CN115278792B - 超密集异构无线网络中感知终端接入偏好的切换判决方法 - Google Patents

Abstract

本发明请求保护一种超密集异构无线网络中感知终端接入偏好的切换判决方法，属于移动通信技术和计算机网络技术领域，用于解决由于城市中车辆终端状态差异巨大而导致的终端并发接入时的频繁切换和拥塞问题。具体包括以下步骤：首先，在切换触发阶段使用长短时记忆神经网络LSTM预测接收信号强度，在信道链路质量恶化之前提前触发切换。其次，在网络选择阶段综合考虑网络参数以及终端在不同运动状态和业务类型下的接入偏好，并选出综合效益值最高的网络作为切换目标网络。最后，仿真结果表明该方法能更好地适应终端运动状态和业务类型的变化，能降低不必要的切换次数和网络拥塞度。

Description

超密集异构无线网络中感知终端接入偏好的切换判决方法

技术领域

本发明属于超密集异构无线网络中的垂直切换方法，属于移动通信领域。特别是涉及一种城市区域内终端状态自适应切换判决方法。

背景技术

在无线城市计划、感知中国计划等信息化浪潮的推动下，无线广域网络、无线局域网络和有线网络的建设速度日益加快，覆盖范围日益扩大。随着5G技术的正式商用，未来的异构无线网络部署会更加密集，涉及的无线技术更为多元。然而，由于各种无线技术在覆盖范围、带宽、时延等方面差异巨大，使得终端在选择接入网络时更加困难。随着移动互联网的发展，终端承载的业务类型更加多样，终端对网络的需求也随业务类型的改变而变化。不同运动状态的终端接入偏好各异，例如低速运动或聚集的终端偏向于接入路侧的无线接入点(Access Point，AP)点，以更低的成本获得更好的服务质量(Quality of Service，QoS)；高速运动的终端为了避免由于频繁切换导致的体验下降，更偏向于接入覆盖范围更大的宏蜂窝。因此，现有的网络资源管理方法和终端移动性管理方法往往无法根据终端的运动状态以及业务类型的动态变化进行自适应调整，从而导致方法的性能和自适应性下降。因此，设计一种自适应终端运动状态和终端业务类型的切换方法，以减少不必要切换次数、降低网络拥塞并提高终端用网满意度，成为了该研究领域的热点问题。

垂直切换技术作为实现多网融合的关键技术，很大程度上决定了异构网络中终端的体验质量(Quality of Experience，QoE)。目前国内外已有较多的文献针对车辆异构网络中频繁切换、网络拥塞和服务质量下降等问题进行研究，并且都取得了一系列成果。文献[MA Bin,ZHONG Shilin,XIE Xianzhong.Vertical Handoff Algorithm ConsideringLoad Balance and User Experience[J].Journal of Electronics&InformationTechnology,2022,44:1-11.]提出一种基于秩和比的自适应切换判决方法，通过引入网络环境感知模型预测网络未来的拥塞程度，实现网络间负载均衡并提升用户体验。文献[CUIWenqing,XIA Weiwei,LAN Zhuorui,et al.A Self-adaptive Feedback HandoffAlgorithm Based Decision Tree for Internet of Vehicles[C].InternationalConference on Ad Hoc Networks,Nanjing,China,2018,177-190.]提出了一种基于增量学习的自适应反馈决策树切换方法，通过反馈机制记录切换后的网络状态的变化情况，利用增量学习自适应地重构决策树的层级结构，提高了方法对网络环境的自适应能力。文献[Aibinu A M,Onumanyi A J,Adedigba AP,et al.Development of hybrid artificialintelligent based handover decision algorithm[J].Engineering Science andTechnology,an International Journal,2017,20(2):381-390.]提出了一种基于混合模型的切换方法，第一阶段利用全连接神经网络预测接收信号强度，第二阶利用模糊逻辑选择目标网络，降低了不必要切换次数。文献[Evangeline C S,Kumaravelu V B.Atwo-phasefuzzy based access network selection scheme for vehicular ad hoc networks[J].Peer to Peer Network,2022,15:107–133.]提出了一种基于两层模糊逻辑的切换方法，切换触发前先利用模糊逻辑进行切换必要性估计，降低了切换失败率。文献[Mahmoud A,Ghaith H,Wail M.Improving Vertical Handoffs Using Mobility Prediction[J].International Journal of Advanced Computer Science and Applications,2016,7(3):413-419.]提出了一种基于位置预测的垂直切换方法，首先对终端的移动轨迹进行网格化处理，然后利用马尔可夫模型建模，预测终端未来时刻的位置，实现了无缝切换。文献[QIAN Zhihong,YU Xinyi,XU Jianhua,et al.Vertical handoff algorithm inheterogeneous networks based on vehicle terminal behavior[J].Journal of JilinUniversity(Engineering and Technology Edition),2019.49(02),614-623.]在车辆异构网络中引入了软件定义网络(Software Defined Network，SDN)架构，利用层次分析法和马尔可夫过程构建不同权重值影响下的回报函数，然后根据终端速度确定决策间隔，提高了服务质量。

上述方法大多通过引入智能方法和新型网络架构的方式，提高了切换方法性能和方法的自适应能力。但是上述文献在设计切换方法时候，往往只单独考虑了终端运动状态或终端业务类型的动态变化。对终端的运动状态和业务类型结合起来，共同导致方法性能下降的问题没有提出很好的解决方案。因此，当终端运动状态和业务类型同时改变时，这类方法带来的网络性能和用户体验方面的提升有限。针对上述问题，本发明提出了一种自适应切换方法，在切换触发阶段利用接收信号强度指示(Received Signal Strength Index，RSSI)预测模型提前预测到切换即将发生，在信道链路质量恶化之前提前触发切换，为方法后续步骤提供更充足的时间。在网络选择阶段首先根据终端的运动状态和业务类型计算终端的接入偏好，然后综合考虑网络侧参数和终端接入偏好构建效用函数，并利用效用函数计算候选网络的综合效益值。最后，终端选择候选网络集中综合效益值最高的网络作为切换目标网络。

与本发明为同一发明人的在先申请CN113225773A，一种超密集异构无线网络中网络环境感知自适应切换判决方法，属于移动通信领域，具体包括以下步骤：首先，构建网络环境感知模块评估网络的拥塞状况。其次，根据拥塞情况判决是否建立带簇头结点的自组织网络，并把簇头结点加入备选网络集。再次，当终端触发切换后，自适应切换判决算法会根据网络的拥塞状况和用户的业务请求，调整输入到决策算法中的选网参数，为用户筛选出当前环境下满意度最高的目标网络。最后，仿真结果表明，该算法能够有效地缓解网络拥塞，均衡网络间负载，提升用户体验。

专利CN113225773A利用构建自组织网络的方法设计了一种自适应切换判决算法，一定程度上降低了网络整体拥塞度。该专利的应用场景中对车辆终端的运动变化考虑得较为有限，同时该专利对终端承载的业务类型对算法性能影响的研究还存在可以深入的空间；因此，虽然该专利的研究场景下组建自组织网络是合理的，且能较为显著的提升算法整体性能，但是当车辆终端的运动状态差异较大时，此时采用传统的方法取得的效果会恶化；本发明通过感知终端的运动状态和终端承载的业务类型，采用自适应算法计算不同终端状态下的网络接入偏好，并在选择目标网络时综合考虑网络侧的性能参数和终端侧的选网偏好，最终使得本发明提出的方法能适用于车辆状态迅速变化的场景，一定程度上解决了传统的方法性能恶化的问题。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种超密集异构无线网络中感知终端接入偏好的切换判决方法。本发明的技术方案如下：

一种超密集异构无线网络中感知终端接入偏好的切换判决方法，其包括以下步骤：

101、信号强度预测：收集网络中各个基站的历史参数，对收集到的历史参数进行包括异常数据处理、数据归一化、数据清洗等步骤在内的预处理，然后输入LSTM神经网络模型进行训练，最后使用训练好的模型预测RSSI；

102、终端接入偏好计算：首先根据终端上行数据率、下行数据率划分业务类型，然后把终端运动速度和终端业务类型输入支持向量机SVM模型，计算得到终端接入偏好；

103、自适应切换判决方法：根据步骤101预测的RSSI判断是否触发切换，触发后根据步骤102中得到的终端接入偏好；综合考虑终端接入偏好和候选网络的数据传输率、网络拥塞度、网络费用，构建效用函数计算候选网络的综合效益值；最后，从候选网络集中选择出综合得分最高的网络作为切换目标网络。

进一步的，所述步骤101获取网络中的历史参数数据，具体包括：收集t时刻的信道参数，包括接收信号强度指示RSSI，参考接收信号功率RSRP和参考接收信号质量RSRQ，用矩阵形式可以表示为：

x_t＝[RSSI_t,RSRP_t,RSRQ_t] (1)

输入多个历史时刻的特征向量，挖掘出RSSI时序上的变化规律，把多个时刻的特征向量组合成一个包含多个时刻时序信息的特征矩阵，再把特征矩阵中的向量分别输入相连的神经网络单元进行处理，时间步长设置为3秒。

进一步的，所述输入LSTM神经网络模型进行训练，具体包括：

特征矩阵表示收集到的所有特征参数，可以表示为：

LSTM将各时刻中隐藏层的输出存储在记忆细胞中，然后通过门控机制决定如何保留或更新这些记忆中的信息，f_t，g_t，o_t分别表示t时刻隐藏层内部的遗忘门，输入门，输出门；sigmoid表示sigmoid激活函数，经过此激活函数后得到的输出值在[0,1]范围内，可以用激活后的值表示各个门的开闭情况；c_t表示t时刻的记忆细胞；c_t′表示t时刻的新增记忆；h_t-1表示上一时刻输出的隐状态；则神经网络的输出可以表示为：

进一步的，所述步骤101采用梯度下降方法训练模型，根据多元微分链式求导法则，LSTM中各参数的权值矩阵更新为：

其中η表示学习率，学习率过低会导致训练速度太慢，学习率过高会导致训练过程振荡，使得模型难以收敛。

进一步的，所述步骤102中计算终端接入偏好分为以下步骤：

(1)构建SVM的特征矩阵：

首先选取终端的运动状态和业务类型作为分类特征，每个分类特征向量由终端的运动状态和业务类型表示，即

其中表示训练集中第i₂条数据中终端的速度特征；/>表示训练集中第i₂条数据中终端的业务类型特征；

整个训练集的特征矩阵由多个上述特征向量构成，可以写成：

其中，P表示由训练集的特征向量组成的特征矩阵；M表示训练集中数据的总量；表示训练集中第i条数据的特征向量；

网络环境中每种无线接入技术RAT对应一个分类的类别，每个样本被划入不同类别的概率对应终端接入RAT的偏好；

(2)构建SVM的分类结果标签：

标签用于表示分类结果，即终端接入的接入点类型，写为：

l＝[q₁,q₂,...,q_M]^T (7)

因此，输入SVM的训练数据集合表示为

D＝{(p₁,q₁),(p₂,q₂),...,(p_M,q_M)} (8)

其中，表示训练集中第i₂条数据的特征向量；/>表示该特征向量对应的类型，称为标记；M为训练集中的总样本数，满足M＝|D|；

(3)改进为SVM多分类器：

把传统的SVM分类器改进为SVM多分类，采用一对余类OVR方法构造多分类器，将每个类的所有样本其为正类，其余所有类的样本为负类去构造二分类器SVM，其求解过程是求解M个包含3个变量的二次规划问题，具体计算过程为：

其中，下标i₂∈{1,2,...,M}，表示样本的索引；上标j₂∈{1,2,3}，表示类型的索引；表示超平面；φ表示非线性映射；ξ表示非负松弛变量；K表示惩罚系数(K>0)，且K值越大惩罚越大。

进一步的，所述步骤102自适应切换判决方法需要计算下列网络侧参数：

(1)计算网络信噪比：

信噪比近似为接收信号强度和网络环境中干扰信号强度的比值，表示为：

其中，CNS表示候选网络集；j₁表示CNS中候选网络的下标；SNR_i,j表示终端i在网络j中的信噪比；表示发射功率；γ_i,j表示信道增益；I_i,j表示高斯白噪声；/>表示受其他基站干扰总和；

(2)计算网络误码率：

误码率是衡量信道在规定时间内数据传输精确性的重要指标，公式为：

(3)计算最大数据传输率：

根据香农公式，终端在网络中可以获得的数据传输率表示为：

B_i,j＝Z_i,j·BW_j·log₂(1+SNR_i,j) (12)

其中，Z_i,j表示终端i从网络j中获取的资源块的块数，BW_j表示网络j中每个资源块的带宽；

(4)计算网络拥塞度：

网络的拥塞程度可以由接入网络的终端数量和已分配的资源块表示，根据网络拥塞度的定义，表示为：

其中，R_j表示网络j中资源块的总数,u表示接入网络j的所用终端的数量；

(5)计算网络成本：

δ_j表示网络j中单位资源块的定价，则终端接入网络的成本可以表示为

θ_i,j＝Z_i,j·δ_j (14)。

进一步的，所述步骤103中，用最大最小值归一化方法，对所有选网参数进行归一化处理；

综合考虑终端接入偏好、业务类型以及上述的各项网络参数，网络综合效益值计算公式如下：

E_i,j＝[λ·(BER_i,j+NC_j)+(1-λ)·(B_i,j+θ_i,j)]·(1+TAP_i,j) (15)

E_i,j表示用于计算终端接入网络综合效益值的效用函数；λ表示网络参数的权重，TAP_i,j表示终端i在当前运动状态和业务类型下接入j网络的偏好值。

进一步的，选择目标网络时，将综合效益值作为用户评价网络的满意程度指标，选择满意度值最大的网络作为用户接入的目标网络；

对CNS中全部候选网络计算网络综合效益值，可以得到终端的CNS的综合效益集合，表示为：

E′_i＝{E_i,1,E_i,2,...,E_i,m} (16)

其中，k∈{1,2,...,m}，表示目标网络下标；m满足m＝|CNS|，表示候选网络集中所有网络数量；

最后，在切换决策时，选择综合效益值最高的网络作为切换的目标网络，其中满足以下公式：

E_i,k＝max(E′_i) (16)。

本发明的优点及有益效果如下：

1.本发明针对在异构无线网络环境下，城市交通道路中车辆终端的运动状态和业务类型呈动态变化，共同导致了终端的对网络性能的需求频繁改变。本发明提出的两阶段的自适应切换方法，能增强切换方法对终端运动状态和业务类型变动的自适应能力，并同时提高切换方法的综合性能。

2.在步骤101中根据收集的网络历史参数，设计了一个接收信号强度预测模型来预测网络的接收信号强度。传统的基于LSTM的RSSI预测模型选取的特征参数较为单一，模型的参数(时间步、学习率等)也不能很好适用于本发明的研究场景。针对上述问题，首先在训练模型时，本发明选取了信号接收功率(Reference Signal Receive Power，RSRP)、参考信号接收质量(Reference Signal Receive Quality，RSRQ)和RSSI作为特征参数，从3个角度描述信道质量的特征；其次在设定时间步时，本发明考虑了城市道路中终端运动的速度区间，使得预测模型更适用于本发明的研究场景。

3.现有的计算终端接入偏好(Terminal Access Preference，TAP)方法中少有考虑支持向量机(Support Vector Machine，SVM)方法。本发明在步骤102提出一种基于SVM的终端接入偏好计算方法，根据终端的运动状态和业务类型计算TAP，一定程度上提升了切换方法的自适应能力。

4.在步骤103中提出了一种自适应切换判决方法，综合考虑了候选网络的数据传输率、网络拥塞度、网络费用和终端接入偏好，构建效用函数计算候选网络的综合效益值。该方法能够根据终端的业务类型和终端状态，为切换用户筛选出当前网络环境和终端状态下综合满意度最高的网络作为目标接入网络，提高用户的网络体验，降低用户接入网络的阻塞率和不必要切换次数，实现网络间负载均衡。

附图说明

图1是本发明提供优选实施例城市核心区域异构无线网络仿真场景图；

图2为本发明提出的终端自适应切换判决方法流程图；

图3为各预测方法预测结果比较图；

图4为各分类方法分类结果比较图；

图5为不同方法的切换次数与终端数的关系图；

图6为不同方法的切换次数与终端速度的关系图；

图7为不同方法的阻塞率与终端数量的关系图；

图8为不同方法的时间开销和实验次数的关系图。

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：

一种能自适应终端运动状态和业务类型的垂直切换方法，其针对不同运动状态和业务类型的终端并发接入导致的频繁切换和拥塞问题，能有效地缓解网络拥塞，均衡网络间负载，降低不必要切换次数，提升用户体验。

本发明提出的自适应切换判决方法包括以下步骤：

101、信号强度预测：收集网络中各个基站的历史参数，对收集到的参数进行预处理，然后输入LSTM神经网络模型进行训练，最后使用训练好的模型预测RSSI。

102、终端接入偏好计算：首先根据终端上行数据率、下行数据率等划分业务类型，然后把终端运动速度和终端业务类型输入支持向量机SVM模型，计算得到终端接入偏好。

103、自适应切换判决方法：根据步骤101预测的RSSI判断是否触发切换，触发后根据步骤102中得到的终端接入偏好；本自适应切换方法综合考虑终端接入偏好和候选网络的数据传输率、网络拥塞度、网络费用，构建效用函数计算候选网络的综合效益值。最后，从候选网络集中选择出综合得分最高的网络作为切换目标网络。

进一步的，根据步骤101所述的信号强度预测，本发明提出了一种基于LSTM的信号强度预测模型，其特征在于，需要收集t时刻的信道参数，包括接收信号强度指示RSSI，参考接收信号功率RSRP和参考接收信号质量RSRQ。用矩阵形式可以表示为：

x_t＝[RSSI_t,RSRP_t,RSRQ_t] (1)

虽然单个时刻的特征向量能反映当前时刻的信道质量，但是仅仅根据单个时刻的特征向量预测下一时刻的RSSI是不够的。为了提高预测值的可信度，可以输入多个历史时刻的特征向量，挖掘出RSSI时序上的变化规律，进而提高预测的RSSI的可信度。因此，需要把多个时刻的特征向量组合成一个包含多个时刻时序信息的特征矩阵，再把特征矩阵中的向量分别输入相连的神经网络单元进行处理。时间步长T取值过小会使LSTM无法发挥其在长序列推理上的优势，取值过大又会导致训练出的预测模型在实际使用中存在过大的滞后效应。考虑到本发明的应用场景中终端运动的速度区间为0到100千米每小时，终端在过长的采样间隔里位移距离过远，会造成采样的历史数据对提升RSSI预测准确度的贡献较低。结合本发明应用场景分析和实验结论，时间步长设置为3秒较为合理。用特征矩阵表示本步骤收集到的所有特征参数，可以表示为：

LSTM将各时刻中隐藏层的输出存储在记忆细胞中，然后通过门控机制决定如何保留或更新这些记忆中的信息。f_t，g_t，o_t分别表示t时刻隐藏层内部的遗忘门，输入门，输出门；sigmoid表示sigmoid激活函数，经过此激活函数后得到的输出值在[0,1]范围内，可以用激活后的值表示各个门的开闭情况；c_t表示t时刻的记忆细胞；c_t′表示t时刻的新增记忆；h_t-1表示上一时刻输出的隐状态；则神经网络的输出可以表示为：

进一步的，上述的信号强度预测模型，其特征在于，经过所述步骤101初步生成的模型误差较大，因此，采用梯度下降方法训练模型，使之误差组件减小。根据多元微分链式求导法则，LSTM中各参数的权值矩阵更新为：

进一步的，根据步骤102所述的终端接入偏好计算方法，其特征在于终端的接入偏好同时受终端的运动状态，终端的运动状态和网络侧的参数共同影响，因此步骤102中计算终端接入偏好可以分为以下步骤：

(1)构建SVM的特征矩阵：

首先选取终端的运动状态和业务类型作为分类特征，每个分类特征向量由终端的运动状态和业务类型表示，即

其中表示训练集中第i₂条数据中终端的速度特征；/>表示训练集中第i₂条数据中终端的业务类型特征。

整个训练集的特征矩阵由多个上述特征向量构成，可以写成：

其中，P表示由训练集的特征向量组成的特征矩阵；M表示训练集中数据的总量；表示训练集中第i条数据的特征向量。

网络环境中每种无线接入技术RAT对应一个分类的类别，每个样本被划入不同类别的概率对应终端接入RAT的偏好。

(2)构建SVM的分类结果标签：

标签用于表示分类结果，在本发明的研究环境中表示的是终端接入的接入点类型(如：宏蜂窝、微蜂窝或无线AP点)，可以写为：

l＝[q₁,q₂,...,q_M]^T (7)

因此，输入SVM的训练数据集合可以表示为

D＝{(p₁,q₁),(p₂,q₂),...,(p_M,q_M)} (8)

其中，表示训练集中第i₂条数据的特征向量；/>表示该特征向量对应的类型，称为标记；M为训练集中的总样本数，满足M＝|D|。

(3)改进为SVM多分类器：

传统的SVM只能解决二分类问题，而本发明网络场景是由三种网络异构而成，对应的分类数为3，因此需要把传统的SVM分类器改进为SVM多分类器。本发明采用一对余类OVR方法构造多分类器，将每个类的所有样本其为正类，其余所有类的样本为负类去构造二分类器SVM，其求解过程是求解M个包含3个变量的二次规划问题，具体计算过程为：

其中，下标i₂∈{1,2,...,M}，表示样本的索引；上标j₂∈{1,2,3}，表示类型的索引；表示超平面；φ表示非线性映射；ξ表示非负松弛变量；K表示惩罚系数(K>0)，且K值越大惩罚越大。

进一步的，根据步骤103所述的自适应切换判决方法，其特征在于，根据网络环境和终端请求的业务类型，自适应调整输入到判决方法中的选网参数，为终端筛选出最优的目标网络。自适应切换判决方法中的相关参数定义和方法过程如下：

(1)计算网络信噪比：

在实际应用中信噪比通常近似为接收信号强度和网络环境中干扰信号强度的比值，表示为：

其中，CNS表示候选网络集；SNR_i,j表示终端i在网络j中的信噪比；表示发射功率；γ_i,j表示信道增益；I_i,j表示高斯白噪声；/>表示受其他基站干扰总和。

(2)计算网络误码率：

误码率是衡量信道在规定时间内数据传输精确性的重要指标，为了尽可能实现无比特差错地发送和接收数据，应该选用误码率尽可能低的网络。误码率和接收信号有较强的相关性。

(3)计算最大数据传输率：

根据香农公式，终端在网络中可以获得的数据传输率表示为：

B_i,j＝Z_i,j·BW_j·log₂(1+SNR_i,j) (12)

其中，Z_i,j表示终端i从网络j中获取的资源块的块数，BW_j表示网络j中每个资源块的带宽。

(4)计算网络拥塞度：

网络的拥塞程度可以由接入网络的终端数量和已分配的资源块表示，根据网络拥塞度的定义，可以表示为：

其中，R_j表示网络j中资源块的总数,u表示接入网络j的所用终端的数量。

(5)计算网络成本：

δ_j表示网络j中单位资源块的定价，则终端接入网络的成本可以表示为

θ_i,j＝Z_i,j·δ_j (14)

综合考虑终端接入偏好、业务类型以及上述的各项网络参数，网络综合效益值计算公式如下：

E_i,j＝[λ·(BER_i,j+NC_j)+(1-λ)·(B_i,j+θ_i,j)]·(1+TAP_i,j) (15)

公式中，左边部分是网络j中所有选网参数加权，代表网络侧的综合性能；公式右边表示终端i接入网络j的终端接入偏好对网络综合效益值产生的增益，代表用户侧的选网需求。通过把公式两部分相乘可以计算出候选网络中的综合效益值。其中，E_i,j表示用于计算终端接入网络综合效益值的效用函数；λ表示网络参数的权重，当终端承载时延敏感型业务时，由于实时性业务需要相对低的误码率和网络拥塞度以提供持续的高质量服务，此时λ的取值应该大于0.5；与之对应的，当终端承载非时延敏感的业务时，终端往往更倾向于接入能提供更大带宽的网络，同时这类业务产生的数据量往往也比较大，因此网络的费用也应该着重考虑。所以此时λ的取值应该小于0.5；TAP_i,j表示终端i在当前运动状态和业务类型下接入j网络的偏好值。

对CNS中全部候选网络计算网络综合效益值，可以得到终端的CNS的综合效益集合，表示为：

E′_i＝{E_i,1,E_i,2,...,E_i,m} (16)

其中，k∈{1,2,...,m}，表示目标网络下标；m满足m＝|CNS|，表示候选网络集中所有网络数量。

最后，在切换决策时，选择综合效益值最高的网络作为切换的目标网络，其中满足以下公式：

E_i,k＝max(E′_i) (16)

在仿真过程中，本发明模拟的网络场景是5G宏蜂窝、5G微蜂窝和WLAN接入点组成的超密集异构无线网络，无线接入网络均采用正交频分复用(Orthogonal FrequencyDivision Multiplexing，OFDM)技术。为了评估本发明方法的性能，用Matlab仿真工具模拟了城市核心区域内某十字路口的场景，网络仿真场景为半径500m的圆形区域。在该仿真场景中，部署有1个5G宏蜂窝，6个服从泊松随机分布的5G微蜂窝和20个均匀分布的无线局域网(WLAN)的无线AP点。仿真场景中的终端运动速度的范围在0到100千米每小时，终端承载的业务类型呈动态变化。

为了进一步突出本发明的优越性，将本发明所采用的模型与基于注意力(Attention)机制的Transformer模型和传统的线性回归(Linear Regression，LR)模型进行比较。其次，为了验证本发明方法计算TAP的准确性，将本发明方法与基于深度学习(DeepLearning，DL)的方法进行比较，通过对比两种方法的ROC(Receiver OperatingCharacteristic)曲线分析两种方法的性能差异。最后，为了验证本发明方法能够适应车辆异构网络中的接入问题，设计了平均负载程度、切换次数、方法时间开销等4组实验，将本发明方法与基于两层模糊逻辑(Fuzzy Logic-Fuzzy Topsis，FL-Topsis)的方法[EvangelineC S,Kumaravelu V B.A two-phase fuzzy based access network selection schemefor vehicular ad hoc networks[J].Peer to Peer Network,2022,15:107–133.]和基于人工神经网络的方法(ANN-VHO)进行比较[MABin,LI Shagnru,XIE Xianzhong.AnAdaptive Vertical Handover Algorithm Based on Artificial Neural Network inHeterogeneous Wireless Networks[J].Journal of Electronics&InformationTechnology,2019,41(02):1210-1216.]。

图3为各预测方法预测结果比较图，从图可以看出三种方法预测值和真实值的走向趋势一致，并且三种预测方法在RSSI波动幅度比较小时预测结果都较为准确；但是当RSSI波动幅度较大时，本发明方法的预测效果要好于其他对比方法，

表现为两条曲线更加贴近。通过可以看出在本发明的应用场景中，基于Transformer模型的方法与本发明采用的方法相比总体预测准确性方面没有太大的差距。通过分析和反复实验得出主要是由于本发明应用场景中用于训练的数据规模较小、维度较低，且各数据之间存在较强的时序相关性，利用LSTM进行预测就能得到比较良好的结果。而Transformer模型更适合解决规模更大的问题，因此在本发明场景中Transformer模型的优势不能很好地体现出来。综合考虑预测准确性与方法复杂度，本发明认为基于LSTM的方法是较为合理的选择。通过对比图的中间部分和右侧部分可以发现，本发明采用的方法与基于LR的方法相比，当RSSI波动幅度较大时本发明的方法在预测的准确性方面有比较大的优势，并且由于本发明方法的模型训练阶段在后台进行，方法增加的时间开销在可承受范围内。

图4为各分类方法分类结果的比较图，通过对比可以看出，基于DL的方法与本发明采用的方法相比在方法总体性能上互有胜负，但整体差距非常微小。具体来说，基于DL的方法在对第一个类别进行分类时ROC更靠近左上角，代表此时基于DL的分类方法性能有一定优势。但是在后两个子任务上，本发明方法的性能均要略好于对比方法。考虑到本发明采用的方法模型更加轻量化，在时间开销上有较大的优势，所以在本发明的应用场景中选择基于SVM的模型也是合理的。

图5是不同方法的切换次数与终端数量的关系图，从图中可以看出，随着终端数量的增加所有方法的切换次数都呈上升趋势，但代表本发明方法的曲线整体上要比图中其他两条线更低，表明本发明方法的切换次数整体上要少于对比方法。分析仿真结果可以得出，虽然在终端数量比较少的情况下各方法的切换次数差距不明显，但是随着终端数量的增加，本发明的方法优势逐渐体现出来，并且本发明方法切换次数的提升幅度相较于其他方法有所降低；综合网络负载和终端反馈信息分析原因得出，随着终端数量的增加网络接入请求也随之增加，大量网络资源块被分配给终端导致网络的整体拥塞度升高。如果此时有终端进行网络切换，在切换执行的时候可能会遇到由于网络的剩余资源块不足而导致的切换失败，因此终端在短时间内又会重新触发切换导致总体切换次数增加。

图6为各方法的切换次数和终端速度之间的关系图，从图中可以看出当终端速度很低时本发明的切换次数会稍高于对比方法，这是由于部分低速运动的终端会把带宽需求较高且对时延不敏感的业务卸载到无线局域网上，以稍微增加切换次数作为代价降低接入网络的成本，同时起到负载均衡的作用。但随着终端速度的提升，终端在当前服务网络中的驻留时间随之降低，导致终端在更短的时间内运动到网络覆盖边缘，进而导致切换次数的增加。和其他方法相比，本发明方法切换次数随终端速度增加的幅度更低，对终端运动速度变化的自适应效果更好。

图7反映了不同方法的网络拥塞度与终端数量的关系，从图中可以看出随着终端数量的增加所有方法的网络拥塞度均为上升趋势。但从拥塞度上升速度看出两种对比方法的拥塞度上升得更快，最终导致基站更快处于拥塞状态。由于本发明方法在网络选择阶段综合考虑了终端接入偏好和网络拥塞度，减少了大量终端同时接入同一网络而导致的资源竞争，因此本发明方法的拥塞度曲线更加平稳，最终基站的拥塞度相较于对比的方法更低。结合仿真结果和分析可以认为本发明提出的方法能使网络间的负载更加均衡，能一定程度上降低网络拥塞度。

图8展示了不同方法的时间开销与实验次数的关系。从仿真结果图中可以看出，传统的MADM方法时间开销是最低的，这主要是因为传统的方法模型简单，计算过程也几乎没有比较耗时的操作。但是该类方法容易导致网络侧性能降低，终端获得的服务质量也得不到保证。其次是基于深度神经网络的ANN-VHO方法，该方法采用的是传统的全连接神经网络，把终端的需求、候选网络的属性作为输入，把神经网络的输出值作为确定目标网络的依据。该方法里定义的神经网络隐藏层层数为两层，并且输入层的参数较多，导致该方法时间开销比较高。再次是基于FL-TOPSIS的切换方法，该方法同样时间复杂度较高，并且随着网络规模的增加，时间开销迅速增加。本发明提出的LSTM-SVM方法首先利用预测方法预判的切换的触发，减少方法的空闲等待时间，从而降低方法的时间开销。通过反复多次实验可以得出，本发明提出的方法时间开销在同类方法里处于相对较低的水平，且多次实验得出的时间开销波动较小。

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。

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 (4)

1.一种超密集异构无线网络中感知终端接入偏好的切换判决方法，其特征在于，包括以下步骤：

101、信号强度预测：收集网络中各个基站的历史参数，对收集到的历史参数进行包括异常数据处理、数据归一化、数据清洗步骤在内的预处理，然后输入LSTM神经网络模型进行训练，最后使用训练好的模型预测RSSI；

102、终端接入偏好计算：首先根据终端上行数据率、下行数据率划分业务类型，然后把终端运动速度和终端业务类型输入支持向量机SVM模型，计算得到终端接入偏好；

103、自适应切换判决方法：根据步骤101预测的RSSI判断是否触发切换，触发后根据步骤102中得到的终端接入偏好；综合考虑终端接入偏好和候选网络的数据传输率、网络拥塞度、网络费用，构建效用函数计算候选网络的综合效益值；最后，终端从候选网络集中选择出综合得分最高的网络作为切换目标网络；

所述步骤102中计算终端接入偏好分为以下步骤：

(1)构建SVM的特征矩阵：

首先选取终端的运动状态和业务类型作为分类特征，每个分类特征向量由终端的运动状态和业务类型表示，即

其中表示训练集中第i₂条数据中终端的速度特征；/>表示训练集中第i₂条数据中终端的业务类型特征；

整个训练集的特征矩阵由多个上述特征向量构成，可以写成：

其中，P表示由训练集的特征向量组成的特征矩阵；M表示训练集中数据的总量；表示训练集中第i条数据的特征向量；

网络环境中每种无线接入技术RAT对应一个分类的类别，每个样本被划入不同类别的概率对应终端接入RAT的偏好；

(2)构建SVM的分类结果标签：

标签用于表示分类结果，即终端接入的接入点类型，写为：

l＝[q₁,q₂,...,q_M]^T (7)

因此，输入SVM的训练数据集合表示为

D＝{(p₁,q₁),(p₂,q₂),...,(p_M,q_M)} (8)

其中，表示训练集中第i₂条数据的特征向量；/>表示该特征向量对应的类型，称为标记；M为训练集中的总样本数，满足M＝|D|；

(3)改进为SVM多分类器：

把传统的SVM分类器改进为SVM多分类，采用一对余类OVR方法构造多分类器，将每个类的所有样本其为正类，其余所有类的样本为负类去构造二分类器SVM，其求解过程是求解M个包含3个变量的二次规划问题，具体计算过程为：

其中，下标i₂∈{1,2,...,M}，表示样本的索引；上标j₂∈{1,2,3}，表示类型的索引；表示超平面；φ表示非线性映射；ξ表示非负松弛变量；K表示惩罚系数(K>0)，且K值越大惩罚越大；

所述步骤102自适应切换判决方法需要计算下列网络侧参数：

(1)计算网络信噪比：

信噪比近似为接收信号强度和网络环境中干扰信号强度的比值，表示为：

其中，CNS表示候选网络集；j₁表示CNS中候选网络的下标；SNR_i,j表示终端i在网络j中的信噪比；表示发射功率；γ_i,j表示信道增益；I_i,j表示高斯白噪声；/>表示受其他基站干扰总和；

(2)计算网络误码率：

误码率是衡量信道在规定时间内数据传输精确性的重要指标，公式为：

(3)计算最大数据传输率：

根据香农公式，终端在网络中可以获得的数据传输率表示为：

B_i,j＝Z_i,j·BW_j·log₂(1+SNR_i,j) (12)

其中，Z_i,j表示终端i从网络j中获取的资源块的块数，BW_j表示网络j中每个资源块的带宽；

(4)计算网络拥塞度：

网络的拥塞程度可以由接入网络的终端数量和已分配的资源块表示，根据网络拥塞度的定义，表示为：

其中，R_j表示网络j中资源块的总数,u表示接入网络j的所用终端的数量；

(5)计算网络成本：

δ_j表示网络j中单位资源块的定价，则终端接入网络的成本可以表示为

θ_i,j＝Z_i,j·δ_j (14)；

所述步骤103中，用最大最小值归一化方法，对所有选网参数进行归一化处理；

综合考虑终端接入偏好、业务类型以及上述的各项网络参数，网络综合效益值计算公式如下：

E_i,j＝[λ·(BER_i,j+NC_j)+(1-λ)·(B_i,j+θ_i,j)]·(1+TAP_i,j) (15)

E_i,j表示用于计算终端接入网络综合效益值的效用函数；λ表示网络参数的权重，TAP_i,j表示终端i在当前运动状态和业务类型下接入j网络的偏好值；

选择目标网络时，将综合效益值作为用户评价网络的满意程度指标，选择满意度值最大的网络作为用户接入的目标网络；

对CNS中全部候选网络计算网络综合效益值，可以得到终端的CNS的综合效益集合，表示为：

E′_i＝{E_i,1,E_i,2,...,E_i,m} (16)

其中，k∈{1,2,...,m}，表示目标网络下标；m满足m＝|CNS|，表示候选网络集中所有网络数量；

最后，在切换决策时，选择综合效益值最高的网络作为切换的目标网络，其中满足以下公式：

E_i,k＝max(E′_i) (16)。

2.根据权利要求1所述的超密集异构无线网络中感知终端接入偏好的切换判决方法，其特征在于，所述步骤101获取网络中的历史参数数据，具体包括：收集t时刻的信道参数，包括接收信号强度指示RSSI，参考接收信号功率RSRP和参考接收信号质量RSRQ，用矩阵形式可以表示为：

x_t＝[RSSI_t,RSRP_t,RSRQ_t] (1)

输入多个历史时刻的特征向量，挖掘出RSSI时序上的变化规律，把多个时刻的特征向量组合成一个包含多个时刻时序信息的特征矩阵，再把特征矩阵中的向量分别输入相连的神经网络单元进行处理，时间步长设置为3秒。

3.根据权利要求2所述的超密集异构无线网络中感知终端接入偏好的切换判决方法，其特征在于，所述输入LSTM神经网络模型进行训练，具体包括：

特征矩阵表示收集到的所有特征参数，可以表示为：

LSTM将各时刻中隐藏层的输出存储在记忆细胞中，然后通过门控机制决定如何保留或更新这些记忆中的信息，f_t，g_t，o_t分别表示t时刻隐藏层内部的遗忘门，输入门，输出门；sigmoid表示sigmoid激活函数，经过此激活函数后得到的输出值在[0,1]范围内，可以用激活后的值表示各个门的开闭情况；c_t表示t时刻的记忆细胞；c′_t表示t时刻的新增记忆；h_t-1表示上一时刻输出的隐状态；则神经网络的输出可以表示为：

4.根据权利要求3所述的超密集异构无线网络中感知终端接入偏好的切换判决方法，其特征在于，所述步骤101采用梯度下降方法训练模型，根据多元微分链式求导法则，LSTM中各参数的权值矩阵更新为：

其中η表示学习率，学习率过低会导致训练速度太慢，学习率过高会导致训练过程振荡，使得模型难以收敛。