劉春玲,田玉琪,張琪珍,馮錦龍

(大連大學(xué) 信息工程學(xué)院,遼寧 大連 116000)

0 引 言

隨著5G的商用,無線網(wǎng)絡(luò)的基礎(chǔ)設(shè)施更加密集地部署,形成了超密集網(wǎng)絡(luò)[1](Ultra-dense Network,UDN)。在交互數(shù)據(jù)量激增、用戶設(shè)備數(shù)量爆炸性增長的時代,超密集組網(wǎng)不僅是解決問題的關(guān)鍵技術(shù),而且能為用戶提供更好的服務(wù)。但是由于基站部署密集,網(wǎng)絡(luò)內(nèi)的用戶會受到其他基站的干擾,造成服務(wù)體驗下降甚至服務(wù)中斷的問題。所以在復(fù)雜的網(wǎng)絡(luò) 環(huán)境中,持續(xù)穩(wěn)定的網(wǎng)絡(luò)連接是保證通信質(zhì)量的基礎(chǔ)。為了保證終端用戶的最佳體驗,要根據(jù)不同無線網(wǎng)絡(luò)的特點,選擇最合適的網(wǎng)絡(luò)接入,因此垂直切換技術(shù)成為了促進多網(wǎng)融合的關(guān)鍵。

針對目前垂直切換算法的研究,研究者們致力于提高用戶服務(wù)質(zhì)量,實現(xiàn)網(wǎng)絡(luò)負載和減少切換次數(shù),已有很多的文獻提出了比較優(yōu)秀的算法。文獻[2]考慮用戶的接入需求,引入業(yè)務(wù)的動態(tài)負載傳遞,通過多維馬爾科夫鏈獲得穩(wěn)態(tài)概率。算法成功實現(xiàn)了更高的系統(tǒng)容量增益,但是算法復(fù)雜性高,時間開銷大。文獻[3]針對網(wǎng)絡(luò)參數(shù)難以確定的問題以及模糊控制算法復(fù)雜度高的問題,設(shè)計了分級的模糊系統(tǒng),引入自適應(yīng)規(guī)則。該算法降低了系統(tǒng)計算量,減少了系統(tǒng)開銷,但后續(xù)的網(wǎng)絡(luò)篩選過程中可能會偏好某一網(wǎng)絡(luò)。文獻[4]針對超密集異構(gòu)網(wǎng)絡(luò)中掉話率不斷增長的問題,使用環(huán)境感知去監(jiān)測當(dāng)前網(wǎng)絡(luò)狀態(tài),引入動態(tài)模糊神經(jīng)網(wǎng)絡(luò)算法。算法有效改善了掉話問題,降低了切換失敗概率,但是沒有考慮密集網(wǎng)絡(luò)中存在的干擾,降低了一定的準確性。文獻[5]針對異構(gòu)無線網(wǎng)絡(luò)切換過程中切換反轉(zhuǎn)問題,采用標(biāo)準差加權(quán)的逼近理想解排序算法,更加合理地分配屬性的權(quán)重。算法有效提高了網(wǎng)絡(luò)吞吐量,不過沒有考慮模糊屬性問題。文獻[6]針對超密集網(wǎng)絡(luò)中用戶數(shù)量多、資源配置不合理的問題,提出了基于深度Q網(wǎng)絡(luò)的選擇算法,對網(wǎng)絡(luò)資源進行有效分配,減少了網(wǎng)絡(luò)的擁塞概率,但卻沒有考慮算法復(fù)雜性問題,算法開銷較大。

根據(jù)上述分析,本文在超密集異構(gòu)網(wǎng)絡(luò)選擇問題中,提出了基于預(yù)判決與模糊邏輯的垂直切換。引入了信干噪比(Signal-to-Interference Plus Noise Ratio,SINR)準則,充分考慮干擾給切換過程帶來的影響。針對超密集網(wǎng)絡(luò)在切換過程中切換次數(shù)過多的問題,引入用戶停留時間計算,減少不必要的切換次數(shù)。使用基于改進貼近度的模糊逼近理想解排序(Fuzzy Technique for Order Preference by Similarity to an Ideal Solution,Fuzzy-TOPSIS)算法提高決策的準確性,減少切換反轉(zhuǎn)現(xiàn)象。

1 超密集異構(gòu)網(wǎng)絡(luò)中的垂直切換理論

超密集異構(gòu)網(wǎng)絡(luò)由大量具有不同通信協(xié)議的網(wǎng)絡(luò)組成,可以為網(wǎng)絡(luò)內(nèi)的終端用戶提供多樣的服務(wù),滿足用戶的不同需求[7]。使用垂直切換技術(shù)可以在不同類型的網(wǎng)絡(luò)中進行切換。用戶一般在網(wǎng)絡(luò)的覆蓋邊緣、當(dāng)前所在網(wǎng)絡(luò)繁忙時發(fā)生垂直切換,是為了保證通信服務(wù)的持續(xù)連接。切換是釋放用戶設(shè)備與原網(wǎng)絡(luò)之間的鏈路,與目標(biāo)網(wǎng)絡(luò)建立新鏈路的過程。在傳統(tǒng)的切換過程中比較常見的是將新的目標(biāo)網(wǎng)絡(luò)的狀態(tài)屬性與原連接網(wǎng)絡(luò)的狀態(tài)屬性進行衡量[8]。狀態(tài)屬性的選擇也是垂直切換決策中的關(guān)鍵因素。常選用網(wǎng)絡(luò)帶寬、網(wǎng)絡(luò)時延,網(wǎng)絡(luò)價格、信號強度等來衡量不同網(wǎng)絡(luò)的性能。

但是傳統(tǒng)的切換算法中偏重網(wǎng)絡(luò)側(cè)選取目標(biāo)網(wǎng)絡(luò),忽視用戶需求。因此,所提出的網(wǎng)絡(luò)切換算法需要在衡量網(wǎng)絡(luò)屬性的基礎(chǔ)上,考慮用戶側(cè)的偏好,從而提高超密集網(wǎng)絡(luò)覆蓋下的用戶服務(wù)質(zhì)量。

2 基于目標(biāo)網(wǎng)絡(luò)停留時間估計的信干噪比預(yù)判決篩選

2.1 預(yù)判決信干噪比

傳統(tǒng)算法中大多使用接收信號強度(Received Signal Strength,RSS)作為切換判據(jù),但是在超密集異構(gòu)網(wǎng)絡(luò)中由于小蜂窩與宏蜂窩會共享頻譜,存在站點間的干擾[9],仍使用RSS作為判決依據(jù)可能會導(dǎo)致服務(wù)質(zhì)量低下的問題。因此提出基于目標(biāo)網(wǎng)絡(luò)停留時間預(yù)估計的信干噪比預(yù)篩選方法,對SINR進行計算,設(shè)立SINR的門限值,若用戶接收的SINR小于-10 dB則可直接進行強制性切換操作,切換至候選網(wǎng)絡(luò)中RSS最強的網(wǎng)絡(luò),防止當(dāng)前的鏈路質(zhì)量下降引起通信中斷;若用戶接收的SINR大于門限值,則進入到停留時間估測過程。預(yù)判決信干噪比的計算如式(1)所示:

(1)

式中:RSRPM→UE和RSRPH→UE分別為終端用戶從宏基站和微基站接收到的參考信號接收功率值;Pnoise是噪聲功率;N為存在干擾的微基站的總數(shù)。

2.2 終端停留時間預(yù)測

超密集異構(gòu)網(wǎng)絡(luò)中會面臨頻繁切換的問題。傳統(tǒng)的切換判決中,沒有考慮用戶在新目標(biāo)網(wǎng)絡(luò)的停留時間,當(dāng)停留時間較短時,不僅增加了切換次數(shù),也造成了資源浪費,所以在切換問題上也要考慮終端在網(wǎng)絡(luò)內(nèi)的停留時間,根據(jù)停留時間判斷是否需要切換,用戶與基站之間的短暫關(guān)聯(lián)可視為一種不必要的切換。因此,預(yù)測用戶可能停留在目標(biāo)基站覆蓋區(qū)域的時間,將有助于減少切換,也會改善用戶服務(wù)體驗并減少信號開銷。模擬終端與網(wǎng)絡(luò)覆蓋范圍的位置關(guān)系如圖1所示。

圖1中,a,b,c,d,e為用戶移動過程中的坐標(biāo)點,Ri是基站半徑,X0是基站i的位置。為了更加符合用戶在網(wǎng)絡(luò)內(nèi)運動過程,根據(jù)t時刻的用戶位置,計算公式如式(2):

(2)

式中:Xt+1和Yt+1是用戶在t+1時刻的橫、縱坐標(biāo);θt為用戶t時刻運動方向與水平的夾角;時間周期T為常量;V為用戶的運動速度;rand1和rand2是隨機數(shù),rand1∈[-R,R],rand2∈[-R,R]。在預(yù)測t+1時刻的位置后,判斷用戶是否仍在網(wǎng)絡(luò)內(nèi),計算公式如式(3):

(3)

式中:ru為用戶u與網(wǎng)絡(luò)的位置關(guān)系(當(dāng)ru為1時,說明用戶當(dāng)前在此網(wǎng)絡(luò)中;當(dāng)ru為0時,說明用戶當(dāng)前不在此網(wǎng)絡(luò)中);dux為用戶u與網(wǎng)絡(luò)x中心點的距離;R為網(wǎng)絡(luò)x的覆蓋范圍。

如果下一時刻的用戶不在網(wǎng)絡(luò)內(nèi),則取時間周期的一半進行估算。用戶停留時間的計算如式(4):

(4)

將計算出的Treal與目標(biāo)基站所設(shè)定的駐留時間的門限值Tth相比較,如果TrealTth,則認為該切換為必要切換。

3 改進貼近度的Fuzzy-TOPSIS算法

3.1 模糊邏輯在切換判決中的應(yīng)用

在移動性切換管理中,需要根據(jù)多種因素進行多屬性決策和動態(tài)控制。但是網(wǎng)絡(luò)屬性存在著不清晰的問題,給多屬性決策過程增加了困難。因此,可以采用模糊邏輯對網(wǎng)絡(luò)中某些不確定的網(wǎng)絡(luò)參數(shù)信息實行綜合模糊推斷,量化信息,進而完成多屬性的切換判決。模糊邏輯是用來處理不準確、不完整的數(shù)據(jù)問題,善于解決類屬不清晰的問題。

為了在眾多網(wǎng)絡(luò)中進行最佳的切換,確保最優(yōu)的服務(wù)質(zhì)量,在衡量網(wǎng)絡(luò)優(yōu)劣時需要將不同網(wǎng)絡(luò)的多種性能指標(biāo)進行考慮。算法中選擇信干噪比SINR、可用帶寬B、時延E、成本F作為網(wǎng)絡(luò)性能指標(biāo)。

3.1.1 模糊化處理

確定需要進行模糊化的網(wǎng)絡(luò)參數(shù),在參數(shù)模糊化之前,先對其進行歸一化。在這里對效益性指標(biāo)和成本性指標(biāo)用不同的方法進行計算。

對于效益性指標(biāo),SINR和B為

(5)

對于成本性指標(biāo),時延E和成本F為

(6)

3.1.2 歸一量化隸屬度

得到隸屬度向量后,進一步將其進行標(biāo)準化量化。首先將網(wǎng)絡(luò)的各個判決因子進行標(biāo)準化,將其映射到低、中、高模糊集合(JL,JM,JH)中:

(7)

式中:x為判決因子;ax和bx分別是屬性x所屬模糊集合上的上限和下限。根據(jù)以上兩步的計算結(jié)果,使用隸屬度向量和標(biāo)準化向量計算屬性N的參數(shù)值x在網(wǎng)絡(luò)i評價后的隸屬值(Membership Value,MV):

(8)

綜合以上的計算步驟,可以得到判決矩陣X,如式(9)所示:

(9)

3.1.3 網(wǎng)絡(luò)參數(shù)權(quán)重

使用熵值法[11]計算網(wǎng)絡(luò)參數(shù)的權(quán)重。先利用式(10)計算第i個方案下屬性j的比重,然后利用式(11)計算屬性j的熵值ej,最后通過式(12)計算網(wǎng)絡(luò)判決屬性的權(quán)重,且滿足(wSINR+wB+wE+wF)=1。

(10)

(11)

(12)

式中:gj為第j個屬性差異系數(shù),gj=1-ej,j代表(SINR,B,E,F)判決屬性,是常數(shù)值。

3.2 改進貼近度計算的TOPSIS算法

TOPSIS的中心思想是先確定各項指標(biāo)的最優(yōu)值和最劣值,然后求出各個方案與正理想值和負理想值的距離,最后使用貼近度計算候選方案靠近正理想解而遠離負理想解的程度。傳統(tǒng)算法中使用的貼近度計算公式得出的結(jié)果差異小,容易造成結(jié)果逆序、選擇錯誤的情況。所以在貼近度計算中使用修正的距離公式放大結(jié)果差異,得出各個方案與最優(yōu)方案的接近程度,作為評價方案優(yōu)劣的標(biāo)準。使用TOPSIS排序法可以最大程度地選擇出最佳的網(wǎng)絡(luò),其計算步驟如下:

1)建立加權(quán)標(biāo)準化決策矩陣

由式(13),建立加權(quán)標(biāo)準化決策矩陣。權(quán)重向量W=(wSINR,wB,wE,wF)。加權(quán)標(biāo)準化決策矩陣通過標(biāo)準化判決矩陣的每一列與其相應(yīng)的權(quán)重相乘得到。

V=W·X=

(13)

2)正負理想解的計算

利用加權(quán)標(biāo)準化決策矩陣,求得理想正解(具有最優(yōu)屬性值的最佳方案,記為a+)和理想負解(具有最劣屬性值的最劣方案,記為a-):

(14)

(15)

式中:j+是諸如SINR和T等屬性的集合中具有積極影響(即值越高越好);j-是屬性集是具有負面影響(即值越小越好)。

3)計算各候選網(wǎng)絡(luò)與正負理想解的距離

使用歐氏距離計算各候選網(wǎng)絡(luò)與正、負理想解的距離:

(16)

(17)

4)貼近度的計算

使用修正后的貼近度代替原本的計算式,計算最優(yōu)方案接近正理想解而遠離負理想解的程度,即

(18)

式中:r(i)≤0,更大的r意味著更好的選擇。當(dāng)一個現(xiàn)有的選擇同時滿足兩個條件時(max(dist-)=dist-)和(min(dist+)=dist+),意味著這個方案是最接近正理想網(wǎng)絡(luò)而遠離負理想網(wǎng)絡(luò)的最佳方案。

5)候選網(wǎng)絡(luò)排序

將上一步得到的結(jié)果按降序排列,選取最佳的備選項作為切換的目標(biāo):

H=argmaxr(i)。

(19)

4 算法流程

引入預(yù)判決(Pre-screening)的模糊邏輯TOPSIS算法(PSF-TOPSIS)的流程圖如圖2所示,步驟如下:

圖2 PSF-TOPSIS算法流程

1) 對SINR進行檢測,設(shè)立閾值,以此篩選達標(biāo)的網(wǎng)絡(luò);并且當(dāng)SINR值過低時進行強制切換,切換至RSS值最大的網(wǎng)絡(luò),避免因無線鏈路質(zhì)量低產(chǎn)生的服務(wù)中斷。

2) 當(dāng)檢測的SINR大于所設(shè)閾值時,進入到停留時間判決階段。當(dāng)滿足Treal>Tth時,則進行后續(xù)的模糊TOPSIS進行運算;當(dāng)不滿足Treal>Tth時,將拒絕此次的切換請求。

3) 使用模糊邏輯對網(wǎng)絡(luò)屬性權(quán)重計算,然后利用TOPSIS為候選網(wǎng)絡(luò)進行排序,得到最佳網(wǎng)絡(luò)后進行切換。

5 仿真結(jié)果與分析

5.1 方案設(shè)計

使用Matlab仿真實驗工具,采用5G、LTE、WLAN三種不同的網(wǎng)絡(luò)類型進行實驗。5G網(wǎng)絡(luò)采用多輸入多輸出(Multiple-Input Multiple-Output,MIMO)技術(shù)與正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing,OFDM)技術(shù),其他網(wǎng)絡(luò)采用OFDM技術(shù)。網(wǎng)絡(luò)資源的分配在未達到網(wǎng)絡(luò)最大容納數(shù)時每個終端分配固定的資源,超過最大容納數(shù)時各終端平分網(wǎng)絡(luò)總資源[12]。

所用到的異構(gòu)網(wǎng)絡(luò)模型如圖3所示,由兩個覆蓋半徑為1 200 m的5G宏基站(MC)以及3個覆蓋半徑為400 m的5G微基站(SC)、3個覆蓋半徑300 m的LTE基站、5個覆蓋半徑為100 m的無線局域網(wǎng)(Wireles Local Area Network,WLAN)組成。兩個宏基站站點相隔800 m,設(shè)置微基站與宏基站的最小距離為150 m,微基站之間最小距離為100 m,呈隨機分布狀態(tài)。LTE基站以及WLAN均按隨機分配部署。

圖3 異構(gòu)網(wǎng)絡(luò)系統(tǒng)模型

終端用戶的業(yè)務(wù)類型以實時視頻語音業(yè)務(wù)以及非實時的Web瀏覽業(yè)務(wù)為主。視頻語音業(yè)務(wù)對速率的需求在500 kb/s～2 Mb/s之間,Web瀏覽業(yè)務(wù)的速率需求在30～400 kb/s之間。終端用戶以5 m/s的速度進行勻速運動,用戶的到達和離開服從參數(shù)為1≤λ≤10的泊松分布。為了驗證算法的優(yōu)勢,仿真實驗中將PSF-TOPSIS與不考慮SINR準則的基于的模糊邏輯TOPSIS選擇算法(F-TOPSIS)和未改進貼近度的熵權(quán)TOPSIS的選擇算法(PE-TOPSIS)進行比較。仿真過程中網(wǎng)絡(luò)參數(shù)的設(shè)置如表1所示。

表1 網(wǎng)絡(luò)仿真參數(shù)

5.2 終端停留時間

引入終端在網(wǎng)絡(luò)停留時間的計算。終端在網(wǎng)絡(luò)中停留時間較短時,則被判斷為不必要的切換。設(shè)置停留時間門限值為3 s,當(dāng)Treal<3 s時將拒絕切換,從而在一定程度上降低切換次數(shù)。

圖4為模擬單用戶在網(wǎng)絡(luò)環(huán)境中的不同網(wǎng)絡(luò)上的停留時間。由于5G宏基站(5GMC)的覆蓋范圍大,終端移動過程中基本處于5GMC中,因此對終端停留在5GMC的時間不考慮。從圖中可以看出,用戶在100 s內(nèi)經(jīng)過了5個網(wǎng)絡(luò),在60～70 s時間內(nèi),該用戶在WLAN3網(wǎng)絡(luò)內(nèi)停留時間小于3 s,被認定為不必要切換。用戶當(dāng)前仍保持原網(wǎng)絡(luò)鏈接,若SINR低于閾值則強制切換。進入LTE3網(wǎng)絡(luò)后停留時間大于3 s,則在此網(wǎng)絡(luò)中要進行切換判決過程。

圖4 停留時間預(yù)測

5.3 切換次數(shù)與切換失敗率

當(dāng)終端處于兩個網(wǎng)絡(luò)邊緣時,容易發(fā)生頻繁切換,引起乒乓效應(yīng),將會導(dǎo)致較高的請求丟失率、網(wǎng)絡(luò)連接質(zhì)量低、資源浪費等問題,因此網(wǎng)絡(luò)選擇算法應(yīng)盡可能地減少終端的切換次數(shù)。

圖5是切換次數(shù)與用戶數(shù)量的關(guān)系圖,可見隨著用戶數(shù)量的增加,切換次數(shù)也隨之增多。PSF-TOPSIS算法的切換次數(shù)相對另外兩種算法的切換次數(shù)要少,這是因為引入的停留時間預(yù)測機制可以拒絕不必要的切換,從而減少了切換次數(shù)。

圖5 切換次數(shù)

切換過程需要保證用戶的服務(wù)質(zhì)量,網(wǎng)絡(luò)切換失敗則會導(dǎo)致通話中斷等問題。在切換過程中,當(dāng)切換耗時大于切換耗時門限值th=500 ms時,則認為此次切換失敗。切換失敗率定義如式(20)所示:

(20)

式中:HOf即為切換失敗次數(shù);HOr為切換的總次數(shù)。

切換耗時

ts=t1+t2+max(tw,t*)。

(21)

式中:t1為獲取目標(biāo)網(wǎng)絡(luò)時間;t2為掃描切換目標(biāo)網(wǎng)絡(luò)時間;tw和t*分別為網(wǎng)絡(luò)層切換時間和切換執(zhí)行時間。

圖6是切換失敗概率與用戶數(shù)量的關(guān)系。圖6表明,隨著用戶數(shù)量的增多切換失敗的概率也增大。這是因為用戶數(shù)量增多時,由于網(wǎng)絡(luò)阻塞情況變得嚴重,時延有所增加,從而帶來更多的切換失敗。PFS-TOPSIS算法的失敗率相比其他兩種要低一些,這是因為使用了修正的貼進度計算方式,減少了TOPSIS排序時產(chǎn)生的逆序現(xiàn)象,有效避免了因誤選網(wǎng)絡(luò)帶來的切換失敗。

圖6 切換失敗率

5.4 平均阻塞率

由于一個網(wǎng)絡(luò)內(nèi)所擁有的資源是一定的,所能容納的終端數(shù)也是一定的,因此不可能無休止地接入終端。當(dāng)同一時間內(nèi)接入的終端數(shù)大于最大容量,網(wǎng)絡(luò)沒有空閑的資源分配給終端用戶時,就會造成一定程度的阻塞。設(shè)網(wǎng)絡(luò)j可容納的終端數(shù)為Umax,當(dāng)前接入的終端數(shù)為U1,當(dāng)前仍可接入的終端數(shù)為U2,新請求接入的終端數(shù)為U3,終端i接入網(wǎng)絡(luò)j的阻塞率Pij計算如式(22)所示:

(22)

式中:u為超出網(wǎng)絡(luò)容量的新到達終端數(shù),以Pj概率接入網(wǎng)絡(luò)j。由計算式可看出,當(dāng)新請求接入的終端數(shù)小于當(dāng)前仍可接入的終端數(shù)時,即U3≤U2,當(dāng)前網(wǎng)絡(luò)不會產(chǎn)生阻塞,即阻塞概率為0;當(dāng)新請求接入的終端數(shù)小于當(dāng)前仍可接入的終端數(shù)時,即U3>U2,網(wǎng)絡(luò)不能容納所有的新用戶,當(dāng)新請求的用戶越來越多時,阻塞也會越來越嚴重。

實驗仿真中先計算每個網(wǎng)絡(luò)的阻塞率,再將各個網(wǎng)絡(luò)的阻塞率相加求取平均值,獲得全網(wǎng)的平均阻塞率,如圖7所示。可以看出,當(dāng)用戶數(shù)在200時,三種算法都沒有產(chǎn)生阻塞。F-TOPSIS算法和PSF-TOPSIS算法優(yōu)于PE-TOPSIS算法的原因是在分配網(wǎng)絡(luò)性能權(quán)重時更加合理,而PE-TOPSIS分配權(quán)重時有偏好性,會把大部分的權(quán)重比分配給某一網(wǎng)絡(luò)屬性,所以在網(wǎng)絡(luò)的選擇上就存在一定的偏好性。而PSF-TOPSIS算法進行了網(wǎng)絡(luò)預(yù)篩選,避免了不必要的切換,對比F-TOPSIS算法,在阻塞率方面略有提升。

圖7 網(wǎng)絡(luò)平均阻塞率

5.5 用戶滿意度分析

終端用戶服務(wù)質(zhì)量的高低可以衡量網(wǎng)絡(luò)切換算法的好壞,網(wǎng)絡(luò)阻塞率以及切換失敗率是影響用戶體驗的重要因素,因此采取阻塞率和切換失敗率來體現(xiàn)用戶滿意度。對用戶滿意程度的定義如式(23) 所示:

AQOS=(1-Pf)×(1-P)。

(23)

式中:AQOS代表了用戶的滿意程度;P是當(dāng)前網(wǎng)絡(luò)阻塞率;Pf為切換失敗概率。圖8是用戶滿意度與用戶數(shù)量的關(guān)系。圖8表明,當(dāng)用戶數(shù)量增多時,用戶滿意程度也呈下降趨勢。在PE-TOPSIS和F-TOPSIS算法中,當(dāng)用戶數(shù)量達到200時,下降趨勢更加明顯。這是因為用戶數(shù)達到200之后,網(wǎng)絡(luò)阻塞開始出現(xiàn)。而PSF-TOPSIS算法中因為網(wǎng)絡(luò)阻塞出現(xiàn)得較晚,切換失敗率較低,因此用戶滿意程度下降較為緩慢。

圖8 用戶滿意程度

6 結(jié) 論

本文針對當(dāng)前超密集異構(gòu)網(wǎng)絡(luò)切換時存在干擾和反復(fù)切換問題,提出了一種基于預(yù)判決與模糊邏輯的5G超密集網(wǎng)絡(luò)切換算法。仿真結(jié)果表明該算法有效地避免了不必要的切換,降低了乒乓現(xiàn)象出現(xiàn)的概率。同時,提出了模糊-TOPSIS算法,改進正負理想解的貼近度計算,選取最優(yōu)網(wǎng)絡(luò),降低了網(wǎng)絡(luò)阻塞率,在一定程度上提高了用戶滿意程度。所提算法適用于異構(gòu)無線網(wǎng)絡(luò)的切換管理,可以滿足無縫切換的基本要求,保障用戶的通信服務(wù)。算法的思想可以應(yīng)用在不同網(wǎng)絡(luò)中,具有一定的普遍適用性。