CN114339857B - 超密集异构无线网络中基于网络相似性的垂直切换方法 - Google Patents
超密集异构无线网络中基于网络相似性的垂直切换方法 Download PDFInfo
- Publication number
- CN114339857B CN114339857B CN202111484989.4A CN202111484989A CN114339857B CN 114339857 B CN114339857 B CN 114339857B CN 202111484989 A CN202111484989 A CN 202111484989A CN 114339857 B CN114339857 B CN 114339857B
- Authority
- CN
- China
- Prior art keywords
- network
- terminal
- value
- similarity
- selecting
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 238000004880 explosion Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 2
- 230000000903 blocking effect Effects 0.000 abstract description 11
- 238000004088 simulation Methods 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010295 mobile communication Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 19
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- 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
- 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网络相似性的垂直切换方法，属于移动通信领域。具体包括以下步骤：首先，将采集和初始化后的网络参数输入至网络分组模型，利用网络性能的相似性得到网络组；其次，根据终端的偏好类型，基于烟花算法选择目标网络组；最后，求解终端的可接入网络集和目标网络组的网络集合的交集，得到其候选网络集，从中选择性能因子最大的网络作为目标网络执行切换，并动态更新网络组。仿真结果分析表明，该算法能够在均衡网络负载的前提下，降低切换阻塞率，提高系统吞吐量，提升终端的服务质量。
Description
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垂直切换方法。特别是涉及一种利用网络相似性对网络进行分组而进行网络选择的方法。
背景技术
近年来，5G无线网络技术逐步趋于成熟，在城市商业区域内为提升终端的体验质量，采用多种无线网络技术和更高密度的网络覆盖，形成超密集异构无线网络。该区域内存在大量终端，其群体性和移动性较强，会出现大量终端并发切换的现象。由于同种偏好类型的终端对网络同一属性的需求程度相似，会使大量终端聚集于评分值较高的网络，造成网络负载不均，严重时会发生网络阻塞，影响终端的体验质量。因此，当大量终端并发切换时，如何保证网络负载均衡的前提下，提高终端的服务质量，成为当前研究的重要问题。
文献[Tang C,Chen X,Chen Y,et al.A MDP-Based Network Selection Schemein 5G Ultra-Dense Network[C]//2018IEEE 24th International Conference onParallel and Distributed Systems(ICPADS).IEEE,2018.]通过考虑会话类、交互类、流类和后台类四种业务类型对网络参数有不同的偏好程度，从而将不同业务类型的终端接入不同的网络，达到负载均衡的目的。文献[Li D,Zhang Z,Gao Y.Modular handoveralgorithm for 5G HetNets with comprehensive load index[J].The Journal ofChina Universities of Posts and Telecommunications,2017,24(002):57-65]采用负载因子和可用负载两个参数，经过三角模融合算子计算得到网络综合负载指标，并结合考虑终端偏好和网络性能生成的候选网络集，为终端选择目标网络，有效地减少切换次数，均衡网络负载。文献[潘甦,张磊,刘胜美.基于未来负载预测的无线异构网络自适应负载均衡算法[J].系统工程与电子技术,2015(06):162-168.]通过预测下一时刻网络负载处于某种状态的概率，计算得到网络负载趋势值，并将该值作为均衡指标进行网络选择，有效的缓解了负载不均。
上述文献通过考虑终端的不同偏好类型和网络负载状况，将其接入到不同的网络中，从而达到负载均衡。但当大量终端并发切换时，由于切换的并发性和终端的独立性，终端会使用相同的网络参数判决得到相同的目标网络，上述做法仍可能出现负载不均。
发明内容
本发明考虑超密集网络环境下存在大量相似网络的特点，提出一种基于网络分组的切换判决算法。该算法通过网络参数将性能特征相似的网络划分至同一个网络组，为终端选择目标网络组，并在目标网络组中选择目标网络供终端切换，避免并发切换时大量终端选择同一网络，从而达到负载均衡，提高终端的体验质量。
本发明采用的技术方案是：一种超密集异构无线网络中基于网络相似性的垂直切换方法，其包括以下步骤：
101、将具有相似性的网络性能参数输入至BP网络，训练生成网络分组模型；采集所有网络的属性参数，并进行初始化处理，得到三个反映网络性能相似性的参数，即网络服务质量q、成本p和负载率l；将所有网络的q,p,l参数输入至该分组模型得到网络分组。
102、根据步骤101得到的多个网络分组，每个终端对网络分组建立适应度函数，以反映终端所选网络组满足其偏好需求的程度，结合终端的偏好类型执行烟花算法，最大化适应度函数值，为并发切换的终端选择能够最大化满足其偏好需求的目标网络组。
103、通过求解终端的可接入网络集和目标网络组的网络集合的交集，得到其候选网络集CNS，从中选择目标网络。同时，网络端定义性能因子η反映网络的综合性能，选择CNS中η最大的网络作为目标网络，以保证负载均衡的前提下，进一步提升终端的服务质量。
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中利用网络性能的相似性训练生成网络分组模型，采集和初始化该场景中所有网络的参数，输入至该模型得到网络组，网络组中的网络为终端提供接入，可避免因终端聚集于评分值较高的网络而出现负载不均。
2.通过步骤102使用烟花算法为并发切换终端选择目标网络组。由于烟花算法具有快速且准确找到最优解的特性，因此，该发明引入它为终端选择目标网络组，保证大量并发切换终端能够快速找到目标网络组，在该组内选择目标网络，以均衡网络负载并优化终端的服务质量。
3.仿真结果分析表明，本发明能够在均衡网络负载的前提下，降低切换阻塞率，提高系统吞吐量，提升终端的服务质量。
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为切换方法流程示意图；
图3为不同方法的网络分组正确率对比；
图4为不同方法的算法收敛速度对比；
图5为不同方法的平均负载率对比；
图6为不同方法的负载方差对比；
图7为不同方法的阻塞率对比；
图8为不同方法的吞吐量对比。
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。
本方法针对城市商业区域内，大量终端并发切换引起的网络负载不均和网络相似性利用不足的问题，提出一种基于网络相似性的垂直切换方法。能够在均衡网络负载的前提下，降低切换阻塞率，提高系统吞吐量，提升终端的服务质量。
本发明设计了图2所示的方法流程示意图。一种超密集异构无线网络中基于网络相似性的垂直切换方法，其包括以下步骤：
101、利用BP神经网络能够学习任何复杂映射的特点，将具有相似性的网络性能参数输入至BP网络，训练生成网络分组模型以用于网络分组；再采集所有网络的属性参数(包括带宽B、时延D、抖动J、丢包率PL、成本P和负载率L)并进行初始化处理，得到三个反映网络性能相似性的参数，即网络服务质量q、成本p和负载率l；将所有网络的q,p,l参数输入至该分组模型得到网络分组。
102、根据步骤101得到的多个网络分组，每个终端对网络分组建立适应度函数，以反映终端所选网络组满足其偏好需求的程度，由于烟花算法在求解时具有较快的收敛速度，因此，结合终端的偏好类型执行烟花算法，最大化适应度函数值，为并发切换的终端选择能够最大化满足其偏好需求的目标网络组。
103、由于终端未能被目标网络组中的所有网络所覆盖，所以，通过求解终端的可接入网络集和目标网络组的网络集合的交集，得到其候选网络集CNS；同时，网络端定义性能因子η反映网络的综合性能，选择CNS中η最大的网络作为目标网络，以保证负载均衡的前提下，进一步提升终端的服务质量。
进一步的，对当前网络的属性参数进行初始化，得到三个反映网络性能相似性的参数，具体包括以下步骤：
考虑到终端接入网络时，对网络的性能、成本和稳定性三个方面有不同程度的需求，所以，定义了偏好网络性能、偏好网络价格和偏好稳定性三种类型的终端。本发明结合网络的性能特征和终端的偏好类型将网络划分为高性能、低成本和高稳定性三种类型。多个高性能网络共同构成高性能网络组S1，相应地，分别构成低成本网络组S2和高稳定性网络组S3。综上，本发明网络组定义如下：
S＝{S1,S2,S3} (1)
当网络i的服务质量q大于成本p和负载率l时，网络i属于S1；相应地，当网络i的成本p大于服务质量q和负载率l时，网络i属于S2；当网络i的负载率l大于服务质量q和成本p时，网络i属于S3。
为保证任一网络只属于且必须属于一个网络组，式(1)满足其中，|·|表示集合中元素的个数，N为本发明的网络集。
因为熵值法根据参数的实际值确定属性的权重，计算结果相对客观，所以，本发明采用熵值法计算影响网络QoS的各个参数的客观权重，则网络i的服务质量qi可表示为：
其中，δk为影响网络QoS的第k个属性权重，cik为计算网络i服务质量的第k个属性的归一化取值。
负载率li表示接入网络i的终端数cui与其最大可容纳终端数σi的比值，可表示为：
假设当前网络中有i个网络，j个终端，在t时刻，终端与网络的可接入关系矩阵A(t)为：
其中，
成本pi表示当前终端接入网络i所需要耗费的归一化成本。
进一步的，利用BP神经网络能够学习任何复杂映射的特点，将具有相似性的网络性能参数输入至BP网络，训练生成网络分组模型以用于网络分组，并使用该网络分组模型对该场景中的所有网络进行分组，得到网络组，具体包括步骤：
该方法通过服务质量q、价格p和负载率l衡量网络间的相似性，因此，在构建神经网络时，将输入层神经元个数设置为3，分别由q,p,l构成。
隐藏层节点的输出值由输入值和连接权重加权求和再经过激活函数处理获得，隐藏层节点的输出值为：
Cr＝f(w1rq+w2rp+w3rl) (5)
其中，w1r,w2r,w3r分别为输入层节点q,p,l与第r个隐藏层节点之间的连接权重，f(·)是隐藏层的传递函数。由于本发明将网络划分为3个网络组，属于三分类问题，双曲正切Sigmoid(Tan-sigmoid)函数相较于sigmoid函数的取值范围更大，能提高分类的正确性，因此，本发明选取Tan-sigmoid函数作为传递函数，即：
其中，e为自然对数，取值约为2.71828。
输出层节点的输出值表示所属网络组，通过隐藏节点的输出值和相应权重加权求和得到，输出层节点的输出值为：
其中，L为隐藏层节点个数，wr为第r个隐藏层节点与输出节点的连接权重，g(·)为线性函数。
将采集并初始化后的网络参数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。本发明的期望值表示网络的类型，通过三种偏好类型终端对同一网络采用多属性决策进行综合评分，取值评分值最高所对应的终端类型。BP网络在训练权值时，通过误差反向传播，沿着减少误差的方向，从输出层经过中间层逐层向前修正网络的连接权重。随着不断学习，误差越来越小，输出值与期望值的误差性能函数可表示为：
其中，yh(t)和y(t)分别表示t时刻的期望值和输出值。
因为采用线下训练生成网络分组模型，所以，在修正权值时，对收敛速度无强制要求，只需保证分类的正确性。由于列文伯格-马尔夸特(Levenberg-Marquardt,LM)算法在修正权值时，能使均方误差值较小，从而提高分类的正确性，因此，选取LM算法进行权值修正。在训练过程中，t+1时刻的权值向量可由t时刻的权值向量计算得到，则权值向量更新公式可表示为：
w(t+1)＝w(t)-[JTJ+μI]-1JTE(t) (9)
其中，w(t)＝[w11(t),...,w1L(t),w21(t),...,w2L(t),w31(t),...,w3L(t),w1(t),...,wr(t)]，J为误差性能函数对网络权值一阶导数的雅克比矩阵，μ表示学习率，I为单位矩阵。
进一步的，为反映终端所选网络组满足其偏好需求的程度，每个终端对网络分组建立适应度函数，具体步骤如下：
烟花算法通过爆炸、变异、规则映射和选择策略，在解空间内不断进行迭代更新，直至找到最优解。使用烟花算法为终端选择目标网络组时，每个烟花代表该场景中的一个网络，烟花的空间位置由网络不同维度的属性值决定。终端首先根据每个烟花的适应度值爆炸生成爆炸火花，更新终端所选网络；然后，结合变异操作产生变异火花，避免在更新所选网络时陷入局部最优解；最后，通过烟花、及其产生的爆炸火花和变异火花更新烟花种群，不断重复上述爆炸和变异过程，以更新终端选择地网络，直至找到最优解得到最优网络，将终端选择最优网络所属的网络组作为目标网络组，结束整个目标网络组的选择过程。其中，适应度函数用于评价终端所选网络满足其需求的程度，本发明考虑三种偏好类型的终端，分别使用α,β和γ表示对网络i的服务质量qi、价格pi和负载率li的偏好程度。烟花xi的适应度函数Z(xi)表示如下：
Z(xi)＝g(xi)·(α·qi+β·pi+γ·(1-li))，α+β+γ＝1 (10)
其中，g(xi)取值为0或1，表示是否存在属性值分别为qi、pi和li的网络i。
因为要解决并发切换问题，所以，同一时刻有多个终端同时执行切换，将多个切换终端的适应度函数之和定义为目标函数。要使目标函数值达到最大，每个终端需选择到最优网络，则包含m个终端的目标函数可表示为：
进一步的，目标网络组选择步骤如下：
(1)初始化烟花位置：每个终端在解空间内初始化n个烟花，解空间为服务质量、价格和负载率构成的三维空间；
(2)计算适应度值：通过式(10)计算每个烟花的适应度值；
(3)爆炸：根据当前烟花的适应度值好坏，动态调整爆炸半径，在该半径内生成一定数量的爆炸火花，通过更新爆炸火花的空间位置达到更新网络选择的目的。烟花xi生成的爆炸半径Ri和爆炸火花Gi数量可表示为：
其中，R0和G0为常数，用来调整爆炸半径和爆炸火花的数量，Z(xi)max和Z(xi)min为当前烟花种群中的最大、最小适应度值，ε为一个机器最小量，避免分母为0。
同时，为了避免在爆炸半径内产生过多或过少的火花，对产生的火花个数进行如下限制：
爆炸火花在烟花的爆炸范围内随机选择某个维度进行爆炸更新，获得其空间位置，更新终端所选网络。其更新方式如下：
其中，xij表示烟花xi爆炸产生的第j个火花，k表示烟花的第k维，本发明k取值为3，由QoS、价格和负载率3个网络属性构成，rand(-1,1)表示生成-1到1之间的随机小数。
(4)变异：为了避免在更新迭代的过程中出现局部最优，导致终端不能选择满足其需求的网络，随机选择烟花的维度进行变异生成变异火花，增加种群的多样性。变异火花的空间位置计算如下：
其中，为服从均值方差为1的常数。
(5)规则映射：在爆炸和变异的过程中，火花某些维度可能会超出属性所属范围，所以，采用如下映射方式将其映射到解空间内：
其中，和/>分别表示第k个属性的最小、最大值。
(6)选择下一代种群：爆炸和变异产生的爆炸火花和变异火花，使当前种群数量不断增加，从而增大算法的时间复杂度并降低求解效率。所以，烟花算法会选择n个个体作为下一代种群，转至步骤(2)继续执行。本发明选择下一代种群时，先使用精英策略选择适应度值最大的个体，再使用轮盘赌法选择概率最大的前n-1个个体。个体被选择的概率为：
其中，分子表示烟花xi与其余烟花之间的距离，分母表示种群内所有烟花之间的距离和。
(7)选择目标网络组：当目标函数值达到最大或达到迭代上限次数，迭代终止，终端得到最优网络，选择最优网络所属网络组作为其目标网络组。
进一步的，通过求解终端的可接入网络集和目标网络组的网络集合的交集，得到其候选网络集CNS；同时，网络端定义性能因子η反映网络的综合性能，选择CNS中η最大的网络作为目标网络，以保证负载均衡的前提下，进一步提升终端的服务质量；具体步骤如下：
t时刻，目标网络组关系矩阵O(t)可表示为：
其中，
t时刻，网络候选集矩阵H(t)＝O(t)∩A(t)可表示为：
其中，
终端的CNS通过网络候选集矩阵H(t)获得，则t时刻终端j的CNSj(t)可表示为：
CNSj(t)＝{i|hij(t)＝1} (21)
CNSj(t)表示t时刻终端j的候选网络集。
由于CNS中的网络同属于一个网络组，它们的性能特征相似且都能为终端提供服务，如果终端在CNS中随机选择目标网络，虽然能满足终端需求并缓解负载不均，但不能最大化终端的服务质量。因此，在网络端定义性能因子η来反映网络的实时整体性能，并使用η选择目标网络，从而实现负载均衡并优化终端的服务质量。
网络的整体性能通过服务质量q、归一化后的价格p和负载率l三个参数来衡量，当q,p越大、l越小时，网络整体性能越优，η越大；反之，当q,p越小、l越大时，网络整体性能越差，η越小。因此，网络i的性能因子ηi可表示为：
在进行切换判决时，终端j在CNS(t)中选择η最大的网络作为其目标网络即：
当终端切换至目标网络后，采集其网络参数，更新其所属网络组并按照式(22)更新ηi。
使用Matlab仿真工具模拟了一个由5G蜂窝网络和无线局域网覆盖的1km×1km大小的矩形仿真环境。在该仿真环境中，部署3个宏基站，100个微基站和20个无线局域网的接入点，宏基站的地理位置固定，微基站和接入点的位置随机分布，网络覆盖范围内随机分布多个终端。仿真场景如图1所示。
为了说明BP网络和烟花算法能够正确划分网络组和快速选择目标网络组，对网络分组的正确率和烟花算法的收敛速度进行了对比分析验证。再次，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[Ali J,Ahmad R W,Maqsood T,et al.Networkselection in heterogeneous access networks simultaneously satisfying userprofile and QoS[J].International Journal of Communication Systems,2018,31(13):e3730.]基于QoS的垂直切换方法(QoS-VHO)和文献[N.Aljeri and A.Boukerche,"Load Balancing and QoS-Aware Network Selection Scheme in HeterogeneousVehicular Networks,"ICC 2020-2020 IEEE International Conference onCommunications(ICC),2020,pp.1-6.]基于负载均衡和QoS感知的垂直切换方法(LQ-VHO)进行了对比分析。
图3为BP网络和LVQ网络分组正确性的对比图。从图中可看出，本发明使用BP神经网络进行分组时，分组的平均正确率超过90％，远远高于LVQ神经网络的平均正确率。相较于LVQ神经网络分组最高(88.94％)与最低(66.35％)平均正确率差值22.69％，本发明分组算法的最高与最低平均正确率差值为8.31％，分组效果较稳定。因此，本发明使用BP神经网络能保证将特征性能相似的网络划分至同一个网络组，为后续大量终端并发切换实现负载均衡提供有利条件。
图4对比了烟花算法和粒子群算法(PSO)的收敛过程。其中，PSO的惯性权重取值为0.8，自学习因子和群体学习因子都为0.05；FWA产生的最大、最爆炸火花数分别为5和2，变异火花数为5。从图中看出，PSO迭代到85次时基本收敛，而本发明FWA算法迭代到25次左右时已收敛，且PSO的收敛值小于FWA，陷入局部最优。因为本发明使用的烟花算法通过适应度值的好坏动态调整爆炸半径，加快收敛速度，保证能快速地选择网络组；同时通过变异火花和选择策略降低陷入局部最优的风险，从而为终端选择满足需求的网络组。所以，本发明的搜索算法更适合于完成目标网络组的选择。
图5和图6分别显示了在终端数逐渐增多的情况下，三种算法的平均负载率和负载方差的变化情况。随着终端数量的增加，三种算法的平均负载率均呈现出上升状态，本发明算法的平均负载率最低。这是因为对比算法将评分值最高的网络作为目标网络，造成用户聚集，而本发明算法将相似网络划分至同一网络组，在相似网络中为终端选择目标网络，从而减轻终端聚集现象。与此同时，三种算法的负载方差随着终端数量的增加，先增加后减少直至0。当终端数达到1250和1500时，负载方差增加至最大值，这是因为当前网络资源充足，终端都选择得分值最高的网络，造成负载不均的现象。而随着终端数的进一步增多，网络中可用资源数越来越少，终端可选网络变少，分布变得均匀，负载方差逐渐变小。从图中可看出，本发明算法的平均负载率和负载方差在对比算法中始终处于最小，说明本发明算法通过网络分组为终端选择目标网络，能在一定程度上缓解终端聚集，并使其均匀分布，从而达到负载均衡。
随着终端数量增多，三种算法的阻塞率变化情况如图7所示，均呈现出上升的趋势。其中，QoS-VHO算法的阻塞率最高，这是因为终端在接入网络时只考虑网络QoS，造成大量终端聚集并阻塞于QoS较好的网络。本发明算法的阻塞率明显低于另两种算法，且阻塞率的增长率也较低。这说明，本发明所提算法能够有效保证在大量终端并发切换时，终端能正常接入网络。其原因是，本发明算法对所有网络进行分组，并根据目标网络组和可接入网络生成候选网络集，候选网络集中的网络都可供终端接入，而传统的垂直切换算法只将得分值最高的网络作为目标网络，因此，当大量终端并发切换时，后者会因为网络资源不够而出现阻塞，而本发明算法能够有效避免。
图8为三种算法的网络总吞吐量与终端数量的变化曲线。从图中可以看出，QoS-VHO算法的吞吐量在终端数量少的情况下有所增加，随着用户的增多，因终端聚集于QoS较高的网络而出现阻塞，吞吐量基本保持不变。虽然LQ-VHO算法考虑了网络负载，但当大量终端切换时，也会因聚集于低负载网络而被阻塞，无法获得带宽资源，吞吐量保持不变。本发明算法，使用网络分组和性能因子为终端进行网络选择，阻塞率较小，更多的终端能够获得带宽，随着终端的增加，网络的总吞吐量也一直保持增加。因此，本发明所提算法能够在大量终端并发切换时，降低阻塞率，从而提高系统的总吞吐量。
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。按照本发明中的界定，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 (6)
1.超密集异构无线网络中基于网络相似性的垂直切换方法，其特征在于，包括以下步骤：
101、将具有相似性的网络性能参数输入至BP网络，训练生成网络分组模型；采集所有网络的属性参数，并进行初始化处理，得到三个反映网络性能相似性的参数，即网络服务质量q、成本p和负载率l；将所有网络的q,p,l参数输入至该分组模型得到网络分组；
对属性参数进行初始化处理，得到三个反映网络性能相似性的参数，具体包括以下步骤：网络组定义如下：
S＝{S1,S2,S3} (1)
式(1)满足其中，S1为高性能网络组，S2为低成本网络组，S3为高稳定性网络组，|·|表示集合中元素的个数，N为本发明的网络集；
网络i的服务质量qi表示如下：
其中，δk为影响网络服务质量的第k个属性权重，∑k＝1δk＝1，cik为计算网络i服务质量的第k个属性的归一化取值；
负载率li表示接入网络i的终端数cui与其最大可容纳终端数σi的比值，表示为：
若当前网络中有i个网络，j个终端，在t时刻，终端与网络的可接入关系矩阵A(t)为：
其中，
所述BP网络输入层神经元个数设置为3，分别由q,p,l构成；
隐藏层节点的输出值由输入值和连接权重加权求和再经过激活函数处理获得，隐藏层节点的输出值为：
Cr＝f(w1rq+w2rp+w3rl) (5)
其中，w1r,w2r,w3r分别为输入层节点q,p,l与第r个隐藏层节点之间的连接权重，f(·)是隐藏层的传递函数；
输出层节点的输出值表示所属网络组，通过隐藏节点的输出值和相应权重加权求和得到，输出层节点的输出值为：
其中，L为隐藏层节点个数，wr为第r个隐藏层节点与输出节点的连接权重，g(·)为线性函数；
通过三种偏好类型终端对同一网络采用多属性决策进行综合评分，取值评分值最高所对应的终端类型，根据输出值与期望值计算误差，通过误差反向传播训练权值；
102、根据步骤101得到的多个网络分组，每个终端对网络分组建立适应度函数，以反映终端所选网络组满足其偏好需求的程度，结合终端的偏好类型执行烟花算法，最大化适应度函数值，为并发切换的终端选择能够最大化满足其偏好需求的目标网络组；
所述适应度函数为
Z(xi)＝g(xi)·(α·qi+β·pi+γ·(1-li))，α+β+γ＝1 (10)
其中，α,β和γ表示对网络i的服务质量qi、价格pi和负载率li的偏好程度，g(xi)取值为0或1，表示是否存在属性值分别为qi、pi和li的网络i；
103、通过求解终端的可接入网络集和目标网络组的网络集合的交集，得到其候选网络集CNS，从中选择目标网络；
104、定义性能因子η反映网络的综合性能，选择CNS中η最大的网络作为目标网络，网络i的性能因子ηi表示为：
在进行切换判决时，终端j在CNS(t)中选择η最大的网络作为其目标网络即：
当终端切换至目标网络后，采集其网络参数，更新其所属网络组并按照式(22)更新ηi。
2.根据权利要求1所述超密集异构无线网络中基于网络相似性的垂直切换方法，其特征在于：步骤101所述属性参数包括带宽B、时延D、抖动J、丢包率PL、成本P和负载率L。
3.根据权利要求1所述超密集异构无线网络中基于网络相似性的垂直切换方法，其特征在于：所述激活函数选用双曲正切函数。
4.根据权利要求1所述超密集异构无线网络中基于网络相似性的垂直切换方法，其特征在于：步骤102所述烟花算法包括以下步骤：
终端首先根据适应度函数计算每个烟花的适应度值，再根据该值的好坏在烟花附近爆炸生成爆炸火花，更新终端所选网络；然后，结合变异操作产生变异火花；最后，在烟花、爆炸火花和变异火花中选择下一代烟花种群，不断重复迭代上述过程，直至找到最优解得到最优网络。
5.根据权利要求4所述超密集异构无线网络中基于网络相似性的垂直切换方法，其特征在于：所述烟花算法具体步骤为：
(1)初始化烟花位置：每个终端在解空间内初始化n个烟花，解空间为服务质量、价格和负载率构成的三维空间；
(2)计算每个烟花的适应度值；
(3)爆炸：根据当前烟花的适应度值，动态调整爆炸半径，在该半径内生成一定数量的爆炸火花，通过更新爆炸火花的空间位置达到更新网络选择的目的；
(4)变异：随机选择烟花的维度进行变异生成变异火花，增加种群的多样性；
(5)规则映射：在爆炸和变异的过程中，采用如下映射方式将其映射到解空间内：
其中，和/>分别表示第k个属性的最小、最大值；
(6)选择下一代种群：选择n个个体作为下一代种群，转至步骤(2)继续执行；选择下一代种群时，先使用精英策略选择适应度值最大的个体，再使用轮盘赌法选择概率最大的前n-1个个体；
(7)选择目标网络组：当目标函数值达到最大或达到迭代上限次数，迭代终止，终端得到最优网络，选择最优网络所属网络组作为其目标网络组。
6.一种计算机可读存储介质，其存储有计算机程序，其特征在于：所述计算机程序被执行时，可实现权利要求1-5任一项所述的超密集异构无线网络中基于网络相似性的垂直切换方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111484989.4A CN114339857B (zh) | 2021-12-07 | 2021-12-07 | 超密集异构无线网络中基于网络相似性的垂直切换方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111484989.4A CN114339857B (zh) | 2021-12-07 | 2021-12-07 | 超密集异构无线网络中基于网络相似性的垂直切换方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114339857A CN114339857A (zh) | 2022-04-12 |
| CN114339857B true CN114339857B (zh) | 2023-07-25 |
Family
ID=81049621
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111484989.4A Active CN114339857B (zh) | 2021-12-07 | 2021-12-07 | 超密集异构无线网络中基于网络相似性的垂直切换方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114339857B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012007637A1 (en) * | 2010-07-16 | 2012-01-19 | Nokia Corporation | Method and apparatus for processing biometric information using distributed computation |
| EP2700025A1 (en) * | 2011-04-19 | 2014-02-26 | Nokia Corp. | Method and apparatus for flexible diversification of recommendation results |
| EP2943003A1 (en) * | 2014-05-09 | 2015-11-11 | Alcatel Lucent | Small cell base station deployment in cellular networks |
| CN112634018A (zh) * | 2020-12-23 | 2021-04-09 | 百维金科(上海)信息科技有限公司 | 一种基于蚁群算法优化循环神经网络的逾期监控方法 |
| CN112672402A (zh) * | 2020-12-10 | 2021-04-16 | 重庆邮电大学 | 超密集异构无线网络中基于网络推荐的接入选择方法 |
| CN112672393A (zh) * | 2020-12-10 | 2021-04-16 | 重庆邮电大学 | 超密集异构无线网络中自适应终端需求的垂直切换方法 |
| CN113538125A (zh) * | 2021-06-29 | 2021-10-22 | 百维金科(上海)信息科技有限公司 | 一种基于萤火虫算法优化Hopfield神经网络的风险评级方法 |
| CN113596868A (zh) * | 2021-06-21 | 2021-11-02 | 东北大学 | 基于sdn和nfv的5g网络切片资源管理机制 |
-
2021
- 2021-12-07 CN CN202111484989.4A patent/CN114339857B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012007637A1 (en) * | 2010-07-16 | 2012-01-19 | Nokia Corporation | Method and apparatus for processing biometric information using distributed computation |
| EP2700025A1 (en) * | 2011-04-19 | 2014-02-26 | Nokia Corp. | Method and apparatus for flexible diversification of recommendation results |
| EP2943003A1 (en) * | 2014-05-09 | 2015-11-11 | Alcatel Lucent | Small cell base station deployment in cellular networks |
| CN112672402A (zh) * | 2020-12-10 | 2021-04-16 | 重庆邮电大学 | 超密集异构无线网络中基于网络推荐的接入选择方法 |
| CN112672393A (zh) * | 2020-12-10 | 2021-04-16 | 重庆邮电大学 | 超密集异构无线网络中自适应终端需求的垂直切换方法 |
| CN112634018A (zh) * | 2020-12-23 | 2021-04-09 | 百维金科(上海)信息科技有限公司 | 一种基于蚁群算法优化循环神经网络的逾期监控方法 |
| CN113596868A (zh) * | 2021-06-21 | 2021-11-02 | 东北大学 | 基于sdn和nfv的5g网络切片资源管理机制 |
| CN113538125A (zh) * | 2021-06-29 | 2021-10-22 | 百维金科(上海)信息科技有限公司 | 一种基于萤火虫算法优化Hopfield神经网络的风险评级方法 |
Non-Patent Citations (3)
| Title |
|---|
| Hierarchical bag-of-features for hand posture recognition;Yuelong Chuang;2011 18th IEEE International Conference on Image Processing;全文 * |
| 超密集异构无线网络中基于位置预测的切换算法;马彬;电子与信息学报;全文 * |
| 超密集异构无线网络中基于环境预测的切换算法;王梦雪;信息科技辑;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114339857A (zh) | 2022-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112367683B (zh) | 基于改进深度q学习的网络选择方法 | |
| Thar et al. | DeepMEC: Mobile edge caching using deep learning | |
| CN112020103B (zh) | 一种移动边缘云中的内容缓存部署方法 | |
| CN108093435B (zh) | 基于缓存流行内容的蜂窝下行链路网络能效优化系统及方法 | |
| CN108667653B (zh) | 超密集网络中基于聚类的缓存配置方法及装置 | |
| Yin et al. | A prediction-based coordination caching scheme for content centric networking | |
| CN107734482B (zh) | 基于d2d和业务卸载的内容分发方法 | |
| CN112672366A (zh) | 异构无线网络中基于个性化消费偏好的垂直切换系统 | |
| Karam et al. | Performance analysis of ranking for QoS handover algorithm for selection of access network in heterogeneous wireless networks | |
| CN112004265B (zh) | 一种基于srm算法的社交网络资源分配方法 | |
| 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 | |
| CN110545552B (zh) | 一种基于免疫粒子群的多路径传输路由方法 | |
| Kumar et al. | Dynamic channel allocation in mobile multimedia networks using error back propagation and hopfield neural network (EBP-HOP) | |
| CN113676357B (zh) | 面向电力物联网中边缘数据处理的决策方法及其应用 | |
| CN114339857B (zh) | 超密集异构无线网络中基于网络相似性的垂直切换方法 | |
| Wu et al. | Link congestion prediction using machine learning for software-defined-network data plane | |
| Wang et al. | Multi-objective joint optimization of communication-computation-caching resources in mobile edge computing | |
| CN116321189A (zh) | 一种面向边缘计算中基于深度强化学习的服务器部署方法 | |
| CN112672393B (zh) | 超密集异构无线网络中自适应终端需求的垂直切换方法 | |
| CN112492645B (zh) | UHWNs中基于异构边缘云的协作垂直切换方法 | |
| CN111290853B (zh) | 一种基于自适应改进遗传算法的云数据中心调度方法 | |
| Wang et al. | Green deployment method of micro base station for ultra-dense heterogeneous cellular networks based on constrained dolphin swarm algorithm | |
| CN114363996A (zh) | 一种基于多目标的异构无线网络业务接入控制方法及装置 | |
| CN113590211A (zh) | 基于pso-de算法的计算卸载方法 | |
| Nimmalapudi et al. | Deep learning based load balancing for improved QoS towards 6G |
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 |