异构无线网络自适应接入算法研究

马 彬，郭湛彬，谢显中

(1.重庆邮电大学 计算机科学与技术学院，重庆 400065；2.重庆邮电大学 重庆市计算机网络与通信技术重点实验室，重庆 400065)

0 引 言

随着无线网络技术的飞速发展，用户的带宽和吞吐量需求不断增加，运营商也在不断新增各种多样化的业务，以便给用户提供更好的服务质量[1-2](quality of service, QoS)。由多种无线接入技术共同组成，可提供多种接入方式、支持终端无缝移动的网络称为异构无线网络[3-4]。网络选择算法是异构无线网络中资源管理的一个研究热点，网络选择算法通常可以分为接入网络选择算法和网络切换选择算法。由于不同网络间的差异性，使得研究高效、公平、稳定的接入或切换算法尤为重要[5-6]。

当前许多文献都对异构无线网络中的接入或切换算法进行了研究。文献[7]根据网络属性和终端运动趋势建立相应的切换概率分布，提出了一种基于用户偏好的自选择决策树切换方法。文献[8]考虑应用需求和用户偏好，结合人工蜂群算法(artificial bee colony, ABC)和粒子群算法(particle swarm optimization, PSO)，提出了一种混合智能切换方法。文献[9]提出了一种基于Q学习(q-learning)的切换算法，结合网络参数的平均主观意见分(mean opinion score, MOS)，最大化用户的体验质量(quality of experience, QoE)。文献[10]将终端服务分为实时服务和非实时服务，分别构建相应的奖励函数，提出了一种基于多臂老虎机(multi-armed bandit, MAB)的切换策略。以上方案虽然具有较好的判决效果，但都存在迭代次数多、无法实时决策的问题，很难应用于实际的网络场景。

文献[11]以用户为中心，提出一种智能切换算法，旨在不影响非实时用户服务质量的前提下，最大限度地提高用户满意度。文献[12]针对切换算法复杂度过高的问题，通过层次分析法(analytic hierarchy process, AHP)得到参数的权重，分别利用简单加权法(simple additive weighting, SAW)、逼近理想解排序法(technique for order preference by similarity to an ideal solution, TOPSIS)、灰色关联分析法(grey relation analysis, GRA)求解网络的性能并且对比算法间性能差异。文献[13]利用移动终端的测速功能，提出了一种权值可变的代价函数切换算法，同时改进了候选网络集的更新速度。由于没有考虑用户接入阻塞率，以上方案选择的目标接入网络过于单一，很难适用于用户数较多时的情况。文献[14]以最大化网络吞吐量为目标，将切换问题转化为多目标优化问题，实现数据传输速率最大化的同时降低了用户的阻塞率，但没有考虑到网络场景中用户数动态变化的情况，缺乏灵活性。

随着异构无线网络环境中网络技术多样化特征越来越明显，终端用户数也在不断地增加，势必会带来网络接入环境的高动态性。上述网络接入方案，都针对当前网络场景做出了较为合理的网络选择，却难以适应未来用户数增长、候选网络多的高动态性网络场景。怎样合理根据网络环境的动态变化，自适应或智能地接入最佳网络，成为一个亟待解决的关键问题。

在异构无线网络中，针对当前的接入算法考虑网络高动态性欠缺的问题，本文提出一种新的自适应接入算法。该算法网络系统能够根据环境中用户数量及带宽使用情况，估计接入阻塞率、最大化网络吞吐量，从而自适应地选择用户接入网络的行为。本文的主要贡献如下。

1)设计了一个网络接入阻塞率估计模型。该模型中，网络系统可以根据新到达用户数、剩余容纳用户数等因素估计用户接入网络的阻塞率，从而有效地减少在接入网络过程中可能出现的阻塞问题。

2)构建了一个以最大化网络吞吐量为目标，网络接入概率为约束条件的优化函数。该函数可以根据网络中用户数、可用带宽、最大传输速率等因素，自适应分配用户的接入选择。该方法在降低用户接入阻塞率的同时，更有利于网络间的负载均衡。

1 系统模型及传输速率模型

本文将阐述未来高动态性网络环境中用户的接入问题，场景中用户数量可能存在较多或较少的动态变化情况。用户分为已接入用户和新到达用户，新到达用户可以选择不同的网络进行接入。每个网络存在总带宽限制，如果某个网络接入用户过多，将导致网络负载增加，用户可用带宽减少，用户接入阻塞率升高等问题。用户更加倾向于选择那些负载较低的网络进行接入，以降低接入阻塞率，获得更大传输速率。

1.1 系统模型

在异构无线网络中，存在蜂窝网络和无线局域网络等网络。为了研究方便，本文将蜂窝网络和无线局域网络等定义为一个统一的系统模型。考虑网络场景中有n个网络，A为候选网络集合，i表示任意的网络，A=(a1,a2,…,an)；m个用户，U为用户集合，j表示任意的用户，U=(u1,u2,…,uj,…,um)。本文引入时隙(time slot)思想，将连续时间划分为等长的离散时间间隔，并假设每个时刻t的网络状态是不变的[15]。

在网络场景中，用户可以选择不同的网络进行接入。为了描述网络与用户的接入关系，本文定义了网络与用户的接入关系矩阵。在时刻t，网络i与用户j的接入关系可以用接入关系矩阵表示为

u1u2…um

(1)

其中

(2)

(3)

(4)

(4)式中，Ni(t)为网络i在时刻t可容纳的最大用户数。Ni(t)与已接入用户数量和用户可用带宽有关。

(5)

用户在接入网络时希望获得更多的可用带宽以提升服务质量。为了方便描述用户获得的可用带宽，本文定义了用户从网络获得的可用带宽分配矩阵。在时刻t，用户j从网络i获得带宽可以用带宽分配矩阵表示为

u1u2…um

(6)

其中

(7)

(8)

(8)式中，Bi为网络i总带宽。

1.2 传输速率模型

网络的接收信号强度(received signal strength, RSS)是用户接入网络的一个基本条件，接收信号强度反映了网络的信道质量。在时刻t，用户j从网络i获得的接收信号强度RSSij(t)可表示为[7]

RSSij(t)=ρi-κilg(dij(t))+ξ

(9)

信噪比(signal-to-noise ratio, SNR)为信号功率与噪声功率的比率，是反映网络质量的重要参数。在时刻t网络i对用户j的信噪比SNRij(t)可近似表示为

(10)

(10)式中，φ为网络场景中的干扰信号强度。

最大传输速率反映网络传输信息的能力。根据香农公式，在时刻t用户j从网络i可获得的最大传输速率Rij(t)为

Rij(t)=bij(t)lg(1+SNRij(t))

(11)

(11)式中，bij(t)为在时刻t用户j可以从网络i获得的可用带宽。

2 带宽分配及阻塞率模型

用户希望在获得更大传输速率的同时，降低接入阻塞率。分配给用户可用带宽的多少不仅影响用户服务质量，也会影响网络可容纳的用户数量。较少的带宽会降低用户服务质量；较多的可用带宽会导致网络可容纳用户数变少，进而导致新到达用户接入阻塞率增加。本文在上一节已经给出用户的传输速率模型，本节将介绍用户带宽情况及用户阻塞率模型。

2.1 带宽分配模型

接入用户使用的带宽为bij(t)，则在时刻t网络i已分配带宽bused-i(t)为

(12)

已分配带宽需要满足用户的最小带宽需求，并且低于最大总带宽限制，所以已分配带宽应满足

(13)

Bre-i(t)=Bi-bused-i(t)

(14)

网络剩余容纳用户数与网络剩余带宽有关，网络剩余带宽越多，网络即可容纳更多的新到达用户。在时刻t网络i剩余容纳用户数Nre-i(t)为

(15)

(15)式中，bneed,j(t)为在时刻t新到达用户j需要的带宽，bneed,j(t)≥bmin,j(t)。“[]”表示向下取整，由于剩余容纳用户数Nre-i(t)Nre-i(t)须是一个整数，所以对得到的值做取整处理。(15)式保证网络剩余容纳用户数为一个合理值，不会因为网络接入过多用户，导致无法满足用户基本服务质量需求的情况。

(16)

2.2 阻塞率模型

在每个时刻，网络系统无法判断用户选择网络的行为，如果有太多用户接入相同的网络，则该网络的阻塞率便会升高。因此，需要估计用户的接入行为，以减少接入时被阻塞的概率。

假设用户选择接入网络行为相互独立，用pi(t)表示在时刻t新到达用户选择网络i作为目标接入网络的概率，那么用户不选择接入网络i的概率为1-pi(t)。设在时刻t新到达用户数量为Nnew(t)，那么在时刻t，一共有m′个用户选择网络i的概率βi(m′,t)服从二项分布

(17)

由于选择网络的用户数m′需要多于网络剩余容纳用户数Nre-i(t)才可能发生阻塞，m′应满足

Nre-i(t)≤m′≤Nnew(t)

(18)

本文根据网络中新到达用户数、网络剩余容纳用户数设计了接入阻塞率模型。在时刻t，网络估计用户接入网络i的阻塞率PRi(t)为

(19)

若新到达用户数Nnew(t)不大于网络i剩余容纳用户数Nre-i(t)，即使所有用户都接入网络i也不会发生阻塞，此时阻塞率为0；若新到达用户数Nnew(t)大于网络i剩余容纳用户数Nre-i(t)，此时网络i无法满足所有新到达用户的接入需求，则网络i的接入阻塞概率与其他用户选择网络i的概率pi(t)及网络i剩余容纳用户数Nre-i(t)有关。

3 自适应的接入算法

3.1 最大化网络吞吐量期望策略

(20a)

(20a)式描述了以最大网络吞吐量为目标接入算法。(20a)式分为2项，第1项表示已接入用户的传输速率，其中vj(t)表示已接入用户；第2项表示未接入用户传输速率与不阻塞概率的乘积，即接入网络的传输速率期望，其中1-PRi(t)表示用户估计接入网络的不阻塞概率，1-vj(t)表示未接入用户。(20b)式和(20c)式表示用户可以选择接入网络，且选择概率之和为1。(20)式为带有约束条件的线性规划问题，可采用内点法进行求解[16]。接入算法执行步骤如算法1。

算法1 接入算法执行步骤

输入：网络总带宽Bi；

接收信号强度RSSij(t)；

干扰信号强度φ；

接入关系矩阵c(t)；

带宽分配矩阵B(t)；

新到达用户数Nnew(t)；

输出：网络吞吐量η；

目标接入网络概率pi(t)。

1 for ∀ai∈A∀ai∈Ado

2 根据(10)式计算信噪比SNRij(t)；

3 根据(11)式计算最大传输速率Rij(t)；

4 根据(12)式计算已分配带宽bused-i(t)；

5 根据(14)式计算剩余带宽Bre-i(t)；

6 根据(15)式计算剩余容纳用户数Nre-i(t)；

7 根据(20)式迭代；

8 end for。

3.2 网络分配策略

在获得网络场景中用户接入网络概率pi(t)后，网络系统希望有[Nnew(t)·pi(t)][Nnew(t)·pi(t)]个用户接入网络i，接下来分配每个用户的接入行为。由于用户希望接入传输速率更大的网络，选取当前传输速率最大的网络作为用户期望接入的网络。定义一组向量Λ(t)=(λ1(t),λ2(t),…,λn(t))表示用户希望接入网络的情况，其中λi(t)表示在时刻t，期望接入网络i的用户数量。则可能出现3种情况：

1)λi(t)>[Nnew(t)·pi(t)]，即目前倾向加入网络i的用户多于系统预期的目标，则需分配λi(t)-[Nnew(t)·pi(t)]个用户进入其他网络，用集合D1(t)表示用户较多的网络并记录相应用户；

2)λi(t)=[Nnew(t)·pi(t)]，即目前希望加入网络i的用户与系统预期加入的用户数相等，这部分用户直接接入网络不做调整；

3)λi(t)<[Nnew(t)·pi(t)]，即目前希望加入网络i的用户数少于系统预期的目标，则需分配[Nnew(t)·pi(t)]-λi(t)个用户进入当前网络，用集合D2(t)表示用户较少的网络。

为了尽量满足网络接入策略，将集合D1(t)中每个用户根据集合D2(t)中的网络最大传输速率Rij(t)进行排序，然后分别选择[Nnew(t)·pi(t)]-λi(t)个传输速率最大的用户接入集合D2(t)中的网络i。

4 仿真结果分析

4.1 仿真参数设置

图1 仿真场景示意图

表1 网络仿真参数

为了验证本文算法能够适应未来高动态性网络中的接入问题，并且降低用户接入阻塞率，增加接入用户数，提高网络吞吐量，均衡网络负载，本文分别设计了新到达用户阻塞率，接入用户数，网络负载率，系统吞吐量几组实验来验证本文算法性能。本文仿真将所提算法(proposed)与研究工作中基于多属性决策的切换算法(multi attribute decision making, MADM)[12]、基于代价函数权值可变的切换算法(cost function weight-variable, CFWV)[13]、以用户为中心的多目标切换方案(user centered multi-objective, UCMO)[14]做出了对比分析。

4.2 用户接入阻塞率

图2为用户接入阻塞率随新到达用户数的变化情况。可以看出，相较于其他算法，本文算法在用户数更多时发生阻塞。随新到达用户增长，4种算法的接入阻塞率都呈上升趋势。本文算法接入阻塞率相较于其他算法上涨较为缓慢，在相同新到达用户情况下均低于其他算法。这是由于本文算法可以通过估计接入阻塞率，自适应地调整用户接入网络的行为，使用户选择更加合理的网络。因此，本文算法相较于其他算法降低了接入阻塞率，提高了用户体验。

图2 用户接入阻塞率

4.3 接入用户数

图3为接入用户数随新到达用户数的变化情况。在用户数较少时，由于网络容量充足，4种算法接入用户数相近，能满足大部分用户的接入需求。随着新到达用户数增加，算法接入用户数都不同程度地增加。而本文算法相较于其他算法能满足更多用户的接入需求。这是由于本文算法能够估计网络中用户的接入阻塞率，并选择相应的行为接入网络，满足了更多用户的接入需求。

图3 接入用户数

4.4 网络负载率

图4为新到达用户数为40时的网络负载率，此时网络还可以容纳一定的用户；图5为新到达用户数为110时的网络负载率，此时新到达用户数量已超过网络容量。综合图4和图5的仿真结果，可以看到本文算法网络负载相较于其他算法差异性更小，这是由于其他算法根据固定的参数选择网络，相较于本文算法选择的目标网络比较单一。本文算法能够根据网络剩余带宽自适应地分配用户的接入选择，为用户选择更加合理的网络，使得网络负载更加均衡。

图4 网络负载率(40用户)

图5 网络负载率(110用户)

4.5 系统吞吐量

图6所示为系统吞吐量相较于新到达用户增加的变化情况。由图6可以看出，4种算法的系统吞吐量都随着新到达用户数的增加而增加。在用户数较少时，各个算法的系统吞吐量上升较快；在用户数较多时，由于网络阻塞率上升，系统吞吐量上升趋势变缓。在不同新到达用户数情况下，本文算法系统吞吐量总是优于其他算法。这是由于本文算法能够根据场景中网络剩余可容纳用户数及新到达用户数，调整用户接入网络的概率，从而更加合理地分配用户接入行为，满足更多用户的接入需求。

图6 随新到达用户变化的系统吞吐量

图7所示为系统吞吐量随时间的变化情况。本文提出算法的系统吞吐量优于其他算法。综合图6和图7可以看出，本文算法相较于其他算法拥有更大的网络吞吐量，使网络性能获得更好提升。

图7 随时间变化的系统吞吐量

5 总 结

本文提出了一种异构无线网络自适应的接入算法，用于解决异构无线网络算法中难以适应未来高动态性网络场景进行接入的问题。本文算法能根据网络环境中新到达用户数、网络剩余可容纳用户数，估计接入阻塞率，最大化网络吞吐量，从而自适应地选择用户接入网络的行为。仿真结果表明，本文所提算法降低了用户接入阻塞率，增加了接入用户数，提高了网络吞吐量，均衡了网络负载，并且能够适应未来高动态性网络。