刘春玲,田玉琪,张琪珍,冯锦龙

(大连大学 信息工程学院,辽宁 大连 116000)

0 引 言

随着5G的商用,无线网络的基础设施更加密集地部署,形成了超密集网络[1](Ultra-dense Network,UDN)。在交互数据量激增、用户设备数量爆炸性增长的时代,超密集组网不仅是解决问题的关键技术,而且能为用户提供更好的服务。但是由于基站部署密集,网络内的用户会受到其他基站的干扰,造成服务体验下降甚至服务中断的问题。所以在复杂的网络 环境中,持续稳定的网络连接是保证通信质量的基础。为了保证终端用户的最佳体验,要根据不同无线网络的特点,选择最合适的网络接入,因此垂直切换技术成为了促进多网融合的关键。

针对目前垂直切换算法的研究,研究者们致力于提高用户服务质量,实现网络负载和减少切换次数,已有很多的文献提出了比较优秀的算法。文献[2]考虑用户的接入需求,引入业务的动态负载传递,通过多维马尔科夫链获得稳态概率。算法成功实现了更高的系统容量增益,但是算法复杂性高,时间开销大。文献[3]针对网络参数难以确定的问题以及模糊控制算法复杂度高的问题,设计了分级的模糊系统,引入自适应规则。该算法降低了系统计算量,减少了系统开销,但后续的网络筛选过程中可能会偏好某一网络。文献[4]针对超密集异构网络中掉话率不断增长的问题,使用环境感知去监测当前网络状态,引入动态模糊神经网络算法。算法有效改善了掉话问题,降低了切换失败概率,但是没有考虑密集网络中存在的干扰,降低了一定的准确性。文献[5]针对异构无线网络切换过程中切换反转问题,采用标准差加权的逼近理想解排序算法,更加合理地分配属性的权重。算法有效提高了网络吞吐量,不过没有考虑模糊属性问题。文献[6]针对超密集网络中用户数量多、资源配置不合理的问题,提出了基于深度Q网络的选择算法,对网络资源进行有效分配,减少了网络的拥塞概率,但却没有考虑算法复杂性问题,算法开销较大。

根据上述分析,本文在超密集异构网络选择问题中,提出了基于预判决与模糊逻辑的垂直切换。引入了信干噪比(Signal-to-Interference Plus Noise Ratio,SINR)准则,充分考虑干扰给切换过程带来的影响。针对超密集网络在切换过程中切换次数过多的问题,引入用户停留时间计算,减少不必要的切换次数。使用基于改进贴近度的模糊逼近理想解排序(Fuzzy Technique for Order Preference by Similarity to an Ideal Solution,Fuzzy-TOPSIS)算法提高决策的准确性,减少切换反转现象。

1 超密集异构网络中的垂直切换理论

超密集异构网络由大量具有不同通信协议的网络组成,可以为网络内的终端用户提供多样的服务,满足用户的不同需求[7]。使用垂直切换技术可以在不同类型的网络中进行切换。用户一般在网络的覆盖边缘、当前所在网络繁忙时发生垂直切换,是为了保证通信服务的持续连接。切换是释放用户设备与原网络之间的链路,与目标网络建立新链路的过程。在传统的切换过程中比较常见的是将新的目标网络的状态属性与原连接网络的状态属性进行衡量[8]。状态属性的选择也是垂直切换决策中的关键因素。常选用网络带宽、网络时延,网络价格、信号强度等来衡量不同网络的性能。

但是传统的切换算法中偏重网络侧选取目标网络,忽视用户需求。因此,所提出的网络切换算法需要在衡量网络属性的基础上,考虑用户侧的偏好,从而提高超密集网络覆盖下的用户服务质量。

2 基于目标网络停留时间估计的信干噪比预判决筛选

2.1 预判决信干噪比

传统算法中大多使用接收信号强度(Received Signal Strength,RSS)作为切换判据,但是在超密集异构网络中由于小蜂窝与宏蜂窝会共享频谱,存在站点间的干扰[9],仍使用RSS作为判决依据可能会导致服务质量低下的问题。因此提出基于目标网络停留时间预估计的信干噪比预筛选方法,对SINR进行计算,设立SINR的门限值,若用户接收的SINR小于-10 dB则可直接进行强制性切换操作,切换至候选网络中RSS最强的网络,防止当前的链路质量下降引起通信中断;若用户接收的SINR大于门限值,则进入到停留时间估测过程。预判决信干噪比的计算如式(1)所示:

(1)

式中:RSRPM→UE和RSRPH→UE分别为终端用户从宏基站和微基站接收到的参考信号接收功率值;Pnoise是噪声功率;N为存在干扰的微基站的总数。

2.2 终端停留时间预测

超密集异构网络中会面临频繁切换的问题。传统的切换判决中,没有考虑用户在新目标网络的停留时间,当停留时间较短时,不仅增加了切换次数,也造成了资源浪费,所以在切换问题上也要考虑终端在网络内的停留时间,根据停留时间判断是否需要切换,用户与基站之间的短暂关联可视为一种不必要的切换。因此,预测用户可能停留在目标基站覆盖区域的时间,将有助于减少切换,也会改善用户服务体验并减少信号开销。模拟终端与网络覆盖范围的位置关系如图1所示。

图1中,a,b,c,d,e为用户移动过程中的坐标点,Ri是基站半径,X0是基站i的位置。为了更加符合用户在网络内运动过程,根据t时刻的用户位置,计算公式如式(2):

(2)

式中:Xt+1和Yt+1是用户在t+1时刻的横、纵坐标;θt为用户t时刻运动方向与水平的夹角;时间周期T为常量;V为用户的运动速度;rand1和rand2是随机数,rand1∈[-R,R],rand2∈[-R,R]。在预测t+1时刻的位置后,判断用户是否仍在网络内,计算公式如式(3):

(3)

式中:ru为用户u与网络的位置关系(当ru为1时,说明用户当前在此网络中;当ru为0时,说明用户当前不在此网络中);dux为用户u与网络x中心点的距离;R为网络x的覆盖范围。

如果下一时刻的用户不在网络内,则取时间周期的一半进行估算。用户停留时间的计算如式(4):

(4)

将计算出的Treal与目标基站所设定的驻留时间的门限值Tth相比较,如果TrealTth,则认为该切换为必要切换。

3 改进贴近度的Fuzzy-TOPSIS算法

3.1 模糊逻辑在切换判决中的应用

在移动性切换管理中,需要根据多种因素进行多属性决策和动态控制。但是网络属性存在着不清晰的问题,给多属性决策过程增加了困难。因此,可以采用模糊逻辑对网络中某些不确定的网络参数信息实行综合模糊推断,量化信息,进而完成多属性的切换判决。模糊逻辑是用来处理不准确、不完整的数据问题,善于解决类属不清晰的问题。

为了在众多网络中进行最佳的切换,确保最优的服务质量,在衡量网络优劣时需要将不同网络的多种性能指标进行考虑。算法中选择信干噪比SINR、可用带宽B、时延E、成本F作为网络性能指标。

3.1.1 模糊化处理

确定需要进行模糊化的网络参数,在参数模糊化之前,先对其进行归一化。在这里对效益性指标和成本性指标用不同的方法进行计算。

对于效益性指标,SINR和B为

(5)

对于成本性指标,时延E和成本F为

(6)

3.1.2 归一量化隶属度

得到隶属度向量后,进一步将其进行标准化量化。首先将网络的各个判决因子进行标准化,将其映射到低、中、高模糊集合(JL,JM,JH)中:

(7)

式中:x为判决因子;ax和bx分别是属性x所属模糊集合上的上限和下限。根据以上两步的计算结果,使用隶属度向量和标准化向量计算属性N的参数值x在网络i评价后的隶属值(Membership Value,MV):

(8)

综合以上的计算步骤,可以得到判决矩阵X,如式(9)所示:

(9)

3.1.3 网络参数权重

使用熵值法[11]计算网络参数的权重。先利用式(10)计算第i个方案下属性j的比重,然后利用式(11)计算属性j的熵值ej,最后通过式(12)计算网络判决属性的权重,且满足(wSINR+wB+wE+wF)=1。

(10)

(11)

(12)

式中:gj为第j个属性差异系数,gj=1-ej,j代表(SINR,B,E,F)判决属性,是常数值。

3.2 改进贴近度计算的TOPSIS算法

TOPSIS的中心思想是先确定各项指标的最优值和最劣值,然后求出各个方案与正理想值和负理想值的距离,最后使用贴近度计算候选方案靠近正理想解而远离负理想解的程度。传统算法中使用的贴近度计算公式得出的结果差异小,容易造成结果逆序、选择错误的情况。所以在贴近度计算中使用修正的距离公式放大结果差异,得出各个方案与最优方案的接近程度,作为评价方案优劣的标准。使用TOPSIS排序法可以最大程度地选择出最佳的网络,其计算步骤如下:

1)建立加权标准化决策矩阵

由式(13),建立加权标准化决策矩阵。权重向量W=(wSINR,wB,wE,wF)。加权标准化决策矩阵通过标准化判决矩阵的每一列与其相应的权重相乘得到。

V=W·X=

(13)

2)正负理想解的计算

利用加权标准化决策矩阵,求得理想正解(具有最优属性值的最佳方案,记为a+)和理想负解(具有最劣属性值的最劣方案,记为a-):

(14)

(15)

式中:j+是诸如SINR和T等属性的集合中具有积极影响(即值越高越好);j-是属性集是具有负面影响(即值越小越好)。

3)计算各候选网络与正负理想解的距离

使用欧氏距离计算各候选网络与正、负理想解的距离:

(16)

(17)

4)贴近度的计算

使用修正后的贴近度代替原本的计算式,计算最优方案接近正理想解而远离负理想解的程度,即

(18)

式中:r(i)≤0,更大的r意味着更好的选择。当一个现有的选择同时满足两个条件时(max(dist-)=dist-)和(min(dist+)=dist+),意味着这个方案是最接近正理想网络而远离负理想网络的最佳方案。

5)候选网络排序

将上一步得到的结果按降序排列,选取最佳的备选项作为切换的目标:

H=argmaxr(i)。

(19)

4 算法流程

引入预判决(Pre-screening)的模糊逻辑TOPSIS算法(PSF-TOPSIS)的流程图如图2所示,步骤如下:

图2 PSF-TOPSIS算法流程

1) 对SINR进行检测,设立阈值,以此筛选达标的网络;并且当SINR值过低时进行强制切换,切换至RSS值最大的网络,避免因无线链路质量低产生的服务中断。

2) 当检测的SINR大于所设阈值时,进入到停留时间判决阶段。当满足Treal>Tth时,则进行后续的模糊TOPSIS进行运算;当不满足Treal>Tth时,将拒绝此次的切换请求。

3) 使用模糊逻辑对网络属性权重计算,然后利用TOPSIS为候选网络进行排序,得到最佳网络后进行切换。

5 仿真结果与分析

5.1 方案设计

使用Matlab仿真实验工具,采用5G、LTE、WLAN三种不同的网络类型进行实验。5G网络采用多输入多输出(Multiple-Input Multiple-Output,MIMO)技术与正交频分复用(Orthogonal Frequency Division Multiplexing,OFDM)技术,其他网络采用OFDM技术。网络资源的分配在未达到网络最大容纳数时每个终端分配固定的资源,超过最大容纳数时各终端平分网络总资源[12]。

所用到的异构网络模型如图3所示,由两个覆盖半径为1 200 m的5G宏基站(MC)以及3个覆盖半径为400 m的5G微基站(SC)、3个覆盖半径300 m的LTE基站、5个覆盖半径为100 m的无线局域网(Wireles Local Area Network,WLAN)组成。两个宏基站站点相隔800 m,设置微基站与宏基站的最小距离为150 m,微基站之间最小距离为100 m,呈随机分布状态。LTE基站以及WLAN均按随机分配部署。

图3 异构网络系统模型

终端用户的业务类型以实时视频语音业务以及非实时的Web浏览业务为主。视频语音业务对速率的需求在500 kb/s～2 Mb/s之间,Web浏览业务的速率需求在30～400 kb/s之间。终端用户以5 m/s的速度进行匀速运动,用户的到达和离开服从参数为1≤λ≤10的泊松分布。为了验证算法的优势,仿真实验中将PSF-TOPSIS与不考虑SINR准则的基于的模糊逻辑TOPSIS选择算法(F-TOPSIS)和未改进贴近度的熵权TOPSIS的选择算法(PE-TOPSIS)进行比较。仿真过程中网络参数的设置如表1所示。

表1 网络仿真参数

5.2 终端停留时间

引入终端在网络停留时间的计算。终端在网络中停留时间较短时,则被判断为不必要的切换。设置停留时间门限值为3 s,当Treal<3 s时将拒绝切换,从而在一定程度上降低切换次数。

图4为模拟单用户在网络环境中的不同网络上的停留时间。由于5G宏基站(5GMC)的覆盖范围大,终端移动过程中基本处于5GMC中,因此对终端停留在5GMC的时间不考虑。从图中可以看出,用户在100 s内经过了5个网络,在60～70 s时间内,该用户在WLAN3网络内停留时间小于3 s,被认定为不必要切换。用户当前仍保持原网络链接,若SINR低于阈值则强制切换。进入LTE3网络后停留时间大于3 s,则在此网络中要进行切换判决过程。

图4 停留时间预测

5.3 切换次数与切换失败率

当终端处于两个网络边缘时,容易发生频繁切换,引起乒乓效应,将会导致较高的请求丢失率、网络连接质量低、资源浪费等问题,因此网络选择算法应尽可能地减少终端的切换次数。

图5是切换次数与用户数量的关系图,可见随着用户数量的增加,切换次数也随之增多。PSF-TOPSIS算法的切换次数相对另外两种算法的切换次数要少,这是因为引入的停留时间预测机制可以拒绝不必要的切换,从而减少了切换次数。

图5 切换次数

切换过程需要保证用户的服务质量,网络切换失败则会导致通话中断等问题。在切换过程中,当切换耗时大于切换耗时门限值th=500 ms时,则认为此次切换失败。切换失败率定义如式(20)所示:

(20)

式中:HOf即为切换失败次数;HOr为切换的总次数。

切换耗时

ts=t1+t2+max(tw,t*)。

(21)

式中:t1为获取目标网络时间;t2为扫描切换目标网络时间;tw和t*分别为网络层切换时间和切换执行时间。

图6是切换失败概率与用户数量的关系。图6表明,随着用户数量的增多切换失败的概率也增大。这是因为用户数量增多时,由于网络阻塞情况变得严重,时延有所增加,从而带来更多的切换失败。PFS-TOPSIS算法的失败率相比其他两种要低一些,这是因为使用了修正的贴进度计算方式,减少了TOPSIS排序时产生的逆序现象,有效避免了因误选网络带来的切换失败。

图6 切换失败率

5.4 平均阻塞率

由于一个网络内所拥有的资源是一定的,所能容纳的终端数也是一定的,因此不可能无休止地接入终端。当同一时间内接入的终端数大于最大容量,网络没有空闲的资源分配给终端用户时,就会造成一定程度的阻塞。设网络j可容纳的终端数为Umax,当前接入的终端数为U1,当前仍可接入的终端数为U2,新请求接入的终端数为U3,终端i接入网络j的阻塞率Pij计算如式(22)所示:

(22)

式中:u为超出网络容量的新到达终端数,以Pj概率接入网络j。由计算式可看出,当新请求接入的终端数小于当前仍可接入的终端数时,即U3≤U2,当前网络不会产生阻塞,即阻塞概率为0;当新请求接入的终端数小于当前仍可接入的终端数时,即U3>U2,网络不能容纳所有的新用户,当新请求的用户越来越多时,阻塞也会越来越严重。

实验仿真中先计算每个网络的阻塞率,再将各个网络的阻塞率相加求取平均值,获得全网的平均阻塞率,如图7所示。可以看出,当用户数在200时,三种算法都没有产生阻塞。F-TOPSIS算法和PSF-TOPSIS算法优于PE-TOPSIS算法的原因是在分配网络性能权重时更加合理,而PE-TOPSIS分配权重时有偏好性,会把大部分的权重比分配给某一网络属性,所以在网络的选择上就存在一定的偏好性。而PSF-TOPSIS算法进行了网络预筛选,避免了不必要的切换,对比F-TOPSIS算法,在阻塞率方面略有提升。

图7 网络平均阻塞率

5.5 用户满意度分析

终端用户服务质量的高低可以衡量网络切换算法的好坏,网络阻塞率以及切换失败率是影响用户体验的重要因素,因此采取阻塞率和切换失败率来体现用户满意度。对用户满意程度的定义如式(23) 所示:

AQOS=(1-Pf)×(1-P)。

(23)

式中:AQOS代表了用户的满意程度;P是当前网络阻塞率;Pf为切换失败概率。图8是用户满意度与用户数量的关系。图8表明,当用户数量增多时,用户满意程度也呈下降趋势。在PE-TOPSIS和F-TOPSIS算法中,当用户数量达到200时,下降趋势更加明显。这是因为用户数达到200之后,网络阻塞开始出现。而PSF-TOPSIS算法中因为网络阻塞出现得较晚,切换失败率较低,因此用户满意程度下降较为缓慢。

图8 用户满意程度

6 结 论

本文针对当前超密集异构网络切换时存在干扰和反复切换问题,提出了一种基于预判决与模糊逻辑的5G超密集网络切换算法。仿真结果表明该算法有效地避免了不必要的切换,降低了乒乓现象出现的概率。同时,提出了模糊-TOPSIS算法,改进正负理想解的贴近度计算,选取最优网络,降低了网络阻塞率,在一定程度上提高了用户满意程度。所提算法适用于异构无线网络的切换管理,可以满足无缝切换的基本要求,保障用户的通信服务。算法的思想可以应用在不同网络中,具有一定的普遍适用性。