CN116095778A - 一种基于室内方位深度感知的wifi网络切换方法 - Google Patents

Abstract

本发明一种基于室内方位深度感知的WIFI网络无缝切换方法，包括：移动终端划分当前组网区域，获取WIFI热点数据，记录日志；通过WiFi室内定位技术定时获取当前WIFI热点的日志信息，生成对应的WIFI指纹信息构成数据集，存储至服务器对应的数据存储空间；基于深度学习网络构建网络切换预测模型并基于数据集对网络切换预测模型进行训练；根据当前WIFI热点数据形成的当前网络环境下的WIFI指纹，输入至预测模型，预测移动终端设备Δ时刻后是否仍在当前WIFI区域，进而决定WIFI切换是否有必要发生，以及对切换发生的区域进行决策；将切换网络的决策报告给SDN控制器，由SDN控制器端做出切换决定。本发明减少了复杂环境下移动终端设备对于不同区域间多个WIFI热点的切换时间。

Description

一种基于室内方位深度感知的WIFI网络切换方法

技术领域

本发明涉及移动通信网络技术领域，尤其涉及一种基于室内方位深度感知的WIFI网络切换方法。

背景技术

目前，大多数移动通信设备均配置有WiFi功能，它的主要优势是不需要像有线通信一样将终端与网络端口相连，终端在网络服务范围内可以自由移动而不会中断网络连接。在家里或工作场所建立WiFi连接是比较常见的，WiFi可以在多用户环境中共享数据，而无需任何间接费用。大多数公司都为台式机配备了内置无线LAN卡，这一切都非常方便和易于访问。毫无疑问，WiFi网络同时也是易于安装和使用的。

但受制于单个WiFi网络的通信范围，当移动终端设备在网络内移动时，移动设备将频繁在各种AP中进行切换，WiFi的切换过程并不是平滑无缝的，切换过程往往会导致服务质量的显著波动和可能的长连接中断，失败的切换过程也会导致数据丢失。而且由于存在WIFI网络盲点，这种情况进一步恶化，其中信号功率不足以支持数据速率：以地下管廊移动业务终端的网络切换为例，当用户到达网络盲点时，连接中断。

目前对于网络切换造成的时间延迟问题的解决方案大多数是围绕应用层，如视频播放器对于网络波动造成的数据丢失会采用补帧的方法保证网络视频的流畅度。

另外，目前也存在着基于数据链路层的解决方案，移动终端在扫描可用AP点时会识别到与接入点对应的通信信道。无线信道对应于通信协议(例如802.11)定义的预定频带。因为移动终端在确认新的接入点通信信道之前会尝试若干个信道，所以由搜索信道到建立连接造成的等待时间大约会消耗几百毫秒。

作为发送路由器请求消息的可替换的方法，移动终端可以等待接收由路由器通过一个或者多个接入点周期性地发射的路由器公告消息。然而，在发送这些周期性的路由器公告消息之间的最小时间可能是几秒。这样，切换后建立连接的总等待时间可能在几秒的范围内。

减少周期性发射路由器公告消息的时间，可以在一定程度上减少总体的等待时间，但减少多个路由器之间的公告消息时长或减少路由器请求消息与其相应的路由器公告消息之间的时长会导致组网更容易受到分布式拒绝服务攻击(DDOS)，移动终端的非法接入将会使大量的无用路由器请求消息泛滥，最终导致网络瘫痪。

发明内容

本发明的目的是为了提供一种基于室内方位深度感知的WIFI网络切换方法，减少了移动终端设备在复杂环境下的WIFI切换时间。

为解决以上技术问题，本发明的技术方案为：一种基于室内方位深度感知的WIFI网络无缝切换方法，包括：

步骤1：移动终端划分当前组网区域，获取WIFI热点数据，记录日志；

步骤2：通过WiFi室内定位技术定时获取当前WIFI热点的日志信息，生成对应的WIFI指纹信息构成数据集，存储至服务器对应的数据存储空间；

步骤3：基于深度学习网络构建网络切换预测模型并基于数据集对网络切换预测模型进行训练；

步骤4：根据当前WIFI热点数据形成的当前网络环境下的WIFI指纹，输入至预测模型，预测移动终端设备Δ时刻后是否仍在当前WIFI区域，进而决定WIFI切换是否有必要发生，以及对切换发生的区域进行决策；

步骤5：将切换网络的决策报告给SDN控制器，由SDN控制器端做出切换决定。

进一步地，步骤1具体包括：

步骤1.1：将网络环境划分为N个区域，统计不同分区的WIFI热点信号个数N_i，数据记录日志；

步骤1.2：对于第i个子区域中的WIFI热点信号k，获取WIFI热点信号强度

数据记录日志；

步骤1.3：通过调用通信模块获取设备当前的活跃WIFI热点W以及Δ时刻后设备的活跃热点W_Δ，记录日志。

进一步地，步骤2具体包括：

步骤2.1：基于终端定时触发WIFI指纹记录操作，终端获取当前WIFI热点的日志信息；

步骤2.2：终端将扫描到的WIFI热点信号强度信息映射为WIFI指纹信息；

步骤2.3：终端将WIFI指纹信息归一化后上传至服务器作为训练网络模型的数据集。

进一步地，所述步骤2.2中，WiFi指纹信息指的是每隔一段固定的时间，终端接收端受到的WIFI热点发射端的辐射强度的特征信息组合；步骤1.1中将整体组网区域离散化为N个子区域，定位区域中WiFi信号发射端个数为S，其中的每个方位都会有其固定的特征信息组合标签

则对于一个网络子区域i，其位置坐标表示为

其WiFi指纹信息可以写作：

其中，

表示某个子区域i中的终端设备接收端分别受到S个不同WIFI热点信号发射端辐射的信号强度。

进一步地，所述步骤2.3中，通过Min-Max标准化方法进行归一化处理，具体为：

其中，Γi_min为数据集Γi中的最小值，Γi_max为数据集Γi中的最大值，i表示子区域编号。

进一步地，步骤3具体包括：

步骤3.1：定义深度学习网络结构，设置网络结构参数；具体包括：

步骤3.11：预先定义深度学习网络结构的输出结果，输出结果为分类结果，若此时决策判断热点W完全不同于W_Δ，输出结果2，若此时决策判断热点W可能不同于W_Δ，输出结果1，若此时决策判断热点W相同于W_Δ，输出结果0；

步骤3.12：设置神经网络的层数、输入输出神经元数量、WIFI热点数量、划分区域数量、隐层神经元数量、初始化神经网络学习率；

步骤3.13：根据归一化处理后WIFI指纹信息定义神经网络的激活函数与代价函数；

步骤3.2：随机初始化神经网络中所有特征参数，利用数据集的一部分数据通过前向传播算法得出预测分类数据，利用反向传播算法计算输出层的神经元梯度项，更新特征参数，训练神经网络，当前样本输出与预期输出误差小于阈值，完成网络切换预测模型训练。

进一步地，所述步骤3.11中，神经网络预期输出设为：

其中，y⁽ⁱ⁾表示在当前第i个子区域，神经网络对于WIFI热点选择的预期输出，P表示模型输出的分类置信度；由于步骤1中的数据每隔Δ采集一次，则在第i个子区域的m次数据采集中所得到的结果集为：

{Γ_i ^nor,y⁽ⁱ⁾}＝{(Γ_i ^nor(1),y⁽ⁱ⁾),(Γ_i ^nor(2),y⁽ⁱ⁾)...(Γ_i ^oor(m),y⁽ⁱ⁾)}

所述步骤3.12中，构建神经网络的结构，神经网络的层数为6，输入神经元节点和WIFI热点数量一致，隐层神经元初始为为18个，其在训练过程中可变，输出神经元为1个，神经元节点偏置项为0，人工神经网络学习率为η；所述步骤3.13中，激活函数为：

其中，

为神经元节点特征参数矩阵，Γ_i ^nor为归一化处理后的WIFI热点信号强度值；

代价函数为:

输出层的神经元梯度项计算公式为：

神经网络每个节点的权重的更新公式为

其中，w_ij＝ηg_ibj，其中i表示神经层数编号，j表示第i层中的第j个神经元，bj是隐层第j个神经元的输出，η为人工神经网络预设的学习率，神经网络通过训练从而不断更新权重，最终达到全局最优解。

进一步地，所述步骤3.2中，采用反向传播算法重复以下步骤反复迭代以训练神经网络，具体包括：

步骤3.21：在(0，1)范围内随机初始化神经网络中所有特征参数；

步骤3.22：对于({Γ_i ^nor,y⁽ⁱ⁾})根据当前参数和式(1)计算当前样本输出h_θ(Γ_i ^nor)；

步骤3.23：根据式(2)式计算输出层的神经元梯度项g_i；

步骤3.24：根据式(3)更新特征参数，至预期输出与当前样本输出误差小于限定值，完成模型训练。

进一步地，所述步骤4中，移动终端设备连接当前区域WIFI信号强度最佳的热点之后，若信号强度出现波动并低于切换阀值，由训练出的模型通过比对当前所有WIFI热点信号强度值：

若输出结果为2，则判定移动终端设备在Δ时间后将处于另一WIFI热点区域内，检测到即将到来的WIFI切换，WIFI信号强度波动不是干扰造成，决定执行切换；

若输出结果为1，则WIFI信号强度大概率是由区域网络波动造成的，当网络波动次数超过接受阈值，决定执行子区域内网络切换，若子区域内只存在一个WIFI网络热点，处理方法同输出结果2；

若输出结果为0则不进行网络切换。

进一步地，所述步骤5中，使用网络管理协议SNMP和终端提供的WIFI热点通信质量数据，在SDN收到切换网络的决策后，将AP流量状况和WIFI热点信号强度报告给SDN控制器，在控制器端做出网络切换操作；何时启动切换以及要关联到哪个目标AP由集中式SDN处理。

本发明具有如下有益效果：

本发明提出的一种基于室内方位深度感知的WIFI网络切换方法，极大地减少了复杂环境下移动终端设备对于不同区域间多个WIFI热点的切换时间，通过对采集的WIFI信号强度数据进行指纹化映射与归一化处理，保证在训练过程快速收敛，提高网络模型的训练效率；结果采用基于深度学习算法的三分类输出，对同区域网络波动的情况也能做到快速切换。同时这种训练方式对信道噪声，数据传输速度和衰落现象普遍具有弹性，能够有效提高网络的稳定性。

附图说明

图1为本发明方法流程框图；

图2为本发明方法整体流程图；

图3为本本发明实施例中WIFI指纹结构示意图；

图4为本发明实施例中深度学习网络结构示意图；

图5为本发明实施例中终端区域运动案例示意图；

图6为本发明实施例中SDN控制器网络切换流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明作进一步详细说明。

请参考图1，本发明为一种基于室内方位深度感知的WIFI网络切换方法，其包括：

步骤1：移动终端划分当前组网区域，获取WIFI热点数据，记录日志；

步骤2：通过WiFi室内定位技术定时获取当前WIFI热点的日志信息，生成对应的WIFI指纹信息构成数据集，存储至服务器对应的数据存储空间；

步骤3：基于深度学习网络构建网络切换预测模型并基于数据集对网络切换预测模型进行训练；

步骤4：根据当前WIFI热点数据形成的当前网络环境下的WIFI指纹，输入至预测模型，预测移动终端设备Δ时刻后是否仍在当前WIFI区域，进而决定WIFI切换是否有必要发生，以及对切换发生的区域进行决策；

步骤5：将切换网络的决策报告给SDN控制器，由SDN控制器端做出切换决定。

本实施例中，本发明方法应用于地下管廊移动业务终端的切换需求，设网络覆盖区域和移动终端移动方式如图5所示，终端移动路径为：子区域1→子区域2→子区域3→子区域6→子区域4→子区域5→子区域8→子区域7。

参阅图2，下面对本发明方法步骤进行进一步说明。

具体的，步骤1中，移动终端设备通过软件与通信质量模块对地下管廊的组网区域进行划分，生成日志文件对收集到的详细信息进行打包并发送给服务器形成数据集；步骤1具体包括：

步骤1.1，将网络环境划分为8个区域，统计这8个分区的WIFI热点信号个数，已检索到N₁＝1,N₂＝3,N₃＝2,N₄＝1,N₅＝1,N₆＝1,N₇＝2,N₈＝1，将数据记录到日志；

步骤1.2，获取其WIFI热点信号强度

其中i表示子区域编号，k表示WIFI热点标号，本实施例中的热点信号强度表示为：

将数据记录到日志；

步骤1.3，通过调用通信模块获取设备当前的活跃WIFI热点W以及Δ时刻后设备的活跃热点W_Δ，将数据记录到日志。

具体的，步骤2中，步骤2通过WiFi室内定位技术将移动终端上的网络日志信息进行数据分析，生成对应的WIFI指纹信息，存储至服务器对应的数据存储空间；步骤2具体包括：

步骤2.1，基于终端定时触发WIFI指纹记录操作，终端获取当前WIFI热点的日志信息对日志进行数据分析。

步骤2.2，终端将扫描到的WIFI热点信号强度特征信息映射为WIFI指纹信息。步骤2.2中的WiFi指纹信息指的是每隔一段固定的时间，终端接收端受到的WIFI热点发射端的辐射强度的特征信息组合，详细来说，步骤1.1中将整体组网区域离散化为8个子区域，其中的每个方位都会有其固定的特征信息组合标签

其位置坐标表示为

其WiFi指纹信息可以写作：

...

其中，

表示某个子区域i中的终端设备接收端分别受到S个不同WIFI热点信号发射端辐射的信号强度。

步骤2.3，终端将WIFI指纹信息归一化后上传至服务器作为训练网络模型的数据集。步骤2.3中，通过Min-Max标准化方法进行归一化处理，具体为：

其中，Γi_min为数据集Γi中的最小值，Γi_max为数据集Γi中的最大值,i表示子区域编号。

具体的，步骤3具体包括：

步骤3.1：参阅图4，定义深度学习网络结构，设置网络结构参数；具体包括：

步骤3.11：预先定义深度学习网络结构的输出结果，输出结果为分类结果，若此时决策判断热点W完全不同于W_Δ，输出结果2，若此时决策判断热点W可能不同于W_Δ，输出结果1，若此时决策判断热点W相同于W_Δ，输出结果0；本实施例的步骤3.11中，神经网络预期输出设为：

其中y⁽ⁱ⁾表示在当前第i个子区域，神经网络对于WIFI热点选择的预期输出，P表示模型输出的分类置信度。由于步骤1中的数据每隔Δ＝0.5s采集一次，则在第i个子区域的m次数据采集中所得到的结果集为：

步骤3.12：设置神经网络的层数、输入输出神经元数量、WIFI热点数量、划分区域数量、隐层神经元数量、初始化神经网络学习率；本实施例中，构建神经网络的结构，神经网络的层数为6，输入神经元节点和WIFI热点数量一致，隐层神经元初始为18个，其在训练过程中可变，输出神经元为1个，神经元节点偏置项为0，人工神经网络学习率为η。

步骤3.13：根据归一化处理后WIFI指纹信息定义神经网络的激活函数与代价函数；本实施例中，激活函数为：

其中，

为神经元节点特征参数矩阵，Γ_i ^nor为归一化处理后的WIFI热点信号强度值；

代价函数为：

输出层的神经元梯度项计算公式为：

神经网络每个节点的权重的更新公式为：

其中，w_ij＝ηg_ibj，其中i表示神经层数编号，j表示第i层中的第j个神经元，bj是隐层第j个神经元的输出，η为人工神经网络预设的学习率，神经网络通过训练从而不断更新权重，最终达到全局最优解。

步骤3.2：随机初始化神经网络中所有特征参数，利用数据集的一部分数据通过前向传播算法得出预测分类数据，利用反向传播算法计算输出层的神经元梯度项，更新特征参数，训练神经网络，当前样本输出与预期输出误差小于阈值，完成网络切换预测模型训练。本实施例中，步骤3.2中，采用反向传播算法重复以下步骤反复迭代以训练神经网络，具体包括：

步骤3.21：在(0，1)范围内随机初始化神经网络中所有特征参数；

步骤3.22：对于({Γ_i ^nor,y⁽ⁱ⁾})根据当前参数和式(1)计算当前样本输出h_θ(Γ_i ^nor)；

步骤3.23：根据式(2)式计算输出层的神经元梯度项g_i；

步骤3.24：根据式(3)更新特征参数，至预期输出与当前样本输出误差小于限定值，完成模型训练。

具体的，步骤4预测移动终端设备Δ时刻后是否仍在当前WIFI区域，进而决定WIFI切换是否有必要发生，以及对切换发生的区域进行决策。

步骤4中，移动终端设备连接当前区域WIFI信号强度最佳的热点之后，若信号强度出现波动并低于切换阀值，由训练出的模型通过比对当前所有WIFI热点信号强度值，若输出结果为2，则判定移动终端设备在Δ时间后将处于另一WIFI热点区域内，检测到即将到来的WIFI切换，WIFI信号强度波动不是干扰造成，决定执行切换。若输出结果为1，则WIFI信号强度大概率是由区域网络波动造成的，当网络波动次数超过接受阈值，决定执行子区域内网络切换，若子区域内只存在一个WIFI网络热点，处理方法同输出结果2。若输出结果为0则不进行网络切换。

具体的，步骤5使用简单的网络管理协议SNMP将AP流量状况和热点网络质量报告给SDN控制器，由SDN控制器端做出切换决定。

参阅图5，步骤5中，传统的WiFi网络的切换过程需要几秒钟的时间，且由无线设备启动，但在处理延迟敏感的应用程序时，这几秒钟可能是造成信息丢失的主要原因。使用简单的网络管理协议(SNMP)和终端提供的WIFI热点通信质量数据，在SDN收到切换网络的决策后，将AP流量状况和WIFI热点信号强度报告给SDN控制器，在控制器端做出网络切换操作。何时启动切换以及要关联到哪个目标AP由集中式SDN处理。

本发明未涉及部分均与现有技术相同或采用现有技术加以实现。

以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.一种基于室内方位深度感知的WIFI网络切换方法，其特征在于：包括

步骤1：移动终端划分当前组网区域，获取WIFI热点数据，记录日志；

步骤2：通过WiFi室内定位技术定时获取当前WIFI热点的日志信息，生成对应的WIFI指纹信息构成数据集，存储至服务器对应的数据存储空间；

步骤3：基于深度学习网络构建网络切换预测模型并基于数据集对网络切换预测模型进行训练；

步骤4：根据当前WIFI热点数据形成的当前网络环境下的WIFI指纹，输入至预测模型，预测移动终端设备Δ时刻后是否仍在当前WIFI区域，进而决定WIFI切换是否有必要发生，以及对切换发生的区域进行决策；

步骤5：将切换网络的决策报告给SDN控制器，由SDN控制器端做出切换决定。

2.根据权利要求1所述的基于室内方位深度感知的WIFI网络切换方法，其特征在于：步骤1具体包括：

步骤1.1：将网络环境划分为N个区域，统计不同分区的WIFI热点信号个数N_i，数据记录日志；

步骤1.2：对于第i个子区域中的WIFI热点信号k，获取WIFI热点信号强度Γ_i ^k，数据记录日志；

步骤1.3：通过调用通信模块获取设备当前的活跃WIFI热点W以及Δ时刻后设备的活跃热点W_Δ，记录日志。

3.根据权利要求1所述的基于室内方位深度感知的WIFI网络切换方法，其特征在于：步骤2具体包括：

步骤2.1：基于终端定时触发WIFI指纹记录操作，终端获取当前WIFI热点的日志信息；

步骤2.2：终端将扫描到的WIFI热点信号强度信息映射为WIFI指纹信息；

步骤2.3：终端将WIFI指纹信息归一化后上传至服务器作为训练网络模型的数据集。

4.根据权利要求3所述的基于室内方位深度感知的WIFI网络切换方法，其特征在于：所述步骤2.2中，WiFi指纹信息指的是每隔一段固定的时间，终端接收端受到的WIFI热点发射端的辐射强度的特征信息组合；步骤1.1中将整体组网区域离散化为N个子区域，定位区域中WiFi信号发射端个数为S，其中的每个方位都会有其固定的信息组合标签Γ_i ^s,i＝1,2,...,N，s＝1,2,...,S；则

对于一个网络子区域i，其位置坐标表示为

其WiFi指纹信息可以写作：

Γ_i＝[Γ_i ¹,Γ_i ²,...,Γ_i ^S]

其中，Γ_i ^s(s＝1,2,3,...,S)表示某个子区域i中的终端设备接收端分别受到S个不同WIFI热点信号发射端辐射的信号强度。

5.根据权利要求3所述的基于室内方位深度感知的WIFI网络切换方法，其特征在于：所述步骤2.3中，通过Min-Max标准化方法进行归一化处理，具体为：

其中，Γi_min为数据集Γi中的最小值，Γi_max为数据集Γi中的最大值，i表示子区域编号。

6.根据权利要求1所述的基于室内方位深度感知的WIFI网络切换方法，其特征在于：所述步骤3具体包括：

步骤3.1：定义深度学习网络结构，设置网络结构参数；具体包括：

步骤3.11：预先定义深度学习网络结构的输出结果，输出结果为分类结果，若此时决策判断热点W完全不同于W_Δ，输出结果2，若此时决策判断热点W可能不同于W_Δ，输出结果1，若此时决策判断热点W相同于W_Δ，输出结果0；

步骤3.12：设置神经网络的层数、输入输出神经元数量、WIFI热点数量、划分区域数量、隐层神经元数量、初始化神经网络学习率；

步骤3.13：根据归一化处理后WIFI指纹信息定义神经网络的激活函数与代价函数；

步骤3.2：随机初始化神经网络中所有特征参数，利用数据集的一部分数据通过前向传播算法得出预测分类数据，利用反向传播算法计算输出层的神经元梯度项，更新特征参数，训练神经网络，当前样本输出与预期输出误差小于阈值，完成网络切换预测模型训练。

7.根据权利要求6所述的基于室内方位深度感知的WIFI网络切换方法，其特征在于：所述步骤3.11中，神经网络预期输出设为：

其中，y⁽ⁱ⁾表示在当前第i个子区域，神经网络对于WIFI热点选择的预期输出，P表示模型输出的分类置信度；

由于步骤1中的数据每隔Δ采集一次，则在第i个子区域的m次数据采集中所得到的结果集为：

{Γ_i ^nor,y⁽ⁱ⁾}＝{(Γ_i ^nor(1),y⁽ⁱ⁾),(Γ_i ^nor(2),y⁽ⁱ⁾)...(Γ_i ^nor(m),y⁽ⁱ⁾0}

所述步骤3.12中，构建神经网络的结构，神经网络的层数为6，输入神经元节点和WIFI热点数量一致，隐层神经元初始为为18个，其在训练过程中可变，输出神经元为1个，神经元节点偏置项为0，人工神经网络学习率为η；

所述步骤3.13中，激活函数为：

其中，

为神经元节点特征参数矩阵，Γ_i ^nor为归一化处理后的WIFI热点信号强度值；

代价函数为:

输出层的神经元梯度项计算公式为：

神经网络每个节点的权重的更新公式为

其中，w_ij＝ηg_ibj，其中i表示神经层数编号，j表示第i层中的第j个神经元，bj是隐层第j个神经元的输出，η为人工神经网络预设的学习率，神经网络通过训练从而不断更新权重，最终达到全局最优解。

8.根据权利要求6所述的基于室内方位深度感知的WIFI网络切换方法，其特征在于：所述步骤3.2中，采用反向传播算法重复以下步骤反复迭代以训练神经网络，具体包括：

步骤3.21：在(0，1)范围内随机初始化神经网络中所有特征参数；

步骤3.22：对于({Γ_i ^nor,y⁽ⁱ⁾})根据当前参数和式(1)计算当前样本输出h_θ(Γ_i ^nor)；

步骤3.23：根据式(2)式计算输出层的神经元梯度项g_i；

步骤3.24：根据式(3)更新特征参数，至预期输出与当前样本输出误差小于限定值，完成模型训练。

9.根据权利要求1所述的基于室内方位深度感知的WIFI网络切换方法，其特征在于：所述步骤4中，移动终端设备连接当前区域WIFI信号强度最佳的热点之后，若信号强度出现波动并低于切换阀值，由训练出的模型通过比对当前所有WIFI热点信号强度值：

若输出结果为2，则判定移动终端设备在Δ时间后将处于另一WIFI热点区域内，检测到即将到来的WIFI切换，WIFI信号强度波动不是干扰造成，决定执行切换；

若输出结果为1，则WIFI信号强度大概率是由区域网络波动造成的，当网络波动次数超过接受阈值，决定执行子区域内网络切换，若子区域内只存在一个WIFI网络热点，处理方法同输出结果2；

若输出结果为0则不进行网络切换。

10.根据权利要求1所述的基于室内方位深度感知的WIFI网络切换方法，其特征在于：所述步骤5中，使用网络管理协议SNMP和终端提供的WIFI热点通信质量数据，在SDN收到切换网络的决策后，将AP流量状况和WIFI热点信号强度报告给SDN控制器，在控制器端做出网络切换操作；何时启动切换以及要关联到哪个目标AP由集中式SDN处理。

Images