面向群业务的移动互联网自适应资源分配机制

吕 鹏，白光伟，，3＋，沈 航，张 芃

（1.南京工业大学 计算机科学与技术系，江苏 南京210009；2.南京理工大学 高维信息智能感知与系统教育部重点实验室，江苏 南京210094；3.南京邮电大学 宽带无线通信与传感网技术教育部重点实验室，江苏 南京210003）

0 引 言

多模终端上运行的业务从单个业务发展成为群业务，即同时运行多个不同类型的业务［1］。为群业务优化分配网络资源有集中式和自适应式两种方法。前者需要一个中央资源管理器和终端频繁交互业务的运行状态信息，容易造成较高的运算开销以及带宽的浪费。终端向中央资源管理器发送信息也会带来一定的能量消耗和费用。

为了避免集中式分配方法的不足，本文提出了一种面向群业务的自适应网络资源分配机制。由用户设定群业务中单个业务的优先级，使分配的网络资源优先满足优先级高的业务。终端在每个控制周期内自适应计算备选网络的优 先 级，同 时 通 过 认 知 技 术［2－4］和 模 糊 控 制 理 论［5－7］得 到 备选网络的属性值，最后对备选网络进行多属性判决，为群业务选择一个适宜的接入网络，以实现网络资源的优化分配。

1 相关工作和问题分析

针对异构网络的资源分配问题，文献 ［8］提出了一种面向业务的异构网络资源分配机制，该机制采用非抢占式优先级策略实现了交互数据业务、视频通话业务和心电图监测业务间的网络资源分配。该机制考虑到医疗保健业务的紧迫性，优先为心电图监测业务分配网络资源，实现心电图数据的优先传输。但是该机制考虑的是单个业务间的资源分配问题，多模终端已由运行单个业务发展成为同时运行多个不同类型的业务，该机制无法实现多业务间的资源分配。

文献 ［9］提出了一种面向终端的异构网络资源分配机制，采用网络资源预测算法实现了网络资源在终端间的分配。该机制的特点是不需要使用中央资源管理器，以自适应的方式分配资源，避免了较高的运算开销以及带宽和能量的浪费。但是该机制仅仅考虑的是满足终端的带宽需求，缺少对终端上运行的业务类型以及业务在带宽、时延、费用等多个方面需求的分析。

文献 ［10］采用吸引子选择模型实现异构网络资源的自适应分配。该机制的优点在于考虑到了终端运行多业务的情况。但是该文献采用的是为多个业务逐一选择接入网络的方式，即每个终端需要同时维持多个网络链接，这样存在以下4个缺点：①切换开销高；②信号干扰严重；③终端能量消耗过高；④对无线资源的浪费大。由于终端能量的局限性和网络资源的有限性，该机制缺少一定的可行性。为终端上运行的多个业务分配一个接入网络是切实可行的方案。

本文提出了面向群业务的异构网络资源分配机制，为群业务选择一个适宜的接入网络，避免了文献 ［10］实现方式带来的4个缺点，实现了多业务间的资源分配。由用户设定群业务中单个业务的优先级，能够使分配的网络资源优先满足群业务中用户更加关注的实时型业务和交互型业务，满足用户需求。该机制采取自适应的资源分配方式，避免了集中式资源分配方式所带来的弊端。在带宽、时延、费用等多个属性对备选网络进行判决，使分配的网络资源满足群业务特征，也能够适应动态变化的异构网络环境。

2 面向群业务的自适应资源分配机制

本节首先引出网络模型和相关定义，用于机制描述。在此基础上，给出备选网络优先级的计算方法，然后介绍如何对备选网络进行多属性判决，最后给出实现步骤及相关算法设计。

2.1 网络模型和相关定义

本文采用如图1所示的异构网络环境，在该环境中存在蜂窝、Wi－Fi、Wimax和DSRC这4种网络，采用松耦合模式。在该环境中，各接入网络的接入点相互独立，使用各自的入网机制并通过各自的网关与Internet相连。在水平方向上，支持不同接入技术的网络交叠覆盖，不同的区域内可供选择的接入网络存在差异。

图1 异构网络系统环境

下面就面向群业务的自适应资源分配机制的相关参数给出具体定义。

定义1 备选网络集合R：定义终端可选择的接入网络集合为：R＝ ｛r1，…，ri，…，rN｝，其中N 为可接入网络的个数，N≥1。

定义2 群业务S：定义终端上运行的群业务为：S＝｛s1，…，sj，…，sM｝，其中M 表示群业务中包含的单个业务的个数，M≥1。

定义3 判决属性集合C：为了满足群业务的业务特征，需要从费用、带宽、安全性、能量消耗和时延等判决属性去评判每个备选网络，定义判决属性的集合为：C＝｛c1，…，ck，…，cZ｝，其 中Z 表 示 判 决 属 性 的 个 数，Z≥1。

定义4 群业务优先级Ps：为了满足用户的需求，由用户设定群业务中单个业务的优先级，定义群业务优先级为：Ps＝ ｛ps，1，…，ps，j，…，ps，M｝，其 中ps，j表 示 业 务sj的优先级，ps，j∈ ［0，1］。当所有业务的优先级一样时，ps，j＝1／M，j∈ ｛1，2，…，M｝。

定义5 网络优先级集合Pr：群业务对于每一个备选网络都有一个选择优先级，定义网络优先级集合为：Pr＝｛pr，1，…，pr，I，…，pr，N｝，pr，i表示网络ri的优先级。

为了便于机制描述，将本文涉及的部分符号标记归纳为表1。

表1 本文使用的符号标记

在网络属性中存在非模糊属性和模糊属性两种类型。非模糊属性 （如带宽和时延）可以确切得到网络属性的量化值。模糊属性 （如价格和安全性）只能得到属性的等级。为了实现对模糊属性的计算和比较，采用模糊控制理论对模糊属性进行去模糊化处理，实现模糊属性的量化表示。借鉴文献 ［11］的方法，将模糊属性的等级分为5个等级，由高到低分别用L1、L2、L3、L4、L5表示，按表2 进行量化。

表2 模糊属性量化

2.2 优先级计算

本节采用吸引子选择模型［10］计算出每个备选网络的优先级。每个备选网络的优先级由终端自适应计算，是终端进行接入网络选择的重要决策指标。下面将介绍如何采用吸引子选择模型计算网络优先级。

终端为群业务中每个业务维持一个网络状态值向量Vj

式中：vj，i——网络ri对于业务sj的状态值。vj，i的值越高，表明网络ri越能满足业务sj的业务特征。

吸引子选择模型定义如下

式中：q （0≤q≤1）——群业务满意度。s（q）——群业务满意度增加函数，d （q）——群业务满意度减少函数。ηj，i为均值为0，方差为σ的高斯白噪声，用来表示噪声对vj，i的影响。

在每个控制周期内，终端通过式 （2）对M 个网络状态值向量进行更新。吸引子选择模型是一种元启发式算法，用来以自适应的方式为全局优化问题找到一个优化的解决方案。以群业务满意度作为资源分配合理程度的指标。当群业务满意度较高时，当前各备选网络的状态值将保持稳定；当群业务满意度较低时，终端对各状态值进行自适应调整。

根据群业务优先级Ps计算出群业务满意度

式中：qj——业务sj的满意度，借鉴文献 ［12］中的方法求得。

根据每一个业务的网络状态值向量和每一个业务的优先级，得到群业务的网络状态值向量G

式中：gi——网络ri对于群业务的状态值

需要说明的是：并非直接相加各业务的网络状态值向量得到G，而是通过各业务的优先级对网络状态值向量进行加权后再求和，这样使分配的网络资源能够优先满足优先级高的业务。

根据群业务的网络状态值，计算每一个网络的优先级

2.3 多属性判决

由于众多群业务对网络资源的竞争，备选网络的属性值在不断地变化。为了满足群业务特征，需要在备选网络优先级的基础上，对备选网络的带宽、时延、价格等多个网络属性进行判决。下面将介绍如何结合备选网络的优先级和属性值，采用逼近理想接入网络法对备选网络进行多属性判决，为群业务选择适宜的接入网络。

在每个控制周期内，由终端通过认知技术检测备选网络的属性值，如带宽、价格、时延、安全性等网络属性值。按表2对模糊属性进行量化处理，将网络属性值用如下矩阵表示

其中，dik表示网络ri的第k 个属性的值。

在带宽、时延、价格、安全性等网络属性中，存在收益属性 （如带宽）和代价属性 （如时延）两种类型，将收益属性集合记为J，将代价属性集合记为J’。为了使优先级高的备选网络在多属性判决中具有优势，使分配的网络资源优先满足群业务中优先级高的业务，同时考虑到存在收益属性和代价属性，根据式 （9）对矩阵D 中收益属性值和代价属性值分别进行处理，得到决策矩阵X

依据决策矩阵，对各备选网络进行多属性判决。接入网络的选择原则是所选择的接入网络与理想接入网络之间的差距最小，并且与最差接入网络之间的差距最大。理想接入网络就是各备选网络中收益属性值最大、代价属性值最小者；最差接入网络就是各备选网络中收益属性值最小、代价属性值最大者。综上，本文采用逼近理想接入网络法进行备选网络的多属性判决，具体计算步骤如下：

（1）采用式 （11）对各属性进行归一化处理，得到归一化决策矩阵Y

（2）按照式 （12）和式 （13）求出理想接入网络A＋和最差接入网络A－

（3）按照式 （14）和式 （15）计算出备选网络ri的正分离测度M＋i和负分离测度M－i，其中正分离测度M＋i表示网络ri与理想接入网络A＋的差距值，负分离测度M－i表示网络ri与最差接入网络A－的差距值则群业务对于N 个备选网络的分离测度分别为

（4）根据式 （17）算出备选网络ri与理想接入网络的相对接近度

进而获得群业务的组合权向量

从式 （17）可以看出，Zi是衡量备选网络与理想接入网络贴近程度以及与最差接入网络远离程度的变量，它的取值越小说明该接入网络越优。因而群业务对于接入网络的选择就变成了对所有备选网络的Zi进行排序并选取Zi值最小的网络作为群业务的接入网络。

2.4 算法设计

本节将给出面向群业务的自适应资源分配机制的实现步骤和算法设计。

首先，在每个控制周期内，终端通过认知技术获得可备选网络的属性值，随后采用模糊控制理论对模糊化属性进行去模糊化处理，得到网络属性值矩阵D。

然后，终端通过吸引子选择模型，计算每个备选网络的优先级，得到网络优先级Pr，将Pr的计算归纳为算法1。算法1 以群业务满意度和群业务优先级作为输入，这样以群业务满意度作为资源分配合理程度的指标实现满意度的提升，由用户设置群业务中单个业务的优先级。算法1第5步到第12步通过吸引子选择模型计算网络状态值向量G，第13步到第15步通过网络状态值向量G 计算每一个备选网络的优先级，得到网络优先级Pr，具体如算法1所示。

算法1：优先级向量计算算法

最后，终端通过逼近理想接入网络法对备选网络进行多属性判决，为群业务选择最佳的接入网络，将网络的选择算法归纳为算法2。本文收益属性集合J 中的元素为带宽，代价属性集合J’中的元素为时延和费用。算法2第3步到第12步求出理想接入网络A＋和最差接入网络A－，第13步到第19步计算每个备选网络与理想接入网络的相对接近度，最后输出Zi最小的备选网络标号，具体如算法2所示。

算法2：接入网络选择算法

本文提出的异构网络资源分配机制综合考虑网络属性值的动态变化、群业务特征和用户需求，由终端自主决定接入网络，以自适应的方式实现网络资源的优化分配。后文将通过仿真验证该机制的有效性。

3 性能分析与评价

在Matlab环境下，本节有针对性地设计了仿真实验对本文所提出的机制进行分析和评价。首先介绍仿真环境和参数设置，然后对仿真结果进行分析和讨论。

3.1 实验设计

为了测试本机制的性能，本文分别在前文异构网络环境中的Wi－Fi区域和DSRC区域进行了测试。在Wi－Fi区域中有3种网络资源：蜂窝、Wimax、Wi－Fi。在DSRC 区域中有3种网络资源：蜂窝、Wimax、DSRC。各接入网络的属性依据实际运营商的数据设定，各网络的属性指标参见表3。

表3 网络各属性指标

仿真中产生3 种业务：网页浏览 （Web）、网络电话（VoIP）、视频 （Video）。各业务的业务特征及各网络属性的权重 （括号内的值）见表4。权重的指定依据各网络属性对业务服务质量的重要程度：用户浏览网页时能够容忍一定的时延，但对费用的要求较高；网络电话需要较高的带宽，且其是实时业务，对时延较为敏感；视频需要较高的带宽和较低的费用。由用户设置每个业务的优先值实现对业务优先级的设定，业务优先值的设置按以下2 个原则：实时业务的优先值高于非实时业务的优先值，交互式业务的优先值高于非交互式业务的优先值。网络电话既是交互业务也是实时业务，所以优先值最高，设为3。视频是实时业务而网页浏览是非实时业务，所以视频的优先值为2，网页浏览的优先值最低为1。群业务中每一个业务的优先级的计算方式为该业务的优先值除以群业务中所有业务的优先值的总和。仿真中产生4种群业务，即从3种业务中随机选2～3个业务。

表4 业务特征

需要说明的是，为了体现终端对于网络资源的竞争，某一接入网络的带宽由接入该网络的终端平分，同时该网络的时延随接入数目的增加而增加，费用则保持不变。

本文分别在Wi－Fi区域和DSRC 区域做了30组以上的实验，每组实验中终端数目依次增加10个。每组实验重复运行10次，每次的运行时间为200s，控制周期为10s，即终端每隔10s采用本文的机制进行一次自适应调整。借鉴文献 ［10］，吸引子选择模型中的参数设置的情况为：β＝8，γ＝3，σ＝1。

本文仿真了3种网络资源分配机制：最大业务满意度机制、最大群业务满意度机制和本文提出的群业务自适应分配机制。对于两种比较机制的描述如下：

最大业务满意度机制：为终端上运行的每一个业务分配其最满意的备选网络，即为业务sj选取使其qj最大的备选网络。

最大群业务满意度机制：为群业务分配其最满意的备选网络，即为群业务S 选取使其q 最大的备选网络。

3.2 结果分析

通过仿真实验进行对比分析，首先验证面向群业务的自适应资源分配机制的有效性，因为群业务满意度高低决定用户体验的优劣，所以以群业务满意度作为3种机制有效性的指标；然后在2个区域内选取一组实验中的某个终端，观测使用3种机制时其群业务满意度随时间的变化。

图2分别给出了3种分配机制下Wi－Fi区域和DSRC区域内平均群业务满意度随终端数目变化的情况。从图中可以看出，平均满意度随终端数目的增加而下降，这是因为无线资源的有限性和终端对资源的竞争随数目的增加而加剧。从图2 （a）中可以看出，在终端数目小于50个时，最大业务满意度机制的平均满意度要略高于最大群业务满意度机制，这是由于当终端数目较少时，无线资源能够满足群业务中每一个业务的业务特征。但是随着终端数目的增加，最大业务满意度机制的平均满意度呈现迅速下降的趋势。当终端数目超过150时，其平均满意度下降到0.5408，这极大地影响了用户体验。终端数目为370 时，最大群业务满意度机制的平均满意度也能维持在0.5以上。采用面向群业务的资源分配机制才能适应终端运行多业务的情况和区域内终端数目不断增长的趋势。从图2 （b）中满意度随终端数目的变化情况我们可以得到同样的结论。

从图2 （a）中可以看出，采用面向群业务的自适应资源分配机制可以将最大群业务满意度机制的平均满意度实现一定程度的提升，即使当终端数目达到370 时，平均满意度也能维持在0.6以上。因为本文的机制通过终端自适应的行为，得到整体资源的优化分配，实现了平均满意度的提升，从而提高了用户体验和异构网络资源的利用率。

图2 平均满意度随终端数目变化

在终端数目为200 的实验中，分别从Wi－Fi区域和DSRC区域选取一个终端，这2 个终端的群业务满意度在200s内的变化情况如图3所示。由于两种比较机制都是静态接入的分配方法，所以采用两种比较机制时，在200s内所选取终端的满意度保持不变。从图3 （a）中采用本文机制的情况可以看出，在前50s内，所选取终端的群业务满意度都在波动之中。这是由于终端在每个控制周期内进行自适应地调整。当满意度较低时，终端进行自适应调整以获得更高的满意度。从第10s到第20s满意度下降，这是由于受到其它终端自适应调整的影响。50s后所有终端自适应地找到了一个稳定的解决方案，该终端的群业务满意度趋于稳定，并实现了一定程度的提升。

从图3 （b）同样可以看出在前70s内所选取终端的群业务满意度在波动之中，70s后DSRC 区域内的所有终端都自适应地找到了稳定的且优化的解决方案，所选取终端的满意获得了稳定和提升。

图3 满意度随时间变化

4 结束语

本文提出了一种面向群业务的自适应资源分配机制，实现了多业务间异构网络资源的优化分配。该机制采用了面向群业务的资源分配策略，以提升群业务满意度为目标，增强用户体验。同时为了满足用户需求，由用户设定群业务中单个业务的优先级，使分配的网络资源优先满足用户更加关注的实时型业务和交互型业务。该机制最大的优点是终端为群业务自主选择适宜的接入网络，避免了采用集中式资源分配方式带来的较高的运算开销以及带宽和能量的浪费。在每个控制周期内终端采取以下3个步骤进行自适应调整：①通过认知技术和模糊控制理论获得备选网络的属性值；②采用吸引子选择模型计算备选网络的优先级；③对备选网络进行多属性判决。仿真结果表明在有限的控制周期内，Wi－Fi区域和DSRC区域内的终端经过自适应的调整实现了平均群业务满意度的提升。该机制显著提高了用户体验和异构网络资源的利用率。

［1］Mariem Zukri，Badii Jouaba，Djamal Zeghlache.A review on mobile management and vertical handover solutions over heterogeneous wireless networks ［J］.Computer Communications，2012，35 （17）：2055－2068.

［2］ZOU Yulong，YAO Yudong，ZHENG Baoyu.Cooperative relay techniques for cognitive radio systems：Spectrum sensing and secondary user transmissions ［J］.IEEE Communications Magazine，2012，50 （4）：98－103.

［3］Akyildiz lan F，Lee Won－Yeol，Vuran Mehmet C，et al.A survey on spectrum management in cognitive radio networks［J］.IEEE Communications Magazine，2008，46 （4）：40－48.

［4］Liang Ying－Chang，Chen Kwang－Cheng，Li Geoffrey Ye，et al.Cognitive radio networking and communications：An overview ［J］.IEEE Transactions on Vehicular Technology，2011，60 （7）：3386－3407.

［5］Roshani Amir，Erfanian Abbas.Fuzzy logic control of ankle movement using multi－electrode intraspinal microstimulation［C］／／IEEE Engineering in Medicine and Biology Society，2013：5642－5645.

［6］He Q.A fuzzy logic based vertical handoff decision algorithm between WWAN and WLAN ［C］／／Proceedings of 2nd International Conference on Networking and Digital Society，2010：561－564.

［7］Kunarak S，Suleesathira R.Predictive RSS with fuzzy logic based vertical handoff algorithm in heterogeneous wireless networks［C］／／International Conference on Advanced Technologies for Communications，2010：189－194.

［8］Yang Shan，Song Wei，Zhong Zhangdui.Resource allocation for aggregate multimedia and healthcare services over heterogeneous multi－hop wireless networks ［J］. Wireless Personal Communication，2013，69 （1）：229－251.

［9］Ismail Muhammad，Abdrabou Atef，Zhuang Weihua.Cooperative decentralized resource allocation in heterogeneous wireless access medium ［J］.IEEE Transactions on Wireless Communications，2013，12 （2）：714－724.

［10］Shinsuke Kajioka，Naoki Wakamiya，Masayuki Murata.Autonomous and adaptive resource allocation among multiple nodes and multiple applications in heterogeneous wireless networks［J］.Journal of Computer and System Sciences，2012，78 （6）：1673－1685.

［11］LIU Jun，LI Xiaonan.Handover algorithm for WLAN／cellular networks with analytic hierarchy process ［J］.Journal on Communications，2012，34 （2）：64－72 （in Chinese）. ［刘军，李晓楠.基于层次分析法的WLAN／蜂窝网切换判决算法 ［J］.通信学报，2012，34 （2）：65－72.］

［12］Guerrero－Ibanez Antonio，Contreras－Castillo Juan，Barba Antoni，et al.A QoS－based dynamic pricing approach for services provisioning in heterogeneous wireless access networks［J］.Pervasive and Mobile Computing，2011，7 （5）：569－583.