基于模糊层次—熵权法的自适应垂直切换算法

王珑璋，李翠然

(兰州交通大学 电子与信息工程学院，兰州 730070)

0 引 言

由于各种无线接入技术的差异和单一网络技术无法满足用户多样化的需求，促使异构无线网络融合成为必然。异构网络的切换技术是实现异构网络融合的关键技术之一，合理的切换不仅可以优化网络资源，还可以为用户提供高速率、高安全和低延时的多样化服务质量(Quality of Service，QoS)需求。

传统的垂直切换算法一般基于接收信号质量进行判决，这类算法尽管复杂度低，实现较简单[1-3]，但选网考虑因素过于单一。为此，文献[4]使用博弈论和马尔科夫链模型分析了异构无线网络接入选择的竞争；文献[5]提出了改进Markov过程的切换算法，降低了切换次数，减小了网络数据传输的丢包率；文献[6]提出了基于卡方距离和业务类别的主观权重与网络目标属性协作策略的网络接入选择算法，相比之下，该类算法无法根据环境的改变来自适应地调整相关因素的权重；为了实现在变化环境中自适应地调整各网络属性的权重，以确保用户端接入更优的网络，文献[7]提出了基于人工神经网络的自适应垂直切换算法，其中调整权重的阶跃因子通过梯度和近似后的海森矩阵表示，该算法降低了切换阻塞率，增大了网络总吞吐量，在一定程度上达到了动态调整权重值的目的；文献[8]提出了基于层次分析法(Analytic Hierarchy Process，AHP)的自适应垂直切换算法，但该方法计算权重主观性太强；文献[9]针对文献[8]的问题，提出了基于模糊层次分析法(Fuzzy Analytic Hierarchy Process，FAHP)的自适应垂直切换算法。

针对上述问题，本文提出了一种基于模糊层次—熵权法的自适应垂直切换算法，该算法一方面为提高用户的QoS考虑将网络能耗作为用户终端网络切换的关键因素，另一方面提出了具体的自适应模型来动态调整各网络属性权重值。相较于其他算法，该算法能够有效减少网络的切换次数，在一定程度上均衡了网络负载，提高了终端电池的使用时间。

1 系统模型

异构网络是不同类型网络通过各种网络技术相互重叠和相互融合形成的无线网络环境。建立如图1所示的异构网络仿真场景模型，该模型包括无线局域网 (Wireless Local Area Networks，WLAN)、长期演进 (Long Term Evolution，LTE)和通用移动通信系统 (Universal Mobile Telecommunications System，UMTS) 3种无线网络环境，无线接入网络均采用正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)技术。该网络模型中，网络选择决策点在终端侧采用终端选择算法，网络侧作为辅助，所以网络选择算法模型大体上分为两个部分：终端侧和网络侧。终端侧需要完成的主要操作有：网络发现、网络切换请求的发起、各网络属性参数和终端性能参数的收集、网络选择切换的执行和候选网络的判决等操作[10]。

图1 异构网络仿真场景模型

2 基于模糊层次-熵自适应垂直切换算法

这里利用基于模糊层次[11]—熵权法的自适应机制来动态调整相应属性的权重值。对网络属性进行处理时，应该明确网络属性是效益型属性还是成本型属性。例如带宽和信噪比等属于效益型属性，值越大说明网络性能越好；相反，时延等属性属于成本性属性，值越小说明网络性能越好。

文中分别采用式(1)和(2)对效益型和成本型属性进行标准化处理。令xij为第i个网络下的第j个网络属性值，且i=1,2,…,m；j=1,2,…,n；m为候选网络个数；n为各候选网络属性个数。则有

2.1 FAHP确定主观权重

(1) 构造模糊判决矩阵

(2) 计算模糊权重

由式(5)可得，初始权重向量D=(d1,d2,…,dn)，di为第i个属性的权重值，且

式中：minV()为V的最小值。

(3) 标准化

2.2 熵权法确定客观权重

信息论中，信息熵是衡量系统之间差异的度量标准。候选网络间某个属性的差异越大，则信息熵Ei值越小且属性提供的信息越多；反之亦然。根据属性间差异，使用信息熵计算属性权重步骤如下：

(1) 网络参数标准化

首先将第i个网络的网络属性参数j利用式(1)和(2)进行标准化处理，处理结果记作Yij。

(2) 求各网络属性的信息熵

根据信息熵的定义，一组数据的信息熵为

(3) 确定各属性权重

2.3 综合权重及优化函数的构建

本文既考虑到决策者的主观偏好，又确保决策的客观真实性，达到了主观与客观的统一。在分别得到终端对于网络属性的主、客观权重之后，文中引入加权法将主、客观权重通过线性组合的方式来确定综合权重，其综合权重的构造及计算如下：

式中：α和β为决策者对主、客观权重占综合权重的信任程度；wi为第i个网络属性的权重值。考虑所有方案的综合评价目标值越大越好，构建如下优化模型[14]计算α和β：

当函数F取最大值时，分别确定α和β的值，其中

2.4 自适应调整权重

自适应动态调整权重意味着移动终端能够根据用户体验自适应动态调整网络属性的权重值。假设对网络第j个属性的权重值wj进行动态调整，则权重的调整方式需满足下式[15]：

式中，p为一个大于1的常数，p的大小决定了权重值动态变化的速度快慢，因此，p合理的取值至关重要。

通常，移动终端电量损耗的确切值很难计算，因此将p与终端电量损耗的百分比进行关联，通过移动终端电量损耗的百分比动态调整p值:

式中：λ为影响因子，λ的取值大小会间接影响各网络属性权重值的自适应变化速度；e为终端电量损耗的百分比；σ为常数。此外还存在一种情况是，当移动终端剩余电量极低时，如果当前网络环境发生变化触发网络切换，最后造成终端用户电量耗尽和用户体验降低时，文中设置阈值剩余电量百分比γ，即当终端触发切换请求且终端剩余电量百分比小于阈值百分比((1-e)>γ)时，禁止移动终端执行网络切换，以延长终端的通信时间。

2.5 网络判决

在移动终端收集了切换决策所需的所有信息后，切换进入网络决策决断。在这一阶段引入成本函数进行网络预判决。首先输入候选网络的所有网络参数，通过比较当前网络的成本与候选网络的成本[8]确定是否执行切换。候选网络i的成本函数值Ci表示为

该算法伪代码可表示如下：

输入：N=移动终端初始电量，w=各网络属性初始权重值，p为常数，γ=阈值剩余电量百分比，h=终端执行切换次数；

输出：执行切换。

fori=1 tondo

RE(i)=移动终端剩余电量，Net(i)=初始状态下终端随机接入网络，Cost(i)=目标候选网络接入成本；

ifCost(i)=候选网络接入成本最小值&&Net(i)≠目标切入网络

ifRE(i)﹥γ

Net(i)=执行切换；

h=h+1;

else

Net(i)=不执行切换；

h=h;

end if

else

Net=不执行切换；

h=h;

end if

w=更新各网络属性权重；

p=更新步长因子；

end for。

3 仿真分析

3.1 仿真参数

在实验仿真过程中，假定终端用户随机分布在图1所示的网络覆盖范围中，并在每个方向上随机移动；另外，移动终端均为多模终端，并假设多模式移动终端检测到的网络属性参数如表1所示。本文采用LTE、UMTS和WLAN 3种接入技术组成的异构无线网络环境，使用Matlab R2016A 64 bit为仿真实验平台。假设网络环境和终端设备与文献[16]相同，实验开始时终端电量为满状态，另外经计算可得决策者对主、客观权重占综合权重的信任程度分别为α=0.531和β=0.469；阈值剩余电量百分比γ=5%。本实验除网络能耗因素外，还考虑了时延、抖动和丢包率3个关键因素，并在终端电量损耗的每个百分比下进行1 000次模拟，最后取最理想值。本文提出的算法将与自适应—AHP算法和自适应—FAHP算法进行对比仿真实验，并将从以下几个方面进行仿真和分析：各网络属性的权重变化趋势、网络能耗权重值在3种算法中的比较以及λ和σ对网络能耗权重值的影响程度、网络平均切换率和网络选择概率等。网络属性参数如表1所示。

表1 网络属性变换范围表

3.2 结果与分析

不同类别业务具有不同的QoS需求，因此QoS的重要性也不同，根据1～9标度法[12]，表2针对会话类业务建立网络属性的判决矩阵，表3所示为不同属性对应的主、客观权重值及综合权重值。

表2 会话类业务判决矩阵

表3 不同属性的权重值

在本文建立的模拟场景下，假设多模式移动终端能检测到候选网络的各网络属性参数。图2所示为随着终端电量的损耗，各网络属性权重值的变化趋势，其中W1、W2、W3和W4分别为时延、抖动、丢包率和网络能耗的权重值。不难看出，当终端电量充足时，4个属性的权重值变化都比较缓慢；但当电量消耗40%时，时延、抖动和丢包率的权重值开始有下降趋势，相反网络能耗的权重值开始有了明显的上升趋势，显然在移动终端电量充足时，终端用户对切换网的网络能耗并不在意，此刻其他网络属性显得更重要些。但当电量消耗80%时，网络能耗的权重值已超过其他所有网络属性的权重值，其最大权重值达0.451，此时用户切换到能耗更小网络的意愿会越来越强烈。显然，本文自适应动态调整权重的方式是符合用户实际需求的。

图2 网络属性的权重变化趋势

图3对比了3种算法在随终端电能消耗网络能耗属性权重的变化趋势。显然，前期这3种算法对应网络能耗的权重值相差较小。随着终端电量的不断消耗，网络能耗的权重值均不断增加。值得注意的是，传统自适应算法的网络能耗权重值呈线性增长，而本文所提算法在终端电量消耗30%前，权重值几乎没有发生变化，直到终端能耗超过40%时，其权重值才有了明显的增长趋势，呈指数型增加。当终端能耗为57%时，本文算法的权重值超过了传统自适应算法。显然，本文自适应算法以指数的关系来描述该变化趋势更切实际。

由图2和3可知，随着终端电量的损耗，网络能耗属性的权重值呈指数型连续增长，但不难发现，当电量消耗40%时，其权重值就开始呈显著增长趋势，但在实际生活中，不会因其权重值增长过快而影响用户的整体上网体验。

图3 权重的增长趋势图

图4分析了影响因子λ对自适应权重值的影响。当λ和σ一定时，权重大小随能耗的增大而增大。当σ一定时，权重值与λ成正比。当λ一定时，权重值随σ的增大而减小。λ=2对应的权值增长趋势过快，而λ=3对应的权值增长趋势过于平缓；当终端电量的损耗百分比小于40%时，λ对权重大小的影响不明显，能耗大于40%后，不同λ对权重值影响明显。在λ=5/2且终端电量损耗80%时，其网络能耗属性的权重值超越其他各网络属性的权重值，且其权重值最大时达到0.451。综合分析，当影响权重的因子σ=60、λ=5/2时，最符合用户的实际需求。

图4 影响因子λ和σ对网络能耗属性权重值的自适应影响程度

网络平均切换率是指群体移动终端平均执行切换的比率，通过比较算法的平均切换次数可以说明算法的判决准确性。由图5可知，本文提出的改进算法在一定程度上减小了网络切换次数。这是由于算法引入了主客观加权的综合权重确定方法，加强了各个属性之间的关联性，削弱了不确定的决策判决结果，与传统自适应算法相比，可以有效提升自适应算法性能，降低了网络切换率，抑制了乒乓效应的发生。

图5 网络平均切换率对比图

图6所示为随着终端电量的损耗，移动终端在WLAN、UMTS和LTE 3网之间的切换状态。在会话类业务下，LTE网络能耗最大而时延最小，WLAN网络正好相反，当终端电量充足时，用户会优先选择能满足当前业务需求的网络，而当电量不足或较低时，终端用户会以一种折中的方式接入能耗小而网络性能次之的WLAN网络。

图6 终端用户在UMTS、WLAN和LTE 3网之间的切换状态

图7 候选网络选择概率图

网络负载均衡度能够很好地衡量网络资源利用率。图7所示为3种算法分别对候选网络的选择概率状况。仿真结果表明，3种算法中，WLAN网络被用户选择的概率最高，这是由于WLAN网络QoS较优且网络能耗较小。但不难发现，在其他两种算法中，选择WLAN网络的概率特别高，而选择LTE和UMTS的概率又特别低，这容易造成WLAN网络负载过重及网络性能下降的现象，近而导致LTE和UMTS网络资源浪费。相反，本文算法在一定程度上均衡了网络负载，缓解了网络压力，提高了网络资源的合理高效分配和异构无线网络的整体性能。

4 结束语

本文针对当前异构无线网络中垂直切换算法存在的问题，通过引入主、客观综合权重的自适应方法，考虑了网络切换判决属性间的关联性，削弱了不确定决策判决结果的发生率。仿真结果表明，本文所提自适应垂直切换算法性能更优，相比之下，该算法减小了网络切换率，避免了频繁切换现象的发生，在一定程度上缓解了乒乓效应；其次，算法对候选网络的选择更加均衡，这不仅提高了网络资源利用率，还提升了用户满意度。此外，在终端电量充足时对网络能耗权重的影响较小，而在终端电量不足时，网络能耗的权重值呈指数型增长，这更加符合用户的实际需求。