面向5G 网络的大数据网络节点布局自动优化系统

庞 慧，李雅楠

（河北建筑工程学院 信息工程学院，河北 张家口 075000）

0 引 言

伴随移动互联网高速的发展，手机应用、网络购物、实时分享等已经逐渐变成大众基本生活方式。在移动互联网产业的高速发展后，人们对无线通信网络传输速度的需求也愈发显著[1]。

用户的需求对新型智能业务的开拓起到催化作用，移动通信网络逐渐向高效率、智能化方向持续发展。目前，多个国家的相关科研人员已研发出5G通信技术[2]。5G的通信速度更快，能够让用户在最短的时间里完成全球智能通信，随着移动互联网时代的快速发展，5G通信技术有着较好的应用前景[3]。5G通信速度的加快，离不开其网络节点的完美布局，为此，本文设计一种优化5G网络的大数据网络节点布局自动优化系统[4]。实验表明，该系统可实现5G网络节点布局自动优化。

1 面向5G网络的大数据网络节点布局自动优化系统

1.1 系统结构设计

本文系统包括布局优化策略层、布局优化控制层、布局优化任务层、布局优化网络层和布局优化统计层[5⁃6]。当中，布局优化策略层主要使用基于虚拟力蛙跳策略的大数据网络节点布局自动优化方法，获取5G网络大数据节点簇的布局策略；布局优化任务层按照5G网络大数据节点簇的布局策略建立5G网络节点布局优化任务；布局优化控制层用来控制所有布局优化任务的执行步骤，实现5G通信并把执行信息反馈至布局优化统计层，布局优化统计层整理通信链路构建状况后反馈至布局优化策略层，如果通信链路的成功率较低便再次建立布局优化策略，自主实现节点布局循环优化[7]。

面向5G网络的大数据网络节点布局自动优化系统的布局优化统计层结构如图1所示。

图1 布局优化统计层结构图

布局优化统计层主要用来统计整理通信时的链路构建成功率，并反馈至布局优化策略层。链路成功率统计主要分成文件传输链路、数字通话链路、图像传输链路以及其他应用链路。测试布局优化策略层提出的自动优化策略优化下，5G通信的大数据网络节点链路构建后覆盖率[8⁃9]达成0.99。

1.2 基于虚拟力蛙跳策略的大数据网络节点布局自动优化方法

1.2.1 蛙跳算法

蛙跳算法是一个新型后启发类群体进化算法，其运算性能优，且全局搜索性能佳[10]，硅跳算法模拟青蛙觅食过程中根据组群进行思想传输方式，使用模因分组将青蛙群体分成差异的组群，各个组群里的青蛙均看成问题的一种解[11]。各个组群里的青蛙根据自己的群文化实施进化，在模因组各次进化时，对组里最不优秀的青蛙使用基于PSO算法里的速度位移模型操作算子进行方位调节。通过固定次数的组内优化后，模因组里青蛙再次混合变为新模因组，完成所有信息沟通。以此类推，直至算法达到浓度值或设定的进化次数方可停止[12]。其中，局部更新算子是：

式中：Emax≥Ej≥Emin；rand()代表产生随机数；更新后的方位值设成G*w；模因组内最不优秀的青蛙和最好的青蛙依次设成Gw，Gb；群体最好的青蛙设成Gg；Emax，Emin依次描述最远与最近位移间距。如果原浓度值大于Gb对Gw更新后的浓度值，那么任意生成一个青蛙取代Gw。

1.2.2 虚拟力算法

虚拟力算法是模拟物理模型中电荷间的作用力形成的算法，本文将其使用在5G网络的大数据网络节点布局自动优化任务里[13]。虚拟力算法中设置各个节点均和剩余节点具有一定的吸引度与排斥度，根据彼此间的作用力让5G网络的大数据网络节点形成固定组合，防止出现节点的重复覆盖与亲密度较低的情况，节点间的作用力通过预设的阈值eth设置。5G网络的大数据网络节点虚拟力模型如图2所示。

图2 大数据网络节点虚拟力模型

图2中，若阈值是节点感知半径，5G网络的大数据网络节点d承载的虚拟力可描述成节点d1对虚拟力的吸引度设成，节点d2对虚拟力的吸引度设成，Rma为引力。

1.2.3 虚拟力蛙跳算法

蛙跳算法是根据模因组里最不优秀的解Gw依次迭代往组里与群体最佳解进化的过程，而各次迭代时群体最佳解Gg与模因组里最佳解Gb未实施进化，致使蛙群易进到局部最佳解。本文在各次蛙群进化时，对Gg自身实施虚拟力进化，如果进化后获取的解比目前接优秀，那么目前的Gg转换为进化值。但将Gb各次虚拟力进化后不论获取的解是否比目前解优秀，都将目前Gb实施转换。使用此类方法优化全局最佳解收敛性，让每个模因组可以高效率跳出局部极值，进行全局检索[14⁃15]。Gg和Gb的方位优化是：

式中：Gαβ为5G网络的大数据网络节点遭到的虚拟力设成；Gα，Gβ为虚拟力在α，β轴的分量依次设成；z0为网络节点位移距离最大值设成；Gth为虚拟力阈值设成；(α,β)new，(α,β)old依次描述α，β轴 优 化前与优化后 的分量。

2 实验分析

为了测试本文系统对5G网络的大数据节点布局优化效果，在Matlab中进行仿真模拟。本文系统布局优化效果如图3所示。并将本文系统与基于群智能优化算法的通信网络布局系统、基于自适应遗传算法的通信网络布局系统为对比进行分析。

图3 本文系统布局优化效果图

2.1 覆盖率分析

假定研究区域中的5G网络的大数据网络节点数目依次是100个，200个，300个，400个，500个，600个，测试三种系统在差异节点数目下对5G网络节点布局优化后的覆盖率，结果如图4所示。

图4 差异节点下三种系统的优化效果对比

分析图4可知，伴随节点数目的增多，本文系统优化下，5G网络的大数据网络节点覆盖率高达0.99，且始终是0.99；而基于群智能优化算法的通信网络布局系统、基于自适应遗传算法的通信网络布局系统优化下，5G网络的大数据网络节点覆盖率伴随节点数目的增多出现变动，且覆盖率未曾大于本文系统。

2.2 收敛速度分析

对比三种系统在差异节点数目下对5G网络节点布局优化时的收敛速度，结果如图5所示。

图5 三种系统收敛速度对比结果

由图5可知，伴随节点数目的增多，当收敛耗时为256.54 ms时，本文系统能够快速收敛，基于群智能优化算法的通信网络布局系统、基于自适应遗传算法的通信网络布局系统伴随节点数目的增多，收敛耗时也逐渐增多。

2.3 失效率分析

测试三种系统在优化5G网络的大数据网络节点布局完成后，覆盖范围中，伴随通信时间的推移，网络节点的失效率，结果如图6所示。

图6 三种系统优化后节点生存时间对比结果

分析图6可知，经本文系统优化后，伴随通信时间的推移，网络节点的失效率最大值仅有1.11%，基于群智能优化算法的通信网络布局系统、基于自适应遗传算法的通信网络布局系统的失效率明显大于本文系统。由此可见，经本文系统优化后，5G网络节点的生存时间较长。

3 结 论

本文设计了面向5G网络的大数据网络节点布局自动优化系统，并以边长为100 m的正方形区域为实验环境，测试本文系统有效性，经验证得出：

1）本文系统的布局效果最好，成功覆盖了边长为100 m的正方形区域的全部区间；

2）伴随节点数目的增多，本文系统的5G网络大数据网络节点覆盖率高达0.99；当收敛耗时为256.54 ms时，本文系统快速收敛，获取5G网络大数据网络节点布局自动优化策略，收敛效率较快；

3）经本文系统优化后，伴随通信时间的推移，网络节点的失效率最大值仅有1.11%，低于对比系统；经本文系统优化后，5G网络大数据网络节点冗余率与损耗率均值分别是0.02，0.01，与对比系统相比，本文系统优化后网络节点冗余率与损耗率最低。