吳利平 王雙雙 馬 彬

①(重慶郵電大學(xué)產(chǎn)學(xué)研合作辦公室 重慶 400065)

②(重慶郵電大學(xué)重慶市計(jì)算機(jī)網(wǎng)絡(luò)與通信技術(shù)重點(diǎn)實(shí)驗(yàn)室 重慶 400065)

③(重慶郵電大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 重慶 400065)

1 引言

在當(dāng)前和未來的網(wǎng)絡(luò)環(huán)境中，隨著多種無線電接入技術(shù)(Radio Access Technologies， RATs)日益普及到世界的每一個(gè)角落，以及手持移動(dòng)設(shè)備的突飛猛進(jìn)，對(duì)保證服務(wù)質(zhì)量(Quality of Service，QoS)、垂直切換性能和更高數(shù)據(jù)速率的需求不斷增加[1]。為了提供無縫覆蓋，5G蜂窩網(wǎng)絡(luò)必須密集部署更多的小蜂窩。因此，超密集網(wǎng)絡(luò)成為5G蜂窩網(wǎng)絡(luò)的核心特征，將帶來網(wǎng)絡(luò)性能的極大改善。但不同用戶接收范圍內(nèi)的多種RATs具有較大的差異性，且網(wǎng)絡(luò)的狀態(tài)可能會(huì)隨時(shí)發(fā)生變化，如基站的休眠或故障，這無疑會(huì)導(dǎo)致垂直切換算法決策出的目標(biāo)網(wǎng)絡(luò)不可用，再高效的垂直切換算法都無法避免該問題帶來的信令開銷和時(shí)間消耗。因此在具有高動(dòng)態(tài)性的超密集異構(gòu)無線網(wǎng)絡(luò)中，如何最大化提升用戶的綜合性能，降低智能算法的時(shí)間復(fù)雜度，是本文研究的重點(diǎn)。

當(dāng)前已有不少文獻(xiàn)致力于研究垂直切換領(lǐng)域中的各種問題，通過設(shè)計(jì)不同的切換判決算法來實(shí)現(xiàn)終端的無縫切換[2，3]，減少切換失敗和切換次數(shù)[4–7]，降低切換時(shí)延[8–10]，緩解乒乓效應(yīng)并保障切換的可靠性[11，12]。文獻(xiàn)[2]針對(duì)軟件定義異構(gòu)無線網(wǎng)絡(luò)，提出了一種基于移動(dòng)信息和多徑傳輸控制協(xié)議的移動(dòng)感知無縫切換方法。首先通過建立回聲狀態(tài)網(wǎng)絡(luò)模型，預(yù)測(cè)用戶的位置來確定下一個(gè)訪問候選網(wǎng)絡(luò)；然后綜合考慮用戶偏好、服務(wù)需求和網(wǎng)絡(luò)屬性，采用模糊層次分析法選擇目標(biāo)網(wǎng)絡(luò)；最后通過基于多徑傳輸控制協(xié)議的切換機(jī)制實(shí)現(xiàn)無縫切換。文獻(xiàn)[4]將粒子群算法應(yīng)用于多屬性決策中，克服多屬性決策中權(quán)重分配時(shí)的主觀性和偏差，引入了兩種不同的優(yōu)化函數(shù)來生成最優(yōu)權(quán)值，在不影響垂直切換的前提下，提高了網(wǎng)絡(luò)的排名差異，減少了排名異常。文獻(xiàn)[8]致力于減少車輛網(wǎng)絡(luò)中用戶集群切換過程中的開銷，設(shè)計(jì)了一種混合切換策略，可在同構(gòu)和異構(gòu)網(wǎng)絡(luò)之間進(jìn)行自適應(yīng)切換。文獻(xiàn)[11]提出了一種高速鐵路場(chǎng)景下基于隨機(jī)抑制的自適應(yīng)切換算法。該算法在遲滯閾值與列車速度之間建立橢圓函數(shù)關(guān)系，使遲滯閾值可以隨著列車速度自適應(yīng)調(diào)整，降低了高速列車向前切換的挑戰(zhàn)性。同時(shí)，引入正態(tài)分布隨機(jī)數(shù)抑制反向切換，以降低乒乓切換率。但上述垂直切換算法未能全面考慮到網(wǎng)絡(luò)環(huán)境中的不確定性因素，容易受網(wǎng)絡(luò)動(dòng)態(tài)變化的影響，導(dǎo)致更多切換性能下降的問題。

當(dāng)前的網(wǎng)絡(luò)環(huán)境呈現(xiàn)為超密集態(tài)勢(shì)，文獻(xiàn)[12]致力于研究5G無線通信系統(tǒng)中超密集異構(gòu)網(wǎng)絡(luò)的選擇切換，提出了一種基于區(qū)域感知貝葉斯決策的聯(lián)合垂直切換方式，通過各個(gè)基站的位置信息獲取到候選網(wǎng)絡(luò)的切換概率，從而執(zhí)行切換，保障切換的可靠性。在當(dāng)前環(huán)境下，考慮到終端的動(dòng)態(tài)偏好問題，文獻(xiàn)[13]提出了一種基于非合作博弈的組垂直切換模型，利用動(dòng)態(tài)實(shí)時(shí)計(jì)算的多個(gè)切換決策屬性及其各自的終端偏好作為博弈策略，在納什均衡條件下通過群策略選擇最優(yōu)的無線網(wǎng)絡(luò)，最大化用戶滿意度和網(wǎng)絡(luò)收益的同時(shí)兼顧了網(wǎng)絡(luò)的動(dòng)態(tài)性。文獻(xiàn)[14]設(shè)計(jì)了一種混合的多業(yè)務(wù)多模式終端的網(wǎng)絡(luò)選擇算法，綜合考慮了終端偏好、服務(wù)特征和需求，此外還考慮了網(wǎng)絡(luò)的實(shí)時(shí)狀況，該算法最終被證實(shí)帶來了更好的用戶體驗(yàn)。由于車聯(lián)網(wǎng)環(huán)境的高動(dòng)態(tài)性，部分文獻(xiàn)致力于為車輛終端提供最佳的服務(wù)質(zhì)量。文獻(xiàn)[15]提出了一種異構(gòu)車聯(lián)網(wǎng)的負(fù)載均衡和QoS感知切換方案，定義了車輛的移動(dòng)性和QoS度量，并添加了一個(gè)新的切換觸發(fā)器，切換觸發(fā)依賴當(dāng)前接入網(wǎng)絡(luò)的QoS和周圍鄰居網(wǎng)絡(luò)的鄰近度。文獻(xiàn)[16]利用不同的網(wǎng)絡(luò)和車輛作為參與匹配的雙方，建立了一個(gè)雙向匹配模型，考慮了車輛不同的QoE需求。但隨著5G的廣泛商用，網(wǎng)絡(luò)超密集部署導(dǎo)致的動(dòng)態(tài)性更加突出，上述垂直切換算法帶來的效用可能微乎其微，因此需要更進(jìn)一步地緩解網(wǎng)絡(luò)超高動(dòng)態(tài)性帶來的切換失敗、掉話等問題，提升用戶在切換過程中的體驗(yàn)質(zhì)量。

當(dāng)前研究工作在保障網(wǎng)絡(luò)側(cè)和用戶側(cè)性能的前提下，往往會(huì)考慮多個(gè)網(wǎng)絡(luò)屬性，用以切換判決。在先前的研究工作[17]中，利用區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)(Interval Type-2 Fuzzy Neural Network， IT2FNN)算法統(tǒng)一表達(dá)了網(wǎng)絡(luò)狀態(tài)的模糊性和隨機(jī)性，使得判決過程更加符合真實(shí)的決策場(chǎng)景。由于該類智能算法需要不斷地迭代訓(xùn)練，亦或是規(guī)則庫(kù)龐大，網(wǎng)絡(luò)和終端性能的提升往往會(huì)以較大的時(shí)間開銷為代價(jià)。在先前研究工作中為了減輕時(shí)間開銷的負(fù)擔(dān)，重構(gòu)了兩階段判決算法，但在該類基于模糊邏輯(Fuzzy Logic， FL)的垂直切換算法中，規(guī)則數(shù)隨著參數(shù)增加呈指數(shù)倍增長(zhǎng)的問題依舊存在。

針對(duì)上述問題，本文提出一種改善用戶體驗(yàn)的垂直切換算法，引進(jìn)動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)(Dynamic Fuzzy Neural Network， DFNN)算法執(zhí)行垂直切換，動(dòng)態(tài)生成有效的規(guī)則，極大地減小了FL規(guī)則庫(kù)的規(guī)模。同時(shí)，結(jié)合了自組織網(wǎng)絡(luò)(Self-Organized Network， SON)技術(shù)的環(huán)境感知能力，能夠主動(dòng)感知終端周圍的網(wǎng)絡(luò)環(huán)境變化，即時(shí)采取自主應(yīng)對(duì)的措施。本文的主要貢獻(xiàn)如下：

(1) 將SON技術(shù)應(yīng)用到5G網(wǎng)絡(luò)環(huán)境下的垂直切換中，為用戶提供進(jìn)一步有保障的服務(wù)，減少切換失敗，降低切換過程中的掉話率。

(2) 引入DFNN算法，提出一種改善用戶體驗(yàn)的垂直切換算法，動(dòng)態(tài)調(diào)整FL的規(guī)則和參數(shù)，在保障網(wǎng)絡(luò)側(cè)與用戶側(cè)性能的同時(shí)，降低本文算法執(zhí)行切換判決的時(shí)間開銷。

2 自組織網(wǎng)絡(luò)技術(shù)(SON)

隨著移動(dòng)寬帶技術(shù)的飛速發(fā)展，無線網(wǎng)絡(luò)的部署和維護(hù)變得越來越復(fù)雜，且十分耗時(shí)和昂貴。為滿足終端日益增長(zhǎng)的需求，第3代合作伙伴計(jì)劃(3rd Generation Partnership Project， 3GPP)提出了能夠自動(dòng)進(jìn)行維護(hù)和運(yùn)營(yíng)管理的SON自組織網(wǎng)絡(luò)技術(shù)。

2.1 功能簡(jiǎn)介

SON技術(shù)的實(shí)現(xiàn)主要包含3大部分。

其一為網(wǎng)絡(luò)的自配置，當(dāng)網(wǎng)絡(luò)中出現(xiàn)新的無線接入技術(shù)時(shí)，新增網(wǎng)絡(luò)從控制中心獲取軟件與一系列的參數(shù)進(jìn)行自我配置，從而使得該網(wǎng)絡(luò)能迅速投入到工作狀態(tài)。自配置可以大大減少人為參與配置的復(fù)雜過程，降低無線網(wǎng)絡(luò)建立時(shí)的費(fèi)用和時(shí)間開銷。當(dāng)前，SON技術(shù)的自配置通過物理小區(qū)標(biāo)識(shí)(Physical Cell Identification， PCI)碼配置和鄰居關(guān)系表(Neighborhood Relationship Table， NRT)的建立實(shí)現(xiàn)，每個(gè)網(wǎng)絡(luò)可自動(dòng)選擇PCI碼并建立自己的NRT。其中PCI碼是蜂窩小區(qū)識(shí)別和信道同步的標(biāo)識(shí)，NRT的自配置能夠主動(dòng)維護(hù)網(wǎng)絡(luò)周圍的鄰居關(guān)系，包括鄰居網(wǎng)絡(luò)的檢測(cè)、增加與刪除等[18]。

其二為網(wǎng)絡(luò)的自優(yōu)化，根據(jù)監(jiān)測(cè)終端和基站，了解網(wǎng)絡(luò)運(yùn)行狀況，對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行自我調(diào)整優(yōu)化，能夠提升網(wǎng)絡(luò)性能和質(zhì)量。SON自優(yōu)化主要包括減輕能耗、均衡移動(dòng)負(fù)載以及降低無線接入技術(shù)之間干擾等的優(yōu)化功能，通過各網(wǎng)絡(luò)實(shí)時(shí)檢測(cè)周邊環(huán)境、監(jiān)測(cè)終端的切換時(shí)機(jī)、監(jiān)控網(wǎng)絡(luò)的負(fù)載狀態(tài)等措施來調(diào)整優(yōu)化參數(shù)。

其三為網(wǎng)絡(luò)的自治愈，當(dāng)網(wǎng)絡(luò)中出現(xiàn)故障的時(shí)候，系統(tǒng)可以自動(dòng)檢測(cè)出故障的位置，即時(shí)做出應(yīng)對(duì)措施，從而降低因?yàn)榫W(wǎng)絡(luò)故障對(duì)用戶體驗(yàn)產(chǎn)生的不良影響。

2.2 技術(shù)架構(gòu)

SON技術(shù)可以分為分布式架構(gòu)、集中式架構(gòu)以及混合式架構(gòu)，其各有優(yōu)勢(shì)與劣勢(shì)。圖1(a)展示了SON技術(shù)的分布式架構(gòu)，其中SON的功能模塊由獨(dú)自的網(wǎng)絡(luò)實(shí)現(xiàn)，每個(gè)單獨(dú)的網(wǎng)絡(luò)不僅需要檢測(cè)和搜集相關(guān)信息，還要承擔(dān)決策以及與上層移動(dòng)管理實(shí)體、其他鄰居網(wǎng)絡(luò)之間的信息交互協(xié)調(diào)任務(wù)。分布式架構(gòu)的特點(diǎn)是可以提高各獨(dú)立網(wǎng)絡(luò)之間的參數(shù)優(yōu)化效率，而無須擔(dān)心中心網(wǎng)絡(luò)故障帶來的大面積故障。

圖1(b)所顯示的是SON技術(shù)的集中式架構(gòu)，其SON技術(shù)的功能主要由上層移動(dòng)管理實(shí)體實(shí)現(xiàn)，各獨(dú)立網(wǎng)絡(luò)僅需要實(shí)現(xiàn)相關(guān)信息的檢測(cè)和搜集，SON技術(shù)則需要完成與上層移動(dòng)管理實(shí)體的協(xié)調(diào)工作。這種架構(gòu)方式實(shí)現(xiàn)較為簡(jiǎn)單，也不可避免地會(huì)因中心網(wǎng)絡(luò)故障而造成整個(gè)系統(tǒng)失去效用，且在具有超高動(dòng)態(tài)性的超密集網(wǎng)絡(luò)環(huán)境下，集中控制時(shí)更需要頻繁地交互和更新信息，會(huì)產(chǎn)生較大的信令開銷，給網(wǎng)絡(luò)帶來一定的負(fù)擔(dān)。

圖1(c)為SON技術(shù)的混合式架構(gòu)，其中存在一個(gè)或多個(gè)中心網(wǎng)絡(luò)，中心網(wǎng)絡(luò)和各網(wǎng)絡(luò)都具備自主管理的能力，同時(shí)也可根據(jù)需要與周圍網(wǎng)絡(luò)相互協(xié)調(diào)。該架構(gòu)下的SON技術(shù)較為靈活，但設(shè)計(jì)過程較前兩者更為復(fù)雜。

圖1 SON技術(shù)架構(gòu)

3 系統(tǒng)模型

3.1 網(wǎng)絡(luò)場(chǎng)景

隨著4G移動(dòng)管理實(shí)體(Mobility Management Entity， MME)的功能被分解，5G網(wǎng)絡(luò)由核心訪問和移動(dòng)管理功能(core Access and Mobility management Function， AMF)從終端接收所有連接和會(huì)話的相關(guān)信息，其僅負(fù)責(zé)處理連接和移動(dòng)管理任務(wù)。在本文的超密集異構(gòu)無線網(wǎng)絡(luò)環(huán)境中，終端與候選網(wǎng)絡(luò)之間的信息交互由AMF協(xié)調(diào)和管理。

考慮到當(dāng)前網(wǎng)絡(luò)環(huán)境的超高動(dòng)態(tài)性，為避免集中控制所帶來的較大信令開銷，遂在垂直切換過程中引入采用分布式架構(gòu)的SON自組織網(wǎng)絡(luò)技術(shù)，在極具不確定性和超高動(dòng)態(tài)性的網(wǎng)絡(luò)環(huán)境中結(jié)合SON技術(shù)來輔助切換。為便于觀察，圖2給出了結(jié)合SON技術(shù)的網(wǎng)絡(luò)場(chǎng)景示意圖，該場(chǎng)景由5G宏基站、微基站與WiFi接入點(diǎn)異構(gòu)而成，依據(jù)終端接收范圍內(nèi)所有候選網(wǎng)絡(luò)的狀態(tài)參數(shù)信息，利用DFNN算法來執(zhí)行垂直切換判決。

圖2 網(wǎng)絡(luò)場(chǎng)景圖

3.2 算法流程

本文算法的實(shí)現(xiàn)過程如圖3所示。在網(wǎng)絡(luò)發(fā)現(xiàn)階段，AMF發(fā)現(xiàn)終端附近的所有候選網(wǎng)絡(luò)，并獲取其參數(shù)數(shù)據(jù)。若檢測(cè)到網(wǎng)絡(luò)環(huán)境中的某個(gè)基站突然故障或休眠，SON技術(shù)將利用其具備的自配置功能主動(dòng)維護(hù)終端附近的網(wǎng)絡(luò)鄰區(qū)關(guān)系；若當(dāng)前網(wǎng)絡(luò)環(huán)境臨時(shí)增加新的接入點(diǎn)，SON技術(shù)則為該網(wǎng)絡(luò)獲取相關(guān)連接信息，從而使得該網(wǎng)絡(luò)能夠正常運(yùn)轉(zhuǎn)，同時(shí)在鄰區(qū)關(guān)系表中增加該網(wǎng)絡(luò)的相關(guān)參數(shù)數(shù)據(jù)。同時(shí)，SON技術(shù)會(huì)隨時(shí)監(jiān)測(cè)終端位置及網(wǎng)絡(luò)運(yùn)行狀況，對(duì)網(wǎng)絡(luò)進(jìn)行適時(shí)的調(diào)整與優(yōu)化，確保網(wǎng)絡(luò)的性能和QoS，并能夠在網(wǎng)絡(luò)出現(xiàn)輕微故障的時(shí)機(jī)，找準(zhǔn)故障發(fā)生的位置，即時(shí)做出應(yīng)對(duì)措施。此時(shí)每個(gè)獨(dú)立的網(wǎng)絡(luò)不僅需要獲取相關(guān)信息，還要實(shí)現(xiàn)與上層AMF、周圍鄰居網(wǎng)絡(luò)之間的信息交互。

圖3 算法示意圖

在切換判決階段，將候選網(wǎng)絡(luò)的接收信號(hào)強(qiáng)度(Received Signal Strength， RSS)、剩余可用帶寬(Remaining available Band Width， RBW)、時(shí)延(Delay， D)、丟包率(Packet Loss Rate， PLR)和誤碼率(Bit Error Rate， BER)作為DFNN的輸入?yún)?shù)，經(jīng)模糊推理、去模糊化之后得到輸出值，選擇該值最大的網(wǎng)絡(luò)作為目標(biāo)網(wǎng)絡(luò)。若該網(wǎng)絡(luò)突然發(fā)生故障，SON自組織網(wǎng)絡(luò)技術(shù)將立即監(jiān)測(cè)故障發(fā)生的位置并進(jìn)行即時(shí)修復(fù)，修復(fù)成功則目標(biāo)網(wǎng)絡(luò)不變，否則將選擇次優(yōu)網(wǎng)絡(luò)作為目標(biāo)網(wǎng)絡(luò)。

在切換執(zhí)行階段，將終端與當(dāng)前網(wǎng)絡(luò)之間的連接轉(zhuǎn)移到?jīng)Q策出的目標(biāo)網(wǎng)絡(luò)上，為終端提供最佳的服務(wù)，確保良好的用戶體驗(yàn)。

4 動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)

本節(jié)詳細(xì)介紹了垂直切換判決過程中所引入的DFNN算法。該算法基于神經(jīng)網(wǎng)絡(luò)(Neural Network，NN)的架構(gòu)完成了FL的推理過程，實(shí)現(xiàn)了參數(shù)訓(xùn)練和規(guī)則生成的同步進(jìn)行。在學(xué)習(xí)訓(xùn)練的過程中，逐步生成對(duì)切換判決有效的規(guī)則，能夠在考慮多個(gè)網(wǎng)絡(luò)參數(shù)、保障終端切換性能的同時(shí)，極大地改善該類基于模糊神經(jīng)網(wǎng)絡(luò)算法的時(shí)間消耗問題。下文具體介紹DFNN的結(jié)構(gòu)和規(guī)則生成準(zhǔn)則。

4.1 DFNN的結(jié)構(gòu)

本文所設(shè)計(jì)的DFNN結(jié)構(gòu)如圖4所示，表現(xiàn)為一個(gè)多輸入單輸出的5層前饋神經(jīng)網(wǎng)絡(luò)，具有FL推理的實(shí)際物理含義，輸入感知到的候選網(wǎng)絡(luò)參數(shù)集，利用動(dòng)態(tài)生成的規(guī)則進(jìn)行模糊推理，經(jīng)過去模糊化處理，得到每個(gè)候選網(wǎng)絡(luò)的實(shí)際判決值，從而為每個(gè)終端選擇最佳接入網(wǎng)絡(luò)，保障通信過程的無縫連接。

圖4 DFNN的結(jié)構(gòu)模型

第1層為輸入層，包含5個(gè)輸入?yún)?shù)xi，i=1，2，...，5，分別表示候選網(wǎng)絡(luò)的RSS， RBW， D， PLR和BER。

第2層為模糊化層，每個(gè)節(jié)點(diǎn)分別表示具有不同均值和標(biāo)準(zhǔn)差的隸屬函數(shù)，進(jìn)行輸入?yún)?shù)的模糊化。采用高斯型隸屬函數(shù)將上述網(wǎng)絡(luò)參數(shù)的精確值轉(zhuǎn)換為模糊量，模糊等級(jí)設(shè)置為“低”、“中”、“高”。其隸屬函數(shù)表示為

4.2 規(guī)則產(chǎn)生準(zhǔn)則

DFNN架構(gòu)的形成主要依賴兩個(gè)準(zhǔn)則：決策系統(tǒng)的誤差和隸屬函數(shù)的可容納邊界。顯然，若動(dòng)態(tài)生成的規(guī)則數(shù)太少，切換判決系統(tǒng)將無法完全涵蓋所有網(wǎng)絡(luò)參數(shù)的輸入-輸出狀態(tài)空間，DFNN將不能體現(xiàn)出一個(gè)很好的決策性能。若規(guī)則數(shù)太多，不僅會(huì)額外增加判決系統(tǒng)的復(fù)雜性，而且將極大地增加計(jì)算的時(shí)間開銷，降低垂直切換判決的效率，并使得DFNN的泛化性能變差。因此，動(dòng)態(tài)生成的新規(guī)則是否被接納有較大可能取決于系統(tǒng)的輸出誤差。其中誤差函數(shù)計(jì)算為

5 仿真實(shí)驗(yàn)與分析

5.1 方案設(shè)計(jì)

宏基站、微基站的超密集部署成為5G新模式。終端數(shù)目的急劇增加、毫秒級(jí)的端到端時(shí)延導(dǎo)致了基站數(shù)的大幅提升；同時(shí)由于5G頻段的上移，網(wǎng)絡(luò)覆蓋范圍大大減少，信號(hào)穿透能力減弱，但目前大多數(shù)數(shù)據(jù)流量來自室內(nèi)的熱點(diǎn)區(qū)域。因此，大量的微基站成了宏基站的有效補(bǔ)充，平衡了負(fù)載，使得網(wǎng)絡(luò)吞吐量有了較大的提升。然而，基站數(shù)目并非越密集越好，基站過密的時(shí)候，基站、網(wǎng)絡(luò)之間的干擾會(huì)大大增強(qiáng)；在兩個(gè)或者多個(gè)基站的信號(hào)覆蓋交叉區(qū)域，部分終端會(huì)頻繁切換基站，引起較差的用戶體驗(yàn)。

為了驗(yàn)證本文所提算法的性能，利用MATLAB仿真平臺(tái)進(jìn)行相關(guān)評(píng)價(jià)指標(biāo)的對(duì)比分析，無線網(wǎng)絡(luò)均采用正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing， OFDM)技術(shù)，以滿足使用許可和非許可頻段終端的數(shù)據(jù)速率需求。5G宏基站的覆蓋范圍內(nèi)包含200個(gè)5G微基站，其地理位置服從泊松分布，且環(huán)境中均勻分布有20個(gè)WiFi接入點(diǎn)。用戶隨機(jī)分布在宏基站范圍內(nèi)，用戶的移動(dòng)速度均為恒定5 km/h，運(yùn)動(dòng)軌跡由有規(guī)律的隨機(jī)點(diǎn)擬合而成。將本文所提算法與基于模糊神經(jīng)網(wǎng)絡(luò)(Fuzzy Neural Network， FNN)的垂直切換算法[19]、基于神經(jīng)網(wǎng)絡(luò)(Neural Network， NN)的垂直切換算法[20]進(jìn)行實(shí)驗(yàn)比較，同時(shí)包含了先前研究工作中基于IT2FNN的垂直切換算法[17]。本文算法考慮了RSS， RBW， D， BER， PLR 5個(gè)網(wǎng)絡(luò)狀態(tài)參數(shù)來作為垂直切換判決的依據(jù)，將平均切換失敗率、掉話率、滿意用戶占比以及算法的時(shí)間開銷作為垂直切換算法的性能評(píng)估指標(biāo)。其中無線網(wǎng)絡(luò)的相關(guān)參數(shù)設(shè)置如表1所示。

表1 網(wǎng)絡(luò)仿真參數(shù)

5.2 平均切換失敗率分析

切換失敗的概率作為一個(gè)衡量垂直切換算法精準(zhǔn)與否的關(guān)鍵指標(biāo)，本文利用切換失敗率這個(gè)性能評(píng)價(jià)指標(biāo)來分析所提算法，反映的是切換失敗的次數(shù)與總切換次數(shù)的比值，為一個(gè)百分?jǐn)?shù)。圖5比較了4種垂直切換算法的平均切換失敗概率隨著用戶數(shù)增多而變化的曲線，可以看出4種算法的平均切換失敗率均逐步上升。首先NN算法和FNN算法的平均切換失敗率呈現(xiàn)出一個(gè)較為同步的上升趨勢(shì)，均明顯高于本文所提算法和IT2FNN算法。而在用戶數(shù)達(dá)到40時(shí)，本文所提算法的平均切換失敗率略微高于IT2FNN算法，總體表現(xiàn)出一個(gè)平緩上升的趨勢(shì)。這是因?yàn)楸疚乃崴惴ㄔ诓粩鄬W(xué)習(xí)訓(xùn)練的過程中僅生成對(duì)切換判決有利的規(guī)則，而棄掉那些冗余且無效的規(guī)則，縮短了決策的時(shí)間，使得部分終端能夠及時(shí)切換到目標(biāo)網(wǎng)絡(luò)，實(shí)現(xiàn)無縫切換。同時(shí)結(jié)合SON技術(shù)，進(jìn)一步為終端提供了有保障的服務(wù)，減少了切換失敗。

圖5 平均切換失敗率

5.3 平均掉話率分析

如圖6所示，呈現(xiàn)了5種垂直切換算法的平均掉話率隨著用戶數(shù)增多而不斷上升的趨勢(shì)。在終端數(shù)目達(dá)到20時(shí)，本文所提算法與其他4種算法的平均掉話率逐漸拉開了差距，這一現(xiàn)象體現(xiàn)了本文所提算法在降低平均掉話率上的優(yōu)勢(shì)。為了說明本文結(jié)合SON自組織網(wǎng)絡(luò)技術(shù)的必要性，將本文所提算法與不結(jié)合SON技術(shù)的DFNN算法作了平均掉話率指標(biāo)的對(duì)比，可以看出，本文算法整體低于未結(jié)合SON技術(shù)的DFNN算法，在用戶數(shù)達(dá)到50時(shí)，DFNN算法的平均掉話率逐漸高于NN算法與FNN算法，這是因?yàn)镈FNN算法動(dòng)態(tài)生成規(guī)則時(shí)，相比會(huì)產(chǎn)生額外感知環(huán)境的時(shí)間開銷，此時(shí)會(huì)有基站休眠或故障的發(fā)生，導(dǎo)致掉話率的輕微增加，而結(jié)合了SON自組織技術(shù)的DFNN算法，卻能夠始終維持一個(gè)較低的掉話率。因?yàn)镾ON技術(shù)能隨時(shí)感知到基站的突發(fā)情況并即時(shí)修復(fù)，保障了終端通信的持續(xù)進(jìn)行，降低了切換過程中的掉話。

圖6 平均掉話率

5.4 滿意用戶占比分析

切換過程中的掉話和阻塞是影響終端體驗(yàn)的兩個(gè)重要因素，本文將各終端單位時(shí)間內(nèi)的切換掉話與阻塞次數(shù)占切換觸發(fā)量的比值作為一個(gè)關(guān)鍵指標(biāo)，將該指標(biāo)值小于0.01的終端定義為滿意用戶。圖7對(duì)比了4種算法的滿意用戶占比情況，其表示滿意用戶占當(dāng)前用戶總數(shù)的比值。分析對(duì)比可以發(fā)現(xiàn)，隨著用戶到達(dá)增多，4種垂直切換算法的滿意用戶占比均呈現(xiàn)一個(gè)下降的趨勢(shì)，在用戶數(shù)少于20時(shí)，F(xiàn)NN算法和本文所提算法的滿意用戶占比十分接近1，因?yàn)镕NN算法和本文所提算法均側(cè)重考慮了用戶的使用體驗(yàn)，F(xiàn)NN算法考慮到了用戶的各種偏好指標(biāo)和網(wǎng)絡(luò)條件的影響。隨著用戶數(shù)的逐漸增加，F(xiàn)NN算法的滿意用戶占比率下降趨勢(shì)接近甚至低于NN算法，因?yàn)殡S著用戶數(shù)的增加，利用FNN算法決策所需的時(shí)間開銷會(huì)進(jìn)一步增加，且FNN系統(tǒng)在學(xué)習(xí)訓(xùn)練的過程中存在隨機(jī)設(shè)定的參數(shù)值，會(huì)致使?jié)M意用戶的占比下降略微明顯?？傮w看來，本文所提算法與IT2FNN算法的滿意用戶數(shù)量均高于另外2種算法，可以觀察到采用本文算法得到的滿意用戶數(shù)相比IT2FNN算法處于一個(gè)略高的水平。這是因?yàn)樵撍惴ú粌H綜合考慮了網(wǎng)絡(luò)的信號(hào)質(zhì)量、可用帶寬以及丟包等因素，而且在執(zhí)行切換判決的過程中，結(jié)合了SON技術(shù)的自配置、自優(yōu)化和自治愈功能，主動(dòng)維護(hù)網(wǎng)絡(luò)周圍的NRT，即時(shí)發(fā)現(xiàn)故障并加以處理，緩解了切換過程中的掉話和阻塞問題。

圖7 滿意用戶占比情況

5.5 算法時(shí)間開銷分析

本文算法旨在不以時(shí)間開銷為代價(jià)的前提下，為終端提供最佳的服務(wù)體驗(yàn)。圖8對(duì)比了4種垂直切換算法的具體時(shí)間消耗與到達(dá)用戶數(shù)之間的關(guān)系。其中FNN算法的時(shí)間開銷隨著終端到達(dá)數(shù)的增多上升較快，而本文算法的時(shí)間開銷明顯低于另外3種算法。這是因?yàn)镕NN算法考慮較多網(wǎng)絡(luò)參數(shù)時(shí)，其規(guī)則庫(kù)較為龐大，且還需要NN來不斷地訓(xùn)練隸屬函數(shù)的參數(shù)及相應(yīng)的權(quán)重值，不可避免地會(huì)產(chǎn)生較大的時(shí)間開銷。而IT2FNN算法重構(gòu)了兩階段判決算法，篩選了候選網(wǎng)絡(luò)，時(shí)間消耗低于FNN算法，但該算法也需要經(jīng)過NN的不斷訓(xùn)練，使得時(shí)間開銷略高于NN算法以及本文算法。本文所提算法FL規(guī)則庫(kù)的數(shù)目遠(yuǎn)遠(yuǎn)小于FNN算法，因?yàn)楸疚乃惴ㄔ谛纬蒁FNN架構(gòu)時(shí)，僅僅生成了系統(tǒng)所需的規(guī)則，用以垂直切換。

圖8 算法的時(shí)間開銷

6 結(jié)論

考慮到先前研究工作中基于區(qū)間二型模糊神經(jīng)網(wǎng)絡(luò)的垂直切換算法，為避免非常大的時(shí)間消耗，重構(gòu)了兩階段智能判決算法，但是該類基于FL的垂直切換算法中，規(guī)則數(shù)隨參數(shù)增加呈指數(shù)倍增長(zhǎng)的問題并沒有得到改善。因此本文提出一種改善用戶體驗(yàn)的垂直切換算法，引入DFNN算法，動(dòng)態(tài)生成FL的規(guī)則庫(kù)，降低本文算法的時(shí)間開銷，提升算法的執(zhí)行效率，減少切換失??；同時(shí)將SON自組織網(wǎng)絡(luò)技術(shù)結(jié)合到超密集異構(gòu)無線網(wǎng)絡(luò)環(huán)境下的垂直切換過程中，利用其自行發(fā)現(xiàn)故障并即時(shí)修復(fù)的能力，降低終端切換過程中的掉話率，保障終端的通信質(zhì)量，提升用戶垂直切換過程中的體驗(yàn)質(zhì)量。本文所提算法在執(zhí)行決策的過程中，動(dòng)態(tài)生成對(duì)判決有效的規(guī)則，減少冗余，能夠大大降低算法的時(shí)間消耗。但執(zhí)行模糊推理時(shí)，所采用的為一型模糊邏輯系統(tǒng)，在表達(dá)網(wǎng)絡(luò)參數(shù)的模糊性時(shí)，并不能很好地體現(xiàn)出值設(shè)定時(shí)的隨機(jī)性，因此結(jié)合文獻(xiàn)[17]與本文所提算法，考慮在未來的研究工作中可將本文所提算法的一型模糊邏輯系統(tǒng)置換為二型模糊邏輯系統(tǒng)，做進(jìn)一步的垂直切換算法研究，為用戶的切換質(zhì)量提供保障。