CN113242584A - 超密集异构无线网络中基于神经网络的网络选择方法 - Google Patents

超密集异构无线网络中基于神经网络的网络选择方法 Download PDF

Info

Publication number
CN113242584A
CN113242584A CN202110690355.8A CN202110690355A CN113242584A CN 113242584 A CN113242584 A CN 113242584A CN 202110690355 A CN202110690355 A CN 202110690355A CN 113242584 A CN113242584 A CN 113242584A
Authority
CN
China
Prior art keywords
network
terminal
value
neural network
neural
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.)
Granted
Application number
CN202110690355.8A
Other languages
English (en)
Other versions
CN113242584B (zh
Inventor
吴利平
陈海波
马彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110690355.8A priority Critical patent/CN113242584B/zh
Publication of CN113242584A publication Critical patent/CN113242584A/zh
Application granted granted Critical
Publication of CN113242584B publication Critical patent/CN113242584B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04W36/0011—Control or signalling for completing the hand-off for data sessions of end-to-end connection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/14—Reselecting a network or an air interface
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W36/00—Hand-off or reselection arrangements
    • H04W36/16—Performing reselection for specific purposes
    • H04W36/165—Performing reselection for specific purposes for reducing network power consumption
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/02—Access restriction performed under specific conditions
    • H04W48/04—Access restriction performed under specific conditions based on user or terminal location or mobility data, e.g. moving direction, speed
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W48/00—Access restriction; Network selection; Access point selection
    • H04W48/18—Selecting a network or a communication service

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Security & Cryptography (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明请求保护一种超密集异构无线网络中基于神经网络的网络选择方法，属于移动通信领域，具体包括以下步骤：首先，基于网络参数，预测未来终端从接入网络中所得到的累计传输速率，将其定义为终端所获得的网络收益。其次，根据网络收益是否小于阈值来判断是否触发网络判决，以缓解因网络高动态性导致的终端频繁切换问题。最后，使用鲸鱼算法优化后的神经网络，将接收信号强度和休眠概率作为输入，得到输出值进行最终切换判决。仿真结果表明，该算法能够自适应高动态性网络环境触发切换，在减少不必要切换的同时提升终端满意度，提升系统整体性能。

Description

超密集异构无线网络中基于神经网络的网络选择方法
技术领域
本发明属于移动通信领域，具体是超密集异构无线网络中的网络选择方法。
背景技术
随着5G网络技术的不断发展，势必与当前的无线网络环境共同组成更加复杂的超密集异构无线网络环境，共同为移动终端提供多种无线网络服务。但是，超密集组网会带来较高的能耗问题，为解决高能耗问题，引入休眠机制以在一定程度降低能耗，此举会进一步增强网络的动态性；同时，移动终端在速度较快的情况下，会在这种高动态的网络环境下触发不必要的切换，造成选网性能下降，如何降低终端触发不必要的切换，以保证选网性能，已成为该领域研究的热点问题。
文献[Hasan M M,Kwon S,Oh S.Frequent-Handover Mitigation in Ultra-Dense Heterogeneous Networks[J].IEEE Transactions on Vehicular Technol ogy,2019,68(1):1035-1040]提出一种基于驻留时间估计的网络选择算法，在进行网络选择时，通过对终端进行分类，以降低切换次数。文献[Zhao Y,Li W,Lu S.Navigation-drivenhandoff minimization in wireless networks[J].Journal of Network and ComputerApplications,2016,74(oct.):11-20]设定在终端行驶到网络接入点边缘时触发切换，然后利用贪婪算法得到一组切换数量最小的选网序列。文献[Bin MA,Mengxue WANG,Xianzhong XIE.Handoff Algorithm Based on Location Prediction in Ultra-denseHeterogeneous Wireless Network[J].Journal of Electronics and InformationTechnology,2020,42(12):2899-2907]为缓解车辆行驶过程中的频繁切换问题，利用高斯马尔可夫移动模型，预测车辆下一时刻的位置，以筛选出满足终端服务质量的候选网络集，进而寻找最佳网络进行接入。文献[Arshad R,Elsawy H,Sorour S,et al.Handover Management in 5G and Beyond:A Topology Aware Skipping Approach[J].IEEE Access,2016,PP(99):1-1]提出了一种基于拓扑感知的选网跳跃算法。通过考虑网络的接收信号强度(Receive Signal Strength,RSS)、带宽等参数进行网络评分，在车辆行驶过程中将评分较低的网络跳过，以减少网络接入次数，并与传统的最佳连接方案进行了比较。
上述文献基于不同的网络选择算法降低不必要的切换，提升网络性能；但是，未考虑在引入休眠机制的超密集异构无线网络场景中进行仿真，在该网络场景中，由于引入休眠机制以节能，基站会因为突然休眠，导致其数量发生动态改变，继而导致网络动态性增强，网络拓扑结构时变性提高。同时，由于终端自身的高速移动特性，在移动过程中可能存在较长时间无法持续稳定的享受到某一网络服务的情况，导致网络动态性进一步加剧，此时选择合适的目标网络难度更大，切换更加频繁。因此，上述算法对于这一严峻问题，关注不足。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种超密集异构无线网络中基于神经网络的网络选择方法。本发明的技术方案如下：
一种超密集异构无线网络中基于神经网络的网络选择方法，其包括以下步骤：
101、通过预测终端在所连超密集异构无线网络的服务持续时间计算终端所获网络收益，根据网络收益是否小于阈值来判断是否触发网络判决；
102、根据步骤101得到的结果，当触发网络判决时，将接收信号强度与休眠概率输入到神经网络中，并通过鲸鱼优化算法加速其学习过程；最后，若终端进入到新的网络范围内，得到当前网络和目标网络的属性参数，根据神经网络输出值的大小，选择最佳网络。
进一步的，所述步骤101通过预测终端在所连超密集异构无线网络的服务持续时间计算终端所获网络收益，具体包括：通过预测终端未来从接入网络中所得到的累计传输速率，将累计传输速率定义为终端所获得的网络收益；在网络接入过程中，根据终端移动速度、终端所在位置以及采样时间在内的历史信息对网络提供的服务时间进行预测。
进一步的，所述根据终端移动速度、终端所在位置以及采样时间在内的历史信息对网络提供的服务时间进行预测，具体包括：根据终端与网络基站的距离预测终端在当前网络中的服务持续时间，计算如下：
Figure BDA0003126442770000031
其中，
Figure BDA0003126442770000032
r表示基站覆盖半径、lOM表示圆心O到点M的距离、Δl终端移动距离、lBM表示点B到点M的距离。通过检测B点的接收信号强度值，B点为经过距离Δl后当前终端所在的位置，可得到基站到B点的距离lOB，终端在基站覆盖范围内的平均移动速度为
Figure BDA0003126442770000033
表示为：
Figure BDA0003126442770000034
其中，N为终端从A点移动到B点的速度采样总个数，vm为移动终端的第m个速度采样值；
由式(5)可得预测的网络服务持续时间Tsum为：
Figure BDA0003126442770000035
假设单位时间终端从当前网络获得的网络带宽为wij，在得到预测的网络服务持续时间Tsum后，通过经典香农公式得到预测终端i从网络j可获得的累计传输速率Pij：
Figure BDA0003126442770000036
其中，wij(k)表示终端从当前网络获得的网络带宽，SNRij(k)表示第k个时刻的信噪比。
Figure BDA0003126442770000037
为终端从A点移动到B点所用时间，γk为第k个时刻的带宽折扣因子。
进一步的，根据终端i从网络j所获收益Eij是否低于设定阈值τ，该阈值为保证用户最低服务质量需求的收益值，然后将其作为是否触发选网判决的主要依据，通过定义触发因子来对是否触发选网进行判决：
Figure BDA0003126442770000041
其中，当Eij＜τ时，终端i从网络j所获收益Eij低于设定阈值τ，此时令l＝1，触发选网判决；否则，l＝0，不触发选网判决。
进一步的，所述步骤102中，若终端进入到新的网络范围内，根据步骤102得到当前网络和目标网络的属性参数，具体包括步骤：
移动终端i接收到基站j的RSS值可以表示为：
Figure BDA0003126442770000042
其中dij表示移动终端i与网络j之间的距离，ρ为信号发射功率，η为路径损耗因子，ξ满足均值为0，方差为σ1的随机高斯变量；
当移动终端数量在额定数量之下时，移动终端能够获得固定值带宽值，超过额定数量时各移动终端均分该网络的总带宽，则移动终端i能够从网络j获得的带宽表示如下：
Figure BDA0003126442770000043
其中，
Figure BDA0003126442770000044
表示已经连接到网络j中的移动终端数量，τ为该网络所能连接的最大终端数，wj表示网络j能够提供的总带宽；
根据泊松点过程模型的特征，则休眠概率计算公式如下：
Figure BDA0003126442770000045
其中，λnow为基站当前所接入的终端数，λmin为基站处于活跃状态的最低接入终端数，λmax为基站最大可容纳终端数，当λnow＜λmin时，基站进行休眠操作。
进一步的，所述步骤102采用反向传播的神经网络，该神经网络由3层构成，分别是输入层，隐藏层和输出层；隐藏层设为4个节点，接收信号强度和休眠概率作为神经网络的输入，在构建神经网络时，输入层的输入神经元由两个输出X和r构成；
Figure BDA0003126442770000051
其中，RSSj为第j个候选网络的接收信号强度，Pj为第j个候选网络产生的休眠概率；
隐藏层神经元输出为：
Br＝f(wXrX+wYrY) (7)
其中，wXr是神经元x与第r个隐藏层神经元连接权重，wYr是神经元Y与第r个隐藏层神经元连接权重，f(·)为隐藏层传递函数；
输出层神经元输出为：
Figure BDA0003126442770000052
其中，L为隐藏层神经元个数，wr是第r个隐藏层神经元与输出神经元连接权重，F(·)为线性传递函数。
进一步的，神经网络使用随机值作为初始权值，每一层的输出作为下一层的输入，将网络性能指标和网络收益值输入神经网络得到输出值，然后根据输出值与期望值计算误差，训练权值时，沿误差减小的方向，从输出层向前修正网络权值，随着不断学习，误差越来越小，误差计算方式如下：
en＝arg min||Hn-H* n|| (9)
其中，en是第n个输出与期望值的差值，Hn是第n个期望值，H* n是第n个实际输出值；
在进行权值修正时，引入一种鲸鱼优化算法WOA改进神经网络，该算法是一种模拟座头鲸狩猎行为的智能寻优算法，将一组随机候选解通过仿生的方式进行寻优，直至达到最优解。
进一步的，在WOA算法中，假设鲸鱼的位置为Wi(i＝1，2，...，x)，χ是鲸鱼的全部数量，将神经网络的实际输出值作为当前鲸鱼狩猎的初始位置，记为W(t)；神经网络的期望值作为当前猎物的位置，记为W*(t)，在神经网络训练迭代过程中，迭代t次鲸鱼的更新位置表示为：
Figure BDA0003126442770000061
其中，G和Q表示随机系数，ε表示取值在[0，1]的随机数，a表示从2线性减少到0的数；
在式(13)中，当|Q|≤1时，则通过创建一个螺旋方程来模拟座头鲸的螺旋运动，螺旋方程表示为：
Figure BDA0003126442770000062
其中，D表示鲸鱼与猎物之间的距离，b为定义螺旋形状的常数，l表示取值在[-1，1]的随机数；
否则，当|Q|>1时，则根据式(14)更新位置；
Figure BDA0003126442770000063
其中，Wrand(t)表示虎头鲸的随机位置；
鲸鱼以螺旋形捕获猎物的同时还要收缩包围圈，假设有Pi的概率选择收缩包围机制和1-Pi的概率选择螺旋模型来更新鲸鱼的位置，则可表示为：
Figure BDA0003126442770000064
其中，Pi表示选择收缩包围圈的概率；
当神经网络迭代收敛后，每个候选网络对应一个神经网络的输出值，该值决定最佳网络的选择，假设有M个候选网络，则候选网络集的输出值集合为H＝{H1，H2，...，HM}，选择输出值最大的候选网络作为目标网络Hmax进行切换，即
Hmax＝max{H1，H2，...，HM} (14)。
本发明的优点及有益效果如下：
1.本发明针对由无线局域网络和蜂窝网络异构而成的超密集异构无线网络环境，根据步骤101和102，通过预测终端在所连网络的服务持续时间计算终端所获网络收益，根据网络收益是否小于阈值来判断是否触发网络判决，以缓解因网络高动态性导致的终端频繁切换问题。
2.针对传统的神经网络在进行网络选择时，时间复杂度较高导致算法失效的情况，本文引入鲸鱼优化算法，相比于传统的生物启发式优化算法，该算法具有迭代速度快，易于收敛的特点，能够加速神经网络的学习过程，使得系统的时间复杂度大大下降。
附图说明
图1是本发明提供优选实施例超密集异构无线网络仿真场景图；
图2为方法流程图；
图3为不同方法的算法时间开销对比；
图4为不同方法的网络平均切换次数对比；
图5为不同方法的网络总吞吐量对比；
图6为不同方法的接入网络时延对比；
图7为不同方法的网络得分值对比；
图8为不同方法的接入失败率对比；
图9表示终端移动模型示意图；
图10表示神经网络结构示意图。
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、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：
该方法综合考虑了引入休眠机制的超密集异构无线网络中，针对该环境本身的高动态性，加之终端的移动性使得网络环境高动态性进一步加剧，引起的终端触发不必要切换和选网性能下降问题，提出基于神经网络的网络选择方法，自适应高动态性网络环境触发切换，在减少不必要切换的同时提升终端满意度，提升系统整体性能。
本发明提出的网络选择方法包括以下步骤：
步骤一、通过预测终端在所连网络的服务持续时间计算终端所获网络收益，根据网络收益是否小于阈值来判断是否触发网络判决。
步骤二、当触发网络判决时，将接收信号强度与休眠概率输入到神经网络中，并通过鲸鱼优化算法加速其学习过程。
步骤三、根据神经网络输出值的大小，选择最佳网络。
进一步的，若终端进入到新的网络范围内，根据步骤102得到当前网络和目标网络的属性参数，具体包括步骤：
移动终端i接收到基站j的RSS值可以表示为：
RSS(dij)＝ρ-ηlg(dij)+ξ (1)
其中dij表示移动终端i与网络j之间的距离，ρ为信号发射功率，η为路径损耗因子，ξ满足均值为0，方差为σ1的随机高斯变量；
当移动终端数量在额定数量之下时，移动终端能够获得固定值带宽值，超过额定数量时各移动终端均分该网络的总带宽，则移动终端i能够从网络j获得的带宽表示如下：
Figure BDA0003126442770000081
其中，
Figure BDA0003126442770000082
表示已经连接到网络j中的移动终端数量，τ为该网络所能连接的最大终端数。wj表示网络j能够提供的总带宽；
根据泊松点过程模型的特征，则休眠概率计算公式如下：
Figure BDA0003126442770000091
其中，λnow为基站当前所接入的终端数，λmin为基站处于活跃状态的最低接入终端数，λmax为基站最大可容纳终端数，当λnow＜λmin时，基站进行休眠操作。
进一步的，通过预测终端未来从接入网络中所得到的累计传输速率，将其定义为终端所获得的网络收益。在网络接入过程中，可以根据终端移动速度、终端所在位置以及采样时间等历史信息对网络提供的服务时间进行预测，如图为终端进入网络覆盖范围的预测图，图例可以代表任意的网络。
进一步的，如图9所示，设点A和点C为终端进入网络范围和离开网络范围的点，点M为A和C的中点，点O为网络基站的位置，点B为经过距离Δl后当前终端所在的位置。根据终端与网络基站的距离预测终端在当前网络中的服务持续时间，计算如下：
Figure BDA0003126442770000092
其中，
Figure BDA0003126442770000093
通过检测B点的接收信号强度值，可得到基站到B点的距离lOB，终端在基站覆盖范围内的平均移动速度为
Figure BDA0003126442770000096
表示为：
Figure BDA0003126442770000094
其中，N为终端从A点移动到B点的速度采样总个数，vm为移动终端的第m个速度采样值。
由式(5)可得预测的网络服务持续时间Tsum为：
Figure BDA0003126442770000095
假设单位时间终端从当前网络获得的网络带宽为wij，在得到预测的网络服务持续时间Tsum后，通过经典香农公式可以得到预测终端i从网络j可获得的累计传输速率Pij：
Figure BDA0003126442770000101
其中，
Figure BDA0003126442770000104
为终端从A点移动到B点所用时间，γk为第k个时刻的带宽折扣因子。
进一步的，根据终端i从网络j所获收益Eij是否低于设定阈值τ，该阈值为保证用户最低服务质量需求的收益值，然后将其作为是否触发选网判决的主要依据，能够缓解由于网络环境高动态性触发选网策略引起的不必要切换问题。通过定义触发因子来对是否触发选网进行判决：
Figure BDA0003126442770000102
其中，当Eij＜τ时，终端i从网络j所获收益Eij低于设定阈值τ，此时令l＝1，触发选网判决；否则，l＝0，不触发选网判决。
进一步的，采用反向传播的神经网络算法，该神经网络由3层构成，分别是输入层，隐藏层和输出层。为使达到目标误差的训练时间最短，隐藏层设为4个节点，其结构如图10所示。
接收信号强度和休眠概率作为神经网络的输入，因此在构建神经网络时，本文输入层的输入神经元由两个输出x和Y构成。
Figure BDA0003126442770000103
其中，RSSj为第j个候选网络的接收信号强度，Pj为第j个候选网络产生的休眠概率。
隐藏层神经元输出为：
Br＝f(wXrX+wYrY) (21)
其中，wXr是神经元X与第r个隐藏层神经元连接权重，wYr是神经元Y与第r个隐藏层神经元连接权重。f(·)为隐藏层传递函数。
输出层神经元输出为：
Figure BDA0003126442770000111
其中，L为隐藏层神经元个数，wr是第r个隐藏层神经元与输出神经元连接权重，F(·)为线性传递函数。
进一步的，神经网络使用随机值作为初始权值，每一层的输出作为下一层的输入。将网络性能指标和网络收益值输入神经网络得到输出值，然后根据输出值与期望值计算误差。训练权值时，沿误差减小的方向，从输出层向前修正网络权值，随着不断学习，误差越来越小，误差计算方式如下：
en＝arg min||Hn-H* n|| (23)
其中，en是第n个输出与期望值的差值，Hn是第n个期望值，H* n是第n个实际输出值。
在进行权值修正时，本文引入一种鲸鱼优化算法(Whale OptimizationAlgorithm，WOA)改进神经网络，该算法是一种模拟座头鲸狩猎行为的智能寻优算法，将一组随机候选解通过仿生的方式进行寻优，直至达到最优解。该算法具有全局寻优能力强，收敛速度快的特点。
在WOA算法中，假设鲸鱼的位置为Wi(i＝1，2，...，X)，χ是鲸鱼的全部数量。本文将神经网络的实际输出值作为当前鲸鱼狩猎的初始位置，记为W(t)；神经网络的期望值作为当前猎物的位置，记为W*(t)。在神经网络训练迭代过程中，迭代t次鲸鱼的更新位置表示为：
Figure BDA0003126442770000121
其中，G和Q表示随机系数，ε表示取值在[0，1]的随机数，a表示从2线性减少到0的数。
在式(13)中，当|Q|≤1时，则通过创建一个螺旋方程来模拟座头鲸的螺旋运动，螺旋方程表示为：
Figure BDA0003126442770000122
其中，D表示鲸鱼与猎物之间的距离，b为定义螺旋形状的常数，l表示取值在[-1，1]的随机数。
否则，当|Q|>1时，则根据式(14)更新位置。
Figure BDA0003126442770000123
其中，Wrand(t)表示虎头鲸的随机位置。
鲸鱼以螺旋形捕获猎物的同时还要收缩包围圈，假设有Pi的概率选择收缩包围机制和1-Pi的概率选择螺旋模型来更新鲸鱼的位置，则可表示为：
Figure BDA0003126442770000124
其中，Pi表示选择收缩包围圈的概率。
经过WOA算法对神经网络进行优化，神经网络输出值与期望值之间误差加速缩小，迭代训练时间进一步降低，与传统的神经网络相比，加快了整体的收敛速度。当神经网络迭代收敛后，每个候选网络对应一个神经网络的输出值，该值决定最佳网络的选择，假设有M个候选网络，则候选网络集的输出值集合为H＝{H1，H2，...，HM}，选择输出值最大的候选网络作为目标网络Hmax进行切换，即
Hmmax＝ax{H1，H2，...，HM} (28)
根据上述分析，本发明设计了图2所示的方法流程图。
为了对本发明进行验证，我们在MATLAB平台上进行仿真实验，并设置如下仿真场景：采用2个5G宏基站、3个5G微基站和3个WLAN接入点构建仿真环境。仿真场景如图1所示。
在仿真过程中，假设场景内用户随机分布在仿真区域内，每隔一段时间随机改变运动方向。为了进一步突出本发明的优越性，将本发明所提方法与文献基于粒子群优化神经网络的网络选择算法(Particle Swarm Optimization-Neuro-Fuzzy，PSO-NF)和基于模糊逻辑的网络选择算法(Fuzzy based Low Ping-Pong Effect Handover System，FPEHS)进行比较分析。
图3为本发明与另外两种算法的时间开销对比。图中三条曲线分别代表本发明、PSO-NF和FPEHS算法的时间消耗，随着迭代次数的增加，三种算法所消耗的时间都在增加；但是，本发明所采用的算法时间增加的幅度明显慢于PSO-NF算法，同时稍微高于FPEHS算法，随着迭代次数的增加，本发明与PSO-NF算法的差距愈来愈大，最后两条曲线呈现喇叭形，说明上述两种算法所消耗时间的差值随着迭代次数的增加而增大，证明了本发明算法的时间复杂度优势十分明显。这是因为本发明采用鲸鱼优化算法对神经网络进行改进，通过加快神经网络的学习过程，从而提升了迭代速度，减少了神经网络训练时间，从而使整个算法的时间消耗降低。对于FPEHS算法，本发明在进行优化过后与其差距并不显著，与FPEHS算法整体的时间消耗相比不相上下。
图4为用户采用三种算法后产生的平均切换次数。由图可以看出，在仿真次数为100的情况下，在PSO-NF算法下用户发生网络切换的平均次数为145次左右，在FPEHS算法下为105次左右；而采用本文所提出的算法，切换平均次数仅为60次左右。这一现象说明，本发明的平均切换次数远低于另外两种算法；同时，说明本发明能够大量降低不必要的切换，很好地缓解“乒乓效应”。这是因为本文考虑了因网络环境动态性增强，导致算法切换失效率增加，从而发生不必要切换的情况。通过将基站的休眠概率结合到本文的算法中，成功预测了用户在进行网络选择之后的网络状态变化情况，从而使发生切换的次数大大降低。而另外两种算法，由于均未妥善解决基站因休眠机制带来的网络高动态性影响，导致网络的切换频发，乒乓效应加剧；因此，相比较已有的算法，本发明能够有效地降低无谓的网络切换。
图5给出了随着仿真次数的增加，用户终端在三种算法下得到的网络总吞吐量变化情况。通过图中三条曲线的对比，可以清楚地看到，采用本发明所得到的网络总吞吐量，高于另外两种算法。这是因为本发明成功预测了基站未来因休眠机制所导致的状态变化情况，使得用户终端可以根据网络环境未来发生的动态性变化合理地选择网络，最大程度上降低了因基站未来发生休眠而造成的网络吞吐量损失；同时，本文根据候选网络的吞吐量来定义所获得的网络收益，更加符合用户的实际需求，从而能够在高动态性的网络环境下，为用户带来更多的吞吐量。对于PSO-NF和FPEHS算法，由于两者既没有充分考虑在未来网络环境下基站的状态，也没有专门为用户设计考量所获得的网络吞吐量，从而导致了吞吐量没有本发明高。
图6对比显示了在终端移动速度增加的趋势下，三种算法的接入网络时延性能。由图可以看到，随着终端移动速度的增加，三种算法的接入网络时延不断减少，最终趋于平缓。但是，本发明的接入网络时延，始终处于最低值。在终端移动速度为5m/s时，本发明的接入网络时延仅为80ms左右，而FPEHS算法的接入网络时延在100ms左右，PSO-NF算法的接入网络时延接近120ms。由此可见，本发明的接入网络时延性能，明显优于另外两种算法。这是因为本发明考虑了基站的休眠情况，利用休眠概率，进而判断基站在未来时刻的状态，避免了基站因突然休眠而造成的网络资源浪费，增加了各个网络的有效利用率，从而让用户更加合理的选择网络，减少了接入网络的时延。而PSO-NF算法，由于未能准确预测基站未来的动态变化，加之算法本身所带来的时延较高，导致在接入网络时延处于最高值。FPEHS算法虽然本身时间复杂度不高；但是，在未考虑基站休眠的情况下，不能够及时地就基站发生的动态变化做出相应改变，从而导致了接入网络时延也处于较高的数值。
图7为在三种算法下，终端所接入网络的得分值。由图可以看出，本发明的网络得分值总体上高于另外两种算法。这是因为在进行网络选择时，本发明同时从网络和用户的角度出发，根据网络的性能指标和用户终端所获得的吞吐量，作为神经网络的输入参数；同时，考虑并成功预测了因基站休眠而导致的网络动态性，从而能够为用户选择合适的网络，降低了数据在传输过程中的丢失，使数据可以持续传输，从而使得网络的得分值提升。对于PSO-NF和FPEHS算法而言，由于它们仅仅根据用户终端或者网络侧来选择进行网络选择，考虑方面较为单一；同时，未能准确预测网络未来的动态性变化。导致当网络的动态性持续增加的时候，无法及时地为用户选择最佳网络，使得网络的得分值无法充分提高，始终低于本发明。
图8为在三种算法下，终端所接入网络的失败率与终端数量之间的关系。由图可以看出，本发明的接入失败率总体上高低于另外两种算法。当用户数达到100时，FPEHS算法的接入失败率约为4.1％，PSO-NF算法的接入失败率约为2.8％，而本发明的接入失败率约为0.9％。这是因为在进行网络选择时，本发明考虑并成功预测了因基站休眠而导致的网络动态性，以及终端移动性导致网络环境动态性加剧所产生的影响，从而能够为用户选择合适的网络，降低了终端接入到休眠基站的可能性，有效避免了终端接入到休眠基站而导致的接入失败。对于PSO-NF和FPEHS算法而言，由于它们在进行网络选择的过程中未能充分考虑到网络环境的高动态性，也未能准确预测网络未来的动态性变化与终端移动性变化。导致当网络的动态性与终端移动性持续增加的时候，无法选择到最佳网络，随着用户数不断增加，上述两个算法产生的接入失败率持续增加，与本文所提算法之间的差距越来越大。
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 (8)

1.一种超密集异构无线网络中基于神经网络的网络选择方法，其特征在于，包括以下步骤：
101、通过预测终端在所连超密集异构无线网络的服务持续时间计算终端所获网络收益，根据网络收益是否小于阈值来判断是否触发网络判决；
102、根据步骤101得到的结果，当触发网络判决时，将接收信号强度与休眠概率输入到神经网络中，并通过鲸鱼优化算法加速其学习过程；最后，若终端进入到新的网络范围内，得到当前网络和目标网络的属性参数，根据神经网络输出值的大小，选择最佳网络。
2.根据权利要求1所述的超密集异构无线网络中基于神经网络的网络选择方法，其特征在于，所述步骤101通过预测终端在所连超密集异构无线网络的服务持续时间计算终端所获网络收益，具体包括：通过预测终端未来从接入网络中所得到的累计传输速率，将累计传输速率定义为终端所获得的网络收益；在网络接入过程中，根据终端移动速度、终端所在位置以及采样时间在内的历史信息对网络提供的服务时间进行预测。
3.根据权利要求2所述的超密集异构无线网络中基于神经网络的网络选择方法，其特征在于，所述根据终端移动速度、终端所在位置以及采样时间在内的历史信息对网络提供的服务时间进行预测，具体包括：根据终端与网络基站的距离预测终端在当前网络中的服务持续时间，计算如下：
Figure FDA0003126442760000011
其中，
Figure FDA0003126442760000012
r表示基站覆盖半径、lOM表示圆心O到点M的距离、Δl终端移动距离、lBM表示点B到点M的距离。通过检测B点的接收信号强度值，B点为经过距离Δl后当前终端所在的位置，可得到基站到B点的距离lOB，终端在基站覆盖范围内的平均移动速度为
Figure FDA0003126442760000013
表示为：
Figure FDA0003126442760000021
其中，N为终端从A点移动到B点的速度采样总个数，vm为移动终端的第m个速度采样值；
由式(5)可得预测的网络服务持续时间Tsum为：
Figure FDA0003126442760000022
假设单位时间终端从当前网络获得的网络带宽为wij，在得到预测的网络服务持续时间Tsum后，通过经典香农公式得到预测终端i从网络j可获得的累计传输速率Pij：
Figure FDA0003126442760000023
其中，wij(k)表示终端从当前网络获得的网络带宽，SNRij(k)表示第k个时刻的信噪比。
Figure FDA0003126442760000025
为终端从A点移动到B点所用时间，Υk为第k个时刻的带宽折扣因子。
4.根据权利要求3所述的超密集异构无线网络中基于神经网络的网络选择方法，其特征在于，根据终端i从网络j所获收益Eij是否低于设定阈值τ，该阈值为保证用户最低服务质量需求的收益值，然后将其作为是否触发选网判决的主要依据，通过定义触发因子来对是否触发选网进行判决：
Figure FDA0003126442760000024
其中，当Eij＜τ时，终端i从网络j所获收益Eij低于设定阈值τ，此时令l＝1，触发选网判决；否则，l＝0，不触发选网判决。
5.根据权利要求4所述的超密集异构无线网络中基于神经网络的网络选择方法，其特征在于，所述步骤102中，若终端进入到新的网络范围内，根据步骤102得到当前网络和目标网络的属性参数，具体包括步骤：
移动终端i接收到基站j的RSS值可以表示为：
Figure FDA0003126442760000031
其中dij表示移动终端i与网络j之间的距离，ρ为信号发射功率，η为路径损耗因子，ξ满足均值为0，方差为σ1的随机高斯变量；
当移动终端数量在额定数量之下时，移动终端能够获得固定值带宽值，超过额定数量时各移动终端均分该网络的总带宽，则移动终端i能够从网络j获得的带宽表示如下：
Figure FDA0003126442760000032
其中，
Figure FDA0003126442760000033
表示已经连接到网络j中的移动终端数量，τ为该网络所能连接的最大终端数，wj表示网络j能够提供的总带宽；
根据泊松点过程模型的特征，则休眠概率计算公式如下：
Figure FDA0003126442760000034
其中，λnow为基站当前所接入的终端数，λmin为基站处于活跃状态的最低接入终端数，λmax为基站最大可容纳终端数，当λnow＜λmin时，基站进行休眠操作。
6.根据权利要求5所述的超密集异构无线网络中基于神经网络的网络选择方法，其特征在于，所述步骤102采用反向传播的神经网络，该神经网络由3层构成，分别是输入层，隐藏层和输出层；隐藏层设为4个节点，接收信号强度和休眠概率作为神经网络的输入，在构建神经网络时，输入层的输入神经元由两个输出X和Y构成；
Figure FDA0003126442760000035
其中，RSSj为第j个候选网络的接收信号强度，Pj为第j个候选网络产生的休眠概率；
隐藏层神经元输出为：
Br＝f(wXrX+wYrY) (7)
其中，wXr是神经元X与第r个隐藏层神经元连接权重，wYr是神经元Y与第r个隐藏层神经元连接权重，f(·)为隐藏层传递函数；
输出层神经元输出为：
Figure FDA0003126442760000041
其中，L为隐藏层神经元个数，wr是第r个隐藏层神经元与输出神经元连接权重，F(·)为线性传递函数。
7.根据权利要求6所述的超密集异构无线网络中基于神经网络的网络选择方法，其特征在于，神经网络使用随机值作为初始权值，每一层的输出作为下一层的输入，将网络性能指标和网络收益值输入神经网络得到输出值，然后根据输出值与期望值计算误差，训练权值时，沿误差减小的方向，从输出层向前修正网络权值，随着不断学习，误差越来越小，误差计算方式如下：
en＝arg min||Hn-H* n|| (9)
其中，en是第n个输出与期望值的差值，Hn是第n个期望值，H* n是第n个实际输出值；
在进行权值修正时，引入一种鲸鱼优化算法WOA改进神经网络，该算法是一种模拟座头鲸狩猎行为的智能寻优算法，将一组随机候选解通过仿生的方式进行寻优，直至达到最优解。
8.根据权利要求7所述的超密集异构无线网络中基于神经网络的网络选择方法，其特征在于，在WOA算法中，假设鲸鱼的位置为Wi(i＝1,2,...,χ)，χ是鲸鱼的全部数量，将神经网络的实际输出值作为当前鲸鱼狩猎的初始位置，记为W(t)；神经网络的期望值作为当前猎物的位置，记为W*(t)，在神经网络训练迭代过程中，迭代t次鲸鱼的更新位置表示为：
Figure FDA0003126442760000051
其中，G和Q表示随机系数，ε表示取值在[0,1]的随机数，a表示从2线性减少到0的数；
在式(13)中，当|Q|≤1时，则通过创建一个螺旋方程来模拟座头鲸的螺旋运动，螺旋方程表示为：
Figure FDA0003126442760000052
其中，D表示鲸鱼与猎物之间的距离，b为定义螺旋形状的常数，l表示取值在[-1,1]的随机数；
否则，当|Q|＞1时，则根据式(14)更新位置；
Figure FDA0003126442760000053
其中，Wrand(t)表示虎头鲸的随机位置；
鲸鱼以螺旋形捕获猎物的同时还要收缩包围圈，假设有Pi的概率选择收缩包围机制和1-Pi的概率选择螺旋模型来更新鲸鱼的位置，则可表示为：
Figure FDA0003126442760000054
其中，Pi表示选择收缩包围圈的概率；
当神经网络迭代收敛后，每个候选网络对应一个神经网络的输出值，该值决定最佳网络的选择，假设有M个候选网络，则候选网络集的输出值集合为H＝{H1,H2,...,HM}，选择输出值最大的候选网络作为目标网络Hmax进行切换，即
Hmax＝max{H1,H2,...,HM} (14)。
CN202110690355.8A 2021-06-22 2021-06-22 超密集异构无线网络中基于神经网络的网络选择方法 Active CN113242584B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110690355.8A CN113242584B (zh) 2021-06-22 2021-06-22 超密集异构无线网络中基于神经网络的网络选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110690355.8A CN113242584B (zh) 2021-06-22 2021-06-22 超密集异构无线网络中基于神经网络的网络选择方法

Publications (2)

Publication Number Publication Date
CN113242584A true CN113242584A (zh) 2021-08-10
CN113242584B CN113242584B (zh) 2022-03-22

Family

ID=77140517

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110690355.8A Active CN113242584B (zh) 2021-06-22 2021-06-22 超密集异构无线网络中基于神经网络的网络选择方法

Country Status (1)

Country Link
CN (1) CN113242584B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113923737A (zh) * 2021-10-11 2022-01-11 中铁二院工程集团有限责任公司 一种lte-m系统智能越区切换方法
CN115604798A (zh) * 2022-10-20 2023-01-13 宁波薪远电子科技有限公司（Cn） 一种通信模组的休眠方法和系统
CN115913703A (zh) * 2022-11-14 2023-04-04 中国电子科技网络信息安全有限公司 一种通用工业协议异常报文检测方法、系统、设备及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2387265A1 (en) * 2010-05-10 2011-11-16 Alcatel Lucent Small cell base station operating state control
CN105814950A (zh) * 2013-12-05 2016-07-27 华为技术有限公司 异构网络节能方法及设备
US20160242117A1 (en) * 2013-10-31 2016-08-18 Alcatel Lucent A communications system, an access network node and a method of optimising energy consumed in a communication network
CN112367683A (zh) * 2020-11-17 2021-02-12 重庆邮电大学 基于改进深度q学习的网络选择方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2387265A1 (en) * 2010-05-10 2011-11-16 Alcatel Lucent Small cell base station operating state control
US20160242117A1 (en) * 2013-10-31 2016-08-18 Alcatel Lucent A communications system, an access network node and a method of optimising energy consumed in a communication network
CN105814950A (zh) * 2013-12-05 2016-07-27 华为技术有限公司 异构网络节能方法及设备
CN112367683A (zh) * 2020-11-17 2021-02-12 重庆邮电大学 基于改进深度q学习的网络选择方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
夏军: "一种Femtocell网络中的负载预测方法", 《重庆邮电大学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113923737A (zh) * 2021-10-11 2022-01-11 中铁二院工程集团有限责任公司 一种lte-m系统智能越区切换方法
CN115604798A (zh) * 2022-10-20 2023-01-13 宁波薪远电子科技有限公司（Cn） 一种通信模组的休眠方法和系统
CN115604798B (zh) * 2022-10-20 2023-09-22 宁波薪远电子科技有限公司 一种通信模组的休眠方法和系统
CN115913703A (zh) * 2022-11-14 2023-04-04 中国电子科技网络信息安全有限公司 一种通用工业协议异常报文检测方法、系统、设备及介质

Also Published As

Publication number Publication date
CN113242584B (zh) 2022-03-22

Similar Documents

Publication Publication Date Title
CN113242584B (zh) 超密集异构无线网络中基于神经网络的网络选择方法
CN112367683B (zh) 基于改进深度q学习的网络选择方法
Ahad et al. Neural networks in wireless networks: Techniques, applications and guidelines
Çalhan et al. Artificial neural network based vertical handoff algorithm for reducing handoff latency
Torkestani Mobility prediction in mobile wireless networks
CN109495906B (zh) 基于无人机-地面站链路预测的无人机网关选择方法
CN109831819B (zh) 一种基于异构蜂窝网络分簇smdp基站休眠方法
Lin et al. Heterogeneous user-centric cluster migration improves the connectivity-handover trade-off in vehicular networks
Sharma et al. Fuzzy logic based handover decision system
CN112118602A (zh) 基于区间二型模糊神经网络的垂直切换算法
Kaleem VHITS: vertical handoff initiation and target selection in a heterogeneous wireless network
US11721334B2 (en) Method and apparatus for controlling device located a distance away from a user
CN114885388B (zh) 联合rss预测的多业务类型自适应切换判决方法
CN112770256A (zh) 一种无人机自组织网络中的节点轨迹预测方法
CN112672402A (zh) 超密集异构无线网络中基于网络推荐的接入选择方法
Patil et al. A network controlled vertical handoff mechanism for heterogeneous wireless network using optimized support vector neural network
Mehbodniya et al. Wireless network access selection scheme for heterogeneous multimedia traffic
CN114615730A (zh) 回程受限密集无线网络面向内容覆盖的功率分配方法
Liang et al. A User‐Oriented Intelligent Access Selection Algorithm in Heterogeneous Wireless Networks
Goudarzi et al. A novel model on curve fitting and particle swarm optimization for vertical handover in heterogeneous wireless networks
Fan et al. Service migration in mobile edge computing based on reinforcement learning
Li et al. Motion adaptive vertical handoff in cellular/WLAN heterogeneous wireless network
Ren et al. Feat: Towards fast environment-adaptive task offloading and power allocation in mec
Zhou et al. User‐centric data communication service strategy for 5G vehicular networks
CN112492645B (zh) UHWNs中基于异构边缘云的协作垂直切换方法

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