CN106102167A - 实时按需数据广播调度自适应信道划分与分配***及方法 - Google Patents

Abstract

本发明公开了一种实时按需数据广播调度自适应信道划分与分配***及方法，***由一个服务器以及多个用户组成，包含一个上行信道和若干个下行信道，上行信道带宽小于下行信道；当用户需要一个数据时，通过上行信道上传一个请求至服务器；上传请求后，用户侦听下行信道获取数据；服务器用于维护一个请求队列RQ、一个准备队列PQ以及多个广播队列BQ_i 0≤i≤N；请求队列RQ负责收集用户请求，服务器根据请求队列RQ从数据库中获取数据生成准备队列PQ；服务器周期性的从准备队列PQ提取数据组织广播。本发明根据实时数据请求环境动态的调整信道，能够有效的适应热点数据分散、热点变化快和数据项特变化快的广播环境。能够有效的提高实时按需数据广播***的广播效率。

Description

实时按需数据广播调度自适应信道划分与分配***及方法

技术领域

本发明属于计算机科学和实时按需数据广播调度技术领域，涉及一种实时按需数据广播调度自适应信道划分与分配***及方法OCSM(Optimized Channel Split Method)。

背景技术

由于移动网络技术和数据广播调度支持大量用户同时访问热点数据，实时按需数据广播调度被广泛应用于实时热点数据的传输中，如股票信息传送、交通信息发布等实时***。数据广播包括静态周期广播和按需广播两种广播方式。由于移动网络用户对信息服务质量需求的不断提高，实时按需数据广播成为当前研究的热点，时效性是按需数据广播调度的重要约束性条件，设计高效的数据广播调度算法，最大限度地满足用户请求是按需数据广播研究的重中之重。

按需数据广播调度***实时接收用户数据请求，并利用相应的调度算法组织数据广播调度序列。按需数据广播调度具有按需性和实时性。按需性体现在每个广播周期所广播的数据由用户请求决定，实时性体现在用户请求的服务必须在一个广播周期内得到满足。按需数据广播调度有效地降低用户请求的平均等待时间以及移动终端的调谐时间，因而被广泛应用于动态、大规模数据的广播与传输中。现有的技术中研究了单一信道按需数据广播，提出了大量优秀的算法，如SIN-α、RxW算法等，这些算法在降低***请求失效率、降低平均等待时间、减少客户端调谐时间和降低客户端能耗等方面都有出色表现。但随着移动网络技术的发展，用户需求的多样化使得对广播调度***支持多数据项请求的需求不断提高，单一信道按需数据广播调度不能发挥多信道并行广播优势。针对这一问题，现有的技术中研究了固定多信道多数据项调度算法，并证明固定多信道多数据项请求调度是一个NP-hard的问题，提出了大量的调度分配算法。如TOSA(Near-Optimal SchedulingAlgorithm)算法等都能很好的结合多信道并行广播的特点，提高数据广播调度效率。但固定多信道广播调度算法只能针对特定需求的网络，不能适应多变的需求环境。

无论是单一信道广播还是固定多信道广播都无法自适应热点数据分散、热点变化快和数据特征差异性大的广播环境。首先，在移动网络中，基于结构的物理限制，例如客户端可能有不同的通信能力，制约了单一信道高速传输的可行性；其次，面向用户应用的需求，信道可合并或者协调以提供可变的服务质量；同时，随着实时热点数据的分散，多信道广播相对于单一信道广播具有更高的时效性；最后，依据广播数据特征实时地调整广播信道能够更好的适应多变的移动网络环境。因此，基于当前用户需求多变的现实以及上述算法存在的若干局限性，本文对自适应多信道广播调度进行了研究，提出了一种实时按需数据广播的自适应信道划分与分配方法OCSM(Optimized Channel Split Method)。

发明内容

本发明对自适应多信道广播调度进行了研究，提出了一种实时按需数据广播的自适应信道划分与分配***及方法OCSM。

本发明的***所采用的技术方案是：一种实时按需数据广播调度自适应信道划分与分配***，其特征在于：由一个服务器以及多个用户组成，包含一个上行信道和若干个下行信道，上行信道带宽小于下行信道；当用户需要一个数据时，通过上行信道上传一个请求至服务器；上传请求后，用户侦听下行信道获取数据；所述服务器用于维护一个请求队列RQ、一个准备队列PQ以及多个广播队列BQ_i 0≤i≤N；所述请求队列RQ负责收集用户请求，服务器根据请求队列RQ从数据库中获取数据生成准备队列PQ；所述服务器周期性的从准备队列PQ提取数据组织广播。

本发明的方法所采用的技术方案是：一种实时按需数据广播调度自适应信道划分与分配方法，其特征在于，包括以下步骤：

步骤1：初始化；

将N个数据项分成N类，定义数组T＝{t₁,t₂,...,t_i,...,t_N}作为分类器，其中t_i为数据项d_i的类标签；

步骤2：用户通过上行信道发送请求Req；

步骤3：判断当前是否有请求Req_i；

若是，则执行下述步骤4；

若否，服务器继续监听上行信道，并回转执行所述步骤3；

步骤4：取出Req_i，对于该请求的数据项d_i执行下述操作；

若d_i存在于广播队列BQ_i中，则将该Req_i添加到该d_i的请求列表中；

若d_i存在于准备队列PQ中，则将该Req_i添加到该d_i的请求列表中；

否则，将该Req_i加入到请求队列RQ中；

步骤5：判断上一广播周期K_i-1是否结束；

若是，则执行下述步骤6；

若否，则回转执行上述步骤2；

步骤6：采用OCSM算法组织广播；

步骤7：广播完一个d_i，则将该d_i的成功请求信息写入文件，删除该广播项的所有请求，删除该广播项，前进一个时间点；

步骤8：判断是否超过运行时间T；

若是，则执行下述步骤9；

若否，则回转执行上述步骤2；

步骤9：读取成功请求信息，统计请求信息。

作为优选，步骤6中所述采用OCSM算法组织广播，其具体实现过程包括以下子步骤：

步骤6.1：利用数据挖掘聚类算法RxW/SL，确定准备队列PQ中每一个数据项d_i的权重值，为下一步提供聚类指标；

步骤6.2：利用数据项均衡聚类算法WASC，根据数据项d_i的优先级以及数据项大小将准备队列PQ划分成n个类别FG＝{g₁,g₂,…g_n}，其中g_i表示第i个分组；

步骤6.3：利用信道划分与分配算法CSA，根据FG将信道C划分成对应的相应的n子信道集合SC＝{c₁,c₂,...,c_i,...c_n}，并将g_i分组的数据项置于子信道c_i进行广播。

作为优选，步骤6.1的具体实现过程是：

假设下一时刻广播数据项d_i，得出广播结束时间，由此计算出广播d_i将导致***其他数据项请求总的失效数越小d_i优先级越高；同时考虑数据项请求数、最长等待时间两个因素，通过公式(1)计算值衡量数据项的紧急度，以此确定数据项的优先级；

${\mathrm{Wf}}_{d_i}=\frac{R_{d_i}\×W_{d_i}}{{\mathrm{SL}}_{d_i}}---\left(1\right);$

其中，表示数据项d_i请求数，表示数据项d_i请求的最长等待时间，为广播d_i将导致***其他请求总的失效数；值越大，数据项优先级越高；

在式(1)中，若为0，则用衡量d_i的优先级；因此式(1)修改为(2)；

${\mathrm{Wf}}_{d_i}=\left\{\begin{array}{ccc}\frac{R_{d_i}\×W_{d_i}}{{\mathrm{SL}}_{d_i}}& if& {\mathrm{SL}}_{d_i}\≠0\\ R_{d_i}\×W_{d_i}& if& {\mathrm{SL}}_{d_i}=0\end{array}\right.---\left(2\right).$

作为优选，步骤6.2的具体实现包括以下子步骤：

步骤6.2.1：将准备队列PQ中数据项大小保存于向量S中；

步骤6.2.2：将N个数据项样本分成N类，数据项d_i对应第i类，类标为i，存储于向量T中；

步骤6.2.3：对样本进行10倍交叉验证，将样本分成10分，对每一份样本进行10轮次的KNN算法分类得到9个初始预分类标签，采用投票法决定该样本的最终预分类标签z_i；

步骤6.2.4：将所有样本的预分类标签汇总生成预测分类样本Z_T；

步骤6.2.5：利用公式计算样本分类精准度值A_T；

步骤6.2.6：随机挑选一部分分类错误的样本，将其分类标签t_i与其预测分类标签z_i交换，生成新的分类标签V；

步骤6.2.7：将V代替T，得到A_V；

步骤6.2.8：若AV≥AT，则T＝V,Z_T＝Z_V，A_T＝A_V，R＝R-1；

步骤6.2.8：判断；

若A_T等于1或者达到最大循环次数，则执行下述步骤6.2.9；

否则，回转执行上述步骤6.2.3；

步骤6.2.9：调整分类标签T中分类标签数值，使其按{1,2,3...}递增，将数据项集合D分成categorieN个子集合G＝{g₁,g₂,...g_i,...g_categorieN}；

步骤6.2.10：初始化空数据项集合

FG＝{g_1,1,g_1,2,…g_i,1,g_i,2,…g_categorieN,1,g_categorieN,2}，其中g_i,1,g_i,2由G中的g_i经步骤6.2.12-6.2.13生成；

步骤6.2.11：从i＝1开始，循序执行下述步骤6.2.12-步骤6.2.13，直至i＝categorieN；

步骤6.2.12：初始化

步骤6.2.13，对于集合g_i中的每一个数据项d_j，判断是否成立；

若是，则将数据项d_i添加到_gi,1集合中；其中为数据项d_j的大小；

若否，则将数据项d_i添加到_gi,2集合中；

步骤6.2.14：输出FG。

作为优选，步骤6.2.9的具体实现包括以下子步骤：

(1)定义包含N个元素的数组Tag{-1,-1,...,-1}，categorieN＝0；

(2)从i＝1开始，循序执行下述(3)-(6)，直至i＝N；

(3)如果Tag[i]＝-1，Tag[i]表示Tag数组中第i个元素，即分类标签未进行调整，则n＝t_i；categorieN++；t_i＝categorieN；

(4)从j＝i+1开始，循序执行下述(5)，直至j＝N；

(5)若t_j＝n&&Tag[j]＝-1，则t_i＝categorieN,Tag[j]＝0；

(6)Tag[i]＝0；

(7)将T类标赋值给G，输出G，categorieN。

作为优选，步骤6.3的具体实现包括以下子步骤：

步骤6.3.1：初始化数组Sumdata[categorieN]；其中数据项集合D分成categorieN个子集合G＝{g₁,g₂,...g_i,...g_categorieN}；

步骤6.3.2：从i＝1开始，循序执行下述步骤6.3.3，直至i＝N；

步骤6.3.3：扫描待广播数据项集合D，若其类标签t_i＝j，则 $Sumdata\[j\]=Sumdata\[j\]+{\mathrm{Size}}_{d_i};$

步骤6.3.4：初始化categorieN个子广播信道；

步骤6.3.5：从i＝1开始，循序执行下述步骤6.3.6，直至i＝categorieN；

步骤6.3.6：求取子信道c_i的带宽大小

步骤6.3.7：输出子信道{c₁,c₂,...,c_i,...,c_categorieN}；

步骤6.3.8：初始化categorieN个子广播队列；

步骤6.3.9：从i＝1开始，循序执行下述步骤6.3.10，直至i＝N；

步骤6.3.10：扫描待广播数据项集合D中数据项，若d_i的分类标签为t_i，则将数据项d_i加入到子广播队列中；

步骤6.3.11：从i＝1开始，循序执行下述步骤6.3.12，直至i＝categorieN；

步骤6.3.12：将子广播队列bd_i按数据项权重值排序；

步骤6.3.13：输出子广播队列{bd₁,bd₂,...,bd_i,...,bd_categorieN}。

本发明根据实时数据请求特征自适应调整广播信道和大小，从而有效的提高广播***的广播效率、***鲁棒性，并且有效的降低用户请求的失效率以及平均等待时间。

附图说明

图1是本发明实施例的***结构示意图；

图2是本发明实施例的方法流程图；

图3是本发明实施例的数据划分分析图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

随着移动数据广播的不断发展，其面临如下挑战：(1)数据内容和规模的多样化；(2)用户请求的实时性与需求多样性，导致热点数据的增加，直接剧增了广播数据总量；(3)服务质量和水平的提高。

本发明对自适应多信道广播调度进行了研究，提出了一种实时按需数据广播的自适应信道划分与分配方法OCSM(Optimized Channel Split Method)。

本发明的主要研究工作包括如下几个方面：

(1)提出一种RxW/SL数据项优先级评定算法(其中R(Request)为数据请求数、W(Wait)为请求最长等待时间、SL(System Lose)为***即将失效数)。该算法同时考虑数据请求数、数据请求最长等待时间和***即将失效请求数这三个指标，通过准确评定单个数据项的紧急程度，为均衡聚类算法提供聚类指标。

(2)综合考虑数据项大小、信道大小和数据项紧急程度等因素，提出广播数据项均衡聚类算法WASC(Weight Average and Size Cluster algorithm)，为自适应信道划分方法OCSM提供划分依据。

(3)提出算法CSA(Channel Split Algorithm)，其根据WASC算法产生的结果，将信道划分成多个子信道，同时调度数据请求序列到对应子信道进行广播。

请见图1，本发明提供的一种实时按需数据广播调度自适应信道划分与分配***，包括一个服务器以及多个用户。服务器维护一个请求队列RQ(Rquest Queue)、一个准备队列PQ(Pending Queue)以及多个广播队列BQ_i 0≤i≤N(Broadcast Queue)。RQ负责收集用户请求，服务器根据RQ从数据库中获取数据生成PQ。服务器周期性的运用OCSM算法从PQ提取数据组织广播。每当用户需要一个数据时，通过上行信道上传一个请求至服务器，本文假设每个用户一次只产生一个请求，并且同一用户前后两次请求的数据之间不具有关联性。上传请求后，用户侦听下行信道获取数据，数据项大小是不唯一的。***包含一个上行信道，若干个下行信道，上行信道带宽远小于下行信道，本文假设用户可同时侦听多个下行信道。具体的，基于OCSM的数据广播调度模型如图1所示。***由四部分组成：

(1)接收(接收移动客户端的请求)；

(2)获取(从数据库获取请求数据)；

(3)划分(将准备队列中的数据划分成多个类别)；

(4)拆分(将信道拆分成多个信道)。

基于OCSM方法的数据广播调度流程如表1所示：

表1 基于OCSM的数据广播调度流程

数据项优先级和数据项大小是数据项最重要的特征，挖掘广播数据项的特点，找到最合适的广播信道是自适应信道划分的关键。请见图2，本发明提供的一种实时按需数据广播调度自适应信道划分与分配方法OCSM(Optimized Channel Split Method)，采用数据挖掘中聚类的方法挖掘数据项特征，提出数据项均衡聚类算法WASC，并提出信道划分与分配算法CSA，根据聚类结果，找到最合适的信道个数及对应大小。本章详细介绍OCSM，如图2所示，OCSM包含RxW/SL算法、WASC算法和CSA算法。RxW/SL算法确定PQ中每一个数据项d_i的权重值，为下一步提供聚类指标；WASC算法根据以及数据项大小将PQ划分成n个类别FG＝{g₁,g₂,…g_n}。其中g_i表示第i个分组；CSA算法根据FG将信道C划分成对应的相应的n子信道集合SC＝{c₁,c₂,...,c_i,...c_n}，并将g_i分组的数据项置于子信道c_i进行广播。

以下详细介绍本实施例的算法RxW/SL；

数据项优先级是确定数据项广播顺序的重要因素，同时也是数据项的特征的综合指标。表示数据项d_i的优先级，越大，优先级越高。请求失效率LR(Request LostRate,LR)、平均等待时间AAT(Average Access Time,AAT)是衡量实时数据广播***服务质量的指标。为了提高***的服务质量，通常采用的策略是通过算法确定数据项优先级，选取优先级最高的数据项进行广播。在不考虑数据项大小的情况下，SIN-α算法以及L×R×W算法都提出了有效的方法来衡量数据项的优先级，其中L×R×W算法同时考虑数据项请求即将实效数、数据项请求数和最长等到时间，能全面的衡量数据项的优先级。而L×R×W算法并不适应于数据项大小不固定的情况，如何在数据项大小不固定的情况下准确衡量数据项优先级是本节致力解决的问题。

在L×R×W算法中，数据项大小固定，广播队列中前i-1个数据项的选取不影响第i个数据项d_i的广播开始时间t_i,L代表t_i之前失效的关于d_i的请求数。在数据项大小不固定的情况，无法确定广播队列前i-1个数据项的大小，故无法确定t_i的具体值，因此L×R×W失效。因为无法保证按照L×R×W算法计算的单个最优数据项组成的队列是***最优广播队列。L×R×W算法中，L考虑的是d_i在t_i时刻广播所产生的失效数，若L越大，表示随着时间推后，d_i所产生的失效数越多，故d_i的优先级越高。为克服L×R×W算法在数据项大小不固定情况下的不适应性，我们提出RxW/SL算法，其用***即将失效数SL(System Lose)代替L，其计算方法为假设下一时刻广播数据项d_i，得出广播结束时间，由此计算出广播d_i将导致***其他数据项请求总的失效数直观上可以理解，越小d_i优先级越高。同时考虑数据项请求数、最长等待时间两个因素。通过公式(1)计算值衡量数据项的紧急度，以此确定数据项的优先级。(1)式中表示数据项d_i请求数，表示数据项d_i请求的最长等待时间，为广播d_i将导致***其他请求总的失效数。

${\mathrm{Wf}}_{d_i}=\frac{R_{d_i}\×W_{d_i}}{{\mathrm{SL}}_{d_i}}---\left(1\right)$

值越大，数据项优先级越高。在(1)中，可能为0，此时就用此时就用衡量d_i的优先级，因此式(1)修改为(2)。

${\mathrm{Wf}}_{d_i}=\left\{\begin{array}{ccc}\frac{R_{d_i}\×W_{d_i}}{{\mathrm{SL}}_{d_i}}& if& {\mathrm{SL}}_{d_i}\≠0\\ R_{d_i}\×W_{d_i}& if& {\mathrm{SL}}_{d_i}=0\end{array}\right.---\left(2\right)$

以下详细介绍本实施例的算法WASC；

在按需数据广播调度算法中，需要考虑的三个主要因素是数据项大小数据项的权重值以及信道大小Bw。下面分析以上三个因素之间的关系。为了便于分析，做出如下符号定义：信道C划分成n个子信道，SC＝{c₁,c₂,...,c_i,...c_n}，子信道c_i的大小为即广播周期K子信道c_i的广播价值定义为求解公式如式(3)所示：

$\begin{array}{c}{V}_{c_i,k}={\mathrm{Wf}}_{d_1,c_i,k}+{\mathrm{Wf}}_{d_2,c_i,k}+\mathrm{...}+{\mathrm{Wf}}_{d_n,c_i,k}\\ =\underset{i=1}{\overset{i=n}{\Σ}}{\mathrm{Wf}}_{d_i,c_i,k}\end{array}---\left(3\right)$

其中为广播周期K子信到c_i中第i个数据项的权重值。故信道C总的广播价值SumV_k求解如式(4)。直观上认为一个周期内广播价值SumV_k越高，广播***的效率越高。

$\begin{array}{c}{\mathrm{SumV}}_k=V_{c_1,k}+V_{c_2,k}+\mathrm{...}+V_{c_N,k}\\ =\underset{j=1}{\overset{j=N}{\Σ}}{V}_{c_j,k}=\underset{j=1}{\overset{j=N}{\Σ}}\underset{i=1}{\overset{i=n}{\Σ}}{W}_{d_i,c_j,k}\end{array}---\left(4\right)$

(1)数据大小：分析数据大小对广播调度的影响。假定将信道划分成两个子信道Bw₁＝3MB，Bw₂＝1MB，数据项d₁…d₅大小为3MB，d₆…d₁₀大小为1MB，各数据项权重值均为1，广播周期为5S。按照数据项大小聚类广播如图3(a)、(b)所示。从图3(a)结合公式(6)可以计算出SumV_k＝10，而若不将数据项放置于与其大小相对应的信道中广播，会存在较大的信道浪费，图3(b)展示了一种较极端的情况，信道存在3M的带宽浪费，同时SumV_k＝9，小于按数据项大小聚类广播。

(2)数据权重值：分析数据项权重值对对调度的影响。假定将信道划分成两个子信道Bw₁＝2M，Bw₂＝2M，被请求的数据项d₁...d₈大小均为2M，其中d₁...d₄权重值d₅...d₈权重值广播周期为3S。按照数据项权重值均衡化广播如图3(c)、(d)所示。如图3(c)所示，权重值为5的数据项分散到两个信道中广播。广播周期结束后，数据项d₇,d₈未能及时广播，可以计算出总信道广播价值SumV_k＝22。若不将权重值大的数据项均匀分散于各个广播队列，将可能出现如图3(d)所示的情形。权重值大的数据项拥挤与一个信道内。导致总信道广播价值为SumV_k＝18，大大影响了广播效率。

通过上面的分析发现，将数据项大小相接近的数据项聚集在一起广播，能够充分利用信道带宽，减少周期间隙带宽的浪费。将权重值大的数据项均匀分散至各个信道广播，将有利于提高单位时间内信道所广播的总价值。

通过以上分析，得出两个聚类指标。将数据项集合按照聚类，有利于带宽的充分利用；将数据项集合按照分散广播，有利于提高单位时间内信道广播价值。提出WASC算法，将数据项集合按进行聚类，然后依据将聚类好的子集合G分散成FG。下面将具体介绍均衡聚类算法的实现。WASC算法主要分为三步：

(1)聚类：运用改进的KODAMA算法，将数据按大小聚类。(ⅰ)初始化将N个数据项分成N类，定义数组T＝{t₁,t₂,...,t_i,...,t_N}作为分类器，其中t_i为d_i的类标签。运用KNN算法对样本进行10倍交叉验证，得出预分类标签Z_T＝{z₁,z₂,...,z_i,...,z_N}，其中z_i为d_i的预分类标签。计算分类精准度值A_T。(ⅱ)随机交T与Z_T中错误分类样本标签，生成新的分类标签数组V＝{v₁,v₂,...,v_i,...,v_N}。对V运用KNN算法进行10倍交叉验证，得出预分类标签Z_V＝{z₁,z₂,...,z_i,...,z_N}，计算分类精准度值A_V，若A_V≥A_T，用V取代T，将Z_V取代Z_T，A_T等于A_V。循环执行(ⅱ)直到A_T等于1或者达到最大循环次数。

(2)分类标签调整：经过步骤(1)产生的T中各个类的类标签并非连续的数列，为方便信道的划分，需(2)对T中类标签进行调整。采用分类标签调整策略TRS(Tag RankStrategy)，将数据项集合D分成categorieN个子集合G＝{g₁,g₂,...g_i,...g_categorieN}。具体的调整策略见表2。

表2 TRS策略

(3)均衡化处理：将数据项权重值均匀的分散到各子信道中进行广播。fori＝0to catagorieN，将生成g_i,1,g_i,2两个子类别，如果将g_i中数据项d_j添加到子类别g_i,1中，否则添加到g_i,2中。通过的均衡化处理，生成最终的分类子集合FG。

综上三步，WASC算法伪码如表3所示。

表3 WASC算法

以下详细介绍本实施例的算法CSA；

算法CSA根据分类子集合FG将信道进行划分，进而将数据项分配至相应的子信道进行广播。其主要包含信道划分以及数据项分配两个部分。

(1)信道划分：广播信道带宽由其待广播数据项特征决定。广播信道与广播数据项相适应，可以进一步提高算法效率。通过均衡聚类将待广播数据项中的数据特征挖掘出来。数据项大小聚类，减少了信道带宽的浪费，数据项依据权重值分散，提高了信道周期广播价值。将广播信道根据其待广播数据自适应划分，划分子信道情况由聚类结果决定。

(2)信道分配：即将数据项分配到各个子信道内进行广播。根据每个待广播数据项的分类标签，将其分配至相应的子信道组成子广播队列。然后根据算法确定为权重值将子广播队列进行排序，权重值大的数据项优先于权重值小的数据项广播。

具体的CSA算法如表4所示：

表4 算法CSA伪码

本发明提供的实时按需数据广播调度自适应信道划分与分配方法OCSM(Optimized Channel Split Method)结合广播信道个数、大小以及实时广播环境，数据请求特征不同实时自适应调整信道个数和大小，从而提高***敏感性、鲁棒性以及广播效率。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (7)

1.一种实时按需数据广播调度自适应信道划分与分配***，其特征在于：由一个服务器以及多个用户组成，包含一个上行信道和若干个下行信道，上行信道带宽小于下行信道；当用户需要一个数据时，通过上行信道上传一个请求至服务器；上传请求后，用户侦听下行信道获取数据；所述服务器用于维护一个请求队列RQ、一个准备队列PQ以及多个广播队列BQ_i 0≤i≤N；所述请求队列RQ负责收集用户请求，服务器根据请求队列RQ从数据库中获取数据生成准备队列PQ；所述服务器周期性的从准备队列PQ提取数据组织广播。

2.一种实时按需数据广播调度自适应信道划分与分配方法，其特征在于，包括以下步骤：

步骤1：初始化；

将N个数据项分成N类，定义数组T＝{t₁，t₂，...，t_i，...，t_N}作为分类器，其中t_i为数据项d_i的类标签；

步骤2：用户通过上行信道发送请求Req；

步骤3：判断当前是否有请求Req_i；

若是，则执行下述步骤4；

若否，服务器继续监听上行信道，并回转执行所述步骤3；

步骤4：取出Req_i，对于该请求的数据项d_i执行下述操作；

若d_i存在于广播队列BQ_i中，则将该Req_i添加到该d_i的请求列表中；

若d_i存在于准备队列PQ中，则将该Req_i添加到该d_i的请求列表中；

否则，将该Req_i加入到请求队列RQ中；

步骤5：判断上一广播周期K_i-1是否结束；

若是，则执行下述步骤6；

若否，则回转执行上述步骤2；

步骤6：采用OCSM算法组织广播；

步骤7：广播完一个d_i，则将该d_i的成功请求信息写入文件，删除该广播项的所有请求，删除该广播项，前进一个时间点；

步骤8：判断是否超过运行时间T；

若是，则执行下述步骤9；

若否，则回转执行上述步骤2；

步骤9：读取成功请求信息，统计请求信息。

3.根据权利要求2所述的实时按需数据广播调度自适应信道划分与分配方法，其特征在于，步骤6中所述采用OCSM算法组织广播，其具体实现过程包括以下子步骤：

步骤6.1：利用数据挖掘聚类算法RxW/SL，确定准备队列PQ中每一个数据项d_i的权重值，为下一步提供聚类指标；

步骤6.2：利用数据项均衡聚类算法WASC，根据数据项d_i的优先级以及数据项大小将准备队列PQ划分成n个类别FG＝{g₁,g₂,…g_n}，其中g_i表示第i个分组；

步骤6.3：利用信道划分与分配算法CSA，根据FG将信道C划分成对应的相应的n子信道集合SC＝{c₁，c₂，...，c_i，...c_n}，并将g_i分组的数据项置于子信道c_i进行广播。

4.根据权利要求3所述的实时按需数据广播调度自适应信道划分与分配方法，其特征在于，步骤6.1的具体实现过程是：

假设下一时刻广播数据项d_i，得出广播结束时间，由此计算出广播d_i将导致***其他数据项请求总的失效数 越小d_i优先级越高；同时考虑数据项请求数、最长等待时间两个因素，通过公式(1)计算值衡量数据项的紧急度，以此确定数据项的优先级；

${\mathrm{Wf}}_{d_i}=\frac{R_{d_i}\×W_{d_i}}{{\mathrm{SL}}_{d_i}}---\left(1\right);$

其中，表示数据项d_i请求数，表示数据项d_i请求的最长等待时间，为广播d_i将导致***其他请求总的失效数；值越大，数据项优先级越高；

在式(1)中，若为0，则用衡量d_i的优先级；因此式(1)修改为(2)；

${\mathrm{Wf}}_{d_i}=\left\{\begin{array}{cc}\frac{R_{d_i}\×W_{d_i}}{{\mathrm{SL}}_{d_i}}& if{\mathrm{SL}}_{d_i}\≠0\\ R_{d_i}\×W_{d_i}& if{\mathrm{SL}}_{d_i}=0\end{array}\right.---\left(2\right).$

5.根据权利要求3所述的实时按需数据广播调度自适应信道划分与分配方法，其特征在于，步骤6.2的具体实现包括以下子步骤：

步骤6.2.1：将准备队列PQ中数据项大小保存于向量S中；

步骤6.2.2：将N个数据项样本分成N类，数据项d_i对应第i类，类标为i，存储于向量T中；

步骤6.2.3：对样本进行10倍交叉验证，将样本分成10分，对每一份样本进行10轮次的KNN算法分类得到9个初始预分类标签，采用投票法决定该样本的最终预分类标签z_i；

步骤6.2.4：将所有样本的预分类标签汇总生成预测分类样本Z_T；

步骤6.2.5：利用公式计算样本分类精准度值A_T；

步骤6.2.6：随机挑选一部分分类错误的样本，将其分类标签t_i与其预测分类标签z_i交换，生成新的分类标签V；

步骤6.2.7：将V代替T，得到A_V；

步骤6.2.8：若A_V≥A_T，则T＝V,Z_T＝Z_V，A_T＝A_V，R＝R-1；

步骤6.2.8：判断；

若A_T等于1或者达到最大循环次数，则执行下述步骤6.2.9；

否则，回转执行上述步骤6.2.3；

步骤6.2.9：调整分类标签T中分类标签数值，使其按{1，2，3...}递增，将数据项集合D分成categorieN个子集合G＝{g₁,g₂,...g_i,...g_categorieN}；

步骤6.2.10：初始化空数据项集合

FG＝{g_1,1,g_1,2,…g_i,1,g_i,2,…g_categorieN,1,g_categorieN,2}；

步骤6.2.11：从i＝1开始，循序执行下述步骤6.2.12-步骤6.2.13，直至i＝categorieN；

步骤6.2.12：初始化

步骤6.2.13，对于集合g_i中的每一个数据项d_j，判断是否成立；

若是，则将数据项d_i添加到g_i,1集合中；其中为数据项d_j的大小；

若否，则将数据项d_i添加到g_i,2集合中；

步骤6.2.14：输出FG。

6.根据权利要求5所述的实时按需数据广播调度自适应信道划分与分配方法，其特征在于，步骤6.2.9的具体实现包括以下子步骤：

(1)定义包含N个元素的数组Tag{-1,-1,...,-1}，categorieN＝0；

(2)从i＝1开始，循序执行下述(3)-(6)，直至i＝N；

(3)如果Tag[i]＝-1，Tag[i]表示Tag数组中第i个元素，即分类标签未进行调整，则n＝t_i；categorieN++；t_i＝categorieN；

(4)从j＝i+1开始，循序执行下述(5)，直至j＝N；

(5)若t_j＝n&&Tag[j]＝-1，则t_i＝categorieN，Tag[j]＝0；

(6)Tag[i]＝0；

(7)将T类标赋值给G，输出G，categorieN。

7.根据权利要求3所述的实时按需数据广播调度自适应信道划分与分配方法，其特征在于，步骤6.3的具体实现包括以下子步骤：

步骤6.3.1：初始化数组Sumdata[categorieN]；其中数据项集合D分成categorieN个子集合G＝{g₁,g₂,...g_i,...g_categorieN}；

步骤6.3.2：从i＝1开始，循序执行下述步骤6.3.3，直至i＝N；

步骤6.3.3：扫描待广播数据项集合D，若其类标签t_i＝j，则

$\mathrm{Sumdata}\left[j\right]=\mathrm{Sumdata}\left[j\right]+{\mathrm{Size}}_{d_i};$

步骤6.3.4：初始化categorieN个子广播信道；

步骤6.3.5：从i＝1开始，循序执行下述步骤6.3.6，直至i＝categorieN；

步骤6.3.6：求取子信道c_i的带宽大小

步骤6.3.7：输出子信道{c₁，c₂，...，c_i,...,c_categorieN}；

步骤6.3.8：初始化categorieN个子广播队列；

步骤6.3.9：从i＝1开始，循序执行下述步骤6.3.10，直至i＝N；

步骤6.3.10：扫描待广播数据项集合D中数据项，若d_i的分类标签为t_i，则将数据项d_i加入到子广播队列中；

步骤6.3.11：从i＝1开始，循序执行下述步骤6.3.12，直至i＝categorieN；

步骤6.3.12：将子广播队列bd_i按数据项权重值排序；

步骤6.3.13：输出子广播队列{bd₁，bd₂，...，bd_i，...，bd_categorieN}。