CN113543220A - 一种基于5g异构网络融合的智能平台接入方法 - Google Patents

Abstract

本发明涉及一种基于5G异构网络融合的智能平台接入方法，属于计算机技术领域。该方法包括：S1：将MEC系统与5G网络相结合；S2：当边缘设备发送连接请求到基站时，采用网络筛选算法剔除不合格网络；S3：采用层次分析法对网络服务质量、成本和网络负载进行权重分配，得到决策效用、带宽效用和延迟效用的最优解；S4：在运行过程中，通过模糊逻辑将边缘用户的偏好转化为决策属性的权重再进行并行模糊处理，模糊化数据利用步骤S3的效用函数得到各个网络服务质量矩阵，用户进而自适应地选择最优网络。本发明有助于在动态环境中有效降低乒乓效应，能够高效地接入网络，降低接入时间，提高用户满意度和减少接入失败。

Description

一种基于5G异构网络融合的智能平台接入方法

技术领域

本发明属于计算机领域，涉及一种基于5G异构网络融合的智能平台接入方法。

背景技术

自第一代(1G)蜂窝网络商业化以来，各代网络在网络架构、关键技术、覆盖范围、移动性、安全性和隐私、数据、频谱效率、成本优化等方面都有巨大差异。5G通信可分为三类：增强型移动宽带(eMBB)、超可靠低延迟通信(URLLC)和大规模机器类型通信(mMTC)。与前几代相比，5G不仅支持通信，还支持计算、控制和内容交付功能。此外，随着5G的出现，预计会有许多新的应用和用例，例如虚拟/增强现实(VR/AR)、自主车辆、触觉互联网和物联网(IOT)场景。这些应用不仅会导致对通信资源的需求激增，还会导致对计算资源的需求激增。思科白皮书显示，移动和无线网络以约三倍增长的速度增长；此外，新应用和服务产生的流量将在CAGR以更高的速度增长，例如，增强现实和虚拟现实的流量将增长12倍，互联网游戏的流量将增长9倍，互联网视频监控的流量将增长7倍。然而，大多数连接设备的通信和存储资源有限，处理能力有限，这表明新兴应用的严格要求与实际设备能力不匹配。尽管硬件能力最近有所提高，但移动计算仍然无法满足许多需要生成、处理和存储大量数据并需要大量计算资源的应用的需求。

为了提高效率，异构网络将自组织，通过将计算和存储从中心云推送到边缘云，它为边缘实体提供了更强大的信息处理能力和内容交付能力，它还为服务实施提供了一个高效、低延迟的支持平台。移动边缘计算得到了越来越广泛的应用。随着5G的到来，网络异构性的加深和边缘用户服务的多样化正成为未来通信的趋势。在MEC实现用户服务多样化的关键是在多个异构无线网络中进行适当的网络选择。网络选择的目的是保证边缘用户的连接始终是最佳的，即保证边缘终端/用户接入最合适的网络，以便根据他们的个人需求在边缘用户和边缘云之间建立可靠的连接。因此，为了提升用户的满意度和体验质量，边缘用户接入5G异构网络的成功率至关重要。

目前现有异构网络接入方法主要包括：基于博弈论的网络选择方法、基于机器学习的网络选择方法、基于参数不确定的模糊逻辑网络选择方法等，现有的网络选择方法只关注静态或者动态用户的选择，忽略了用户运动状态对网络选择的影响。因此，亟需一种能解决不同运动状态下的多服务用户的异构网络选择问题的智能平台接入方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于5G异构网络融合的智能平台接入方法，解决不同运动状态下多业务用户的5G异构网络选择问题，使动态用户和静态用户能够相互转换，从而保证动态适应性和多属性决策最优性，提升用户接入的稳定性，降低接入时间，提高用户满意度。

为达到上述目的，本发明提供如下技术方案：

一种基于5G异构网络融合的智能平台接入方法，包括以下步骤：

S1：将MEC系统与5G网络相结合，MEC提供本地处理，以确保高吞吐量和低延迟的要求；

S2：当边缘设备发送连接请求到基站时，采用网络筛选算法，提前剔除不合格网络，缩短筛选时间，排除网络密集区域中无法保证服务正常执行和卸载的网络；

S3：采用层次分析法对网络服务质量、成本和网络负载进行权重分配，得到决策效用、带宽效用和延迟效用的最优解；

S4：在运行过程中，通过模糊逻辑将边缘用户的偏好转化为决策属性的权重再进行并行模糊处理，模糊化数据利用步骤S3的效用函数得到各个网络服务质量矩阵，用户进而自适应地选择最优网络。

进一步，步骤S2中，采用网络筛选算法剔除不合格网络，具体包括以下步骤：

S21：边缘设备扫描其通信范围内能访问的基站，得到RSS(received signalstrength，接收信号强度)和用户移动性两个参数作为评估5G异构网络可达接入的参数；

S22：间隔两秒后再次获取上述参数的值；

S23：当被扫描网络的RSS高于固定阈值时，将保证正常执行访问操作，否则无法呼叫。

进一步，步骤S2中，剔除不合格网络，还包括：高速的边缘设备会自动地忽略低覆盖的无线网络，避免不同网络之间来回切换，避免乒乓效应的发生，进而降低服务中断的风险。

进一步，步骤S2中，剔除的不合格网络是指网络密集区域中无法保证服务正常执行和卸载的网络。

进一步，步骤S3中，采用层次分析法对网络服务质量、成本和网络负载进行权重分配，具体包括以下步骤：

S31：设置服务质量、网络成本和网络负载为决策属性，将其视为第一层指标；

S32：设置决策效用函数、带宽效用函数和延迟效用函数的值为第二层指标，服务于不精确的服务质量这一决策属性，并建立层次结构模型；

S33：通过成对比较确定层次结构中每个参数的相对重要性并获得权重矩阵；

S34：层次排序和一致性检查以及分层综合排名和一致性检查。

进一步，步骤S32中，所述决策效用函数包括：

(1)RSS效用函数：

其中P_L、G_t、G_r、P_t分别表示路径损耗、发射天线增益、接收天线增益、发射功率；当RSS的值低于设定阈值时，判定当前网络效用为零，大于时则判定用户需求能够满足；

(2)移动性效用函数：

当用户速度R大于固定阈值Rt时，WLAN的效用值为0。

进一步，步骤S32中，所述带宽效用函数为：

其中b是客户对网络满意程度，b_mmin、b_max分别表示用户服务带宽需求的下限和上限，b_mmid为用户服务带宽需求的中位数，ξ是函数的调谐陡度参数，它应满足ξb≥2的条件。而且ξb值越大，函数越陡峭；。

进一步，步骤S32中，所述延迟调用函数为：

其中d表示接入网络的延迟，dm表示最大网络延迟，dt＝＝dm/2，表示网络延迟的中值，，ξ是函数的调谐陡度参数，它应满足条件ξd≥2。

进一步，步骤S3中，当多种服务的需求存在矛盾时，通过权重向量W重新分配权重，W＝[w₁，w₂，...，w_k，...，w_M]，其中0≤w_k≤1，

M是候选网络的决策属性个数。

进一步，步骤S4中，所述模糊处理具体包括以下步骤：

S41：对步骤S3中的决策属性参数进行采样，得到模糊处理网络选择矩阵；

S42：根据间距原则确定步骤S41中的最大值和最小值，通过服务需求获得模糊规则，将语言术语转换成模糊数，其中性能分数和隶属函数模糊数范围在0到1内；

S43：模糊模块存在大量的计算而边缘设备计算能力有限，现引入并行模糊推理系统来降低模糊规则的复杂性，进行去模糊化；

S44：去模糊化后，系统根据属性权重和属性效用函数计算网络服务质量，并输出每个网络的服务质量数值矩阵，用户进而自适应地选择最优网络。

本发明的有益效果在于：本发明方法在5G异构网络环境中，通过网络筛选算法和模糊处理决策，设计并实现了用户能够自适应地实现网络接入，满足不同运动状态下的用户服务需求，与现有的网络接入方法相比，用户能够根据网络所提供的特点自适应地调整网络选择，扩展性高，降低服务中断风险，提升用户满意度。

本发明方法有助于在动态环境中有效降低乒乓效应，能够高效地接入网络，降低接入时间，提高用户满意度和减少接入失败。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明基于5G异构网络融合的智能平台接入方法的流程图；

图2为属性层次分析结构图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图2，图1所示为本发明基于5G异构网络融合的智能平台接入方法的整体流程图，该方法具体包括以下步骤：

步骤1：搭建MEC系统与5G网络相结合，MEC提供本地处理，确保高吞吐量和低延迟的要求，将通信和数据处理推送到MEC系统中，确保5G通信；

步骤2：当边缘设备发送连接请求到基站时，通过网络筛选算法，提前剔除不合格网络，缩短筛选时间，排除网络密集区域中无法保证服务正常执行和卸载的网络；

步骤3：通过层次分析法对网络服务质量、成本和网络负载进行权重分配，得到决策效用函数、带宽效用函数、延迟效用函数的最优解；

如图2所示，层次分析法具体包括：

1)设置服务质量、网络成本和网络负载为决策属性，将其视为第一层指标；

2)设置决策效用函数、带宽效用函数、延迟效用函数的值为第二层指标服务于不精确的服务质量这一决策属性，并建立层次结构模型；

决策效用函数包含：(1)RSS效用函数为：

P_L，G_t，G_r，P_t分别表示路径损耗，发射天线增益，接收天线增益，发射功率，当RSS的值低于设定阈值时，判定当前网络效用为零，大于时则判定用户需求能够满足；(2)移动性效用函数为：

当用户速度大于R_t时，WLAN的效用值为0。

网络带宽效用函数为：

其中b是客户对网络满意程度，ξ是函数的调谐陡度参数，它应满足ξb≥2的条件。而且ξb值越大，函数越陡峭。

延迟调用函数为：

d表示接入网络的延迟，dm表示最大网络延迟，其中ξ是函数的调谐陡度参数，它应满足条件ξd≥2。

3)当多种服务的需求存在矛盾时，通过权重向量W重新分配权重，W＝[w₁，w₂，...，w_k，...，w_M]，其中0≤w_k≤1，

M是候选网络的决策属性个数；

4)通过成对比较确定层次结构中每个参数的相对重要性并获得权重矩阵；

5)层次排序和一致性检查以及分层综合排名和一致性检查。

步骤4：在运行过程中，通过模糊逻辑将边缘用户的偏好转化为决策属性的权重再进行并行模糊处理，模糊化数据利用步骤S3的效用函数得到各个网络服务质量矩阵，用户进而自适应地选择最优网络。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于5G异构网络融合的智能平台接入方法，其特征在于，该方法包括以下步骤：

S1：将MEC系统与5G网络相结合；

S2：当边缘设备发送连接请求到基站时，采用网络筛选算法剔除不合格网络；

S3：采用层次分析法对网络服务质量、成本和网络负载进行权重分配，得到决策效用、带宽效用和延迟效用的最优解；

S4：在运行过程中，通过模糊逻辑将边缘用户的偏好转化为决策属性的权重再进行并行模糊处理，模糊化数据利用步骤S3的效用函数得到各个网络服务质量矩阵，用户进而自适应地选择最优网络。

2.根据权利要求1所述的智能平台接入方法，其特征在于，步骤S2中，采用网络筛选算法剔除不合格网络，具体包括以下步骤：

S21：边缘设备扫描其通信范围内能访问的基站，得到RSS和用户移动性两个参数作为评估5G异构网络可达接入的参数；

S22：间隔两秒后再次获取上述参数的值；

S23：当被扫描网络的RSS高于固定阈值时，将保证正常执行访问操作，否则无法呼叫。

3.根据权利要求1所述的智能平台接入方法，其特征在于，步骤S2中，剔除不合格网络，还包括：高速的边缘设备会自动地忽略低覆盖的无线网络。

4.根据权利要求1所述的智能平台接入方法，其特征在于，步骤S2中，剔除的不合格网络是指网络密集区域中无法保证服务正常执行和卸载的网络。

5.根据权利要求1所述的智能平台接入方法，其特征在于，步骤S3中，采用层次分析法对网络服务质量、成本和网络负载进行权重分配，具体包括以下步骤：

S31：设置服务质量、网络成本和网络负载为决策属性，将其视为第一层指标；

S32：设置决策效用函数、带宽效用函数和延迟效用函数的值为第二层指标，服务于不精确的服务质量这一决策属性，并建立层次结构模型；

S33：通过成对比较确定层次结构中每个参数的相对重要性并获得权重矩阵；

S34：层次排序和一致性检查以及分层综合排名和一致性检查。

6.根据权利要求5所述的智能平台接入方法，其特征在于，步骤S32中，所述决策效用函数包括：

(1)RSS效用函数：

其中P_L、G_t、G_r、P_t分别表示路径损耗、发射天线增益、接收天线增益、发射功率；当RSS的值低于设定阈值时，判定当前网络效用为零，大于时则判定用户需求能够满足；

(2)移动性效用函数：

当用户速度R大于固定阈值R_t时，WLAN的效用值为0。

7.根据权利要求5所述的智能平台接入方法，其特征在于，步骤S32中，所述带宽效用函数为：

其中b是客户对网络满意程度，b_min、b_max分别表示用户服务带宽需求的下限和上限，b_mid为用户服务带宽需求的中位数，ξ是函数的调谐陡度参数。

8.根据权利要求5所述的智能平台接入方法，其特征在于，步骤S32中，所述延迟调用函数为：

其中d表示接入网络的延迟，dm表示最大网络延迟，dt＝dm/2，表示网络延迟的中值，ξ是函数的调谐陡度参数。

9.根据权利要求5所述的智能平台接入方法，其特征在于，步骤S3中，当多种服务的需求存在矛盾时，通过权重向量W重新分配权重，W＝[w₁，w₂，...，w_k，...，w_M]，其中0≤w_k≤1，

M是候选网络的决策属性个数。

10.根据权利要求1所述的智能平台接入方法，其特征在于，步骤S4中，所述模糊处理具体包括以下步骤：

S41：对步骤S3中的决策属性参数进行采样，得到模糊处理网络选择矩阵；

S42：根据间距原则确定步骤S41中的最大值和最小值，通过服务需求获得模糊规则，将语言术语转换成模糊数，其中性能分数和隶属函数模糊数范围在0到1内；

S43：引入并行模糊推理系统来降低模糊规则的复杂性，进行去模糊化；

S44：去模糊化后，系统根据属性权重和属性效用函数计算网络服务质量，并输出每个网络的服务质量数值矩阵，用户进而自适应地选择最优网络。

Images