基于多网并行传输技术的海上异构网络接入算法

张治霖，毛忠阳*，康家方，张 磊，杨雅雯

(1.海军航空大学 航空通信教研室，山东 烟台 264001；2.海军航空大学 信号与信息处理山东省重点实验室，山东 烟台 264001;3.中国人民解放军 92758部队,辽宁 锦西 121000)

0 引言

随着无线通信技术的快速发展，各种通信方式和手段也在不断更新。由多种通信网组成的异构无线网络凭借“质”“量”“适应性”在众多信息传输框架中脱颖而出，并向着跨域互联、相互协作的方向不断迈进[1]。融合多种无线接入技术组成的新一代无线接入技术具备统一的上层功能模块[2]，能为使用者提供多种多样的网络接入选择，且这种技术已经初见成效，受到了专家学者广泛的关注。

用户在异构网络环境中移动时可能同时处于多个无线网络的覆盖范围之内，网络接入算法的作用是让用户在大量备选网络中选择最能高效传输的网络进行接入，针对这一问题，相关领域专家学者提出了一系列的解决方案。文献[3]利用模糊神经网络构建用户满意度模型，从而根据用户的个性化需求进行有针对性的网络接入。文献[4]把网络选择问题视为多属性决策问题，利用模糊逻辑理论对问题进行分化，再进行网络接入。上述文献认为用户在异构网络中能且只能选择一种网络进行接入，具有一定的局限性。

新一代无线接入技术的出现，为终端同时连接多个网络提供了可能，移动终端的多网并行传输技术孕育而生。移动终端在条件允许的情况下同时接入不止一个网络进行信息传输，聚合带宽吞吐量的大小在理想状态下是所有路径吞吐量之和[5]，因此不仅增大了传输带宽、降低了传输时间[6]，还能提高网络资源利用率[7]。在特定的干扰环境中，多网并行传输相较于传统单网传输而言传输时间大大降低，尽管增加了传输链路，但其通信频率的可选择性强，所以传输链路受到监测和中断链路的概率也会大大降低，通信安全性大大提高。目前有少量文献对多网并行传输技术下的网络接入算法进行了研究，文献[8]提出了基于能效函数的多网并行的网络接入算法，但仅从能耗角度对网络选择进行约束，缺乏约束条件的多样性。文献[9]提出了一种基于逼近理想值排序的多网并行的网络接入算法，用无线网络的非空子集作为候选方案，得到效用函数值后提供接入方案，但仿真环境平和，并无干扰因素。

因此，在分析多网并行传输技术的基础上，针对单网传输效率低、干扰环境下业务完成率低的问题，提出了干扰环境下的多网并行传输的网络选择算法。在多网并行传输技术的前提下，引入改进的逼近理想值排序法，得到不同接入网的参数效用值并进行比较和排序，选择当前状态下最适合的接入网进行连接。通过仿真发现所提方法在明显降低成本的基础上，有效提高了干扰场景下的业务完成率。

1 系统模型

1.1 模型建立

随着海上丝绸之路的开启，船舶飞机在海上作业的需求在不断增加，对通信质量的要求也在不断提高。特别是在多重无线网络的覆盖下，在带宽、包延迟、距离等因素的共同作用下，如何选用最合适的通信网络进行接入成为亟待解决的问题。

网络的发展依赖于大量的仿真，而在仿真中需要计算机模拟节点的运动，因此提出了移动模型的概念。通常情况下，移动模型依靠位置、速度和方向共同描述一个节点的运动轨迹，因此描述不同的运动模式需要使用不同的移动模型[10]。根据节点的移动特性，最普遍使用的移动模型有随机移动模型、具有时间依赖性的移动模型、具有空间依赖性的移动模型和具有空间约束性的移动模型。其中随机移动模型的典型代表是随机路点模型[11]，随机路点模型中的节点按照随机方向进行匀速移动，到达目的地后作短暂停留，接着选取下一个目的地进行移动；具有时间依赖性的移动模型典型代表是高斯-马尔科夫移动模型，对节点前后时间的速度和方向有着特定的随机性要求；具有空间依赖性的移动模型典型代表是游牧团体移动模型[12]。本文采用高斯-马尔科夫移动模型[13]对高移动性节点进行描述，相对于其他传统的移动模型，高斯-马尔科夫模型能更加准确的描述现实环境中的连续随机运动，避免出现急拐急停的现象。

本文采用的海上异构无线网络架构如图1所示。相较于陆上异构网络，海上异构网络的环境相对空旷，自然环境造成的中断相对较少，但与之带来的是海上环境更易遭受到人为因素监测和中断。

图2为多网并行传输技术的原理图，其系统模型主要由接口管理模块、数据处理模块、用户模块和网络选择模块组成[14]。本文算法旨在探讨算法对于技术的可行性和场景的适应性，而技术本身涉及的接口协议和其他具体实现不在本文研究范围内。因此在本文中默认用户可以同时连接不止一个接入网，且接入网提供的传输速率为最佳传输速率，接入网络切换的触发条件是当前链路是否被中断。

图2 多网并行传输技术示意图Fig.2 Schematic diagram of multi network parallel transmission technology

1.2 海上通信网络特征

海上用户所处的通信环境通常复杂多变，受地球弧度、大气、海浪高度以及其他船只等因素影响，存在深衰落和多径效应。与陆地通信相比，海上通信没有大量的建筑物进行遮挡，但会使得电波传输余隙较大，绕射损耗较小，从而增加了电波反射[15]。针对海上异构网络的特点，本文选用的海上通信信道模型[16]仅考虑海面反射和大气吸收损耗，不考虑云雾衰减、绕射损耗等恶劣环境造成的不稳定影响。

2 基于多网并行传输的海上网络接入算法

2.1 算法描述

设每个机动站点有4条链路可供移动节点选择，分别为链路一、链路二、链路三和链路四。不同机动站点的相同链路具有相同的通信信道特征，链路能否连接与其相对距离有关，超出距离视为无法通信。

由于机动站点的网络属性在随时变化，移动节点和机动站点的距离也时刻发生改变，所以可接入网络的数量是动态改变的。用传统的逼近理想值排序(Technique for Order Preference by Similarity to an Ideal Solution，TOPSIS)法进行排序时，方案数量的增加和减少会影响到每个方案与正负理想方案的距离，从而造成排序的失序问题。排序的失序会增加移动节点的连接成本，增大链路被中断的几率，针对以上问题选用改进的TOPSIS法进行解决，通过将网络参数预先进行效用函数计算，使网络参数标准化，避免了方案变动造成的属性影响。

(1) 建立决策矩阵

设有m个备选机动站点，每个机动站点有n个备选网络可接入，建立备选网络集合X={x1n,x2n,…,xmn} ，其中n=1,2,3,4。

设有r个网络属性，建立网络属性矩阵Y为：

(2) 构造效用矩阵

效用函数可以应用在网络选择领域，表示用户在网络连接中获得的效用与所消耗成本之间数量关系的函数，以衡量用户对网络服务的满意程度。在衡量一个网络参数时，随着参数值的增大网络效能也随之增大，则称其为效益参数，效益参数的效用函数选用sigmoid函数[17]，其定义式为：

与效益参数相反的称之为成本参数，随着成本参数的减小网络性能会有所改观，因为成本参数的效用函数与效益参数单调性相反，所以可以定义为：

将网络属性矩阵的参数一一对应输入到相应的效用函数中，输出得到效用矩阵为：

其中,αk=1或2。

(3) 建立加权效用矩阵

在不同的场景下，用户选择接入网时的偏好是不同的，不同的偏好导致了不同的接入方案，因此建立加权效用矩阵表示移动节点在进行方案选择时的属性偏好。设网络属性权值向量为：

W=[w1,w2,…,wr]T，0

式中，wr是第r个网络属性的对应权重，权重越大表明用户在网络接入方案选择时对于该网络属性的倾向性越高。网络属性权重采用层次分析 (以下简称AHP) 法进行计算[18]，根据网络参数的变化情况给出当前状态下环境对于网络属性的倾向性，能有效提高算法选择较优参数机动站点的时效性。将AHP法计算得出的权重带入到下式中进行计算，将效用矩阵和属性权重一一对应相乘得到加权效用矩阵为：

umr=tαk(ymr)wr。

(4) 确定正负理想方案Q+和Q-

Q+={max(um1),max(um2),L,max(umr)}=

Q-={min(um1),min(um2),L,min(umr)}=

(5) 确定备选网络方案的欧几里得距离

备选网络方案与正理想方案Q+的距离为：

备选网络方案与负理想方案Q-的距离为：

(6) 确定备选网络方案与正理想方案的相对接近程度

(7) 确定连接方案

对所有备选方案的相对接近程度进行排序，排名越靠前，说明当前状态下该连接方案越优，之后按照多网并行传输和单网传输规则进行方案选择。

2.2 算法流程

当移动节点开始移动时，自动生成业务列表，收集各个机动站点的接入网网络属性。将收集到的网络属性值同时输入到AHP法和改进的TOPSIS法中：在AHP法中，利用网络属性值计算出当前时刻环境里适合传输的参数偏好，生成当前时刻的环境权重；在改进的TOPSIS法中，先利用效用函数对属性值进行数据标准化，再采用传统TOPSIS法和AHP法得到的环境权重计算出当前时刻下可接入网络的贴合度并进行排序，将高等级业务按照多网并行传输规则进行接入，低等级业务按照单网传输选择贴合度最高的方案进行接入。当移动节点连接成功后，中断开始判断，按照不同链路预设的中断概率进行判断，若中断失败则继续传输，若中断成功则链路传输中断，重新按照TOPSIS法计算的排序方案进行连接。

算法从移动节点出发时开始运行，其流程如图3所示。

图3 算法流程Fig.3 Algorithm flow

3 仿真场景与结果分析

3.1 仿真场景

本文算法的仿真场景设置为海上临时机动站点环境，图4给出了海上机动站点的位置。

图4 机动站点位置图Fig.4 Mobile station location map

移动节点从原点出发，以150 m/s的速度做连续随机运动，仿真时间为600 s。海上机动站点处于海平面，以15节的速度向着x轴正方向进行缓慢移动。本文算法所用的距离是指移动节点和机动站点的相对距离，因此以移动节点为参考点，机动站点可以近似看做静止。设置场景内存在干扰，当移动节点连接到任一机动站点进行传输时，以一定的概率会受到干扰并被中断连接，链路断开时间持续60 s，持续时间过后链路恢复。本文算法以此为例子进行蒙特卡罗仿真。

3.2 参数设置

每个机动站点有着相同的4条链路，但4条链路的成本和信道特征各不相同。本文主要考虑的网络属性为覆盖范围、发射功率、中断概率、通信带宽和费用,如表1所示。由于链路被中断的同时也存在被截获的风险，所以移动节点在执行业务时主要侧重在中断次数尽可能少的情况下完成业务。部分网络属性参数参考文献[9]。

移动节点生成的业务分为高等级业务和低等级业务两种。高等级业务的持续时间服从参数为10的泊松分布，低等级业务的持续时间服从参数为5的泊松分布，两种业务产生的概率都为50%。

表2是机动站点的网络参数波动范围，仿真时参数变化按照马尔科夫链的形式进行随机变化，模拟真实环境中的其他干扰因素对传输环境的影响。本文只验证算法和技术的可行性，因此假设链路被干扰中断时不影响机动站点的网络参数值变化。在多网并行传输技术的网络选择算法中，多条连接链路的参数之和为算法当前时刻的参数值。

表2 机动站点仿真参数表Tab.2 Simulation parameter table

3.3 结果分析

为验证本文算法(即改进TOPSIS算法)的性能优势，将其与模拟人工切换算法和基于TOPSIS的多网并行传输的网络算法(以下简称基于TOPSIS算法)进行仿真比较，仿真软件使用Matlab2018。模拟人工切换算法是指单网传输下机动站点选择按照相对距离由近至远，链路选择按照中断概率由小到大进行接入，符合人为选择习惯。基于TOPSIS的多网并行传输的网络算法参考复现的是文献[9]。

图5和图6是3种算法在相同仿真时间和相同业务列表情况下的累计开销对比，从图中可以看出多网并行传输技术的网络选择算法由于链路连接多于单网传输，所以必然会增加功耗和费用。通常情况下，由于多网算法连接链路多，且单网算法选择较低花销的链路，因此多网算法的花销将大于或等于单网算法的开销。通过50次蒙特卡罗仿真取平均值，基于TOPSIS算法的花费费用比模拟人工切换算法增长了176%，与改进TOPSIS算法相比增长了112%，而改进TOPSIS算法相比于模拟人工切换算法仅增长了30%，开销增长量在可接受范围内。从图5可以看出，基于TOPSIS算法和改进TOPSIS算法相比，改进TOPSIS算法由于经过了效用函数的数据标准化，再加上网络属性权重对于费用的约束，使得改进TOPSIS算法的费用增加低于基于TOPSIS算法。

图5 费用对比图Fig.5 Cost comparison chart

在功耗消耗方面，基于TOPSIS算法相比于模拟人工切换算法提升了约103.88%，相比于同是多网并行传输的改进TOPSIS算法降低了约13.24%，也就是说改进TOPSIS算法比模拟人工算法功耗消耗提高了130.87%。图6中多网并行传输的网络选择算法消耗的功耗近似等于单网传输的两倍，说明多网并行传输以接入两个排序靠前的网络为主，且靠前的网络功耗消耗普遍较大。将图5和图6结合来看，改进TOPSIS算法用牺牲一部分功耗的代价换取低费用，但这种代价是可以被允许的，特别是在干扰场景下，功耗和费用的支出换取通信业务的完成是成立的。

图6 功耗对比图Fig.6 Power consumption comparison diagram

在业务完成率方面，基于TOPSIS算法相比于模拟人工切换算法提升了约122.3%，而改进TOPSIS算法相比于模拟人工切换算法提升了185.71%。同是多网并行传输算法，改进TOPSIS算法比基于TOPSIS算法提升了约28.53%。图7为3种算法在仿真时间中的业务完成率对比，可以看出，单网传输由于只能选择一个链路进行连接，且当前业务没完成传输时并不执行下一业务，所以在频繁被中断链路的情况下，业务完成率非常低。仿真时3种算法的连接接入网次数和被中断次数的对比情况如图8所示，由于链路中断的判断是按照秒为单位进行，所以连接次数可以理解为连接在机动站点的时长和被中断后切换链路次数的总和，多网并行传输时同一时刻连接两条链路时算一次。

图7 完成率对比图Fig.7 Completion rate comparison chart

在中断和连接次数方面，改进TOPSIS算法比基于TOPSIS算法连接次数降低了13.15%，中断次数降低到基于TOPSIS算法的86.11%。从图8可以看出，多网并行传输由于连接两条链路，所以被中断的次数会多于单网连接算法。改进TOPSIS算法由于传输时间快、被中断次数少，所以连接总数要比其他两个算法少，结合图6可以看出，改进TOPSIS算法倾向于选择低中断概率、低费用和高功耗的链路进行接入。

图8 性能对比图Fig.8 Performance comparison chart

图9和图10表示的是两种多网并行技术下的网络选择算法实时丢包率参数和包延迟参数对比情况。

可以看出两种算法在不稳定网络参数环境下的连接实时参数都有波动，但改进TOPSIS的算法能较好的控制参数的波动，约52%的仿真时间内相邻时间的丢包率差值小于5%，约68%的仿真时间内相邻时间的包延迟参数差值小于8%，因此得到本文算法对动态环境有较好的适应性，能为移动节点提供较好的传输连接方案。

(a) 丢包率动态变化

(b) 算法参数对比

(a) 包延迟动态变化

(b) 算法参数对比

图11和图12表示的是两种多网并行技术下的网络选择算法实时丢包率参数和包延迟参数对比情况，可以看出两种算法对于网络参数的波动控制情况并没有与丢包率、包延迟参数一样突出，但本文算法将包抖动参数维持在较低值，带宽参数维持在较高值。这是由于仿真时间内只是个别基站的丢包率和包延迟参数长时间且在大范围的浮动，因此算法将小权重赋予给这两种网络参数。

(a) 包抖动动态变化

(b) 算法参数对比

(a) 带宽动态变化

(b) 算法参数对比

多网并行传输的网络选择算法相比于单网传输而言有着巨大的优势，一方面多条链路同时进行连接确保了业务传输的可靠性，另一方面多条链路传输时长比单条链路传输时长短，同一业务传输时间内被中断的机会减少。同时，本文算法在传统TOPSIS算法的基础上，加入了效用函数和AHP法对动态环境网络参数进行约束，大大提高了算法对动态环境的适应性。综上所述，在干扰环境下，本文多网并行传输的网络接入算法可以根据用户偏好对成本消耗进行有效控制的同时，控制移动节点接入方案网络参数的浮动，大大提升业务完成率，保证用户有较好的服务质量和信息安全性。

4 结束语

针对单网传输效率低、干扰环境下业务完成率低的问题，本文提出了海上异构网络下干扰环境中的多网并行传输的网络接入选择算法。首先收集周围机动站点网络属性参数，生成业务列表，形成备选接入网方案集合。将集合内的属性参数通过效用函数进行数据标准化，再加入用户偏好权重进行约束，用TOPSIS法计算出备选网络的贴合度排序，根据业务的等级进行多网并行和单网传输的选择接入，遇到中断通信链路的情况时，重新利用TOPSIS法进行方案选择。仿真结果表明，与模拟人工切换算法和基于TOPSIS算法相比，可以根据用户偏好进行成本有效约束的同时，提升业务完成率，提高了业务传输的安全性。