基于向量回歸和模糊邏輯的垂直切換機(jī)制研究*

王繼博 楊 蕾 齊東元

（1.中國(guó)交通通信信息中心 北京 100011）（2.凱睿星通信息科技（南京）股份有限公司 南京 210012）

1 引言

傳統(tǒng)無(wú)線(xiàn)網(wǎng)絡(luò)切換機(jī)制主要單獨(dú)以接收信號(hào)強(qiáng)度指示（Received Signal Strength Indication，RSS）作為指標(biāo)，通過(guò)合理設(shè)定RSSI 強(qiáng)度閾值，完成移動(dòng)通信節(jié)點(diǎn)（Mobile Stations，STA）在接入節(jié)點(diǎn)（Access Point，AP）間的物理層切換［1］。這種切換邏輯上包含觸發(fā)切換、接入點(diǎn)發(fā)現(xiàn)、重鑒別和關(guān)聯(lián)3 個(gè)步驟，在該階段STA 無(wú)法進(jìn)行數(shù)據(jù)傳輸［2］。IEEE 802.11 標(biāo)準(zhǔn)采用了STA 進(jìn)行AP 關(guān)聯(lián)決策的機(jī)制，平均情況下切換時(shí)延超過(guò)300ms，無(wú)法滿(mǎn)足實(shí)時(shí)性要求很高的應(yīng)用需求［3］。為了最大限度地減少切換對(duì)通信服務(wù)質(zhì)量（Quality of Service，QoS）以及用戶(hù)服務(wù)體驗(yàn)質(zhì)量（Quality of Experience，QoE）的影響，更加高效的機(jī)制是通過(guò)預(yù)測(cè)機(jī)制提前在網(wǎng)絡(luò)核心完成參數(shù)的部署和設(shè)置，準(zhǔn)確預(yù)測(cè)STA可能切換AP 集合，并從中選擇最優(yōu)AP 進(jìn)行通信服務(wù)預(yù)設(shè)置，是提高切換效率的關(guān)鍵。

本文基于軟件定義無(wú)線(xiàn)網(wǎng)絡(luò)切換模型［4~6］，提出了一種新的基于機(jī)器學(xué)習(xí)方法和模糊多屬性決策的切換機(jī)制。中心控制器利用支持向量回歸（Support Vector Regression，SVR）［7］預(yù)測(cè)算法對(duì)移動(dòng)終端信號(hào)強(qiáng)度進(jìn)行預(yù)測(cè)，提前遷移連接狀態(tài)信息，實(shí)現(xiàn)無(wú)縫切換；綜合考慮多維網(wǎng)絡(luò)性能指標(biāo)，提出了一種基于模糊邏輯（Fuzzy Logic，F(xiàn)L）［8］的多屬性決策切換備選AP 選擇算法，提高切換后的QoS 并抑制乒乓效應(yīng)。實(shí)驗(yàn)表明，本文提出的算法能夠較為準(zhǔn)確地進(jìn)行切換判決，可以較大提升切換后網(wǎng)絡(luò)通信的QoS，有效抑制網(wǎng)絡(luò)的乒乓效應(yīng)。

2 基于SVR和模糊邏輯的切換機(jī)制

為保證通信傳輸?shù)腝oS，需要在網(wǎng)絡(luò)切換過(guò)程中確定合適的接入點(diǎn)，需要選擇恰當(dāng)?shù)那袚Q時(shí)機(jī)。本節(jié)將重點(diǎn)分析基于SVR 預(yù)測(cè)算法的最優(yōu)切換時(shí)間選擇方法以及基于Fuzzy Logic的接入點(diǎn)確定算法。

2.1 決策信息集

通過(guò)統(tǒng)籌考慮多維網(wǎng)絡(luò)性能指標(biāo)，為移動(dòng)終端確定最佳接入點(diǎn)，可有效保證切換后網(wǎng)絡(luò)通信的QoS 指標(biāo)。因此，本文借鑒文獻(xiàn)［9］所描述的多項(xiàng)網(wǎng)絡(luò)性能評(píng)價(jià)指標(biāo)，主要包括RSSI、帶寬（BW）、時(shí)延（Delay）、時(shí)延抖動(dòng)（Jitter）。

當(dāng)發(fā)生鄰近APIi干擾時(shí)，STAi在輔助載波上的SINR可以按照式（1）進(jìn)行計(jì)算：

其中，Ptx,i為STAi的傳輸能量，Lij為STAi與APj之間的傳輸丟包，N為噪聲能量。干擾信號(hào)Ii為使用相同通信資源同時(shí)進(jìn)行通信的STA 信號(hào)的疊加。故影響STAi傳輸速率的干擾信號(hào)強(qiáng)度可用式（2）進(jìn)行表示：

其中，用戶(hù)i的備選接入點(diǎn)數(shù)量為j，與用戶(hù)i并發(fā)使用相同通信資源的用戶(hù)數(shù)為n，用戶(hù)k與i使用相同的通信資源，用戶(hù)k的傳輸能量為Ptx,k，路徑丟包率為L(zhǎng)jk，噪音比率為N?；谙戕r(nóng)容量式（3），我們可計(jì)算信道的數(shù)據(jù)傳輸速率：

其中，用戶(hù)i的吞吐量為Ratei，最大吞吐量為Ratemax，傳輸帶寬為BW，ki為用戶(hù)i所關(guān)聯(lián)基站的負(fù)載，線(xiàn)性尺度下用戶(hù)i的期望SINR為SINRmin。SDN控制器還收集時(shí)延、時(shí)延抖動(dòng)、帶寬、耗費(fèi)等其他網(wǎng)絡(luò)切換參數(shù)。通過(guò)式（4）可計(jì)算可用帶寬BWavailable：

其中，BWmax為基站總帶寬容量，BWoccupied為基站已用帶寬。時(shí)延為數(shù)據(jù)傳輸率的相反數(shù)，可用式（5）表示。

2.2 差分預(yù)測(cè)算法

頻繁切換以及延遲切換都會(huì)影響QoS 和QoE。為了更好地預(yù)測(cè)切換時(shí)機(jī)，采用機(jī)器學(xué)習(xí)的方法對(duì)切換的時(shí)機(jī)進(jìn)行預(yù)測(cè)。將切換時(shí)機(jī)預(yù)測(cè)建模為有監(jiān)督學(xué)習(xí)問(wèn)題。通過(guò)對(duì)歷史數(shù)據(jù)添加標(biāo)簽，完成對(duì)預(yù)測(cè)學(xué)習(xí)模型的訓(xùn)練。

設(shè)網(wǎng)絡(luò)包含N個(gè)AP，M個(gè)STA，設(shè)控制器以周期t為測(cè)量間隔記錄網(wǎng)絡(luò)中AP和STA的測(cè)量信息，每個(gè)周期內(nèi)控制器記錄STA 與AP 間的RSSI 值RSSIt。針對(duì)STA 的每次切換綜合考慮切換后RSSI值、上行流量（upload，ul），下行流量（download，dl）以及節(jié)點(diǎn)切換時(shí)最近3 個(gè)時(shí)隙內(nèi)的切換次數(shù)統(tǒng)計(jì)，以此作為評(píng)估函數(shù)的輸入。映射函數(shù)計(jì)算的評(píng)分取0~1 之間的連續(xù)值，0 表示最差，1 表示最優(yōu)。表1描述了用于計(jì)算評(píng)估函數(shù)的具體指標(biāo)。

表1 評(píng)估指標(biāo)

為了計(jì)算第i次切換記錄的得分，不同指標(biāo)設(shè)定了不同的權(quán)重，根據(jù)不同因子對(duì)切換機(jī)制的影響設(shè)定相關(guān)的權(quán)重，具體計(jì)算如式（6）所示，針對(duì)不同的運(yùn)行場(chǎng)景，可對(duì)權(quán)重按需進(jìn)行設(shè)定。

其中1 ≥α,β,γ≥0，α+β+γ=1。RSSIMAX表示統(tǒng)計(jì)數(shù)據(jù)中切換前后差值的最大值，f表示與成反比的分段映射函數(shù)，映射值域0~1，該函數(shù)表示切換次數(shù)越多，響應(yīng)的取值越小。dlMAX和ulMAX分別表示數(shù)據(jù)范圍內(nèi)的最大差值。

SVR 通過(guò)使用非線(xiàn)性映射函數(shù)將訓(xùn)練數(shù)據(jù)映射到高維特征空間，然后求解線(xiàn)性超平面，使得所有樣本點(diǎn)距離超平面的總偏差最小。這種方法的細(xì)節(jié)可以在文獻(xiàn)［10］中找到。設(shè)訓(xùn)練數(shù)據(jù)集合，輸出向量，其中N表示訓(xùn)練樣本數(shù)。SVR 的目標(biāo)在于尋找超平面（fx），使得所有樣本點(diǎn)到該超平面的離差ε最小，如（7）所示。

其中(1/2)‖ω‖2為正則項(xiàng)，主要用來(lái)簡(jiǎn)化目標(biāo)函數(shù)f（x），用以確定模型的VC（Vapink-Chervonenkis，VC）維與常量訓(xùn)練誤差C 的折中。Lε表示不敏感損失函數(shù)，如式（9）所示，用來(lái)確保全局最小解的存在和可靠泛化界的優(yōu)化。

C和ε值由實(shí)際操作確定。C表示正則化常數(shù)，ε用來(lái)控制不敏感損失函數(shù)的規(guī)模，以適應(yīng)訓(xùn)練數(shù)據(jù)［10］。通過(guò)求解帶約束最優(yōu)化問(wèn)題，可以得到式（10）。

系數(shù)βi與每個(gè)樣本點(diǎn)相對(duì)應(yīng)，在支持向量回歸中，只需使用支持向量，就可以得到與使用所有訓(xùn)練數(shù)據(jù)點(diǎn)相同的解。使用核函數(shù)K（xi，xj）來(lái)計(jì)算特征空間中的內(nèi)積，從而直接在輸入空間中進(jìn)行所有的計(jì)算，如式（11）所示。

為了獲得更好的泛化性能，我們采用了徑向基核函數(shù)核函數(shù)（Radial Basis Function，RBF），如式（12）所示。

為了獲得支持向量回歸的最佳參數(shù)，對(duì)模型進(jìn)行評(píng)估，我們計(jì)算了三組測(cè)試數(shù)據(jù)的均方根誤差（Root Mean Square Error，RMSE），如式（13）所示。對(duì)于每組參數(shù)（C，σ，ε）。我們考慮組如下：C（1，2，5），σ（0.01，0.001，0.000001）和ε（0.1，0.03，0.05）。最后選擇RMSE 最小的組作為SVR 模型的參數(shù)，表2顯示了不同參數(shù)對(duì)于模型的影響。

表2 性能表

其中RMSE 由實(shí)際樣本點(diǎn)值獲得，y?i預(yù)測(cè)值由式（14）確定。

將訓(xùn)練好的模型部署到SDN控制器，系統(tǒng)會(huì)記錄移動(dòng)節(jié)點(diǎn)當(dāng)前關(guān)聯(lián)節(jié)點(diǎn)歷史數(shù)據(jù)輸入回歸模型，根據(jù)預(yù)測(cè)的RSS值，依據(jù)式（6）計(jì)算分?jǐn)?shù)，以此判斷是否與當(dāng)前關(guān)聯(lián)階段脫離，并切換至新的節(jié)點(diǎn)。我們?cè)O(shè)置了如下切換策略：若分?jǐn)?shù)在［0.6，1］之間，但是RSSI 值較低時(shí)，延遲切換，重新評(píng)估節(jié)點(diǎn)狀態(tài)，因?yàn)榍袚Q了會(huì)影響QoS；［0.4~0.6］維持當(dāng)前連接，減少不必要切換；［0，0.4］進(jìn)行切換，提高服務(wù)質(zhì)量。

2.3 基于模糊邏輯的切換決策

綜合考慮多維網(wǎng)絡(luò)性能參數(shù)，采用模糊邏輯判決處理方法，以實(shí)現(xiàn)最優(yōu)的網(wǎng)絡(luò)切換選擇，確保網(wǎng)絡(luò)切換后的通信QoS。基于模糊邏輯的判決處理過(guò)程可參考文獻(xiàn)［6］。

判決因子歸一化：采用式（15）對(duì)判決因子進(jìn)行歸一化處理，變量x的取值分別為RSSI、BW、D、J，V（RSSI）、V（BW）、V（D）和V（J）表示歸一化數(shù)值。

隸屬度計(jì)算：依次選取式（16）、（17）、（18）所示的三角隸屬函數(shù)，分別計(jì)算不同因子隸屬高、中、低模糊集的程度。

fL(v)、fM(v)、fH(v)分別代表高、中、低三種隸屬函數(shù)，x的取值分別為RSSI、BW、D、J。不同因子的隸屬函數(shù)參見(jiàn)圖1。

圖1 各屬性因子隸屬度函數(shù)

對(duì)于某一待評(píng)估網(wǎng)絡(luò)i所測(cè)得的指標(biāo)數(shù)據(jù)，分別代入式（16）~（18），求得參數(shù)隸屬度值，構(gòu)成隸屬度向量如式（19）所示。

隸屬值計(jì)算：對(duì)各個(gè)參數(shù)分別分配影響指數(shù)，計(jì)算方法如式（20）所示。

隸屬值由通過(guò)式（21）求得：

x的取值分別為RSS、D、BW和J，i為候選網(wǎng)絡(luò)。通過(guò)上述計(jì)算，可得到多屬性判決矩陣A（式（22））。A的一行代表候選網(wǎng)絡(luò)的參數(shù)經(jīng)過(guò)模糊處理后的屬性值，A的行數(shù)為候選網(wǎng)絡(luò)的數(shù)量。

權(quán)重計(jì)算：采用熵值法計(jì)算公式（23）進(jìn)行判決因子權(quán)重計(jì)算，其中pij表示第i個(gè)方案屬性j的貢獻(xiàn)度，Ej表示所有方案對(duì)屬性j的貢獻(xiàn)總量。Ej采用式（24）進(jìn)行計(jì)算，式中M為候選網(wǎng)絡(luò)數(shù)量，j為判決因子，分別表示RSSI、D、B、J，K為常數(shù)，0 ≤Ej≤1，K=1/lnM。

定義dj為屬性j下不同方案貢獻(xiàn)度的一致性程度，dj=1-Ej，判決因子權(quán)重可由式（25）進(jìn)行計(jì)算。

切換判決：將判決矩陣A與權(quán)重向量W相乘，得到綜合性能值PV，PV=A?W，依據(jù)綜合性能值的得分高低，選取具有最大值MAX（PV）的網(wǎng)絡(luò)作為候選切換對(duì)象。

3 實(shí)驗(yàn)結(jié)果及性能測(cè)試

為了驗(yàn)證切換預(yù)測(cè)機(jī)制的性能，本節(jié)基于Mininet-WiFi［11~12］仿真器構(gòu)建了如圖2 所示的實(shí)驗(yàn)環(huán)境。Mininet-WiFi 包含基于Linux 無(wú)線(xiàn)驅(qū)動(dòng)和802.11_hwsim 無(wú)線(xiàn)仿真驅(qū)動(dòng)［13］，可建立虛擬化的AP 和STA，并模擬它們之間的通信，可設(shè)置AP 的位置、工作模式、工作信道、STA 的移動(dòng)模式等屬性，此外控制器可以獲取AP和STA無(wú)線(xiàn)通信信息。

圖2 實(shí)驗(yàn)場(chǎng)景

場(chǎng)景示意如圖3 所示。網(wǎng)絡(luò)由20 個(gè)AP 覆蓋，同時(shí)隨機(jī)加入50 個(gè)STA 節(jié)點(diǎn)，AP 覆蓋范圍相互重疊，所有AP 接入控制器SDN 控制器。STA 隨機(jī)接入AP 利用Iperf3 持續(xù)產(chǎn)生符合泊松分布背景流量。STA0作為觀測(cè)對(duì)象在圖中所示路徑上移動(dòng)。同時(shí)使用網(wǎng)絡(luò)性能測(cè)試工具Iperf3 記錄STA0在移動(dòng)過(guò)程中的傳輸速率變化。實(shí)驗(yàn)過(guò)程中持續(xù)記錄所有AP 及STA 的RSSI、接入點(diǎn)數(shù)量、上下行流量、時(shí)延和時(shí)延抖動(dòng)等測(cè)量數(shù)據(jù)。實(shí)驗(yàn)中各要素的參數(shù)設(shè)置如表3所示。

圖3 算法預(yù)測(cè)值與實(shí)際計(jì)算所得評(píng)分的對(duì)比

表3 實(shí)驗(yàn)配置參數(shù)表

1）預(yù)測(cè)算法性能

為了評(píng)估切換預(yù)測(cè)模型的性能，對(duì)從實(shí)驗(yàn)中采集的數(shù)據(jù)進(jìn)行分析，并按照分鐘為時(shí)隙，分別統(tǒng)計(jì)各AP、STA 的信息向量。將75%的數(shù)據(jù)集用于模型訓(xùn)練，25%的數(shù)據(jù)用于驗(yàn)證。在計(jì)算式（6）分?jǐn)?shù)時(shí)，對(duì)于α，β，γ的取值，為了弱化RSSI對(duì)于評(píng)分的影響，在實(shí)驗(yàn)中分別設(shè)置為0.3、0.2、0.5，重點(diǎn)突出通信性能在評(píng)分中的占比。

為了驗(yàn)證預(yù)測(cè)算法計(jì)算值域?qū)嶋H運(yùn)行數(shù)據(jù)所計(jì)算分?jǐn)?shù)的對(duì)比情況，對(duì)測(cè)試數(shù)據(jù)進(jìn)行了篩選，在實(shí)際運(yùn)行中，測(cè)試節(jié)點(diǎn)STA0按照?qǐng)D2 所示路線(xiàn)以1m/min 的速度移動(dòng)，為了準(zhǔn)確描述變化，選取了從圖中B 點(diǎn)到C 點(diǎn)的測(cè)量數(shù)據(jù)進(jìn)行驗(yàn)證，因?yàn)樵贐C段STA0將切換至AP2。AP2 的覆蓋范圍為300m，節(jié)點(diǎn)大約運(yùn)行了200min，如圖3 所示采樣了50 個(gè)數(shù)據(jù)點(diǎn)數(shù)值變化情況，Score 計(jì)算值的變化整體呈現(xiàn)出先增加后減少的過(guò)程，這與實(shí)際拓?fù)湎碌倪\(yùn)行情況相符，因?yàn)镾TA0將在B 和C 點(diǎn)附件進(jìn)行切換，基于SVR 預(yù)測(cè)RSSI 值的Score 得分與實(shí)際運(yùn)行情況下數(shù)據(jù)計(jì)算的Score的平均準(zhǔn)確率達(dá)到96.91%。

2）網(wǎng)絡(luò)選擇性能

終端STA0由A 點(diǎn)移動(dòng)到H 點(diǎn)，移動(dòng)路徑如圖2所示，移動(dòng)速度為1m/min。當(dāng)網(wǎng)絡(luò)在位置A、B、C、D、E、F、G、H 附近發(fā)生切換時(shí)，PV 值分別如表4 所示，PV 值最大者為候選網(wǎng)絡(luò)。仿真結(jié)果顯示，本文所設(shè)計(jì)的判決算法能夠選擇性能整體最優(yōu)的網(wǎng)絡(luò)進(jìn)行切換。

表4 備選網(wǎng)絡(luò)PV

3）切換決策性能

將本文所設(shè)計(jì)的切換機(jī)制在控制器上進(jìn)行了實(shí)現(xiàn)，與基于RSSI 強(qiáng)度的切換機(jī)制［1］、基于自組織映射（Self-organizing Maps，SOM）和模糊決策（Fuzzy Logic，F(xiàn)L）［14］的機(jī)制（SOM-FL）以及文獻(xiàn)［15］所設(shè)計(jì)的基于RSSI 強(qiáng)化差分預(yù)測(cè)和模糊邏輯決策（Forward Differential Prediction and Fuzzy Logic，F(xiàn)DP-FL）的切換機(jī)制在平均切換次數(shù)（Average Number of Handoffs，ANoH）、乒乓效應(yīng)（Average Number of Ping Pang，ANoPP）、平均通信時(shí)延（Average Delay of Session，ADoS）和平均通信帶寬（Average Bandwidth of Session，ABoS）指標(biāo)方面進(jìn)行了對(duì)比，如表5、6所示。

表5 不同機(jī)制下平均切換次數(shù)及平均乒乓效應(yīng)次數(shù)對(duì)比

通過(guò)實(shí)驗(yàn)可以看到，在20 個(gè)AP，50 個(gè)移動(dòng)用戶(hù)的相同場(chǎng)景下，移動(dòng)節(jié)點(diǎn)本文所設(shè)計(jì)的機(jī)制在ANoH 方面相對(duì)于單純依賴(lài)RSSI 強(qiáng)度的機(jī)制減少了31%，相對(duì)于SOM-FL 減少了14%，相對(duì)于FDP-FL 減少了14%。在ANoPP 方面，相對(duì)于單純依賴(lài)RSSI強(qiáng)度的機(jī)制減少了55%，相對(duì)于SOM-FL減少了23%，相對(duì)于FDP-FL減少了12%。

通過(guò)表6可以看到，在ABoS方面，相對(duì)于RSSI提高了46%，相對(duì)于SOM-FL 提高了12%，相對(duì)于FDP-FL 提高了7%；在ADoS 方面，相對(duì)于RSSI 減少了42%，相對(duì)于SOM-FL 減少了20%，相對(duì)于FDP-FL 減少了11%。綜合四項(xiàng)指標(biāo)可以看到，本文所設(shè)計(jì)的機(jī)制優(yōu)于對(duì)比機(jī)制。

表6 相同場(chǎng)景下不同機(jī)制平均通信時(shí)延和通信帶寬對(duì)比

4 結(jié)語(yǔ)

本文利用SDN網(wǎng)絡(luò)的資源性能信息獲取、決策控制中心化、網(wǎng)絡(luò)功能虛擬化等技術(shù)，以及能夠敏捷快速完成網(wǎng)絡(luò)功能遷移的優(yōu)勢(shì)，提出了一種新的網(wǎng)絡(luò)切換機(jī)制：1）采用向量回歸算法對(duì)虛擬AP 接收移動(dòng)終端信號(hào)強(qiáng)度進(jìn)行預(yù)測(cè)，統(tǒng)籌處理上、下行帶寬以及歷史切換信息，設(shè)計(jì)了一種綜合評(píng)分方法，并據(jù)此判斷是否觸發(fā)切換，減小切換對(duì)移動(dòng)通信QoS 的影響，有效抑制乒乓效應(yīng)；2）設(shè)計(jì)了一種基于模糊邏輯的候選網(wǎng)絡(luò)選擇算法，統(tǒng)籌處理多維網(wǎng)絡(luò)指標(biāo)參數(shù)，計(jì)算出最優(yōu)的候選切換網(wǎng)絡(luò)。仿真結(jié)果表明，本文設(shè)計(jì)的算法能夠較準(zhǔn)確地進(jìn)行切換判決，有效移植乒乓效應(yīng)，提升網(wǎng)絡(luò)傳輸性能。