APP下载

C-RAN无线网络中业务预测的马尔科夫模型

2015-10-15马旗超刘占军

电视技术 2015年3期
关键词:流量矩阵变化

马旗超,刘占军,彭 霞,沈 悦

(重庆邮电大学 重庆移动通信技术重点实验室,重庆 400065)

C-RAN无线网络中业务预测的马尔科夫模型

马旗超,刘占军,彭 霞,沈 悦

(重庆邮电大学 重庆移动通信技术重点实验室,重庆 400065)

C-RAN架构无线网络由于采用的是云处理模式,从而具有了云处理模式。已有的业务预测方法应用到C-RAN网络中,会存在不能充分利用共享的信息资源从而影响预测效果的问题。针对这个问题,在证明C-RAN架构无线网络中由不同小区业务流量构成的向量随时间变化的过程是一个马尔科夫过程的基础上,提出利用历史数据构建预测矩阵,通过预测矩阵与当前业务流量数据进行预测,并且设计出预测矩阵的构建方法,以及当有新流量数据到来时对预测矩阵的修正方法,从而适应了对网络状态非平稳情况下的预测。仿真结果表明该方法在预测精度上比传统的外延法、回归分析法有所提高。

C-RAN架构;马尔科夫模型;业务预测;云处理模式

近年来,随着智能终端的普遍应用以及智能终端带来的新型业务,使得网络中业务量呈指数性增长。与此同时,用户对网络适应不同应用场景的要求越来越高[1]。相比于4G网络,未来的第5代移动通信技术(5G)特点是高密度、高负载、数据量大。针对数据量增大这一特点,一方面网络中的处理发生变化,已经有人提出采用云计算模式进行网络中的数据处理,即云计算处理模式[2]的无线网络结构;另外一方面,数据中的统计规律也逐渐显现出来。因此,针对云计算模式下的无线网络,基于云计算网络构架的业务预测成为一个有意义的研究课题。根据其中的统计规律,建立合理的预测模型,对于未来5G网络的研究具有重要意义。

目前,关于通信业务预测的方法分为定性分析和定量分析。定性分析是预测者根据以往的统计数据进行的直观判断,但是该方法的预测精度受限于预测者的技术水平。定量分析主要利用原始的数据序列,借助数学方法,建立数学模型进行预测,其预测精度取决于数据特征[3-4],其方法主要包括时间序列预测技术[5-6]和相关分析预测技术[7-8]。

针对集中式C-RAN(C-Radio Access Network)架构[9-10],采用的是云计算模式,具有数据量大、信息共享等特点,现有方法应用于该架构却不能很好地利用小区之间信息共享的优势,因此本文提出了一种适合于C-RAN架构的预测模型——马尔科夫模型,该模型能够充分利用C-RAN架构的集中特性,以便根据小区之间流量变化比例的关系,实现对网络资源实施合理地分配,从而有效地控制网络的流量,进而改进和优化网络的性能。同时,文中对该模型进行了修正,拓展了模型的使用范围。

1 平稳过程预测模型

根据上述定义可知,则相邻两个时刻网络流量状态之间有如下关系

Q(n+1)=P(n)×Q(n)

(1)

式中,P为在n时刻时的网络流量状态转移矩阵

式中:Pij(n)为在n时刻第i个小区流量Qi(n)对在n+1时刻第j个小区流量Qj(n+1)的贡献率,即

(2)

则由式(2)可得

P{Qij(n)|Qi(n)}

(3)

根据随机过程中马尔科夫链的定义可知,上述离散化的网络状态过程符合马尔科夫链的定义,则上述网络状态变化过程为马尔科夫过程。

如果两个相邻时刻间隔足够短,该随机过程是平稳的。假定网络状态随时间变化的过程是一个平稳过程,则网络状态之间有如式(1)所示。

在平稳过程条件下,P(n)的取值与n无关,即

P(n)=P(n+1)=…=P(n+m)

(4)

根据式(2)可知,只要得到连续的m+1个网络状态,换言之,在m+1个时间段内该过程是平稳的,可求得网络状态转移矩阵

(5)

根据平稳过程的性质可知,利用式(5)求得网络转移矩阵P,对网络中下一个状态预测的表达式如式(1)所示。

然而,上述模型是建立在短时间内随机过程平稳条件下的,而随着时间的变长,随机过程的平稳性遭到了破坏,因此该模型只能对短时间的业务分布进行预测,而长期的分布预测,需要对模型进一步改进。

2 非平稳过程预测模型

在现实网络中,由于各小区的流量具有复杂性和突发性等特点,使得由各小区流量构成的网络状态向量随时间发生变化,是一个非平稳的过程。当时间t0足够短,可以认为m维的网络状态向量随时间变化的过程是一个平稳的过程。但是随着时间的变化,该随机过程的平稳性被打破。根据平稳过程条件下的模型可知,如果不对用于预测的转移矩阵加以修正,就会带来越来越大的误差,因此提出对转移矩阵的修正机制,从而实现对非平稳过程的预测是必要的。

根据网络误差随网络环境变化的趋势,本文提出用预测时刻网络中各小区的真实数据来替代更前面的数据进行误差修正。

因此,根据在n+1时刻各小区的真实数据Q(n+1)对模型进行修正,则可得对转移矩阵的修正模型

(6)

由式(6)可知,根据在n+1时刻的真实数据Q(n+1),可得到修正后的系统状态转移矩阵P′(n+1)。

(7)

根据得到的修正后的系统转移矩阵P′(n+1),利用式(1),对下一时刻各小区流量进行预测。

Q(n+2)=P′(n+1)×Q(n+1)

(8)

同理,经修正后得到的系统转移矩阵P′(n+1)对于后续时间的应用,已经破坏了短时间内随机过程是平稳过程的条件,使得概率分布规律偏离原来概率分布规律增大,造成预测误差也会增大。因此,根据式(6)对系统模型再次进行修正,从而根据式(8)对下一个时刻进行预测。

3 性能分析

本次数值实验的仿真场景为C-RAN架构下的37个RRU,待观测小区19个,最外层小区为待观测小区边缘小区相邻小区的镜像小区,每一个RRU覆盖一个小区,如图1所示。网络中终端用户以均匀方式随机分布在各小区。在每个RRU覆盖范围内,网络中的用户业务类型共有4种,分别是会话类(语音)、数据流类(在线视频)、交互类(网页浏览、游戏)、后台类(E-mail、短信),用户业务开销p(k)服从相同的概率分布。

表1 仿真参数列表

图1 基站和用户的分布情况

仿真中各RRU的发射功率为46dBm;用户的方向在0°~360°范围内以均匀分布的模式产生,速度分别取为步行、自行车、汽车的速度。各RRU统计业务流量的周期为0.2s。用户的业务开销等同于业务需求的比特率。业务到达率λ(t)为一确定值,不随时间变化而变化时,网络小区的业务流量处于平稳状态;相反,业务到达率λ(t)随时间变化而变化时,网络小区的业务流量处于不平稳状态。

对预测机制的适应能力进行验证分析,对网络的相对误差error和绝对误差E进行分析,这两个参数定义如下

(9)

(10)

式中:M是待观察小区数量;Q(i)为第i个小区的真实业务流量;Q′(i)为第i个小区的预测业务流量。

根据到达率λ(t)的变化情况,得到不同到达率变化情况下的相对误差概率情况,如图2~图4所示。

图2 在平稳到达率不变情况下的网络误差曲线

图3 在非平稳到达率线性增加情况下的网络误差曲线

图4 在非平稳到达率波动性变化下的网络误差曲线

图2为该模型对平稳过程下网络中业务到达率不变情况下的适应性。由图可以看出,本算法和对比算法的绝对误差曲线呈波动性变化,其波动趋势是由于用户位置的随机性等造成的。同时,本算法和对比算法的相对误差概率曲线与绝对误差曲线呈正相关,其由于网络的到达率不变使得网络总流量不变。本算法的相对误差概率曲线位于对比算法的相对误差概率曲线下方,这表明本算法提高了预测准确度,而对比算法因为没有考虑相邻小区业务流量对自身小区的影响,导致预测精度下降。在平稳过程情况下,该模型能很好地适应网络环境的变化。

图3为该模型对非平稳网络中业务到达率随时间线性增加且到达率变化率为1情况下适应性。由图可知,随着时间变化,本算法和对比算法的绝对误差曲线呈平稳趋势,但具有较小的波动性。同时,对比算法的相对误差概率曲线随着时间变化缓慢平滑下降,其下降趋势是由于网络总的业务流量增加;本算法的相对误差概率曲线位于对比算法的相对误差概率曲线的下方,表明本算法提高了预测精度,而对比算法因为没有考虑相邻小区业务流量对自身小区的影响,导致预测精度下降。在非平稳业务到达率线性增加的变化下,该模型对环境的变化具有很好的适应性。

图4为该模型对非平稳下网络中业务到达率随时间呈正弦波动性变化下的适应性。由图可知,随着业务到达率呈正弦波动性变化,本算法和对比算法的绝对误差曲线呈现波动性变化,其波动趋势是由于流量的绝对误差与业务到达率的绝对误差呈正相关。同时,本算法与对比算法的相对误差概率曲线随时间变化缓慢波动性下降,其下降趋势是由于网络总的业务流量始终增加。本算法的相对误差概率曲线位于对比算法相对误差概率曲线的下方,这表明本算法提高了预测精度,而对比算法因为没有考虑相邻小区业务流量对自身小区的影响,导致预测精度下降。与图2进行横向比较可知,面对网络小区业务流量不平稳情况,该模型具有很高的适应性。

4 结论

无线网络的业务预测对网络的性能提高具有重要意义,针对C-RAN构架的无线网络下的业务预测进行研究,通过分析得到网络的业务量随时间的变化满足其次行和无后效应两个特征,从而证明了该过程是一个马尔科夫过程。而对于网络的业务量随时间变化的过程中,在时间足够短的情况下,可以认为该过程是一个平稳过程。在上述理论基础上结合C-RAN构架无线网络的信息集中的特点,提出根据历史数据记录,生成预测矩阵的方法,利用当前各个RRU结点的数据业务流量对网络的未来业务进行预测的方法。但是时间较长的情况下,网络的业务流量会发生变化而不再是平稳过程。为了适应这一特征,对本方法进行了改进,提出利用新到来的数据对预测矩阵进行修正,从而使得预测矩阵随着网络状态的变化也相应的改变。该方法与传统的外延法、回归法比较,充分利用了各个RRU之间相关性的特点,从而提高了预测精度。仿真分析表明,在平稳条件下本算法的相对误差平均值可以提高精度1%~3%,而在非平稳的网络中,本算法的相对误差平均可以提高8%~15%,这也验证了该方法的有效性。

然而,本方法是利用C-RAN构架网络数据集中特点来进行设计的。而这种无线网络下云计算的处理会覆盖较多RRU,因此所构建的预测矩阵较大,计算量大大增加,而且随着所覆盖的RRU数量的增多,计算量的增加速度也会变快。因此,如何在保证预测精度不受影响的情况下降低计算复杂度,降低计算量,是笔者未来进一步的研究方向。

[1]MOHAPATRAS.K.Integratedplanningfornextgenerationnetworks[C]//Proc.IEEEInternationalSymposiumonIntegratedNetworkManagementWorkshop.NewYork:IEEEPress,2009:205-210.

[2]罗军舟,金嘉晖,宋爱波,等.云计算:体系架构与关键技术[J].通信学报,2011,32(7):3-21.

[3]WANGSJ,GUOJ.On-linetrafficforecastingofmobilecommunicationsystem[J].PervasiveComputingSingnalProcessingandApplications,2010(32):97-100.

[4]高波,张钦宇,梁永生,等.基于EMD及ARMA的自相似网络流量预测[J].通信学报,2011,32(4):47-56.

[5]SIVAKUMARR,ASHOKKE.Predictionoftrafficloadinwirelessnetworkusingtimeseriesmodel[C]//Proc.IEEEProcessAutomation,ControlandComputingConference.Coimbatore:IEEEPress,2011:1-6.

[6]GAOJW,LENGZW,QINY,etal.Short-termtrafficflowforecastingmodelbasedonwaveletneuralnetwork[C]//Proc.IEEE25thChineseControlandDecisionConference.Guiyang:IEEEPress,2013:5081-5084.

[7]ZHANGR,CAIYP,FUXA.Anetworktrafficpredictionmodelbasedonrecurrentwaveletneuralnetwork[C]//Proc.IEEEComputerScienceandNetworkTechnologyConference.Changchun:IEEEPress,2012:1630-1633.

[8]ZHANGXL,ZHUT,LUOL,etal.ForecastingemergencydepartmentpatientflowusingMarkovchain[C]//Proc.IEEEServiceSystemsandServiceManagementConference.HongKong:IEEEPress,2013:278-282.

[9]LIGG,ZHANGSJ,YANGXB,etal.ArchitectureofGPPbased,scalable,large-scaleC-RANBBUpool[J].GlobecomWorkshops,2012:267-272.

[10]张若文,方韧.无线接入网演进之C-RAN技术[J].电信工程技术与标准化,2012,25(4):79-84.

[11]姜向荣,梁雄建.时间序列预测新方法及其在电信预测中的应用[J].北京邮电大学学报,2009,11(3):42-47.

刘占军(1975— ),硕士生导师,主要研究方向无线通信网络;

马旗超(1988— ),硕士生,主研无线资源管理;

彭 霞(1991— ),女,硕士生,主研无线接入网;

沈 悦(1991— ),女,硕士生,主研无线接入网。

责任编辑:许 盈

Multidimensional Markovian Model of Traffic Forecast of Wireless Network in Architecture of C-RAN

MA Qichao, LIU Zhanjun, PENG Xia, SHEN Yue

(KeyLaboratoryofMobileCommunicationTechnology,ChongqingUniversityofPostsandTelecommunications,Chongqing400065,China)

The wireless network in C-RAN architecture adopts the cloud processing mode, and has the characteristics such as the large amount of information, and the ability of the resource sharing etc.If the current prediction methods are applied into the C-RAN architecture, there exists the problem that the shared resources would not been fully utilized, resulting in loss in the efficiency of prediction accuracy.To address the problem, it firstly proves that the change of cell traffic flow over time satisfies a multidimensional Markovian process.Then, a forecast method is proposed by constructing the prediction matrix with previous records, which could utilize the shared information in C-RAN networks.Also, a design method of the prediction matrix and its improvement scheme with the arrival of new data are given to adapt to the prediction of non-stationary process conditions.The simulation results show that the method could improve the prediction accuracy compared to the traditional algorithms.

C-RAN; multidimensional Markovian model; traffic forecast; cloud patterns

【本文献信息】马旗超,刘占军,彭霞,等.C-RAN无线网络中业务预测的马尔科夫模型[J].电视技术,2015,39(3).

国家“863”计划项目(2010ZX03003008-004;2014AA01A701);重庆市教委资助项目(KJ120510)

TN949.6

A

10.16280/j.videoe.2015.03.037

2014-07-10

猜你喜欢

流量矩阵变化
冰墩墩背后的流量密码
张晓明:流量决定胜负!三大流量高地裂变无限可能!
寻找书业新流量
从9到3的变化
这五年的变化
初等行变换与初等列变换并用求逆矩阵
鸟的变化系列
矩阵
矩阵
矩阵