潜在偏好次数。各集合和变量满足以下约束条件：

|M|＝m-|I| (40)

其中，上标g表示网络价格降序序号，下标c表示网络标识符。

且

其中|L|表示集合L的元素个数，|M|表示集合M的元素个数，

表示价格敏感率δ乘以集合M的元素个数并向上取整所得的值。δ表示价格敏感率，根据帕累托二八法则，δ通常取值0.2，表示一组价格降序中，后20％的网络可视为低价格，对价格敏感用户具有吸引力。

p≤z，并且当Y_uc∈L时，则p＝p+1 (45)

其中p初始化为0。

经过根结点和内部结点判断后，分别得到叶子结点I集合和L集合，以及追求极致网络性能潜在偏好次数o和价格敏感的潜在偏好次数p，所以根据集合运算，可得到叶子结点J集合。J集合表示在极致网络性能和价格敏感之间的折中选择的网络集合，若用户在判决中，选择该集合中的网络来切换，则认为用户该切换具有追求较高网络性价比的潜在偏好。变量q代表用户追求较高网络性价比的潜在偏好次数。其中各集合和元素满足以下约束条件：

J＝M-L (46)

q≤z，并且当Y_uc∈J时，则q＝q+1 (47)

其中q初始化为0。

以上是对用户切换历史数据中一次判决的决策树模型分析过程，得到了用户个性化消费偏好的其中一类的一次潜在偏好。当用户做了z次切换后，便得到了该用户的所有潜在消费偏好次数，即υ、p、q。再根据他们与总切换次数z的关系，可得到用户个性化消费偏好权重。各变量满足以下约束条件：

υ+p+q＝z (48)

步骤三、结合预处理模块中获得的网络参数x₁、x₂、x₃与数据挖掘模块中获得的用户个性化消费偏好分布α、β、γ，可构造自定义效用函数，其公式为

y＝αx₁+βx₂+γx₃ (50)

其中y为用户对于候选网络的综合效用值，其综合考虑了个性化消费偏好中三类偏好的分布情况，使得用户之间的消费偏好更具有区分度，从而尽可能地避免了仅考虑单一的最高偏好所带来的接入网络不均衡的问题。若在判决时，用户对m个候选网络的综合效用值集合为T＝{y_i|i＝1,2,...,m}，选择综合效用值最大的网络为该用户的目标网络，即

R＝max{T} (51)

根据上述分析，本发明设计了图2所示的算法流程图。

本文采用5G，4G和WLAN三种接入技术组成的异构无线网络环境。为验证本文算法的性能，以图4所示的拓扑结构搭建仿真场景，并在MATLAB平台进行仿真实验。场景中，有3个WLAN的接入点，1个5G微蜂窝基站和一个4G基站。其中，WLAN的半径为150m，5G微蜂窝半径为200m，4G半径为700m。用户随机分布在仿真场景中，终端的业务和用户的网络消费偏好随机产生。仿真中，假设终端在某次垂直切换判决时刻获得的候选网络参数如表1所示。

仿真中，本文所提算法与现有基于多属性垂直切换算法^[17](Multi-AttributeVertical Handoff Algorithm)以及基于神经网络的垂直切换算法^[6](ANN-VHO)进行了比较分析。

算法的时间开销是衡量垂直切换算法性能的重要指标之一。本文算法与现有的多属性算法计算时间开销对比如图5所示，图中两条线分别代表本文算法和现有的多属性算法的计算时间开销。随着网络数量的增加，两种算法的计算时间开销都在不断增加，并且它们的计算时间开销的差值，也随着网络数量的增长而不断的拉大。这是因为本文在用户端将接收的多种网络参数整合为三个判决指标，并结合从网络端传输过来的用户消费偏好信息，直接采用效用函数判决，而MA-VHO算法在用户端结合了熵值法，在计算客观权重时，随着网络数量的增加，计算时间开销也会不断增大。

由于本文算法考虑了用户当前业务和个性化消费偏好，所以在网络得分值分析里，设定了4个用户，其中两个当前为实时业务，另外两个当前为非实时业务，并且他们拥有各自的消费偏好。本文算法与现有的神经网络算法和多属性算法的得分值作了对比分析。

若用户1当前为实时业务且消费偏好分布为追求极致网络性能α＝70％、追求较高性价比β＝20％、网络价格敏感γ＝10％时，其得分值如图6所示。可以看到，本文算法中，WLAN2没有得分值，是因为WLAN2的时延为140ms，低于实时业务中能够容忍的最小阈值，不能满足用户最基本的实时业务需求，所以被筛选出去了。另从用户的消费偏好分布中可得知，用户更倾向于追求极致网络性能，所以与未区分消费偏好的其他2个算法一样，都是5G网络的得分值最高。

若用户2当前为实时业务且消费偏好分布为追求极致网络性能α＝30％、追求较高性价比β＝60％、网络价格敏感γ＝10％时，其得分值如图7所示。同理可得，WLAN2被筛选出去了。由用户消费偏好分布可知，该用户更加追求较高的性价比，所以性能较好且价格较低的4G得分值最高，而ANN-VHO和MA-VHO算法没有考虑消费偏好，所以还是5G最高。

若用户3当前为非实时业务且消费偏好分布为追求极致网络性能α＝30％、追求较高性价比β＝60％、网络价格敏感γ＝10％时，其得分值如图8所示。可以看出，因所有网络都能满足非实时业务的最基本的需求，所以全部网络都参与了判决。因为本文算法和MA-VHO算法都考虑了不同业务，所以在两者算法中WLAN1的得分值都比4G的得分值高，而ANN-VHO算法没有区分业务，则WLAN1与4G的得分值几乎没有区分度。又由用户的消费偏好分布得知用户3偏好较高的性价比，所以网络性能不差且价格较低的WLAN3的得分值最高。

若用户4当前为非实时业务且消费偏好分布为追求极致网络性能α＝15％、追求较高性价比β＝15％、网络价格敏感γ＝70％时，其得分值如图9所示。由图可知，ANN-VHO算法和MA-VHO算法中得分值最高的仍然是5G，而本文算法由于考虑了用户网络消费偏好，由偏好分布可知，该用户价格敏感，所以在能满足用户最基本的需求的所有网络中，得分值最高的是价格最为便宜的WLAN2。

阻塞率一定程度上可以反映网络资源分配的合理性，较理想的算法会尽可能合理地分配网络资源。本小节中，本文算法与现有的MA-VHO以及ANN-VHO进行了阻塞率性能对比分析，如图10所示。随着用户数量的增加，三种算法的阻塞率都不断地增长。其中，MA-VHO算法和ANN-VHO算法在用户数量为40时，开始发生阻塞，而本文算法则在用户数为50时开始阻塞。在相同的用户数量的情况下，ANN-VHO算法的阻塞率要高于其余两种算法，这是因为ANN-VHO算法没有考虑用户业务，对用户的需求没有区别度，然而本文算法的阻塞率在相同用户数量的情况下最低，是因为本文算法不仅考虑了用户业务，还考虑了用户不同的消费偏好，进而让用户接入的网络更加均衡，一定程度上提升了网络资源分配的合理性，从而降低了阻塞率。

图11为三种算法的网络总吞吐量与用户数量的关系。从图中可以看出，当用户数量小于40时，各算法的总吞吐量都在快速上升，是因为用户数量较小时，各算法阻塞率较小。其中，ANN-VHO算法和MA-VHO算法由于没有考虑用户消费偏好，更倾向于带宽较大的网络，所以总吞吐量暂时略大于本文算法。但当用户数量达到50后，由于ANN-VHO算法和MA-VHO算法阻塞率开始快速上升，而本文算法由于考虑了用户消费偏好，使得用户接入网络更加均衡，减小了阻塞率，提升了网络利用率，所以总吞吐量大于ANN-VHO算法和MA-VHO算法。

表1

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (1)

1.一种异构无线网络中基于个性化消费偏好的垂直切换系统，其特征在于，包括：预处理模块、数据挖掘模块及判别选择模块，其中，预处理模块用于结合当前业务进行阈值判断和参数处理，筛选得到满足业务基本需求的网络的服务质量评价值x₁、性价比x₂、价格效用值x₃；

数据挖掘模块，用于通过网络端的数据挖掘模块获得定义的个性化消费偏好权重，分别为追求极致性能的偏好程度α、追求较高性价比的偏好程度β、价格敏感型的偏好程度γ；

判别选择模块，用于结合预处理模块获得的服务质量评价值x₁、性价比x₂、价格效用值x₃和数据挖掘模块获得的个性化消费偏好权重，构建效用函数并判决选出目标网络；

所述预处理模块结合当前业务进行阈值判断和参数处理，筛选得到满足业务基本需求的网络的服务质量评价值x₁、性价比x₂、价格效用值x₃，具体包括以下步骤：

步骤201、对检测到的网络参数进行阈值判断并做归一化处理，其中需要阈值判断的参数为RSS(Q₁)、带宽(Q₂)、时延(Q₃)、抖动(Q₄)、丢包率(Q₅)这5个参数，得不同业务类型的RSS、带宽、时延、抖动、丢包率的最小阈值，分别表示为

其中i代表不同参数，取值为1,2,3,4,5；k为业务类型，当前为实时业务k＝0，否则k＝1；判断条件满足并且关系表示为：

Q_n表示检测到的参数值,其中n取值为1,2,3,4,5；

阈值筛选得到候选网络之后，需要归一化处理的参数为带宽、时延、抖动、丢包率和价格，无线网络参数分为效益型和成本型；

步骤202、采用当前业务的层次分析法AHP计算得到网络的服务质量评价值(x₁)、性价比(x₂)、价格效用值(x₃)，用于构成自定义效用函数；

性价比是服务质量评价值与价格的比值；

所述步骤201中，效益型参数、成本型参数这两类参数归一化处理如下：

效益型参数：

成本型参数：

其中，

表示用户在k业务下第i个网络的j参数值，

为k业务中j参数最大值，而

为k业务中j参数最小值，

表示归一化后的值；

所述网络的服务质量评价值由结合了当前业务的层次分析法AHP计算得到，其步骤简化如下：

①构建层次模型：最上层为目标层，中间为准则层，最下为网络选择层；

②构建判断矩阵：RSS只负责阈值筛选，在剩下参数中根据对目标的重要程度，选择带宽、时延、抖动、丢包率构建判断矩阵

其中

表示第j₁个参数与第j₂个参数的比值，并且

③计算权重向量：由如下公式可获得判断矩阵A的最大特征根λ_max所对应的特征向量

④一致性检验：由如下公式检验得到的权重是否分配合理：

CR＝CI/RI (5)

其中，CR为一致性比率，CI为一致性指标，RI为随机一致性指标，当CR＜0.1时，则认为矩阵A有满意的一致性，可用对应的特征向量作为权重，否则要重新构造判断矩阵A，直到通过一致性检验为止；

⑤构建评价矩阵并结合权重计算网络服务质量评价值，其公式如下：

X＝P·(W₁ ^k)^T＝(x₁)_m×1 (7)

其中，假设有m个候选网络，P为评价矩阵，

表示第m个网络的第4个参数归一化后的值，X为网络服务质量评价值向量，其由m个网络服务质量评价值x₁组成；

所述性价比是服务质量评价值与价格的比值，

由如下公式得到：

其中，

表示同比例缩小的网络费用，由上述公式(3)得到，p₂为性价比，但其取值范围与归一化的网络服务质量评价值和价格不统一，遂进行归一化后得到x₂；价格效用值是对价格参数进行成本型归一化后得到的值，由公式(3)得到，记为x₃；所述数据挖掘模块，用于通过网络端的数据挖掘模块获得定义的个性化消费偏好权重，分别为追求极致性能的偏好程度α、追求较高性价比的偏好程度β、价格敏感型的偏好程度γ，具体包括：

步骤301、把用户的个性化消费偏好视作一个整体记为1，这个整体由以上三类消费偏好构成，其关系可抽象为以下公式：

α+β+γ＝1 (10)

其中，α表示追求极致网络性能的偏好程度，β表示追求较高网络性价比的偏好程度，γ表示网络价格敏感的偏好程度，且α∈[0,1]，β∈[0,1]，γ∈[0,1]；

步骤302、1)假设最近过去的K天内，终端不断收集用户检测到的候选网络和切换历史信息，如果只检测未切换，则视为与本次挖掘无关的噪声，清除即可；假设在最近的K天内，用户总共完成z次切换，则定义集合B＝{b_u|u＝1,2,...,z}表示用户切换的次序；定义集合C＝{N_c|c＝1,2,...,m}表示用户在某次判决中所检测到的所有候选网络，定义集合D＝{d_t|t＝1,2,...,h}表示某个网络的具体属性参数；由此可构建矩阵Y表示用户所有切换次序里，在所检测到的候选网络中所选择切换的网络，其中Y_uc表示用户在第u次判决中所选择切换的网络c；

2)通过熵值法构造客观网络性能评分值；

步骤303、做好以上准备工作后，构造决策树模型，以便得到符合定义的用户个性化消费偏好权重，决策树模型用于反映过去的某一次判决切换中，用户个性化消费偏好中的某一类偏好的一次潜在偏好，当用户做了z次切换后，便可得到该用户在最近的K天内的消费偏好权重；

步骤304、根结点中，集合E是终端判决时检测到的网络集合C，经过客观网络性能评分值s_c降序后的集合，

是客观网络性能评分值阈值，其作用是在集合E中，选取评分值在这个阈值之上的网络，并令这些网络组成叶子结点，得到新的集合I，集合I表示本次判决中，极致性能的网络集合；若用户在本次判决中，选择了I集合中的网络切换，则认为用户本次切换，具有追求极致网络性能的潜在偏好，则变量v自增1，其中变量v表示用户追求极致网络性能的潜在偏好次数；

内部节点中，集合M是指集合E中不满足阈值

的剩余网络，并按照价格降序后的集合；

为网络价格阈值，其作用是在集合M中选取价格小于等于

的网络，组成新的叶子结点，得到集合L；集合L表示低价格的网络集合；若用户判决中，选择了L集合中的网络来切换，则认为用户的本次切换具有网络价格敏感的潜在偏好，则变量p自增1，其中变量p表示用户对网络价格敏感的潜在偏好次数；

经过根结点和内部结点判断后，分别得到叶子结点I集合和L集合，以及追求极致网络性能潜在偏好次数v和价格敏感的潜在偏好次数p，所以根据集合运算，可得到叶子结点J集合；J集合表示在极致网络性能和价格敏感之间的折中选择的网络集合，若用户在判决中，选择该集合中的网络来切换，则认为用户该切换具有追求较高网络性价比的潜在偏好；变量q代表用户追求较高网络性价比的潜在偏好次数；

以上是对用户切换历史数据中一次判决的决策树模型分析过程，得到了用户个性化消费偏好的其中一类的一次潜在偏好，当用户做了z次切换后，便得到了该用户的所有潜在消费偏好次数，即v、p、q，再根据他们与总切换次数z的关系，可得到用户个性化消费偏好权重；

所述步骤302构造客观网络性能评分值时，选取时延、抖动、带宽、丢包率4个参数作为判决依据，假设某次判决中，g_wt表示网络w的t参数的测量值，采用归一化处理得到处理值G_ct，由此，可构建某次判决时的评价矩阵H为

熵值法计算客观网络性能评分值步骤简化如下：

①对矩阵H中每个参数计算信息熵；

其中，k＝1/ln(m)，p_ct表示t参数下第c个样本值占该参数的比重；

②计算信息熵冗余度r_t；

r_t＝1-e_t (14)

③计算参数权重w_t；

④计算客观网络性能评分值s_c；

所述判别选择模块结合预处理模块中获得的网络参数x₁、x₂、x₃与数据挖掘模块中获得的用户个性化消费偏好分布α、β、γ，可构造自定义效用函数，其公式为

y＝αx₁+βx₂+γx₃ (17)

其中y为用户对于候选网络的综合效用值，其综合考虑了个性化消费偏好中三类偏好的分布情况，若在判决时，用户对m个候选网络的综合效用值集合为T＝{y_i|i＝1,2,...,m}，选择综合效用值最大的网络为该用户的目标网络，即

R＝max{T} (18)。

Images