CN113225773B - 超密集异构无线网络中网络环境感知自适应切换判决方法 - Google Patents
超密集异构无线网络中网络环境感知自适应切换判决方法 Download PDFInfo
- Publication number
- CN113225773B CN113225773B CN202110518349.4A CN202110518349A CN113225773B CN 113225773 B CN113225773 B CN 113225773B CN 202110518349 A CN202110518349 A CN 202110518349A CN 113225773 B CN113225773 B CN 113225773B
- Authority
- CN
- China
- Prior art keywords
- network
- cluster
- terminal
- rank
- self
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/0005—Control or signalling for completing the hand-off
- H04W36/0083—Determination of parameters used for hand-off, e.g. generation or modification of neighbour cell lists
- H04W36/0085—Hand-off measurements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0284—Traffic management, e.g. flow control or congestion control detecting congestion or overload during communication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/0289—Congestion control
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/14—Reselecting a network or an air interface
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W36/00—Hand-off or reselection arrangements
- H04W36/16—Performing reselection for specific purposes
- H04W36/165—Performing reselection for specific purposes for reducing network power consumption
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/42—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for mass transport vehicles, e.g. buses, trains or aircraft
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明请求保护一种超密集异构无线网络中网络环境感知自适应切换判决方法,属于移动通信领域,具体包括以下步骤:首先,构建网络环境感知模块评估网络的拥塞状况。其次,根据拥塞情况判决是否建立带簇头结点的自组织网络,并把簇头结点加入备选网络集。再次,当终端触发切换后,自适应切换判决算法会根据网络的拥塞状况和用户的业务请求,调整输入到决策算法中的选网参数,为用户筛选出当前环境下满意度最高的目标网络。最后,仿真结果表明,该算法能够有效地缓解网络拥塞,均衡网络间负载,提升用户体验。
Description
技术领域
本发明属于超密集异构无线网络中的垂直切换方法,属于移动通信领域。特别是涉及一种网络环境感知自适应切换判决方法。
背景技术
在城市核心区域,随着5G基站的大量部署以及公共交通网络的迅速发展,逐渐形成了超密集异构无线网络。然而,随着城市的发展和车辆的普及,城市的交通拥堵情况却日益加剧,每天的交通高峰期会有大量的车辆,特别是公交车,拥堵在城市核心区域路段。车辆的爆发式增长除了引起道路的拥堵,还会因大量车载终端(vehicle terminal)在短时间内的聚集性移动造成网络拥塞,由于网络资源的紧缺,原先接入网络的用户服务质量也将得不到保障。因此,在车辆异构无线网络中如何通过移动性管理缓解网络拥塞,实现负载均衡,进而保证用户体验成为该领域研究的热点问题。
针对异构无线网络中的网络拥塞、负载不均、用户体验等问题,目前的研究工作已经取得了一些成果。如:文献[Q.Zhang,X.Xu,J.Zhang,X.Tao and C.Liu.Dynamic loadadjustments for small cells in heterogeneous ultra-dense networks[C].2020IEEE Wireless Communications and Networking Conference(WCNC).Seoul,Korea(South),2020,pp.1-6,doi:10.1109/WCNC45663.2020.9120688.]提出了一种超密集异构蜂窝网络中的动态负载调整方法,该方法采用Q学习联合节能与负载函数,对有效的迁移策略进行学习并通过动态调整业务负载来关闭冗余基站,提高了网络的能源效率并在一定程度上实现了负载均衡。文献[Wu X,Du Q.Utility-function-based radio-access-technology selection for heterogeneous wireless networks[J].Computers andElectrical Engineering,2016,52(ICC):171-182.]提出了一种基于效用函数的网络选择方案,该方案通过综合考虑用户的QoS需求、偏好、成本以及网络负载,使得无线资源能够有效地用于支持多种业务,改善了用户体验,提高了***吞吐量。文献[Pan Su,Zhang Lei,Liu shengmei.Adaptive load balancing algorithm based on future loadpredicting[J].Systems engineering and electronic technology,2015,37(06):1384-1390.]提出了一种预测网络未来负载的自适应负载均衡方法,该方法首先通过马尔可夫链预测负载状态空间的概率,然后将预测概率通过负载趋势函数映射为趋势值,最后将趋势值作为均衡指标用于网络选择,有效的降低了接入阻塞率和切换次数。文献[Hasan MM,Kwon S.Cluster-based load balancing algorithm for ultra-dense heterogeneous[J].IEEE Access,2019,pp.2153-2162,2020,doi:10.1109/ACCESS.2019.2961949.]提出了一种基于集群的移动负载均衡方法,该方法将网络建模为一个有向图,并以超载的网络及其n层邻居构建集群,通过在集群中实现局部负载均衡,提高了网络的总体性能。
上述方法大多通过切换的方式将重负载基站中的用户迁移到邻近基站,来实现网络间的负载均衡。但在因大量终端聚集性移动引起的网络拥塞场景中,采用上述算法极易造成邻近基站带宽资源紧缺,原网络用户服务质量严重降级。此外,在处理用户体验的问题时,上述方法也没有考虑到用户的选网需求会随网络环境的变化作出相应调整。为解决上述问题,本发明将城市核心区域的网络通信建模为车辆自组织异构无线网络模型,并假设在公交车辆上布置无线信号收发器(Radio Transceiver,RT),以提高网络吞吐量,缓解周边基站接入压力。当终端触发切换后,通过自适应切换判决算法为用户筛选出当前网络环境下满意度最高的网络作为目标切换网络。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种超密集异构无线网络中网络环境感知自适应切换判决方法。本发明的技术方案如下:
一种超密集异构无线网络中网络环境感知自适应切换判决方法,其包括以下步骤:
101、网络环境感知:获取网络中各个基站的平均负载程度和负载变化率数据,评判出网络的拥塞情况;
102、构建自组织网络:判决网络状态为拥塞时,启动分簇算法,根据车辆的运动信息以分层的簇结构组建车辆自组织网络,让自组织网络也成为用户的备选网络;
103、自适应切换判决算法:终端触发切换后,根据步骤101感知的网络的拥塞情况和步骤102中得到的备选网络以及用户的业务请求,调整输入到决策算法中的决策参数,为用户筛选出当前环境下满意度最高的目标网络。
进一步的,所述步骤101获取网络中各个基站的平均负载程度和负载变化率数据,具体包括:
201、网络平均负载程度:通过网络已使用资源块数量占总资源块数量的比值来定义网络平均负载程度,假设某区域内共有N个基站,其中第j个基站能分配的总资源块数为Rj,接入到基站j的终端数量为U,其中第i个终端分配到的资源块数量为rij,则网络平均负载程度ξ可表示为:
202、负载变化率均值:通过网络的负载变化率来衡量网络负载程度的变化情况,假设在第t个采样时刻监测到网络平均负载程度为ξt,第t-1个采样时刻的平均负载程度为ξt-1,若相邻两次采样时间为一个采样周期,其间隔为Δt,则网络的负载变化率Δξ可表示为:
进一步的,所述步骤101采用网络平均负载程度ξ和平均负载变化率来综合评判网络的拥塞情况,ξ能反映出网络资源的使用情况,ξ越大表示网络资源消耗越多,拥塞情况越严重;反映的则是网络资源被消耗的快慢程度,越大表示网络资源消耗越快,网络陷入拥塞的风险越大。为了对平均负载程度和负载变化率进行度量,在网络拥塞感知模型中引入了负载下限阈值ξmin、负载上限阈值ξmax和负载变化率阈值Δξ0,其中ξmin用来判断网络是否有陷入拥塞的风险,ξmax用来判断网络是否已陷入拥塞,Δξ0用来判断网络陷入拥塞风险的高低程度,公式(4)是本发明的网络拥塞判断函数;
进一步的,所述步骤102自组织网络的生成和维护过程具体为:
(1)定义簇相关因子;
(2)定义簇内剩余可用资源:
(3)车辆自组织网络分簇算法。
进一步的,所述步骤(1)定义簇相关因子,具体包括:
簇相关因子用于描述自组织网络生成过程中,簇头和簇节点车辆之间的相关性,如果簇节点车辆与簇头的运动方向一致,相对速度越小,位置越接近,则簇相关因子值越大;簇节点n和簇头h的簇相关因子β可表示为:
式中,θh和θn表示簇头和簇节点的行驶方向,如果簇头和簇节点方向相同,θh/θn的取值为1,否则为-1;Δνh表示簇节点n和簇头h之间的相对速度,Δνmax和Δνmin分别表示簇节点n和所有簇头之间相对速度的最大值和最小值;ΔSh表示簇节点n和簇头h之间的相对距离,ΔSmax和ΔSmin分别表示簇节点n和所有簇头之间相对距离的最大值和最小值。
进一步的,所述步骤(2)定义簇内剩余可用资源具体包括:簇内剩余可用资源用于自组织网络的维护,若簇内剩余可用资源为0时,表示簇资源被全部消耗,此时需要限制接入簇的节点个数;若簇内剩余可用资源长时间维持在分配的总资源数,则表示没有车载终端接入到该簇,需要对簇进行销毁处理,簇h的剩余可用资源ψh可表示为:
式中,Rh表示簇h能分配的总的资源块数量,cn表示簇h中已接入的簇节点数量,ξn表示第n个簇节点的负载。
进一步的,所述步骤(3)车辆自组织网络分簇算法具体包括:通过报文消息机制对簇的生成、簇饱和限制、簇销毁几个阶段进行维护,在簇头和簇节点之间传输的报文消息携带了建簇过程需要采集的数据,算法具体步骤如下:
1)启动簇头上的无线信号收发器,给簇头分配网络资源,并且簇头广播建簇的hello消息;
2)终端按式(5)计算簇相关因子β,并向β值最大的簇头发送request消息,该簇头解析出request消息携带的数据,并按式(6)计算簇的剩余可用资源ψh;
3)比较簇的剩余可用资源和终端请求的资源数量,如果满足终端请求的资源数量,簇头向终端发送ack消息,允许终端接入簇,否则,发送nack消息拒绝终端接入簇;
4)如果簇的剩余可用资源为0,表示簇饱和,此时不在允许接入新的簇节点,如果簇的剩余可用资源长期维持在分配的总资源数量,表示长时间没有簇节点接入簇,则应该销毁簇,关闭无线信号收发器。
进一步的,所述步骤103中,根据网络环境和终端请求的业务类型,自适应调整输入到判决算法中的选网参数,为终端筛选出最优的目标网络,自适应切换判决算法中的相关参数定义如下:
401、定义接收信号强度与数据传输速率:接收信号强度RSS是终端评价网络的一个基本指标,它反映了网络的信道质量,由于信号在传输过程中存在路径损耗,终端i接入网络j的接收信号强度可表示为:
RSSij=Pj-ηlgdij+Xσ (7)
式中,Pj表示网络j的无线信号发射功率,η表示路径损耗因子,dij表示终端i到接入点j的距离,Xσ表示均值为0,方差为σ的高斯白噪声,根据香农公式可知,终端接入网络的数据传输速率和带宽、信噪比等参数相关,因此终端i接入网络j所获得的数据传输速率可表示为:
eij=rijWplog2(1+SNRij) (8)
式中,Wp表示单个资源块的带宽,SNR表示信噪比,其值近似于RSS和网络中干扰噪声I的比值,rij表示终端i接入网络j获得的资源块数量,当接入网络的终端数量在额定数量之下时,每个终端分配固定的资源块数,超过额定数量时各终端均分网络总资源;
402、定义业务适应度:终端i以业务类型l接入网络j的业务适应度可表示为:
403、定义网络成本:定义的网络成本为终端所需的资源块数量与所接入网络资源块定价的乘积,假设终端i接入网络j请求的资源块数量为rij,网络j中单位资源块的定价为cj,则终端i接入网络j的网络成本可表示为:
cij=rij*cj (10)
404、定义阻塞率:阻塞率指的是当存在多个终端同时接入网络,使得该网络已接入终端数量超过其最大容纳数量后,造成终端请求被阻塞的概率;假设网络j最多容纳的终端数为Umax,已接入的终端数为Uo,剩余可容纳终端数为Ur,其中Ur=Umax-Uo,新到达的终端数为Un;在新达到的终端数中有u个终端以概率p选择接入网络j的概率服从二项分布,终端i接入网络j的阻塞率定义为:
当Un小于Ur时,即使新到达的所有用户都接入网络也不会发生阻塞,此时网络阻塞率为0;当Un大于Ur时,网络容量将无法支持所有新到达用户接入网络,随着用户的接入,剩余容纳用户数变小,网络阻塞率会逐渐升高。
进一步的,所述步骤103的自适应切换判决算法是基于秩和比的自适应切换判决算法:秩和比综合评价法是一种集古典参数统计与近代非参数统计各自优点于一体的统计分析方法,在终端选网决策过程中,将待评价的候选网络和评价网络性能的参数抽象为一个N行M列的数据矩阵,便可通过秩和比综合评价法决策出最优网络。
进一步的,所述基于秩和比的自适应切换判决算法具体步骤如下:
(1)获取选网参数:选网判决过程中需提前获取的网络参数有网络拥塞程度(ρ)、终端请求的业务类型(l)、数据传输速率(e)、网络成本(c)、网络阻塞率(b);
(2)参数自适应:首先,根据终端请求的业务类型l,将 以及的带到式(10)计算出终端接入各个候选网络对应的业务适应度d,将d作为第一个自适应参数;其次,将网络拥塞程度ρ和用户接入网络的成本cij以及网络阻塞率bij带入式(12)计算得到g,将g作为第二个自适应参数;
gij=ρ*cij+(1-ρ)*bij (12)
(3)编秩:即将数据进行排序,将排序后的位次作为原始数据的秩,将N个候选网络的M个自适应参数排列成一个N行M列的数据矩阵,记为A;
对该矩阵编出每个自适应参数各候选网络的秩,对效益型指标,按从大到小编秩,对成本型指标,按从小到大进行编秩,同一指标数据相同者编平均秩;经过编秩得到的秩矩阵,记为Q;
εj=F(fj)+5 (17)
(6)计算直线回归方程:以εj为自变量,Qj为因变量,计算直线回归方程Q'=a+b*ε,其中a、b为计算得到的常系数;
(7)选择目标网络:将εj带入回归方程推算所对应的拟合值Qj',将拟合值作为用户评价网络的满意程度指标,选择满意度值最大的网络作为用户接入的目标网络。
本发明的优点及有益效果如下:
1.本发明针对城市核心区域因大量终端聚集性移动引起网络拥塞,造成邻近基站带宽资源紧缺,原网络用户服务质量严重降级的场景。提出了一种超密集异构无线网络中网络环境感知自适应切换判决方法。
2.在步骤101中根据网络的平均负载程度和负载变化率均值设计了一个网络拥塞感知模型来预测网络的拥塞程度。
3.在步骤102中采用在公交设备上布置无线收发装置的方式,引入了自组织网络,增加接入点数量来缓解网络拥塞,并提出了一种车辆自组织网络分簇算法。
4.在步骤103中提出了一种基于秩和比的自适应切换判决方法,并且定义了两个自适应的参数作为判决算法的输入,该方法能够根据终端的业务请求和环境感知结果,为切换用户筛选出当前网络环境中综合满意度最高的网络作为目标接入网络,提高用户的网络体验,降低用户接入网络的阻塞率,实现网络间负载均衡。
附图说明
图1是本发明提供优选城市核心区域异构无线网络仿真场景图;
图2为缓解网络拥塞的自适应切换判决方法流程图;
图3为基于秩和比的自适应切换判决方法流程图;
图4为不同网络环境感知策略预测网络拥塞情况对比;
图5为不同方法的平均负载程度对比;
图6为不同方法的网络总吞吐量对比;
图7为不同方法的平均阻塞率对比;
图8为不同方法的终端接入掉话率对比;
图9为不同业务类型终端接入各类网络的数量对比;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是:
该方法综合考虑了在引入车辆自组织网络的超密集异构无线网络中,针对城区交通高峰期,大规模车载终端短时间聚集性移动引起的网络拥塞问题,能有效地缓解网络拥塞,均衡网络间负载,提升用户体验。
本发明提出的自适应切换判决方法包括以下步骤:
一种网络环境感知自适应切换判决方法,其针对城区交通高峰期,大规模车载终端短时间聚集性移动引起的网络拥塞问题,设计以下切换判决步骤:
101、网络环境感知:获取网络中各个基站的平均负载程度和负载变化率数据评判出网络的拥塞情况;
102、构建自组织网络:根据步骤101中网络环境感知的结果,判决网络状态为拥塞时,启动分簇算法,根据车辆的运动信息以分层的簇结构组建车辆自组织网络,让自组织网络也成为用户的备选网络;
103、自适应切换判决算法:终端触发切换后,根据步骤101感知的网络的拥塞情况和步骤102中得到的备选网络以及用户的业务请求,调整输入到决策算法中的决策参数,为用户筛选出当前环境下满意度最高的目标网络。
进一步的,根据步骤101所述的网络环境感知,本发明提出了一种网络拥塞感知模型,其特征在于,首先使用监测数据计算出网络平均负载程度和负载变化率均值,然后根据这两项指标综合评估网络环境是否有拥塞的趋势。相关定义和具体步骤如下:
网络平均负载程度:本发明通过网络已使用资源块数量占总资源块数量的比值来定义网络平均负载程度。假设某区域内共有N个基站,其中第j个基站能分配的总资源块数为Rj,接入到基站j的终端数量为U,其中第i个终端分配到的资源块数量为rij,则网络平均负载程度ξ可表示为:
负载变化率均值:本发明通过网络的负载变化率来衡量网络负载程度的变化情况,假设在第t个采样时刻监测到网络平均负载程度为ξt,第t-1个采样时刻的平均负载程度为ξt-1,若相邻两次采样时间为一个采样周期,其间隔为Δt,则网络的负载变化率Δξ可表示为:
网络拥塞感知模型:本发明采用的网络平均负载程度ξ和平均负载变化率来综合评判网络的拥塞情况,ξ能反映出网络资源的使用情况,ξ越大表示网络资源消耗越多,拥塞情况越严重;反映的则是网络资源被消耗的快慢程度,越大表示网络资源消耗越快,网络陷入拥塞的风险越大。为了对平均负载程度和负载变化率进行度量,在本发明网络拥塞感知模型中引入了负载下限阈值ξmin、负载上限阈值ξmax和负载变化率阈值Δξ0,其中ξmin用来判断网络是否有陷入拥塞的风险,ξmax用来判断网络是否已陷入拥塞,Δξ0用来判断网络陷入拥塞风险的高低程度。公式(4)是本发明的网络拥塞判断函数。
进一步的,根据步骤102所述的组建车辆自组织网络,其特征在于,将自组织网络引入到城市核心区域的网络场景中,形成宏蜂窝、微蜂窝、无线局域网(Wireless LocalArea Network,WLAN)、自组织网络(Ad Hoc)异构而成的车辆自组织异构无线网络。相关假设和自组织网络的生成过程和维护步骤如下:
本发明假设:(1)每辆车上都装备了GPS,并能协助车载终端精准获取到速度、位置、方向等运动信息。(2)每辆公交车上都装备了一种能够提供网络服务的无线信号收发器,该装置启动后便能与外部基站建立起点到点的连接,为接入的车载终端提供网络服务。(3)簇头(cluster head)的数量为ch,每个簇头有唯一的编号h,第h个簇中簇节点(clusternode)的数量为cn,各个簇节点也有唯一的编号n。(4)每个簇头都维护了一张簇信息表(Cluster Information Table,CIT),用于存储簇的基本信息。
本发明的自组织网络的生成和维护过程:
(1)定义簇相关因子:簇相关因子用于描述自组织网络生成过程中,簇头和簇节点车辆之间的相关性。如果簇节点车辆与簇头的运动方向一致,相对速度越小,位置越接近,则簇相关因子值越大。簇节点更适合加入到簇相关因子更大的簇以维持更持久的连接,簇节点n和簇头h的簇相关因子β可表示为:
式中,θh和θn表示簇头和簇节点的行驶方向,如果簇头和簇节点方向相同,θh/θn的取值为1,否则为-1;Δνh表示簇节点n和簇头h之间的相对速度,Δνmax和Δνmin分别表示簇节点n和所有簇头之间相对速度的最大值和最小值;ΔSh表示簇节点n和簇头h之间的相对距离,ΔSmax和ΔSmin分别表示簇节点n和所有簇头之间相对距离的最大值和最小值。
(2)定义簇内剩余可用资源:簇内剩余可用资源用于自组织网络的维护,若簇内剩余可用资源为0时,表示簇资源被全部消耗,此时需要限制接入簇的节点个数;若簇内剩余可用资源长时间维持在分配的总资源数,则表示没有车载终端接入到该簇,需要对簇进行销毁处理。簇h的剩余可用资源ψh可表示为:
式中,Rh表示簇h能分配的总的资源块数量,cn表示簇h中已接入的簇节点数量,ξn表示第n个簇节点的负载。
(3)车辆自组织网络分簇算法:当网络环境感知算法判决出网络有拥塞趋势时,就应该提早启动分簇算法组建车辆自组织网络来缓解网络拥塞。由于车辆的移动会导致簇头和簇节点之间的状态频繁发生变化,为了维持簇内的正常通信,本发明通过报文消息机制对簇的生成、簇饱和限制、簇销毁几个阶段进行维护,在簇头和簇节点之间传输的报文消息携带了建簇过程需要采集的数据,算法具体步骤如下:
1)启动簇头上的无线信号收发器,给簇头分配网络资源,并且簇头广播建簇的hello消息;
2)终端按式(5)计算簇相关因子β,并向β值最大的簇头发送request消息,该簇头解析出request消息携带的数据,并按式(6)计算簇的剩余可用资源ψh;
3)比较簇的剩余可用资源和终端请求的资源数量,如果满足终端请求的资源数量,簇头向终端发送ack消息,允许终端接入簇,否则,发送nack消息拒绝终端接入簇;
4)如果簇的剩余可用资源为0,表示簇饱和,此时不在允许接入新的簇节点,如果簇的剩余可用资源长期维持在分配的总资源数量,表示长时间没有簇节点接入簇,则应该销毁簇,关闭无线信号收发器。
进一步的,根据步骤103所述的自适应切换判决算法,其特征在于,根据网络环境和终端请求的业务类型,自适应调整输入到判决算法中的选网参数,为终端筛选出最优的目标网络。自适应切换判决算法中的相关参数定义和算法过程如下:
定义接收信号强度与数据传输速率:接收信号强度(Received Signal Strength,RSS)是终端评价网络的一个基本指标,它反映了网络的信道质量。由于信号在传输过程中存在路径损耗,终端i接入网络j的接收信号强度可表示为:
RSSij=Pj-ηlg dij+Xσ (7)
式中,Pj表示网络j的无线信号发射功率,η表示路径损耗因子,dij表示终端i到接入点j的距离,Xσ表示均值为0,方差为σ的高斯白噪声。根据香农公式可知,终端接入网络的数据传输速率和带宽、信噪比等参数相关,因此终端i接入网络j所获得的数据传输速率可表示为:
eij=rijWplog2(1+SNRij) (8)
式中,Wp表示单个资源块的带宽,SNR表示信噪比,其值近似于RSS和网络中干扰噪声I的比值,rij表示终端i接入网络j获得的资源块数量。在本发明中当接入网络的终端数量在额定数量之下时,每个终端分配固定的资源块数,超过额定数量时各终端均分网络总资源。
定义业务适应度:当网络拥塞时,希望通过自组织网络来缓解网络拥塞,但由于自组织网络提供的服务能力有限,因此应尽可能避免让高带宽业务需求的终端接入到自组织网络。为了让切换的终端能根据业务请求自适应匹配候选网络,本发明定义了业务适应度这一指标来衡量各网络对业务的适应能力,业务适应度越高表示网络越适宜该类业务请求,反之,越不适宜。当业务适应度为0,则表示网络不支持用户请求的业务。因此终端i以业务类型l接入网络j的业务适应度可表示为:
定义网络成本:本发明定义的网络成本为终端所需的资源块数量与所接入网络资源块定价的乘积,假设终端i接入网络j请求的资源块数量为rij,网络j中单位资源块的定价为cj,则终端i接入网络j的网络成本可表示为:
cij=rij*cj (10)
定义阻塞率:本发明中阻塞率指的是当存在多个终端同时接入网络,使得该网络已接入终端数量超过其最大容纳数量后,造成终端请求被阻塞的概率。假设网络j最多容纳的终端数为Umax,已接入的终端数为Uo,剩余可容纳终端数为Ur,其中Ur=Umax-Uo,新到达的终端数为Un。由于终端的选网行为相互独立,因此在新达到的终端数中有u个终端以概率p选择接入网络j的概率服从二项分布。因此终端i接入网络j的阻塞率可来定义:
当Un小于Ur时,即使新到达的所有用户都接入网络也不会发生阻塞,此时网络阻塞率为0;当Un大于Ur时,网络容量将无法支持所有新到达用户接入网络,随着用户的接入,剩余容纳用户数变小,网络阻塞率会逐渐升高。
基于秩和比的自适应切换判决算法:秩和比综合评价法是一种集古典参数统计与近代非参数统计各自优点于一体的统计分析方法,它能够很好的避免决策过程中的主观因素。在终端选网决策过程中,将待评价的候选网络和评价网络性能的参数抽象为一个N行M列的数据矩阵,便可通过秩和比综合评价法决策出最优网络。本发明提出的基于秩和比的自适应切换判决算法的流程如图3所示,具体步骤如下:
(1)获取选网参数:选网判决过程中需提前获取的网络参数有网络拥塞程度(ρ)、终端请求的业务类型(l)、数据传输速率(e)、网络成本(c)、网络阻塞率(b)。
(2)参数自适应:首先,根据终端请求的业务类型l,将 以及的带到式(10)计算出终端接入各个候选网络对应的业务适应度d,将d作为第一个自适应参数。其次,将网络拥塞程度ρ和用户接入网络的成本cij以及网络阻塞率bij带入式(12)计算得到g,将g作为第二个自适应参数。
gij=ρ*cij+(1-ρ)*bij (12)
(3)编秩:所谓编秩就是将数据进行排序,将排序后的位次作为原始数据的秩。
将N个候选网络的M个自适应参数排列成一个N行M列的数据矩阵,记为A。
对该矩阵编出每个自适应参数各候选网络的秩。对效益型指标,按从大到小编秩,对成本型指标,按从小到大进行编秩,同一指标数据相同者编平均秩。经过编秩得到的秩矩阵,记为Q。
(4)计算秩和比:本发明的秩和比采用加权秩和比表示,由于熵值法能基于参数的实际数据计算属性的客观权重,其计算结果相对客观,因此本发明采用熵值法计算各个评价指标的权重,由熵值法求出的第k个指标的权重系数表示为ωk,当给每一个评价指标附一个权值时,加权秩和比可表示为:
εj=F(fj)+5 (17)
(6)计算直线回归方程:以εj为自变量,Qj为因变量,计算直线回归方程Q'=a+b*ε,其中a、b为计算得到的常系数。
(7)选择目标网络:将εj带入回归方程推算所对应的拟合值Qj'。将拟合值作为用户评价网络的满意程度指标,选择满意度值最大的网络作为用户接入的目标网络。
根据上述分析,本发明设计了图2所示的算法流程图。
为了对本发明进行验证,我们在MATLAB平台上进行仿真实验,并设置如下仿真场景:以5G、WLAN和自组织网络三种接入技术组成的网络为超密集自组织异构网络模型,在MATLAB平台上搭建仿真场景进行仿真分析。假设场景中部署有2个5G宏基站,20个5G微基站以及20个无线局域网和若干车辆自组织网络,半径分别为1000m,300m,200m和100m,城市核心区域异构无线网络仿真场景如图1所示。
在仿真过程中,假设在整个网络覆盖范围内车辆的到达服从到达率为1≤λ≤10的泊松分布。为了进一步突出本发明的优越性,将本发明所提方法(Load Balance and UserExperience,LBUE)与文献[Bhosale S,Daruwala R.Multi-criteria vertical handoffdecision algorithm using hierarchy modeling and simple additive weighting inan integrated WLAN/WiMAX/UMTS environment-a case study[J].Ksii Transactionson Internet&Information Systems,2014,8(1):35-57.]中基于层次分析法和简单加权的切换方法(Analytic Hierarchy and Simple Additive Weighting,AHP-SAW)、文献[Z.Huang,J.Liu,Q.Shen,J.Wu and X.Gan.A threshold-based multi-traffic loadbalance mechanism in LTE-A networks[C].2015 IEEE Wireless Communications andNetworking Conference(WCNC),New Orleans,LA,USA,2015,pp.1273-1278,doi:10.1109/WCNC.2015.7127652.]中基于阈值的多业务负载均衡方法(Multi-traffific LoadBalance,MTLB)和文献[N.Aljeri.Load balancing and qos-aware network selectionscheme in heterogeneous vehicular networks[C].2020IEEE InternationalConferenceon Communications(ICC),Dublin,Ireland,2020,pp.1-6,doi:10.1109/ICC40277.2020.9149168.]中基于负载均衡和QoS感知的方法(Load Balancing and QoS-Aware,LBQA)进行比较分析。
图4是负载管理器在某段时间监测到的平均负载程度实时变化曲线,通过多次实验发现将ξmin、ξmax、Δξ0分别设置为0.4,0.8和0.045时,两种策略在不同的终端到达率下启动分簇算法和自适应算法缓解网络拥塞和提高用户体验的效果都相对更加明显,因此采用此组数据来验证两种算法对网络环境的感知效果。从图中可以看出,本发明策略由于考虑了平均负载程度ξ和平均负载变化率两个指标,在第80个采样周期超过Δξ0时做出了第一次预警,并且在此之后由于负载变化率一直超过Δξ0,感知算法已经预警出网络陷入拥塞的趋势为高风险,在第91个采样周期ξ超过ξmax时再次做出了预警提示。而传统策略只有当ξ超过ξmax时才会进行预警。因此本发明的网络环境感知策略相较于传统策略能够根据网络的拥塞趋势提早做出预警。
图5为四种算法的平均负载程度变化曲线,从图中可以看出随着车载终端数量的增加,网络的平均负载程度逐渐上升。在车载终端数量低于400台时,本发明的LBUE算法的网络平均负载程度比MTLB算法略高,这是因为LBUE算法在网络不拥塞时,选择的是网络服务质量较好且成本较低的网络,消耗了更多的网络资源。但随着车载终端数量增加到500台时,本发明方法通过网络环境感知判决出网络有拥塞风险,便通过分簇算法引入车辆自组织网络并且通过自适应算法调整决策参数,让终端接入到了阻塞率较低的网络,减少了接入到重负载基站的终端数量,降低了网络的平均负载程度。
图6比较了四种算法的网络总吞吐量。从图中可以看出,随着终端数量的增加,***总吞吐量呈上升趋势,当终端数量少于500台时,四种算法的总吞吐量都迅速上升;当终端数量高于500时,由于网络总的资源有限,总吞吐量上升的趋势逐渐趋于平稳。但当终端数量相同时,本发明的LBUE算法的总吞吐量始终高于其他三种算法。这是因为当网络即将拥塞时,LBUE算法引入了车辆自组织网络,增加了网络容量,减少了接入到蜂窝网络和WLAN中的车载终端数量,均衡了各个网络的负载,有效的提高了网络总吞吐量。
图7表示的是四种算法的平均阻塞率变化曲线,从图中可以看出当车载终端的到达率λ≤3时,网络资源充足,四种算的接入阻塞率都趋近于0,随着到达率的增大,网络中会有越来越多的终端开始竞争网络资源,因此三种对比算法都相继出现部分终端被阻塞。从图中不难看出MTLB算法的阻塞率一直处于最大,而本发明所提的LBUE算法在终端到达率λ=8时才开始出现阻塞,这是因为MTLB算法在均衡实时业务和非实时业务时,部分实时业务被迁移到了将要发生阻塞的网络中,增加了阻塞的可能性。而本发明方法,在通过环境感知判决出网络有拥塞的可能就会引入自组织网络,增加了终端的接入选择,因此随着终端到达率的增加,本发明方法的接入阻塞率的始终低于其他三种算法。
图8是接入终端掉话率随到达率的变化曲线。从图中可以看出当网络中接入的终端数量较少时,每个终端能够分配到足够的网络资源,因此掉话率趋近于0,但由于网络资源有限,随着接入网络终端数量的增加,部分终端分配到的网络资源将无法满足其最低需求,终端掉话率逐渐上升,但本发明方法相较于其他三种算法,掉话率上升的比较缓慢,这是因为自组织网络能够为部分网页浏览类业务终端提供服务,较大程度的减少了掉话终端的数量。
图9反映的是当接入终端数量为1000台时,采用本发明方法的不同业务类型终端接入到各类网络的数量。从图中可以看出浏览网页的终端在各类网络中均有接入,而视频通话的终端则主要接入到了5G微蜂窝和WLAN网络。这是因为浏览网页所需的资源块较少,在计算业务适应度时各类网络均能适应其业务请求,视频通话需要的资源块较多,接入到自组织网络的业务适应度会比较低。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (1)
1.一种超密集异构无线网络中网络环境感知自适应切换判决方法,其特征在于,包括以下步骤:
101、网络环境感知:获取网络中各个基站的平均负载程度和负载变化率数据,评判出网络的拥塞情况;
102、构建自组织网络:判决网络状态为拥塞时,启动分簇算法,根据车辆的运动信息以分层的簇结构组建车辆自组织网络,让自组织网络也成为用户的备选网络;
103、自适应切换判决算法:终端触发切换后,根据步骤101感知的网络的拥塞情况和步骤102中得到的备选网络以及用户的业务请求,调整输入到决策算法中的决策参数,为用户筛选出当前环境下满意度最高的目标网络;
所述步骤101获取网络中各个基站的平均负载程度和负载变化率数据,具体包括:
201、网络平均负载程度:通过网络已使用资源块数量占总资源块数量的比值来定义网络平均负载程度,假设某区域内共有N个基站,其中第j个基站能分配的总资源块数为Rj,接入到基站j的终端数量为U,其中第i个终端分配到的资源块数量为rij,则网络平均负载程度ξ可表示为:
202、负载变化率均值:通过网络的负载变化率来衡量网络负载程度的变化情况,假设在第t个采样时刻监测到网络平均负载程度为ξt,第t-1个采样时刻的平均负载程度为ξt-1,若相邻两次采样时间为一个采样周期,其间隔为Δt,则网络的负载变化率Δξ可表示为:
所述步骤101采用网络平均负载程度ξ和平均负载变化率来综合评判网络的拥塞情况,ξ能反映出网络资源的使用情况,ξ越大表示网络资源消耗越多,拥塞情况越严重;反映的则是网络资源被消耗的快慢程度,越大表示网络资源消耗越快,网络陷入拥塞的风险越大。为了对平均负载程度和负载变化率进行度量,在网络拥塞感知模型中引入了负载下限阈值ξmin、负载上限阈值ξmax和负载变化率阈值Δξ0,其中ξmin用来判断网络是否有陷入拥塞的风险,ξmax用来判断网络是否已陷入拥塞,Δξ0用来判断网络陷入拥塞风险的高低程度,公式(4)是本发明的网络拥塞判断函数;
所述步骤102自组织网络的生成和维护过程具体为:
(1)定义簇相关因子;
(2)定义簇内剩余可用资源:
(3)车辆自组织网络分簇算法;
所述步骤(1)定义簇相关因子,具体包括:
簇相关因子用于描述自组织网络生成过程中,簇头和簇节点车辆之间的相关性,如果簇节点车辆与簇头的运动方向一致,相对速度越小,位置越接近,则簇相关因子值越大;簇节点n和簇头h的簇相关因子β可表示为:
式中,θh和θn表示簇头和簇节点的行驶方向,如果簇头和簇节点方向相同,θh/θn的取值为1,否则为-1;Δνh表示簇节点n和簇头h之间的相对速度,Δνmax和Δνmin分别表示簇节点n和所有簇头之间相对速度的最大值和最小值;ΔSh表示簇节点n和簇头h之间的相对距离,ΔSmax和ΔSmin分别表示簇节点n和所有簇头之间相对距离的最大值和最小值;
所述步骤(2)定义簇内剩余可用资源具体包括:簇内剩余可用资源用于自组织网络的维护,若簇内剩余可用资源为0时,表示簇资源被全部消耗,此时需要限制接入簇的节点个数;若簇内剩余可用资源长时间维持在分配的总资源数,则表示没有车载终端接入到该簇,需要对簇进行销毁处理,簇h的剩余可用资源ψh可表示为:
式中,Rh表示簇h能分配的总的资源块数量,cn表示簇h中已接入的簇节点数量,ξn表示第n个簇节点的负载;
所述步骤(3)车辆自组织网络分簇算法具体包括:通过报文消息机制对簇的生成、簇饱和限制、簇销毁几个阶段进行维护,在簇头和簇节点之间传输的报文消息携带了建簇过程需要采集的数据,算法具体步骤如下:
1)启动簇头上的无线信号收发器,给簇头分配网络资源,并且簇头广播建簇的hello消息;
2)终端按式(5)计算簇相关因子β,并向β值最大的簇头发送request消息,该簇头解析出request消息携带的数据,并按式(6)计算簇的剩余可用资源ψh;
3)比较簇的剩余可用资源和终端请求的资源数量,如果满足终端请求的资源数量,簇头向终端发送ack消息,允许终端接入簇,否则,发送nack消息拒绝终端接入簇;
4)如果簇的剩余可用资源为0,表示簇饱和,此时不在允许接入新的簇节点,如果簇的剩余可用资源长期维持在分配的总资源数量,表示长时间没有簇节点接入簇,则应该销毁簇,关闭无线信号收发器;
所述步骤103中,根据网络环境和终端请求的业务类型,自适应调整输入到判决算法中的选网参数,为终端筛选出最优的目标网络,自适应切换判决算法中的相关参数定义如下:
401、定义接收信号强度与数据传输速率:接收信号强度RSS是终端评价网络的一个基本指标,它反映了网络的信道质量,由于信号在传输过程中存在路径损耗,终端i接入网络j的接收信号强度可表示为:
RSSij=Pj-ηlg dij+Xσ (7)
式中,Pj表示网络j的无线信号发射功率,η表示路径损耗因子,dij表示终端i到接入点j的距离,Xσ表示均值为0,方差为σ的高斯白噪声,根据香农公式可知,终端接入网络的数据传输速率和带宽、信噪比等参数相关,因此终端i接入网络j所获得的数据传输速率可表示为:
eij=rijWplog2(1+SNRij) (8)
式中,Wp表示单个资源块的带宽,SNR表示信噪比,其值近似于RSS和网络中干扰噪声I的比值,rij表示终端i接入网络j获得的资源块数量,当接入网络的终端数量在额定数量之下时,每个终端分配固定的资源块数,超过额定数量时各终端均分网络总资源;
402、定义业务适应度:终端i以业务类型l接入网络j的业务适应度可表示为:
403、定义网络成本:定义的网络成本为终端所需的资源块数量与所接入网络资源块定价的乘积,假设终端i接入网络j请求的资源块数量为rij,网络j中单位资源块的定价为cj,则终端i接入网络j的网络成本可表示为:
cij=rij*cj (10)
404、定义阻塞率:阻塞率指的是当存在多个终端同时接入网络,使得该网络已接入终端数量超过其最大容纳数量后,造成终端请求被阻塞的概率;假设网络j最多容纳的终端数为Umax,已接入的终端数为Uo,剩余可容纳终端数为Ur,其中Ur=Umax-Uo,新到达的终端数为Un;在新达到的终端数中有u个终端以概率p选择接入网络j的概率服从二项分布,终端i接入网络j的阻塞率定义为:
当Un小于Ur时,即使新到达的所有用户都接入网络也不会发生阻塞,此时网络阻塞率为0;当Un大于Ur时,网络容量将无法支持所有新到达用户接入网络,随着用户的接入,剩余容纳用户数变小,网络阻塞率会逐渐升高;
所述步骤103的自适应切换判决算法是基于秩和比的自适应切换判决算法:秩和比综合评价法是一种集古典参数统计与近代非参数统计各自优点于一体的统计分析方法,在终端选网决策过程中,将待评价的候选网络和评价网络性能的参数抽象为一个N行M列的数据矩阵,便可通过秩和比综合评价法决策出最优网络;
所述基于秩和比的自适应切换判决算法具体步骤如下:
(1)获取选网参数:选网判决过程中需提前获取的网络参数有网络拥塞程度(ρ)、终端请求的业务类型(l)、数据传输速率(e)、网络成本(c)、网络阻塞率(b);
(2)参数自适应:首先,根据终端请求的业务类型l,将以及的带到式(10)计算出终端接入各个候选网络对应的业务适应度d,将d作为第一个自适应参数;其次,将网络拥塞程度ρ和用户接入网络的成本cij以及网络阻塞率bij带入式(12)计算得到g,将g作为第二个自适应参数;
gij=ρ*cij+(1-ρ)*bij (12)
(3)编秩:即将数据进行排序,将排序后的位次作为原始数据的秩,将N个候选网络的M个自适应参数排列成一个N行M列的数据矩阵,记为A;
对该矩阵编出每个自适应参数各候选网络的秩,对效益型指标,按从大到小编秩,对成本型指标,按从小到大进行编秩,同一指标数据相同者编平均秩;经过编秩得到的秩矩阵,记为Q;
εj=F(fj)+5 (17)
(6)计算直线回归方程:以εj为自变量,Qj为因变量,计算直线回归方程Q'=a+b*ε,其中a、b为计算得到的常系数;
(7)选择目标网络:将εj带入回归方程推算所对应的拟合值Qj',将拟合值作为用户评价网络的满意程度指标,选择满意度值最大的网络作为用户接入的目标网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110518349.4A CN113225773B (zh) | 2021-05-12 | 2021-05-12 | 超密集异构无线网络中网络环境感知自适应切换判决方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110518349.4A CN113225773B (zh) | 2021-05-12 | 2021-05-12 | 超密集异构无线网络中网络环境感知自适应切换判决方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113225773A CN113225773A (zh) | 2021-08-06 |
CN113225773B true CN113225773B (zh) | 2022-08-23 |
Family
ID=77095144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110518349.4A Active CN113225773B (zh) | 2021-05-12 | 2021-05-12 | 超密集异构无线网络中网络环境感知自适应切换判决方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113225773B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115333887B (zh) * | 2022-07-25 | 2023-10-03 | 中国电子科技集团公司第十研究所 | 一种用于测控通信网络的多接入融合方法及*** |
CN115334001B (zh) * | 2022-10-18 | 2023-02-17 | 音信云(武汉)信息技术有限公司 | 基于优先关系的数据资源调度方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104581845A (zh) * | 2015-02-15 | 2015-04-29 | 南京邮电大学 | 一种5g***中基于成簇的超密集小网络移动性管理办法 |
CN105873140A (zh) * | 2016-03-31 | 2016-08-17 | 冯振杰 | 蜂窝-vanet异构网络的小区间切换方法 |
CN106102099A (zh) * | 2016-06-08 | 2016-11-09 | 华南理工大学 | 一种基于驻留时间的异构车联网切换方法 |
CN106454756A (zh) * | 2016-08-17 | 2017-02-22 | 东软集团股份有限公司 | 车载自组织网络中广播消息的方法、装置及*** |
US9648539B1 (en) * | 2016-03-03 | 2017-05-09 | Hong Kong Applied Science and Technology Research Institute Company Limited | Base station selection in ultra dense network handover scenarios |
WO2017147852A1 (en) * | 2016-03-03 | 2017-09-08 | Hong Kong Applied Science and Technology Research Institute Company Limited | Base station selection in ultra dense network handover scenarios |
EP3337237A1 (en) * | 2015-12-31 | 2018-06-20 | Huawei Technologies Co., Ltd. | Switching method and device in ultra-dense network |
EP3346742A1 (en) * | 2016-01-18 | 2018-07-11 | Huawei Technologies Co., Ltd. | Random access method and apparatus |
CN109618376A (zh) * | 2018-10-15 | 2019-04-12 | 天津大学 | 基于环境感知的多目标移动性管理方法 |
CN111107595A (zh) * | 2019-12-03 | 2020-05-05 | 西北工业大学 | 一种异构超密集网络中的移动感知协同多点传输的切换方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101002642B1 (ko) * | 2009-07-20 | 2010-12-20 | 서울대학교산학협력단 | 자동차 무선 네트워크 환경에서 무손실 핸드오버 방법 |
CN103220688B (zh) * | 2013-04-02 | 2015-07-01 | 西安交通大学 | Lte自组织网络中基于效用函数的移动负载均衡方法 |
CN105933940B (zh) * | 2016-05-24 | 2019-03-29 | 安徽科技学院 | 超密集网络中基于协同基站分簇的无缝切换方法 |
-
2021
- 2021-05-12 CN CN202110518349.4A patent/CN113225773B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104581845A (zh) * | 2015-02-15 | 2015-04-29 | 南京邮电大学 | 一种5g***中基于成簇的超密集小网络移动性管理办法 |
EP3337237A1 (en) * | 2015-12-31 | 2018-06-20 | Huawei Technologies Co., Ltd. | Switching method and device in ultra-dense network |
EP3346742A1 (en) * | 2016-01-18 | 2018-07-11 | Huawei Technologies Co., Ltd. | Random access method and apparatus |
US9648539B1 (en) * | 2016-03-03 | 2017-05-09 | Hong Kong Applied Science and Technology Research Institute Company Limited | Base station selection in ultra dense network handover scenarios |
WO2017147852A1 (en) * | 2016-03-03 | 2017-09-08 | Hong Kong Applied Science and Technology Research Institute Company Limited | Base station selection in ultra dense network handover scenarios |
CN105873140A (zh) * | 2016-03-31 | 2016-08-17 | 冯振杰 | 蜂窝-vanet异构网络的小区间切换方法 |
CN106102099A (zh) * | 2016-06-08 | 2016-11-09 | 华南理工大学 | 一种基于驻留时间的异构车联网切换方法 |
CN106454756A (zh) * | 2016-08-17 | 2017-02-22 | 东软集团股份有限公司 | 车载自组织网络中广播消息的方法、装置及*** |
CN109618376A (zh) * | 2018-10-15 | 2019-04-12 | 天津大学 | 基于环境感知的多目标移动性管理方法 |
CN111107595A (zh) * | 2019-12-03 | 2020-05-05 | 西北工业大学 | 一种异构超密集网络中的移动感知协同多点传输的切换方法 |
Non-Patent Citations (4)
Title |
---|
Handover-based Load Balancing Algorithm for 5G and Beyond Heterogeneous Networks;Abdussamet Hatipoğlu 等;《2020 12th International Congress on Ultra Modern Telecommunications and Control Systems and Workshops (ICUMT)》;20201014;全文 * |
Modeling and Analysis for Vertical Handoff Based on the Decision Tree in a Heterogeneous Vehicle Network;Bin Ma 等;《IEEE Access》;20170525;全文 * |
基于贝叶斯决策的超密集异构网络切换研究;姚永国 等;《通信技术》;20201130;第53卷(第11期);全文 * |
超密集异构无线网络中基于位置预测的切换算法;马彬 等;《电子与信息学报》;20210225;第42卷(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113225773A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107071841B (zh) | 异构网络中基于动态权重优化的垂直切换方法 | |
Xiao et al. | Spectrum resource sharing in heterogeneous vehicular networks: A noncooperative game-theoretic approach with correlated equilibrium | |
CN108632813B (zh) | 移动边缘计算的移动性管理方法及*** | |
CN113225773B (zh) | 超密集异构无线网络中网络环境感知自适应切换判决方法 | |
Dawaliby et al. | Adaptive dynamic network slicing in LoRa networks | |
Song et al. | A quality of service negotiation-based vertical handoff decision scheme in heterogeneous wireless systems | |
CN106102099B (zh) | 一种基于驻留时间的异构车联网切换方法 | |
Sesto-Castilla et al. | Use of Machine Learning for energy efficiency in present and future mobile networks | |
CN112738851B (zh) | 基于预测移动边缘网络的智能资源配置***及其配置方法 | |
Palas et al. | Multi-criteria handover mobility management in 5G cellular network | |
Sekaran et al. | 5G integrated spectrum selection and spectrum access using AI-based frame work for IoT based sensor networks | |
CN108738151A (zh) | 一种基于粗略信息的无线预测资源分配方法 | |
CN103220688A (zh) | Lte自组织网络中基于效用函数的移动负载均衡方法 | |
Mirzaei Somarin et al. | Big data based self-optimization networking in next generation mobile networks | |
CN111083724A (zh) | 一种雾计算网络下基于ocwg-topsis的用户关联方法 | |
Awathankar et al. | To mitigate with trusted channel selection using MOORA algorithm in cognitive radio network | |
Rao et al. | Network selection in heterogeneous environment: A step toward always best connected and served | |
Rao et al. | Call admission control in wireless multimedia networks | |
Dhar et al. | Intelligent vertical handover scheme for utopian transport scenario | |
Gao et al. | Spectrum prediction for supporting IoT applications over 5G | |
Wang et al. | A dynamic channel-borrowing approach with fuzzy logic control in distributed cellular networks | |
KR20050019945A (ko) | 무선 통신 시스템에서 단말의 이동성에 따른 자원 제어시스템 및 방법 | |
Wang et al. | Mobility-based network selection scheme in heterogeneous wireless networks | |
Dhar | A context aware vertical handover algorithm for vehicular communication | |
Djouama et al. | Performance evaluation of lifetime‐driven admission control for infrastructure‐less clustered wireless networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |