CN103607756B - 一种基于协同学原理的异构网络多属性决策方法 - Google Patents

Abstract

本发明是一种基于协同学原理的多属性网络决策方法，该方法将网络看作是由多个属性子***合成的复合***，从属性均衡协调发展的角度对网络性能评估，根据业务需求为用户提供满意的QoS，即在会话业务下选择低时延、低抖动的网络，而在交互类业务下选择低价格、高吞吐量的网络，并且有效减少垂直切换次数。具体步骤如下：将每个网络属性归类到对应的属性子***，计算每个属性子***中各个序参量分量即网络属性的有序度，将序参量分量的有序度几何平均得到每个属性子***的有序度，再结合AHP属性权重计算每个网络***的整体熵值，以熵值作为网络效用函数，选择熵值最小即整体有序度最大、属性整体发展最好的网络作为目标网络。

Description

一种基于协同学原理的异构网络多属性决策方法

技术领域

本发明属于通信技术领域，涉及一种基于协同学原理的异构网络多属性决策方法。

背景技术

随着无线通信技术的飞跃发展，未来将是各种无线技术共存的局面，各种无线接入技术协同工作融合形成异构网络，它们在覆盖范围、接入速率、容量和网络质量等方面各有优势，彼此之间难以相互替代。异构融合网络环境下，网络的异构性和差异性较大，用户在网络初始化状态首先需要对网络进行选择，选择结束后，随着用户地理位置的改变，业务的变化，以及网络本身的变化，需要对网络重新选择，在异构网络垂直切换过程中，应尽量保证用户的服务质量，即无缝切换，因而异构无线网络中如何选择最优网络是通信领域中研究的一个热点问题。

以往的同构网络选择时只需要考虑接收信号强度，而异构网络中的网络选择问题是典型的多属性决策问题，为了提供用户满意的QoS和最小化服务代价，网络选择除了考虑接收信号强度，还需要根据网络、应用、用户和终端相关的QoS、偏好、服务价格、安全等级、移动性等多种因素进行判断。多属性决策(MADM)常用的网络选择方法包括简单加权法(SAW)、乘法指数权值(MEW)、灰度关联分析法(GRA)、接近理想方案的序数偏好方法(TOPSIS)等。同时多属性决策方法分为客观和主观赋权法，其中客观赋权法根据各个网络客观属性之间的差异来进行网络选择，例如熵权法(EW)，主观赋权法根据用户的服务要求进行网络选择，例如层次分析法(AHP)，这两种赋权法主要是计算出每个网络属性的权重，再将网络参数加权后的值作为效用函数值，从中选择最小成本或者最大效益的网络作为最佳目标网络。

除了主观赋权和客观赋权法，还有考虑主观和客观的网络决策算法，比如有AHP和TOPSIS或AHP和GRA结合的算法，但是这些算法按照一定的权重将规范化后的客观属性加权，并不能很好得解释这样结合后算法的实际物理意义。本发明将协同学理论应用到网络选择中，利用AHP方法得到根据业务的主观权重，计算属性子***的有序度，反映各属性子***的发展状况，二者结合后得到复合***的***熵值，熵值越小，说明复合***的整体有序度较大，各属性子***间协同发展得较好。

发明内容

技术问题：本发明的目的是提供一种基于AHP和协同学原理的多属性网络决策方法，该方法将每个网络看作是由多个属性子***合成的复合***，属性子***的协同作用体现宏观的网络性能，从属性均衡协调发展的角度对网络性能评估，同时考虑不同业务下的用户服务需求，更符合异构网络决策问题的实际情况，在会话业务下能选择低时延、低抖动的网络，而在交互类业务下选择低价格、高吞吐量的网络，并且可以有效减少垂直切换次数。

技术方案：本发明的基于协同学原理的异构网络多属性网络决策方法，包括以下步骤：

1)确定候选网络复合***的构成：将每个候选网络复合***S看作是由吞吐量子***S₁、及时性子***S₂、可靠性子***S₃和费用子***S₄组成的***，所述吞吐量子***S₁包含的属性为可用速率e₁₁和峰值速率e₁₂，及时性子***S₂包含的属性为包时延e₂₁和包抖动e₂₂，可靠性子***S₃包含的属性为包丢失e₃₁，费用子***S₄包含的属性为每比特费用e₄₁，以上属性分别为所对应属性子***中的序参量分量；

2)计算属性子***的序参量分量的有序度：对属性子***S_k，假定属性的取值越大网络性能越好，反之性能越差，而属性的取值越大网络性能越差，反之性能越好，其中k为属性子***编号，k＝1,2,3,4，l_k为属性子***S_k中效益型属性的个数，M_k为属性子***的属性总个数，l_k≤M_k，则属性子***S_k中各个序参量分量e_ki，i≤M_k的有序度为其中α_ki,β_ki分别为属性e_ki的最大值和最小值，i为属性子***中属性的编号；

3)计算属性子***的有序度：将步骤2)中得到的属性子***的序参量分量的有序度u_k(e_ki)几何平均得到属性子***S_k的有序度为

4)根据业务类型计算层次分析法权重，具体流程为：

a)根据业务类型分别建立关于步骤1)中确定的所有属性两两比较的判断矩阵B，判断矩阵的元素值为1到9的整数或其倒数，根据B×V＝λ×V，计算出判断矩阵B的最大特征值λ_max和λ_max对应的特征向量V_max，其中V为特征向量，λ为特征值，

b)根据下式计算得到判断矩阵的一致性比率为：

其中N为矩阵维数，即候选网络复合***包含的属性个数，RI为根据所述矩阵维数N查询平均随机性一致性指标表得到的平均一致性指标；

c)判断是否满足CR>0.1，如是，则返回步骤a)，否则进入步骤d)；

d)将矩阵的最大特征值λ_max对应的特征向量V_max归一化，得到该业务类型对应的层次分析法权重为W＝[w₁ w₂ ... w_N]^T，w₁,w₂,...,w_N分别为N个属性所对应的权重；

5)计算复合***熵值：将步骤3)得到的属性子***的有序度u_k按照步骤4)得到的层次分析法权重W进行加权复合，得到第t个候选网络复合***S的***熵值为其中j∈S_k表示第k个属性子***S_k的属性编号，w_j表示编号j的属性对应的权重，表示属性子***S_k对候选网络复合***S的贡献权重，T为候选网络复合***的个数；

6)将步骤5)中计算得到的各个候选网络复合***的***熵值U₁,U₂,...,U_T作为衡量网络性能的效用函数，选取其中***熵值最小的网络作为目标网络，即

本发明将协同学原理应用到网络选择问题中，将每个网络看作是由多个属性子***构成的复合***，属性子***间的协同作用呈现网络的整体性能，建立了协同度评价指标模型，用于对宏观的网络性能进行评估。

本发明将每个网络看作是由多个属性子***合成的复合***，从属性均衡协调发展的角度对网络性能评估，同时考虑不同业务下的用户服务需求，实现了较好的决策。

有益效果：本发明与现有技术相比，具有以下优点：

1.将协同学原理应用到网络选择中，网络被视为多个属性子***组成的复合***，各个属性子***相互影响又相互合作，属性子***协同发展最好的网络才是整体性能最优的，若有一方面因素发展不好都会影响所选网络的整体性能，因而在客观方面能以***内部协调度较好评价网络的总体性能，从而做出客观正确选择。

2.同时利用AHP方法得到各类业务的属性权重，与客观性能进行加权得到最后的效用函数而做出判决，使决策不仅考率了网络客观属性，还要考虑用户需求，使得决策结果更符合实际情况。

3.在会话类业务下，基于AHP和协同学理论的异构网络多属性决策方法的选择结果的平均包时延、包抖动均小于熵权法EW和灰色关联分析法GRA算法，在交互类业务下，基于AHP和协同学理论的异构网络多属性决策方法的选择结果的每比特价格小于EW，GRA算法，而吞吐量大于EW，GRA算法，并且可以有效减少垂直切换次数，因而此算法可以根据不同的业务类型为用户提供满意的QoS。

附图说明

图1为采用AHP和协同学理论实现网络选择的算法流程示意图。

图2为P＝0.5时会话业务下的时延、抖动参数和交互类业务下的价格、吞吐量参数的平均统计结果。

图3为会话语音业务下各算法的切换次数随着状态转移概率P的变化图。

图4为交互类业务下各算法的切换次数随着状态转移概率P的变化图。

具体实施方式

下面结合实施例和说明书附图对发明的技术方案进行详细说明：

本发明的思路是将协同学理论运用到解决异构网络的网络选择问题，层次分析法AHP用于求不同业务下的主观属性权重，协同学原理用于对网络属性进行客观判决。建立协同度评价模型，得到属性子***的有序度，按照AHP权重加权合成得到复合***的熵值。

以复合***的熵值为效用函数，对候选网络进行排序并选择代价函数最小的网络，熵值越小的网络对应的属性子***间协同效应越大，网络性能越好。

整个网络选择过程采用AHP方法和协同学原理实现网络选择的总体流程图见附图1。

本发明的基于协同学原理的异构网络多属性网络决策方法，包括以下步骤：

1)确定候选网络复合***的构成：在基于协同学原理的多属性网络决策方法中，每个候选网络看作是由多个属性子***合成的复合***，各个属性子***相互影响又相互合作，产生协同作用和合作效应。从***的角度，将每个网络看作是由多个属性子***合成的复合***，各个属性子***相互影响又相互合作，产生协同作用和合作效应，假设每个候选网络复合***S是由吞吐量子***S₁、及时性子***S₂、可靠性子***S₃和费用子***S₄组成的***，即S＝{S₁,S₂,S₃,S₄}，所述吞吐量子***S₁包含的属性为可用速率e₁₁和峰值速率e₁₂，及时性子***S₂包含的属性为包时延e₂₁和包抖动e₂₂，可靠性子***S₃包含的属性为包丢失e₃₁，费用子***S₄包含的属性为每比特费用e₄₁，以上属性分别为所对应属性子***中的序参量分量。

2)计算属性子***的序参量分量的有序度：对属性子***S_k，假定属性的取值越大网络性能越好，反之性能越差，而属性的取值越大网络性能越差，反之性能越好，其中k为属性子***编号，k＝1,2,3,4，l_k为属性子***S_k中效益型属性的个数，M_k为属性子***的属性总个数，l_k≤M_k，则属性子***S_k中各个序参量分量e_ki，i≤M_k的有序度为

其中α_ki,β_ki分别为网络属性e_ki的最大值和最小值，i为属性子***中属性编号，该公式相当于对各个序参量分量即网络属性进行规范化，使其均满足有序度u_k(e_ki)越大网络的属性性能越好，取值范围为0～1。可知属性e_ki的有序度u_k(e_ki)越大，e_ki对有序的“贡献”越大，即属性e_ki在属性子***S_k的协同过程中越占据主导作用。

3)计算属性子***的有序度：属性子***的性能不但取决于所有属性的大小，还取决于它们之间的组合形式，将属性子***S_k中各个序参量分量的有序度u_k(e_ki)几何平均得到属性子***S_k的有序度为

属性子***有序度u_k越大，说明属性子***S_k的网络性能参数越优。属性子***的有序度用于衡量网络***的客观局部属性性能，其整体效应体现网络的性能。

4)根据业务类型计算层次分析法AHP权重：

a)根据业务类型分别建立关于步骤1)中确定的所有属性两两比较的判断矩阵B，形式如下：

其中b_mn表示第m个网络属性相对第n个网络属性的重要程度，w_m和w_n代表第m个网络属性和第n个网络属性的权重，b_mn值是引用数字1到9或其倒数作为标度的，数值大小代表了属性的相对重要程度。判断矩阵的主对角线均为1，关于主对角线对称的两个矩阵元素值呈倒数关系，b_nm＝1/b_mn，且m,n＝1,...,N。判断矩阵B存在特征方程满足B×V＝λ×V，其中V为非零特征向量，λ为特征值，计算出判断矩阵B的最大特征值λ_max和λ_max对应的特征向量V_max。

b)计算判断矩阵的一致性比率：为对所建立的网络属性的判断矩阵B进行一致性校验：对各网络属性因素两两比较时，得到的判断矩阵不一定满足一致性，可能出现b_mn与b_mk/b_kn并不相等，因此需衡量属性判断矩阵的合理性，若不合理，那么得到的主观权重也是不合理的。一致性的衡量指数用一致性比率CR表示：

CR＝CI/RI (4)

其中CI的计算公式为：

CI＝(λ_max-N)/(N-1) (5)

RI为平均随机一致性指标，需要根据判断矩阵的阶数查表，其RI值如表1所示：

表1平均随机性一致性指标RI

c)判断是否满足CR>0.1，如是，说明建立的判断矩阵不合理，则返回步骤a)，需要根据用户的业务需求调整，将重要性设的过大的属性降低其重要性，即降低该属性在判断矩阵中的元素值，用户看重但重要性设置不高的属性提高其重要性，即提高该属性在判断矩阵中的元素值，对判断矩阵中的个别元素值略微调整，比如3，5分别代表不同的重要程度，是人为给定的，重要性为5时矩阵不一致那么可以调整重要程度为3、7或其他，从而修改了判断矩阵B；若CR￡0.1时，说明判断矩阵满足一致性，进入步骤d)。

d)将矩阵的最大特征值λ_max对应的特征向量V_max归一化后就能得到该业务类型对应的层次分析法权重向量W＝[w₁ w2 ... w_N]^T，w₁,w₂,...,w_N分别为N个属性所对应的权重，T是转置符号。

5)计算复合***熵值：利用信息论的无序与有序来间接衡量各属性子***间的协同度，越是无序不协调的属性***其无序程度即熵值越大，反之越是有序协调的属性***其熵值越小，即熵值可以间接反映了属性子***的协同效用。根据AHP权重W＝[w₁ w₂ ...w_N]^T计算各个属性子***的权重即属性子***所包含的属性权重之和，将属性子***的有序度u_k按照各个属性子***的权重分别加权求和得到各个网络复合***的熵值，第t个候选网络复合***S的***熵值为

其中j∈S_k表示第k个属性子***S_k的属性编号，w_j表示编号j的属性对应的权重，表示属性子***S_k对候选网络复合***S的贡献权重，T为候选网络复合***的个数。这四个属性子***按照各自的贡献权重与自身熵值加权求和得到复合***的熵值，因此当四个属性子***的有序度都较大时其复合***熵值较小，***较为有序，协同度即合作效应也越大，网络的性能也越好。

6)将各个候选网络复合***的***熵值U₁,U₂,...,U_T作为衡量网络性能的效用函数，选取***熵值最小的网络作为目标网络，即

该网络是属性子***间协同发展最好的网络，熵值最小的网络是属性子***间协同发展最好的网络，说明各属性***均衡协调发展得越好。

综上所述，将协同学原理应用到解决多属性网络的决策，把每个网络看作是由多个属性子***合成的复合***，属性子***的协同作用体现宏观的网络性能，从属性均衡协调发展的角度对网络性能评估，同时考虑不同业务下的用户服务需求，更符合异构网络决策问题的实际情况。如附图2中的表格所示是在状态转移概率P＝0.5时，在会话类业务下，基于协同学原理的异构网络多属性决策方法的选择结果的平均包时延、包抖动均小于熵权法EW和灰色关联分析法GRA算法，在交互类业务下，基于协同学原理的异构网络多属性决策方法的选择结果的每比特价格小于EW，GRA算法，而吞吐量大于EW，GRA算法，并且通过附图3和附图4可见本发明算法可以有效减少垂直切换次数，因而说明基于协同学原理的网络决策方法可以根据不同的业务类型为用户提供满意的QoS。

Claims (1)

1.一种基于协同学原理的异构网络多属性决策方法，其特征在于，该方法包括以下步骤：

1)确定候选网络复合***的构成：将每个候选网络复合***S看作是由吞吐量子***S₁、及时性子***S₂、可靠性子***S₃和费用子***S₄组成的***，所述吞吐量子***S₁包含的属性为可用速率e₁₁和峰值速率e₁₂，及时性子***S₂包含的属性为包时延e₂₁和包抖动e₂₂，可靠性子***S₃包含的属性为包丢失e₃₁，费用子***S₄包含的属性为每比特费用e₄₁，以上属性分别为所对应属性子***中的序参量分量；

2)计算属性子***的序参量分量的有序度：对属性子***S_k，假定属性的取值越大网络性能越好，反之性能越差，而属性的取值越大网络性能越差，反之性能越好，其中k为属性子***编号，k＝1,2,3,4，l_k为属性子***S_k中效益型属性的个数，M_k为属性子***的属性个数，l_k≤M_k，则属性子***S_k中各个序参量分量e_ki，i≤M_k的有序度为其中α_ki,β_ki分别为属性e_ki的最大值和最小值，i为属性子***中属性的编号；

3)计算属性子***的有序度：将所述步骤2)中得到的属性子***的序参量分量的有序度u_k(e_ki)几何平均得到属性子***S_k的有序度为

4)根据业务类型计算层次分析法权重，具体流程为：

a)根据业务类型分别建立关于步骤1)中确定的所有属性两两比较的判断矩阵B，所述判断矩阵的元素值为1到9的整数或其倒数，根据B×V＝λ×V，计算出判断矩阵B的最大特征值λ_max和λ_max对应的特征向量V_max，其中V为非零特征向量，λ为特征值，

b)根据下式计算得到判断矩阵的一致性比率为：

其中N为矩阵维数，即候选网络复合***包含的属性个数，RI为根据所述矩阵维数N查询平均随机性一致性指标表得到的平均一致性指标；

c)判断是否满足CR>0.1，如是，则返回步骤a)，否则进入步骤d)；

d)将矩阵的最大特征值λ_max对应的特征向量V_max归一化，得到该业务类型对应的层次分析法权重为W＝[w₁ w₂ ... w_N]^T，w₁,w₂,...,w_N分别为N个属性所对应的权重；

5)计算复合***熵值：将所述步骤3)得到的属性子***的有序度u_k按照步骤4)得到的层次分析法权重W进行加权复合，得到第t个候选网络复合***S的***熵值为其中j∈S_k表示第k个属性子***S_k的属性编号，w_j表示编号j的属性对应的权重，表示属性子***S_k对候选网络复合***S的贡献权重，T为候选网络复合***的个数；

6)将步骤5)中计算得到的各个候选网络复合***的***熵值U₁,U₂,...,U_T作为衡量网络性能的效用函数，选取其中***熵值最小的网络作为目标网络，即