面向5G超密集異構(gòu)網(wǎng)絡(luò)的模糊邏輯切換算法*

劉春玲,田玉琪,張琪珍,馮錦龍

(大連大學(xué) 信息工程學(xué)院,遼寧 大連 116000)

0 引 言

隨著5G的商用,無(wú)線(xiàn)網(wǎng)絡(luò)的基礎(chǔ)設(shè)施更加密集地部署,形成了超密集網(wǎng)絡(luò)[1](Ultra-dense Network,UDN)。在交互數(shù)據(jù)量激增、用戶(hù)設(shè)備數(shù)量爆炸性增長(zhǎng)的時(shí)代,超密集組網(wǎng)不僅是解決問(wèn)題的關(guān)鍵技術(shù),而且能為用戶(hù)提供更好的服務(wù)。但是由于基站部署密集,網(wǎng)絡(luò)內(nèi)的用戶(hù)會(huì)受到其他基站的干擾,造成服務(wù)體驗(yàn)下降甚至服務(wù)中斷的問(wèn)題。所以在復(fù)雜的網(wǎng)絡(luò) 環(huán)境中,持續(xù)穩(wěn)定的網(wǎng)絡(luò)連接是保證通信質(zhì)量的基礎(chǔ)。為了保證終端用戶(hù)的最佳體驗(yàn),要根據(jù)不同無(wú)線(xiàn)網(wǎng)絡(luò)的特點(diǎn),選擇最合適的網(wǎng)絡(luò)接入,因此垂直切換技術(shù)成為了促進(jìn)多網(wǎng)融合的關(guān)鍵。

針對(duì)目前垂直切換算法的研究,研究者們致力于提高用戶(hù)服務(wù)質(zhì)量,實(shí)現(xiàn)網(wǎng)絡(luò)負(fù)載和減少切換次數(shù),已有很多的文獻(xiàn)提出了比較優(yōu)秀的算法。文獻(xiàn)[2]考慮用戶(hù)的接入需求,引入業(yè)務(wù)的動(dòng)態(tài)負(fù)載傳遞,通過(guò)多維馬爾科夫鏈獲得穩(wěn)態(tài)概率。算法成功實(shí)現(xiàn)了更高的系統(tǒng)容量增益,但是算法復(fù)雜性高,時(shí)間開(kāi)銷(xiāo)大。文獻(xiàn)[3]針對(duì)網(wǎng)絡(luò)參數(shù)難以確定的問(wèn)題以及模糊控制算法復(fù)雜度高的問(wèn)題,設(shè)計(jì)了分級(jí)的模糊系統(tǒng),引入自適應(yīng)規(guī)則。該算法降低了系統(tǒng)計(jì)算量,減少了系統(tǒng)開(kāi)銷(xiāo),但后續(xù)的網(wǎng)絡(luò)篩選過(guò)程中可能會(huì)偏好某一網(wǎng)絡(luò)。文獻(xiàn)[4]針對(duì)超密集異構(gòu)網(wǎng)絡(luò)中掉話(huà)率不斷增長(zhǎng)的問(wèn)題,使用環(huán)境感知去監(jiān)測(cè)當(dāng)前網(wǎng)絡(luò)狀態(tài),引入動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)算法。算法有效改善了掉話(huà)問(wèn)題,降低了切換失敗概率,但是沒(méi)有考慮密集網(wǎng)絡(luò)中存在的干擾,降低了一定的準(zhǔn)確性。文獻(xiàn)[5]針對(duì)異構(gòu)無(wú)線(xiàn)網(wǎng)絡(luò)切換過(guò)程中切換反轉(zhuǎn)問(wèn)題,采用標(biāo)準(zhǔn)差加權(quán)的逼近理想解排序算法,更加合理地分配屬性的權(quán)重。算法有效提高了網(wǎng)絡(luò)吞吐量,不過(guò)沒(méi)有考慮模糊屬性問(wèn)題。文獻(xiàn)[6]針對(duì)超密集網(wǎng)絡(luò)中用戶(hù)數(shù)量多、資源配置不合理的問(wèn)題,提出了基于深度Q網(wǎng)絡(luò)的選擇算法,對(duì)網(wǎng)絡(luò)資源進(jìn)行有效分配,減少了網(wǎng)絡(luò)的擁塞概率,但卻沒(méi)有考慮算法復(fù)雜性問(wèn)題,算法開(kāi)銷(xiāo)較大。

根據(jù)上述分析,本文在超密集異構(gòu)網(wǎng)絡(luò)選擇問(wèn)題中,提出了基于預(yù)判決與模糊邏輯的垂直切換。引入了信干噪比(Signal-to-Interference Plus Noise Ratio,SINR)準(zhǔn)則,充分考慮干擾給切換過(guò)程帶來(lái)的影響。針對(duì)超密集網(wǎng)絡(luò)在切換過(guò)程中切換次數(shù)過(guò)多的問(wèn)題,引入用戶(hù)停留時(shí)間計(jì)算,減少不必要的切換次數(shù)。使用基于改進(jìn)貼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)算法提高決策的準(zhǔn)確性,減少切換反轉(zhuǎn)現(xiàn)象。

1 超密集異構(gòu)網(wǎng)絡(luò)中的垂直切換理論

超密集異構(gòu)網(wǎng)絡(luò)由大量具有不同通信協(xié)議的網(wǎng)絡(luò)組成,可以為網(wǎng)絡(luò)內(nèi)的終端用戶(hù)提供多樣的服務(wù),滿(mǎn)足用戶(hù)的不同需求[7]。使用垂直切換技術(shù)可以在不同類(lèi)型的網(wǎng)絡(luò)中進(jìn)行切換。用戶(hù)一般在網(wǎng)絡(luò)的覆蓋邊緣、當(dāng)前所在網(wǎng)絡(luò)繁忙時(shí)發(fā)生垂直切換,是為了保證通信服務(wù)的持續(xù)連接。切換是釋放用戶(hù)設(shè)備與原網(wǎng)絡(luò)之間的鏈路,與目標(biāo)網(wǎng)絡(luò)建立新鏈路的過(guò)程。在傳統(tǒng)的切換過(guò)程中比較常見(jiàn)的是將新的目標(biāo)網(wǎng)絡(luò)的狀態(tài)屬性與原連接網(wǎng)絡(luò)的狀態(tài)屬性進(jìn)行衡量[8]。狀態(tài)屬性的選擇也是垂直切換決策中的關(guān)鍵因素。常選用網(wǎng)絡(luò)帶寬、網(wǎng)絡(luò)時(shí)延,網(wǎng)絡(luò)價(jià)格、信號(hào)強(qiáng)度等來(lái)衡量不同網(wǎng)絡(luò)的性能。

但是傳統(tǒng)的切換算法中偏重網(wǎng)絡(luò)側(cè)選取目標(biāo)網(wǎng)絡(luò),忽視用戶(hù)需求。因此,所提出的網(wǎng)絡(luò)切換算法需要在衡量網(wǎng)絡(luò)屬性的基礎(chǔ)上,考慮用戶(hù)側(cè)的偏好,從而提高超密集網(wǎng)絡(luò)覆蓋下的用戶(hù)服務(wù)質(zhì)量。

2 基于目標(biāo)網(wǎng)絡(luò)停留時(shí)間估計(jì)的信干噪比預(yù)判決篩選

2.1 預(yù)判決信干噪比

傳統(tǒng)算法中大多使用接收信號(hào)強(qiáng)度(Received Signal Strength,RSS)作為切換判據(jù),但是在超密集異構(gòu)網(wǎng)絡(luò)中由于小蜂窩與宏蜂窩會(huì)共享頻譜,存在站點(diǎn)間的干擾[9],仍使用RSS作為判決依據(jù)可能會(huì)導(dǎo)致服務(wù)質(zhì)量低下的問(wèn)題。因此提出基于目標(biāo)網(wǎng)絡(luò)停留時(shí)間預(yù)估計(jì)的信干噪比預(yù)篩選方法,對(duì)SINR進(jìn)行計(jì)算,設(shè)立SINR的門(mén)限值,若用戶(hù)接收的SINR小于-10 dB則可直接進(jìn)行強(qiáng)制性切換操作,切換至候選網(wǎng)絡(luò)中RSS最強(qiáng)的網(wǎng)絡(luò),防止當(dāng)前的鏈路質(zhì)量下降引起通信中斷;若用戶(hù)接收的SINR大于門(mén)限值,則進(jìn)入到停留時(shí)間估測(cè)過(guò)程。預(yù)判決信干噪比的計(jì)算如式(1)所示:

(1)

式中:RSRPM→UE和RSRPH→UE分別為終端用戶(hù)從宏基站和微基站接收到的參考信號(hào)接收功率值;Pnoise是噪聲功率;N為存在干擾的微基站的總數(shù)。

2.2 終端停留時(shí)間預(yù)測(cè)

超密集異構(gòu)網(wǎng)絡(luò)中會(huì)面臨頻繁切換的問(wèn)題。傳統(tǒng)的切換判決中,沒(méi)有考慮用戶(hù)在新目標(biāo)網(wǎng)絡(luò)的停留時(shí)間,當(dāng)停留時(shí)間較短時(shí),不僅增加了切換次數(shù),也造成了資源浪費(fèi),所以在切換問(wèn)題上也要考慮終端在網(wǎng)絡(luò)內(nèi)的停留時(shí)間,根據(jù)停留時(shí)間判斷是否需要切換,用戶(hù)與基站之間的短暫關(guān)聯(lián)可視為一種不必要的切換。因此,預(yù)測(cè)用戶(hù)可能停留在目標(biāo)基站覆蓋區(qū)域的時(shí)間,將有助于減少切換,也會(huì)改善用戶(hù)服務(wù)體驗(yàn)并減少信號(hào)開(kāi)銷(xiāo)。模擬終端與網(wǎng)絡(luò)覆蓋范圍的位置關(guān)系如圖1所示。

圖1中,a,b,c,d,e為用戶(hù)移動(dòng)過(guò)程中的坐標(biāo)點(diǎn),Ri是基站半徑,X0是基站i的位置。為了更加符合用戶(hù)在網(wǎng)絡(luò)內(nèi)運(yùn)動(dòng)過(guò)程,根據(jù)t時(shí)刻的用戶(hù)位置,計(jì)算公式如式(2):

(2)

式中:Xt+1和Yt+1是用戶(hù)在t+1時(shí)刻的橫、縱坐標(biāo);θt為用戶(hù)t時(shí)刻運(yùn)動(dòng)方向與水平的夾角;時(shí)間周期T為常量;V為用戶(hù)的運(yùn)動(dòng)速度;rand1和rand2是隨機(jī)數(shù),rand1∈[-R,R],rand2∈[-R,R]。在預(yù)測(cè)t+1時(shí)刻的位置后,判斷用戶(hù)是否仍在網(wǎng)絡(luò)內(nèi),計(jì)算公式如式(3):

(3)

式中:ru為用戶(hù)u與網(wǎng)絡(luò)的位置關(guān)系(當(dāng)ru為1時(shí),說(shuō)明用戶(hù)當(dāng)前在此網(wǎng)絡(luò)中;當(dāng)ru為0時(shí),說(shuō)明用戶(hù)當(dāng)前不在此網(wǎng)絡(luò)中);dux為用戶(hù)u與網(wǎng)絡(luò)x中心點(diǎn)的距離;R為網(wǎng)絡(luò)x的覆蓋范圍。

如果下一時(shí)刻的用戶(hù)不在網(wǎng)絡(luò)內(nèi),則取時(shí)間周期的一半進(jìn)行估算。用戶(hù)停留時(shí)間的計(jì)算如式(4):

(4)

將計(jì)算出的Treal與目標(biāo)基站所設(shè)定的駐留時(shí)間的門(mén)限值Tth相比較,如果TrealTth,則認(rèn)為該切換為必要切換。

3 改進(jìn)貼近度的Fuzzy-TOPSIS算法

3.1 模糊邏輯在切換判決中的應(yīng)用

在移動(dòng)性切換管理中,需要根據(jù)多種因素進(jìn)行多屬性決策和動(dòng)態(tài)控制。但是網(wǎng)絡(luò)屬性存在著不清晰的問(wèn)題,給多屬性決策過(guò)程增加了困難。因此,可以采用模糊邏輯對(duì)網(wǎng)絡(luò)中某些不確定的網(wǎng)絡(luò)參數(shù)信息實(shí)行綜合模糊推斷,量化信息,進(jìn)而完成多屬性的切換判決。模糊邏輯是用來(lái)處理不準(zhǔn)確、不完整的數(shù)據(jù)問(wèn)題,善于解決類(lèi)屬不清晰的問(wèn)題。

為了在眾多網(wǎng)絡(luò)中進(jìn)行最佳的切換,確保最優(yōu)的服務(wù)質(zhì)量,在衡量網(wǎng)絡(luò)優(yōu)劣時(shí)需要將不同網(wǎng)絡(luò)的多種性能指標(biāo)進(jìn)行考慮。算法中選擇信干噪比SINR、可用帶寬B、時(shí)延E、成本F作為網(wǎng)絡(luò)性能指標(biāo)。

3.1.1 模糊化處理

確定需要進(jìn)行模糊化的網(wǎng)絡(luò)參數(shù),在參數(shù)模糊化之前,先對(duì)其進(jìn)行歸一化。在這里對(duì)效益性指標(biāo)和成本性指標(biāo)用不同的方法進(jìn)行計(jì)算。

對(duì)于效益性指標(biāo),SINR和B為

(5)

對(duì)于成本性指標(biāo),時(shí)延E和成本F為

(6)

3.1.2 歸一量化隸屬度

得到隸屬度向量后,進(jìn)一步將其進(jìn)行標(biāo)準(zhǔn)化量化。首先將網(wǎng)絡(luò)的各個(gè)判決因子進(jìn)行標(biāo)準(zhǔn)化,將其映射到低、中、高模糊集合(JL,JM,JH)中:

(7)

式中:x為判決因子;ax和bx分別是屬性x所屬模糊集合上的上限和下限。根據(jù)以上兩步的計(jì)算結(jié)果,使用隸屬度向量和標(biāo)準(zhǔn)化向量計(jì)算屬性N的參數(shù)值x在網(wǎng)絡(luò)i評(píng)價(jià)后的隸屬值(Membership Value,MV):

(8)

綜合以上的計(jì)算步驟,可以得到判決矩陣X,如式(9)所示:

(9)

3.1.3 網(wǎng)絡(luò)參數(shù)權(quán)重

使用熵值法[11]計(jì)算網(wǎng)絡(luò)參數(shù)的權(quán)重。先利用式(10)計(jì)算第i個(gè)方案下屬性j的比重,然后利用式(11)計(jì)算屬性j的熵值ej,最后通過(guò)式(12)計(jì)算網(wǎng)絡(luò)判決屬性的權(quán)重,且滿(mǎn)足(wSINR+wB+wE+wF)=1。

(10)

(11)

(12)

式中:gj為第j個(gè)屬性差異系數(shù),gj=1-ej,j代表(SINR,B,E,F)判決屬性,是常數(shù)值。

3.2 改進(jìn)貼近度計(jì)算的TOPSIS算法

TOPSIS的中心思想是先確定各項(xiàng)指標(biāo)的最優(yōu)值和最劣值,然后求出各個(gè)方案與正理想值和負(fù)理想值的距離,最后使用貼近度計(jì)算候選方案靠近正理想解而遠(yuǎn)離負(fù)理想解的程度。傳統(tǒng)算法中使用的貼近度計(jì)算公式得出的結(jié)果差異小,容易造成結(jié)果逆序、選擇錯(cuò)誤的情況。所以在貼近度計(jì)算中使用修正的距離公式放大結(jié)果差異,得出各個(gè)方案與最優(yōu)方案的接近程度,作為評(píng)價(jià)方案優(yōu)劣的標(biāo)準(zhǔn)。使用TOPSIS排序法可以最大程度地選擇出最佳的網(wǎng)絡(luò),其計(jì)算步驟如下:

1)建立加權(quán)標(biāo)準(zhǔn)化決策矩陣

由式(13),建立加權(quán)標(biāo)準(zhǔn)化決策矩陣。權(quán)重向量W=(wSINR,wB,wE,wF)。加權(quán)標(biāo)準(zhǔn)化決策矩陣通過(guò)標(biāo)準(zhǔn)化判決矩陣的每一列與其相應(yīng)的權(quán)重相乘得到。

V=W·X=

(13)

2)正負(fù)理想解的計(jì)算

利用加權(quán)標(biāo)準(zhǔn)化決策矩陣,求得理想正解(具有最優(yōu)屬性值的最佳方案,記為a+)和理想負(fù)解(具有最劣屬性值的最劣方案,記為a-):

(14)

(15)

式中:j+是諸如SINR和T等屬性的集合中具有積極影響(即值越高越好);j-是屬性集是具有負(fù)面影響(即值越小越好)。

3)計(jì)算各候選網(wǎng)絡(luò)與正負(fù)理想解的距離

使用歐氏距離計(jì)算各候選網(wǎng)絡(luò)與正、負(fù)理想解的距離:

(16)

(17)

4)貼近度的計(jì)算

使用修正后的貼近度代替原本的計(jì)算式,計(jì)算最優(yōu)方案接近正理想解而遠(yuǎn)離負(fù)理想解的程度,即

(18)

式中:r(i)≤0,更大的r意味著更好的選擇。當(dāng)一個(gè)現(xiàn)有的選擇同時(shí)滿(mǎn)足兩個(gè)條件時(shí)(max(dist-)=dist-)和(min(dist+)=dist+),意味著這個(gè)方案是最接近正理想網(wǎng)絡(luò)而遠(yuǎn)離負(fù)理想網(wǎng)絡(luò)的最佳方案。

5)候選網(wǎng)絡(luò)排序

將上一步得到的結(jié)果按降序排列,選取最佳的備選項(xiàng)作為切換的目標(biāo):

H=argmaxr(i)。

(19)

4 算法流程

引入預(yù)判決(Pre-screening)的模糊邏輯TOPSIS算法(PSF-TOPSIS)的流程圖如圖2所示,步驟如下:

圖2 PSF-TOPSIS算法流程

1) 對(duì)SINR進(jìn)行檢測(cè),設(shè)立閾值,以此篩選達(dá)標(biāo)的網(wǎng)絡(luò);并且當(dāng)SINR值過(guò)低時(shí)進(jìn)行強(qiáng)制切換,切換至RSS值最大的網(wǎng)絡(luò),避免因無(wú)線(xiàn)鏈路質(zhì)量低產(chǎn)生的服務(wù)中斷。

2) 當(dāng)檢測(cè)的SINR大于所設(shè)閾值時(shí),進(jìn)入到停留時(shí)間判決階段。當(dāng)滿(mǎn)足Treal>Tth時(shí),則進(jìn)行后續(xù)的模糊TOPSIS進(jìn)行運(yùn)算;當(dāng)不滿(mǎn)足Treal>Tth時(shí),將拒絕此次的切換請(qǐng)求。

3) 使用模糊邏輯對(duì)網(wǎng)絡(luò)屬性權(quán)重計(jì)算,然后利用TOPSIS為候選網(wǎng)絡(luò)進(jìn)行排序,得到最佳網(wǎng)絡(luò)后進(jìn)行切換。

5 仿真結(jié)果與分析

5.1 方案設(shè)計(jì)

使用Matlab仿真實(shí)驗(yàn)工具,采用5G、LTE、WLAN三種不同的網(wǎng)絡(luò)類(lèi)型進(jìn)行實(shí)驗(yàn)。5G網(wǎng)絡(luò)采用多輸入多輸出(Multiple-Input Multiple-Output,MIMO)技術(shù)與正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing,OFDM)技術(shù),其他網(wǎng)絡(luò)采用OFDM技術(shù)。網(wǎng)絡(luò)資源的分配在未達(dá)到網(wǎng)絡(luò)最大容納數(shù)時(shí)每個(gè)終端分配固定的資源,超過(guò)最大容納數(shù)時(shí)各終端平分網(wǎng)絡(luò)總資源[12]。

所用到的異構(gòu)網(wǎng)絡(luò)模型如圖3所示,由兩個(gè)覆蓋半徑為1 200 m的5G宏基站(MC)以及3個(gè)覆蓋半徑為400 m的5G微基站(SC)、3個(gè)覆蓋半徑300 m的LTE基站、5個(gè)覆蓋半徑為100 m的無(wú)線(xiàn)局域網(wǎng)(Wireles Local Area Network,WLAN)組成。兩個(gè)宏基站站點(diǎn)相隔800 m,設(shè)置微基站與宏基站的最小距離為150 m,微基站之間最小距離為100 m,呈隨機(jī)分布狀態(tài)。LTE基站以及WLAN均按隨機(jī)分配部署。

圖3 異構(gòu)網(wǎng)絡(luò)系統(tǒng)模型

終端用戶(hù)的業(yè)務(wù)類(lèi)型以實(shí)時(shí)視頻語(yǔ)音業(yè)務(wù)以及非實(shí)時(shí)的Web瀏覽業(yè)務(wù)為主。視頻語(yǔ)音業(yè)務(wù)對(duì)速率的需求在500 kb/s～2 Mb/s之間,Web瀏覽業(yè)務(wù)的速率需求在30～400 kb/s之間。終端用戶(hù)以5 m/s的速度進(jìn)行勻速運(yùn)動(dòng),用戶(hù)的到達(dá)和離開(kāi)服從參數(shù)為1≤λ≤10的泊松分布。為了驗(yàn)證算法的優(yōu)勢(shì),仿真實(shí)驗(yàn)中將PSF-TOPSIS與不考慮SINR準(zhǔn)則的基于的模糊邏輯TOPSIS選擇算法(F-TOPSIS)和未改進(jìn)貼近度的熵權(quán)TOPSIS的選擇算法(PE-TOPSIS)進(jìn)行比較。仿真過(guò)程中網(wǎng)絡(luò)參數(shù)的設(shè)置如表1所示。

表1 網(wǎng)絡(luò)仿真參數(shù)

5.2 終端停留時(shí)間

引入終端在網(wǎng)絡(luò)停留時(shí)間的計(jì)算。終端在網(wǎng)絡(luò)中停留時(shí)間較短時(shí),則被判斷為不必要的切換。設(shè)置停留時(shí)間門(mén)限值為3 s,當(dāng)Treal<3 s時(shí)將拒絕切換,從而在一定程度上降低切換次數(shù)。

圖4為模擬單用戶(hù)在網(wǎng)絡(luò)環(huán)境中的不同網(wǎng)絡(luò)上的停留時(shí)間。由于5G宏基站(5GMC)的覆蓋范圍大,終端移動(dòng)過(guò)程中基本處于5GMC中,因此對(duì)終端停留在5GMC的時(shí)間不考慮。從圖中可以看出,用戶(hù)在100 s內(nèi)經(jīng)過(guò)了5個(gè)網(wǎng)絡(luò),在60～70 s時(shí)間內(nèi),該用戶(hù)在WLAN3網(wǎng)絡(luò)內(nèi)停留時(shí)間小于3 s,被認(rèn)定為不必要切換。用戶(hù)當(dāng)前仍保持原網(wǎng)絡(luò)鏈接,若SINR低于閾值則強(qiáng)制切換。進(jìn)入LTE3網(wǎng)絡(luò)后停留時(shí)間大于3 s,則在此網(wǎng)絡(luò)中要進(jìn)行切換判決過(guò)程。

圖4 停留時(shí)間預(yù)測(cè)

5.3 切換次數(shù)與切換失敗率

當(dāng)終端處于兩個(gè)網(wǎng)絡(luò)邊緣時(shí),容易發(fā)生頻繁切換,引起乒乓效應(yīng),將會(huì)導(dǎo)致較高的請(qǐng)求丟失率、網(wǎng)絡(luò)連接質(zhì)量低、資源浪費(fèi)等問(wèn)題,因此網(wǎng)絡(luò)選擇算法應(yīng)盡可能地減少終端的切換次數(shù)。

圖5是切換次數(shù)與用戶(hù)數(shù)量的關(guān)系圖,可見(jiàn)隨著用戶(hù)數(shù)量的增加,切換次數(shù)也隨之增多。PSF-TOPSIS算法的切換次數(shù)相對(duì)另外兩種算法的切換次數(shù)要少,這是因?yàn)橐氲耐Ａ魰r(shí)間預(yù)測(cè)機(jī)制可以拒絕不必要的切換,從而減少了切換次數(shù)。

圖5 切換次數(shù)

切換過(guò)程需要保證用戶(hù)的服務(wù)質(zhì)量,網(wǎng)絡(luò)切換失敗則會(huì)導(dǎo)致通話(huà)中斷等問(wèn)題。在切換過(guò)程中,當(dāng)切換耗時(shí)大于切換耗時(shí)門(mén)限值th=500 ms時(shí),則認(rèn)為此次切換失敗。切換失敗率定義如式(20)所示:

(20)

式中:HOf即為切換失敗次數(shù);HOr為切換的總次數(shù)。

切換耗時(shí)

ts=t1+t2+max(tw,t*)。

(21)

式中:t1為獲取目標(biāo)網(wǎng)絡(luò)時(shí)間;t2為掃描切換目標(biāo)網(wǎng)絡(luò)時(shí)間;tw和t*分別為網(wǎng)絡(luò)層切換時(shí)間和切換執(zhí)行時(shí)間。

圖6是切換失敗概率與用戶(hù)數(shù)量的關(guān)系。圖6表明,隨著用戶(hù)數(shù)量的增多切換失敗的概率也增大。這是因?yàn)橛脩?hù)數(shù)量增多時(shí),由于網(wǎng)絡(luò)阻塞情況變得嚴(yán)重,時(shí)延有所增加,從而帶來(lái)更多的切換失敗。PFS-TOPSIS算法的失敗率相比其他兩種要低一些,這是因?yàn)槭褂昧诵拚馁N進(jìn)度計(jì)算方式,減少了TOPSIS排序時(shí)產(chǎn)生的逆序現(xiàn)象,有效避免了因誤選網(wǎng)絡(luò)帶來(lái)的切換失敗。

圖6 切換失敗率

5.4 平均阻塞率

由于一個(gè)網(wǎng)絡(luò)內(nèi)所擁有的資源是一定的,所能容納的終端數(shù)也是一定的,因此不可能無(wú)休止地接入終端。當(dāng)同一時(shí)間內(nèi)接入的終端數(shù)大于最大容量,網(wǎng)絡(luò)沒(méi)有空閑的資源分配給終端用戶(hù)時(shí),就會(huì)造成一定程度的阻塞。設(shè)網(wǎng)絡(luò)j可容納的終端數(shù)為Umax,當(dāng)前接入的終端數(shù)為U1,當(dāng)前仍可接入的終端數(shù)為U2,新請(qǐng)求接入的終端數(shù)為U3,終端i接入網(wǎng)絡(luò)j的阻塞率Pij計(jì)算如式(22)所示:

(22)

式中:u為超出網(wǎng)絡(luò)容量的新到達(dá)終端數(shù),以Pj概率接入網(wǎng)絡(luò)j。由計(jì)算式可看出,當(dāng)新請(qǐng)求接入的終端數(shù)小于當(dāng)前仍可接入的終端數(shù)時(shí),即U3≤U2,當(dāng)前網(wǎng)絡(luò)不會(huì)產(chǎn)生阻塞,即阻塞概率為0;當(dāng)新請(qǐng)求接入的終端數(shù)小于當(dāng)前仍可接入的終端數(shù)時(shí),即U3>U2,網(wǎng)絡(luò)不能容納所有的新用戶(hù),當(dāng)新請(qǐng)求的用戶(hù)越來(lái)越多時(shí),阻塞也會(huì)越來(lái)越嚴(yán)重。

實(shí)驗(yàn)仿真中先計(jì)算每個(gè)網(wǎng)絡(luò)的阻塞率,再將各個(gè)網(wǎng)絡(luò)的阻塞率相加求取平均值,獲得全網(wǎng)的平均阻塞率,如圖7所示?？梢钥闯?當(dāng)用戶(hù)數(shù)在200時(shí),三種算法都沒(méi)有產(chǎn)生阻塞。F-TOPSIS算法和PSF-TOPSIS算法優(yōu)于PE-TOPSIS算法的原因是在分配網(wǎng)絡(luò)性能權(quán)重時(shí)更加合理,而PE-TOPSIS分配權(quán)重時(shí)有偏好性,會(huì)把大部分的權(quán)重比分配給某一網(wǎng)絡(luò)屬性,所以在網(wǎng)絡(luò)的選擇上就存在一定的偏好性。而PSF-TOPSIS算法進(jìn)行了網(wǎng)絡(luò)預(yù)篩選,避免了不必要的切換,對(duì)比F-TOPSIS算法,在阻塞率方面略有提升。

圖7 網(wǎng)絡(luò)平均阻塞率

5.5 用戶(hù)滿(mǎn)意度分析

終端用戶(hù)服務(wù)質(zhì)量的高低可以衡量網(wǎng)絡(luò)切換算法的好壞,網(wǎng)絡(luò)阻塞率以及切換失敗率是影響用戶(hù)體驗(yàn)的重要因素,因此采取阻塞率和切換失敗率來(lái)體現(xiàn)用戶(hù)滿(mǎn)意度。對(duì)用戶(hù)滿(mǎn)意程度的定義如式(23) 所示:

AQOS=(1-Pf)×(1-P)。

(23)

式中:AQOS代表了用戶(hù)的滿(mǎn)意程度;P是當(dāng)前網(wǎng)絡(luò)阻塞率;Pf為切換失敗概率。圖8是用戶(hù)滿(mǎn)意度與用戶(hù)數(shù)量的關(guān)系。圖8表明,當(dāng)用戶(hù)數(shù)量增多時(shí),用戶(hù)滿(mǎn)意程度也呈下降趨勢(shì)。在PE-TOPSIS和F-TOPSIS算法中,當(dāng)用戶(hù)數(shù)量達(dá)到200時(shí),下降趨勢(shì)更加明顯。這是因?yàn)橛脩?hù)數(shù)達(dá)到200之后,網(wǎng)絡(luò)阻塞開(kāi)始出現(xiàn)。而PSF-TOPSIS算法中因?yàn)榫W(wǎng)絡(luò)阻塞出現(xiàn)得較晚,切換失敗率較低,因此用戶(hù)滿(mǎn)意程度下降較為緩慢。

圖8 用戶(hù)滿(mǎn)意程度

6 結(jié) 論

本文針對(duì)當(dāng)前超密集異構(gòu)網(wǎng)絡(luò)切換時(shí)存在干擾和反復(fù)切換問(wèn)題,提出了一種基于預(yù)判決與模糊邏輯的5G超密集網(wǎng)絡(luò)切換算法。仿真結(jié)果表明該算法有效地避免了不必要的切換,降低了乒乓現(xiàn)象出現(xiàn)的概率。同時(shí),提出了模糊-TOPSIS算法,改進(jìn)正負(fù)理想解的貼近度計(jì)算,選取最優(yōu)網(wǎng)絡(luò),降低了網(wǎng)絡(luò)阻塞率,在一定程度上提高了用戶(hù)滿(mǎn)意程度。所提算法適用于異構(gòu)無(wú)線(xiàn)網(wǎng)絡(luò)的切換管理,可以滿(mǎn)足無(wú)縫切換的基本要求,保障用戶(hù)的通信服務(wù)。算法的思想可以應(yīng)用在不同網(wǎng)絡(luò)中,具有一定的普遍適用性。