认知异构无线网络垂直切换方法
阅读说明：本技术 认知异构无线网络垂直切换方法 (Vertical switching method for cognitive heterogeneous wireless network ) 是由 马彬 李红岩 于 2020-12-10 设计创作，主要内容包括：本发明请求保护一种认知异构无线网络垂直切换方法。在认知异构无线网络中,认知无线电网络机会式的利用频谱,使得频繁切换的问题更加突出。针对该问题,本文提出了一种基于灰色关联分析法和二部图最大匹配的选网算法。在用户端,使用灰色关联分析法对认知异构无线网络进行排序；在网络端,使用二部图的最大匹配算法实现用户和网络的最优匹配。仿真结果表明,该算法能够有效的控制频繁切换,提升网络吞吐量和用户服务质量,同时实现了负载均衡。(The invention requests to protect a vertical switching method of a cognitive heterogeneous wireless network. In the cognitive heterogeneous wireless network, the cognitive radio network opportunistically utilizes the frequency spectrum, so that the problem of frequent switching is more prominent. Aiming at the problem, a network selection algorithm based on a gray correlation analysis method and bipartite graph maximum matching is provided. Sequencing the cognitive heterogeneous wireless networks by using a grey correlation analysis method at a user side; and at the network end, the optimal matching of the user and the network is realized by using a maximum matching algorithm of the bipartite graph. Simulation results show that the algorithm can effectively control frequent switching, improve network throughput and user service quality, and realize load balancing.)
技术领域
本发明属于认知异构无线网络中的垂直切换方法，属于移动通信领域。特 别是涉及一种利用二部图最大匹配算法进行垂直切换的方法。
背景技术
目前，随着移动设备和无线网络技术的飞速发展，未来的无线网络将是多 种无线接入技术共同组成的异构无线网络。如何在这种复杂的异构无线网络环 境下，不同接入点之间发生的切换即是垂直切换。在垂直切换过程中，如何控 制频繁切换，保证用户服务质量成为了学术界研究的热点问题之一。
目前，国内外针对垂直切换技术的研究已经有很多，根据现有的采取研究 方法的不同，垂直切换算法大致可以分为以下几类：(1)基于阈值的切换算法， 文献[LEE S K,SRIRAM K,KIM K,et al.Vertical handoff decision algorith ms for providingoptimized performance in heterogeneous wireless networks[J].I EEETransactions on Vehicular Technology,2009,58(2):865–881]主要是接收信号 强度(Receive Signal Strength,RSS)或其他链路参数达到阈值后触发和判决切换。 (2)基于模糊逻辑的切换算法，文献[KUSTIAWAN I,LIU Chunyi,and HSU D F.Vertical handoffdecision using fuzzification and combinatorial fusion[J].IE EE CommunicationsLetters,2017,21(9):2089–2092]将难以量化的切换因子模 糊化，通过模糊推理得到判决值来进行决策。(3)基于神经网络的切换算法，文 献[NURJAHAN,RAHMAN S,SHARMA T,etal.PSO-NF based vertical hand off decision for ubiquitous heterogeneouswireless network(UHWN)[C].Proceedi ngs of the 2016International Workshop onComputational Intelligence,Dhaka, Bangladesh,2017:153–158]神经网络具有自适应性和学习能力，可以得到精确 性高的输出值。(4)基于二部图的切换算法，文献[XiaoqingDong,Lianglun Che ng,Gengzhong Zheng and Tao Wang.Network access and spectrumallocation in next-generation multi-heterogeneous networks[J].InternationalJournal of Dist ribute Sensor Network,2019,Volume 15(8):1550147719866140]将用户偏好和网 络参数进行匹配度计算，以权值最大化为匹配目标建立加权二分图模型，求取最优的网络选择结果。在这些算法中，基于RSS和MADM的算法实现简单， 但前者容易造成乒乓切换，而后者的灵活性较低。对于基于模糊逻辑的算法， 其参数权重难以确定，同时存在时间复杂度过高的问题。基于神经网络的算法 虽然精确度高，其时间复杂度也偏大。
此外，以上算法都考虑了同时从用户端和网络端两个方向进行选网切换， 但只考虑了蜂窝网络、无线局域网、无线广域网等组成的异构无线网络，存在 网络资源利用不足、用户服务质量不高的问题。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种认知异构无线网络垂直切 换方法。本发明的技术方案如下：
一种认知异构无线网络垂直切换方法，其包括以下步骤：
101、首先，用户侧结合层次分析法和灰度关联分析法对候选网络进行网络 排序，用于网络排序的属性包括时延、网络容量、接收信号强度和网络负载率， 网络排序过程被规划为三个步骤；首先，获取符合RSS>RSS0的候选网络的时延、 网络容量、接收信号强度和网络负载率等属性参数，其中RSS0为接收信号强度 阈值；其次，使用AHP方法获得各个参数的权重值；最后，使用灰度关联分析 法获得候选网络的GRA排序；
102、根据步骤101得到的GRA排序结果，首先将用户集合U和网络集合 N作为二部图最大匹配算法的输入，判断用户集合数量和网络集合数量是否相 等；若不相等，对原始二部图进行标准化处理；其次，根据步骤101求出的各 个候选网络的GRA值，为标准化后的二部图中的每条边赋权值；最后，采用二 部图最大匹配算法求解用户与网络间的完美匹配，通过使二部图的总权最大， 达到用户服务质量全局最优的目标。
进一步的，所述步骤101在进行网络排序之前，首先使用层次分析法获取 切换判决属性的权重，为了构建属性之间的重要性对比矩阵，AHP采用重要性 对比矩阵来衡量属性之间的重要性；其中，中间值被用来表示不确定的情况， 若用户不确定属性间的重要性是1还是3，则可以选择中间值2，属性间的重要 性不相等，得到四个属性之间的重要性对比矩阵，且该矩阵为4×4大小的方阵。
进一步的，所述步骤101使用灰度关联分析法获得候选网络的GRA排序， 具体为：
假设终端设备的候选网络集中有n个网络，切换判决属性有p个，那么终 端需要做的就是计算出n个候选网络的p个属性的加权综合效益值GRA，并按 照GRA的大小对候选网络进行等级排序，具体步骤如下：
1)、根据不同网络的不同判决属性值，构建决策矩阵；构建决策矩阵D，如下：
其中，j∈{1,2,3,4}，i∈{0,1,2......n-1}，dij表示网络i的第j个属性的值。di1,di2, di3,di4分别表示网络容量、RSS、网络负载率、时延。
2)、将决策矩阵D进行归一化处理；
3)、得到比较序列之后，定义理想序列为最优候选网络所对应的属性队列， 根据判决参数的归一化表达式定义可知，当或无限逼近1时，候选网 络的该属性的性能是最优的，因此，用户倾向于选择的候选网络，理想 序列表示为：
3)、根据比较序列和理想序列得到灰度关联系数灰度关联系数用来表征候选网络i的属性j的值接近的程度，根据灰度关联系数 和各属性参数的权重值，求得GRA的表达式如下：
其中
ωj为属性j的权重，取GRAi中的最大值作为目标网络。
进一步的，所述2)采用max-min归一化方法，其中包含成本型参数和效益型 参数，对于成本型参数，其值越小越好；对于效益型参数，其值越大越好，时 延、网络负载率为成本型参数，网络容量、接收信号强度为效益型参数；其中， xij表示网络i的第j个属性的值，对于成本型参数，xij归一化后的表达式为：
对于效益型参数，xij归一化后的表达式为：
其中，max{xij}表示xij中的最大值，min{xij}表示xij中的最小值。
进一步的，所述步骤102二部图的最大匹配步骤如下：
(1)原始二部图由用户集合U＝{U0,U1,U2...Um-1}和网络集合 N＝{N0,N1,N2...Nn-1}组成，根据贪心算法的原理，将m个用户分为k组，每组n 个用户进行网络选择；
(2)根据步骤101求出的GRAj的值，将GRAj的中位数设置为服务质量阈值 σ，当阈值σ取GRAi的中位数时，不会出现服务质量过大或者切换率过小的问题， 当二部图中的边权大于σ，且Mb中存在匹配关系，则将边权设置为GRAij×1.1，否 则边权仍旧等于GRAij，反之，当二部图中的边权小于σ，则将边权设置为0；通 过比较阈值给二部图赋权值，将双目标函数优化问题转化为单一目标函数优化 问题，即二部图的最大完美匹配问题；
(3)采用改进的KM算法求解二部图的最大匹配问题。
进一步的，所述采用改进的KM算法求解二部图的最大匹配问题，具体流 程包括：
(1)对于给定的具有二部划分(V1,V2)的完全加权二部图G，从任何平凡顶 标l开始，确定(Kn,n,w)的l等子图Gl，并且在Gl中选取一个匹配M。若匹配M 饱和G中的结点集V1，则M是完美匹配，也即M是最优匹配，算法终止。否 则转入(2)。
(2)基于匹配M，在(Kn,n,w)的l等子图Gl中执行匈牙利算法，该算法终止 于S属于V1，T属于V2，且N(S)＝T。利用公式
计算值αl，然后计算新的可行顶标l’，并用l’替代l，以Gl’替代Gl，转入(1)。
本发明的优点及有益效果如下：
1.根据步骤101在目前的超密集异构无线网络环境中，考虑引入认知无线 电网络，充分利用空闲频谱资源，提升了网络容量和空闲频谱资源利用 率；由于认知无线电网络具有动态变化的特性，因此本文在二部图最大 匹配算法的基础上，通过动态调整二部图中边的权值，最小化切换周期 内的切换数，降低了网络切换率，避免了频繁切换。。
2.根据步骤102首先在用户侧计算得到各候选网络的GRA值，以此作为用 户服务质量的衡量指标；网络侧通过对初始二部图进行标准化并动态调 整二部图的边权值，最后采用改进的KM算法求解用户与网络间的完美 匹配。综合网络测和用户侧进行选网，将选网过程抽象为图论中的指派 问题，通过求解二部图的最大匹配，实现了用户服务质量全局最优的目 标。
附图说明
图1是本发明提供优选实施例提供认知异构无线网络仿真场景图；
图2为选网算法流程图；
图3为不同方法的算法时间开销对比；
图4为不同方法的网络吞吐量对比；
图5为不同方法的网络负载均衡度对比；
图6为不同方法的服务质量对比；
图7为不同方法的网络切换率对比。
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认知异构无线网络中，在用户端，使用灰色关联分析 法对认知异构无线网络进行排序；在网络端，使用二部图的最大匹配算法实现 用户和网络的最优匹配。该算法能够有效的控制频繁切换，提升网络吞吐量和 用户服务质量，同时实现了负载均衡。
本发明提出的网络选择方法包括以下步骤：
步骤一、根据权利要求1所述的一种基于认知异构无线网络垂直切换方法， 其特征在于，所述步骤101得到GRA排序，采用二部图最大匹配算法求解用户 与网络间的完美匹配，具体包括步骤：
1.首先，在进行网络排序之前，首先使用层次分析法获取切换判决属性的权 重。为了构建属性之间的重要性对比矩阵，AHP衡量属性之间的重要性。其中， 中间值被用来表示不确定的情况。比如，若用户不确定属性间的重要性是1还 是3，则可以选择中间值2。通常，属性间的重要性不相等。得到四个属性之间 的重要性对比矩阵，且该矩阵为4×4大小的方阵。
2.假设终端设备的候选网络集中有n个网络，切换判决属性有p个，那么终 端需要做的就是计算出n个候选网络的p个属性的加权综合效益值GRA，并按 照GRA的大小对候选网络进行等级排序。具体步骤如下：
2.1根据不同网络的不同判决属性值，构建决策矩阵；
2.2不同属性值之间不具有可比性，因此需要将判决矩阵D进行归一化处理。
本文采用max-min归一化方法，其中包含成本型参数和效益型参数。对于成 本型参数，其值越小越好；对于效益型参数，其值越大越好。本文中的时延、 网络负载率为成本型参数，网络容量、接收信号强度为效益型参数。成本型 参数的归一化表达式为：
效益型参数的归一化表达式为：
2.3得到比较序列之后，需要定义理想序列，可理解为最优候选网络所对 应的属性队列。根据判决参数的归一化表达式定义可知，当或无限逼 近1时，候选网络的该属性的性能是最优的。因此，用户倾向于选择的 候选网络。理想序列可以表示为：
2.4根据比较序列和理想序列求灰度关联系数GRC，灰度关联系数的值用来 表征候选网络i的属性j的值接近的程度。根据灰度关联系数GRC和各属 性参数的权重值，求得GRA的表达式如下：
其中
ωj为属性j的权重。取GRAi中的最大值作为目标网络。
步骤二、根据权利要求1所述的一种基于认知异构无线网络垂直切换方法， 其特征在于，所述步骤102二部图的最大匹配步骤如下：
1.原始二部图由用户集合U＝{U0,U1,U2...Um-1}和网络集合N＝{N0,N1,N2...Nn-1}组成，若用户量m小于网络数n，则需要向用户集合U中增加n-m个用户，同 时将这批“伪用户”到网络集合中所有网络的边权设为1。相反的，若用户量m 大于网络数n，则需要向网络集合N中增加m-n个网络，同时将用户集合中所 有用户到这批“伪网络”的边权设为0。通常，待接入网络的用户量m大于候 选网络量n，若如上所述进行标准化，则选网之后必定存在m-n个用户连接到了 “伪网络”。需要对这些用户重新选网，增大了用户的服务时延，影响了用户的 服务质量。受贪心算法的思想启发，本文提供的解决方法是将m个用户分为k 组，每组n个用户进行网络选择。
2.根据步骤101求出的GRAj的值，将GRAj的中位数设置为服务质量阈值σ。 仿真表明，当阈值σ取GRAi的中位数时，不会出现服务质量过大或者切换率过小 的问题。当二部图中的边权大于σ，且Mb中存在匹配关系，则将边权设置为 GRAij×1.1，否则边权仍旧等于GRAij，反之，当二部图中的边权小于σ，则将边权 设置为0。通过比较阈值给二部图赋权值，将双目标函数优化问题转化为单一目 标函数优化问题，即二部图的最大完美匹配问题。
3.求解二部图最大匹配的算法有最大流算法、匈牙利算法、hopcroft-karp算 法、Kuhn-Munkres算法等。其中最大流算法、匈牙利算法、hopcroft-karp算法 都是用来解决无权二部图的最大匹配问题的算法，Kuhn-Munkres算法则可以用 来求解加权二部图的最大匹配问题。由于KM算法的时间复杂度高达O(n4)，故 本文采用改进的KM算法求解二部图的最大匹配问题。
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：本文算法的异构无线网络环境由5G宏蜂窝、5G微蜂窝、WLAN 和认知无线电网络组成，用户和网络均服从泊松分布。为验证本文算法的性能， 以如图1所示的网络拓扑结构搭建仿真环境。5G和WLAN和认知无线电网络 网络在仿真场景内的覆盖情形如图1所示。
仿真中对比了本文算法与基于层次分析和简单加权的多属性垂直决策切换 算法(multi-attribute vertical handover decision algorithm based on AnalyticHierarchy Process and Simple Additive Weighting,AHP)以及基于神经网络的垂直 切换算法(vertical handover decision algorithm based on Neural Networks，NNA)。
时间开销是垂直切换算法的一个重要衡量指标。在本文算法中，整个算法 所需的时间主要是寻求二部图最优匹配所耗费的时间，而作为对比算法，基于 神经网络的垂直切换算法，神经网络学习所耗费的时间决定了时间开销；基于 层次分析法的垂直切换算法，时间消耗主要在计算属性权重方面。本文算法和 神经网络算法以及层次分析法的选网算法的时间开销对比如图3所示，图中三 条曲线分别代表本文算法和两个对比算法的时间消耗，共进行了100次仿真实 验。由于神经网络算法的运行时间过大，故仿真实验中NNA算法的用户量小于 本文算法和AHP算法的用户量。实验表明，本文算法的时间开销远远小于神经 网络算法的时间开销，略大于AHP算法的时间开销。
图4对比了进行多组仿真实验的情况下，本文算法和两种对比算法的网络 吞吐量情况。可以看出，随着仿真次数的增加，本文算法的网络吞吐量性能指 标表现比较稳定，均高于基于神经网络的垂直切换算法和基于层次分析法的垂 直切换算法的网络吞吐量数据。这是因为本文算法的网络环境考虑引入了认知 无线电网络，提高了空闲频谱资源利用率，而且本文算法的负载更加均衡，使 得网络阻塞率降低，因此网络吞吐量最优。而基于层次分析法的垂直切换算法 则是简单的选择得分更高的网络进行切换，未考虑网络的负载，网络阻塞率最 高，导致其网络吞吐量最低。
本文定义负载均衡度指标表示网络负载是否均衡，使用网络负载率的方差 表示负载均衡度。图5对比了进行多组仿真实验的情况下，本文算法和两种对 比算法的负载均衡度指标。可以看出，随着仿真次数的增加，本文算法的负载 均衡度性能指标表现比较稳定，低于基于神经网络的垂直切换算法和基于层次 分析法的垂直切换算法的负载均衡度，而随着仿真次数的增加，对比算法的负 载均衡度有增大的趋势。本文算法通过求解二部图最大匹配问题，实现了全局 最优效果，均衡了网络负载。而NNA和AHP两种对比算法，性能参数好的网 络的负载大，性能参数差的网络负载小，网络负载不均衡。
本文将用户服务质量定义为用户所接入网络的网络容量、时延、接收信号 强度等的加权值。图6对比了进行100组仿真实验的情况下，本文算法和两种 对比算法的用户服务质量指标。可以看出，随着仿真次数的增加，切换失败的 终端接入认知无线电网络，本文算法的用户服务质量指标逐渐增加至饱和，高 于基于神经网络的垂直切换算法和基于层次分析法的垂直切换算法的服务质量。 这是因为本文算法是从全局最优的角度考虑用户服务质量最大化，而两种对比 算法则相当于贪心算法，无法满足所有用户的网络需求，因此本文算法所得到 的用户服务质量最佳。
本文将网络切换率定义为一个切换周期内的网络切换次数。为量化本文算 法的切换率，不妨设认知无线电网络的动态变化率为20％，即单个周期内有20％ 的认知无线电网络产生了更替。为了控制变量，图7对比了不同用户数量情况 下，本文算法和传统二部图最大匹配算法KM算法的网络切换率指标。仿真结 果表明，本文算法有效控制了频繁切换现象的出现。由于认知无线电网络的动 态变化的特性，本文算法考虑在选网过程中最小化网络切换率，从而避免了频 繁切换。
上述实施例阐明的方法、系统、装置、模块或单元，具体可以由计算机芯 片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计 算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相 机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、 游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任 何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序 的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、 静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存 取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快 闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其 他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定， 计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据 信号和载波。
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。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种无线传感器网络LEACH优化算法