密集異構網絡中基于強化學習的流量卸載算法

王 倩 聶秀山 尹義龍

1(山東財經大學計算機科學與技術學院 濟南 250014)2 (山東大學齊魯軟件學院 濟南 250101) (qianwang@sdu.edu.cn)

隨著移動互聯網的快速發展以及無線移動業務和模式的不斷創新，互聯網用戶規模和網絡流量呈現爆炸式的增長.據思科2017年度VNI全球移動數據流量預測，全球移動數據業務量未來每年將以近一倍的速度增長[1].未來10年，無線數據業務將增長1 000倍[2].“萬物互聯”的無線大數據時代即將到來，未來的移動通信系統需要大幅提升網絡容量和頻譜效率.為了解決有限無線帶寬資源與海量高速業務需求之間的矛盾，出現了許多新的技術，例如D2D(device to device communication)、大規模MIMO(massive multiple-input multiple-output)、密集異構網絡等.

在眾多的技術方案中，流量卸載(traffic offlo-ading)技術[3]可充分利用現有網絡，通過跨網協作實現對蜂窩網絡容量的極大提升，成為未來無線通信技術研究熱點之一[4-7].其基本原理是在異構網絡中，將負載比較重的網絡流量卸載到負載較輕的網絡中，實現用戶業務吞吐量和網絡容量的提升，保證對用戶業務的服務質量(quality of service, QoS).

1 相關工作

異構網絡中，LTE(long term evolution)蜂窩網絡與WiFi(wireless fidelity)網絡間的流量卸載最為常見[4-5]，其實現形式是將LTE蜂窩網絡中的用戶流量卸載到WiFi網絡中，以緩解LTE蜂窩網絡帶寬緊張的問題.WiFi網絡和LTE蜂窩網絡間可實現流量卸載是由于：1)WiFi網絡使用的頻段是免許可頻段，可以與LTE蜂窩網絡重疊，2張網絡互相沒有干擾；2)WiFi網絡帶寬充足，可提供高吞吐量、高可靠性的無線通信[3]；3)WiFi網絡技術成熟，接入點價格低廉，并且應用廣泛，在公眾場合或室內環境普及率高.由于可大幅度提升網絡系統容量，緩解網絡擁塞，且實現成本低廉，LTE與WiFi網絡間流量卸載引起業界廣泛的關注[7-13].

LTE和WiFi網絡間流量卸載，最大的挑戰是如何設計觸發LTE向WiFi流量卸載的最佳判決規則，以保證將LTE蜂窩網絡的部分流量卸載到空閑的WiFi網絡中后，大幅提高系統的吞吐量和能效性能.過量的流量卸載會導致WiFi網絡碰撞沖突，造成性能的嚴重惡化[6].主要原因是：1)WiFi網絡MAC層接入控制算法采用DCF(distributed coordination function)協議.DCF是基于CSMA/CA(carrier sense multiple access with collision avoidance)的接入控制機制，即在傳輸數據包之前，發送端持續監聽信道是否空閑.首先發送一個RTS(request to send)信號，當接收端收到RTS信號后，監聽信道狀態.如果信道空閑，則反饋CTS(clear to send)信號給發送端.發送端接收到CTS信號后，啟動數據傳輸.然而LTE蜂窩網絡采用中心控制式MAC接入協議，且具有連續性的傳輸機制.所以，如果過量地將LTE的數據流量向WiFi網絡卸載，會引起WiFi中原有用戶處于持續等待信道空閑狀態，造成WiFi用戶吞吐量的急劇下降.2)LTE與WiFi可能屬于不同的運營商，2張網絡無統一的中央控制器，WiFi網絡無法獲知LTE業務信息和信道狀態，同時LTE無法確定WiFi的網絡容量和負載狀況，一直處于“盲”卸載狀態，無法保證卸載的流量在WiFi系統中的服務質量.即使LTE與WiFi之間具備中央控制器，但由于WiFi的用戶傳輸速率、傳輸時延、系統吞吐量都會受到卸載流量的影響，無法保證卸載后整個系統性能最優.3)WiFi網絡的通信安全性、延時及穩定性都難以保證，因此設計卸載模式時，不能僅僅考慮負載分擔和網絡容量，還應選擇對時延、安全性和穩定性要求不高的用戶業務進行卸載.

基于以上分析，當前國內外關于流量卸載的研究大多圍繞著如何設計LTE向WiFi流量卸載的最佳控制規則，推導流量卸載量上限值，達到跨網協作的負載均衡點，最大化LTE和WiFi系統的吞吐量，保證密集異構網絡的整體性能[7-13].文獻[7] 提出了一種競合式的流量卸載算法，WiFi網絡可在忙時將部分流量卸載到LTE網絡的免許可頻段，占用LTE的非授權頻譜資源，即LTE和WiFi網絡的跨網協作是一種競爭下的合作，并從理論和仿真中證明此算法大大提高了系統吞吐量，達到了競爭與合作的最佳折中.文獻[8]針對異構網絡中不同業務需求差異，提出了兼顧激勵和公平性的WiFi流量卸載模式，可以提供基于業務感知的流量卸載.文獻[9]提出了一種基于博弈論的機會流量卸載算法，理論分析及仿真結果表明，流量卸載后的系統性能遠好于蜂窩網絡或WiFi網絡的性能.文獻[10]針對流媒體應用場景下，根據媒體特征，提出一種分片式流量卸載，實現對流媒體業務的QoE保證.文獻[11]是一種分布式異構網絡融合結構，將可延時的流量卸載到WiFi系統，這樣既可以保證LTE中實時業務的帶寬需求，也可以對時延不敏感的業務提供QoS保障，提高了系統整體頻譜效率和功率有效性.文獻[12]針對時延不敏感的業務，將其卸載到WiFi網絡中，在保證蜂窩用戶的干擾低于閾值的前提下最大化LTE和WiFi用戶的性能.文獻[13]以提高LTE和WiFi整體系統功率有效性為目標，提出了一種最優的負載均衡策略.其實驗結果表明，流量卸載后的系統頻譜效率大大優于傳統LTE或WiFi網絡性能.

現有的研究成果大多數都是根據蜂窩流量需求來觸發流量卸載，這些策略中的流量卸載判決規則都是基于當前時刻的瞬時流量或者系統的當前吞吐量，并沒有考慮流量卸載歷史對系統性能造成的影響.然而當前WiFi系統容量和網絡吞吐量與先前用戶卸載量是密切相關的.當前用戶結合先前用戶流量卸載情況，準確地預測可卸載的流量，并推導當前網絡的可達卸載量(最大卸載量)，可有效避免流量過度卸載造成的WiFi系統時延和吞吐量的急劇惡化，并且會帶來額外的頻譜增益，最大限度地提高系統性能.

機器學習是人工智能的重要核心，主要思想是通過計算機模擬人類的學習行為.學習是學習者適應環境的過程，學習者根據環境變化調節自己的行為，更好地適應環境，達到某種利益的最大化.學習的過程就是根據歷史經驗動態調節自身行為的過程.近年來，越來越多的通信業界研究者將機器學習方法用于解決無線通信系統的關鍵問題[14-18].大多研究集中在資源優化[14-15]、干擾檢測[16]、異構網絡融合[17]、信道均衡[18]等方面，但將機器學習的思想引入到流量卸載策略鮮有研究.本文將采用強化學習(reinforcement learning， RL)[19]模型來解決流量卸載問題.

強化學習[19]是機器學習中的一個分支，是學習者通過與環境互動進行學習的算法.關鍵要素有：環境(environment)、回報值(reward)、動作(action)和狀態(state).強化學習的目標是學習在每個狀態采取何種動作來最大化一個特定的指標.學習者通過反復與控制環境進行交互，利用回報值來評價其性能，從而達到一個最優決策.強化學習無輸入輸出數據，只有某種規則，相當于試錯學習，其目的是在大量可能路徑中尋找最佳決策或者路徑，因其自適應性被廣泛應用于機器人和自動化控制領域[20-22].

本文將強化學習的思想引入流量卸載算法中，提出了一種異構網絡基于強化學習的流量卸載方法.該流量卸載算法是把流量卸載問題映射為一個強化學習問題，通過以往用戶流量卸載帶來的性能增益，基于每一狀態的WiFi網絡吞吐量計算回報值，尋找最佳的WiFi網絡接入點(access point, AP)，并推導出最優的流量卸載判決規則，達到異構網絡整體吞吐量最大化.

2 系統模型

本文研究的網絡場景是LTE蜂窩網絡和IEEE 802.11的WiFi網絡構成的密集異構網絡.移動用戶的業務流量可以通過宏基站(marco base station, MBS)或者WiFi AP接入到相應網絡中.如圖1所示，本文采用一個蜂窩中只包含一個宏基站(MBS)和N個WiFi AP的應用場景，其中WiFi AP是任意分布在蜂窩里.每個WiFi AP用APi(i∈{1,2,…,N})表示.有K個移動用戶，dj是指用戶j(j∈{1,2,…,K})所在的位置，即與MBS的距離.

Fig. 1 System model圖1 系統示意圖

網絡吞吐量是指在某個時刻網絡提供給用戶的最大帶寬，即在沒有幀丟失的情況下網絡能夠提供的最大速率.由此可見，網絡吞吐量可以幫助尋找網絡路徑中的瓶頸，間接體現當前網絡負載情況.LTE網絡向WiFi網絡進行流量卸載，可大幅提高網絡容量.但是過量的流量卸載會導致WiFi網絡碰撞沖突，造成性能的嚴重惡化.雖然LTE網絡和WiFi網絡無集中控制器，LTE網絡無法實時獲知WiFi網絡的負載情況，但我們可以通過WiFi網絡吞吐量變化，直觀、準確地將WiFi網絡擁塞情況反饋給LTE蜂窩網絡，對流量卸載進行自適應控制，避免卸載的蜂窩流量超過WiFi網絡中可卸載無線網絡資源的總和.因此，首先，我們推導WiFi網絡和LTE網絡的吞吐量的閉合表達式.

2.1 WiFi吞吐量

根據文獻[23]，WiFi網絡中，吞吐量可用離散Markov模型進行分析.令用戶數為K，Pslot表示在單位時隙Tslot中至少有一個用戶發送數據的概率，Pok為單位時隙Tslot中用戶成功發送數據的概率，則Pslot和Pok可分別表示如下：

Pslot=1-(1-θ)K,

(1)

Pok=Kθ(1-θ)K-1Pslot,

(2)

其中,θ是每個用戶的傳輸概率.根據文獻[23]可知，WiFi網絡的平均吞吐量可表示為

(3)

其中，Tτ是空時隙的間隔時間，Tb是用戶數據成功傳輸占用信道的平均時間，Tc是用戶間碰撞導致信道忙的平均時間，E[Lave]是數據包長度的均值.

求解WiFi系統的平均吞吐量ThWiFi(K)，先需要確定其中Tb和Tc的值.對于WiFi網絡來說，MAC采用DCF接入控制機制，Tb和Tc可分別表示為[23]

Tb=RTSR+SIFS+Tτ+CTSR+SIFS+Tτ+
E[Lave]R+SIFS+Tτ+ACKR+DIFS+Tτ,

(4)

Tc=RTSR+DIFS+Tτ,

(5)

其中，R是WiFi網絡的信道比特速率.WiFi網絡的R不是固定值；但在同一WiFi網絡中，R的數值與信道狀態、當前網絡吞吐量、網絡負載無關，因此我們可以將其視為常數.ACK，DIFS，SIFS，RTS和CTS分別是ACK，DIFS，SIFS，RTS和CTS控制信號持續時間，均為WiFi網絡參數.

2.2 LTE吞吐量

在LTE蜂窩網絡中，假設用戶k，以及對應的信道增益為Gk，噪聲功率為n2，P為發送功率.則對于LTE的一個蜂窩小區來說，SINR可表示為[24]

(6)

在LTE蜂窩網絡的平均吞吐量可表示為[24]

ThLTE=B×E{lb(1+SINR)},

(7)

其中，B是LTE蜂窩網絡的信道帶寬，E表示對信道衰落及干擾的數學期望值.

2.3 問題描述

在密集異構網絡中，當LTE蜂窩網絡流量過大而導致較大時延時，通過將LTE中的部分數據包卸載到WiFi網絡，可以緩解網絡擁塞，保證用戶業務的QoS.但是過量的卸載會導致WiFi網絡性能惡化，因此流量卸載的目標是在保證WiFi網絡性能的同時最大化LTE系統吞吐量.我們用用戶的平均吞吐量作為其性能度量，考慮最大化LTE用戶平均吞吐量.對于WiFi網絡，我們需要保證每個用戶的最小吞吐量.假設LTE基站會向WiFiAPi卸載K個用戶， LTE網絡中用戶平均吞吐量的最優化問題可表示為

(8)

(8a)

Nk≤Nmax,?k,

(8b)

3 基于強化學習的流量卸載算法

3.1 強化學習之Q學習

本文將采用強化學習中應用最廣泛的算法之一——Q學習[25-26].Q學習把學習看作試探評價過程.Q學習模型由動作集合α∈A={1,2,…,N}和狀態集合s∈S構成.學習者選擇一個動作α∈A用于環境，環境接受該動作后狀態發生變化，同時產生一個回報值Re(s)反饋給學習者，學習者根據Re(s)值和環境當前狀態s∈S再選擇下一個動作α′∈A，選擇的動作不僅影響瞬時回報值Re(s)，而且影響環境下一時刻的狀態及狀態s的折扣累積回報值ReC(s).Q學習的目標是在發現最優策略以使累積回報值ReC(s)最大.狀態s的累積回報值ReC(s)可表示如下[25]：

(9)

其中0<ε<1是回報因子；P(s′|s,α)是當學習者執行動作α′時，從狀態s到狀態s′的狀態轉移概率.

根據Bellman理論[27],當累積回報值ReC(s)最大時，流量卸載策略最佳.即:

(10)

最佳判決策略為

(11)

由于Re(s,α)和P(s′|s,α)不可知，我們可以利用Q學習去學習出這些值.Q函數可表示為

(12)

3.2 問題映射

本文將Q學習的思想引入流量卸載算法中，提出了異構網絡中一種基于Q學習的流量卸載方法.要將Q學習的學習者agent、狀態s、動作α∈A和Reward信號等因素映射到實際的流量卸載模型中，具體的映射原理如下所述：

1) 學習者agent

流量卸載的學習者agent是K個移動用戶.

2) 狀態集合S

狀態集合定義如下：

st={di,i∈{1,2,…,K}},

其中di是每個用戶離開基站的距離，也代表著用戶位置.假設小區內有K個用戶，所以st的狀態空間是離散且有限的.

3) 動作集合αdi

當αdi=0時，意味著在位置di的用戶將連接到宏基站;APn是指位置n處的WiFin，當αdi=n(n∈{1,2,…,N})時，意味著位置di的用戶將通過WiFiAPn進行網絡接入.

4) 回報函數Re(s)

(13)

從式(13)可以看出，對于連接LTE基站的移動用戶，網絡吞吐量只與SINR有關.

(14)

其中，0<α<1是權值因子.則我們引入激勵參數W(di):

(15)

(16)

3.3 基于Q學習的最優網絡卸載算法

根據3.2節的問題映射，我們可以看出，最優的網絡卸載算法是在保證WiFi最小吞吐量的前提下，完成最大程度的LTE網絡向WiFi網絡的流量卸載，以獲得最大的網絡吞吐量，也就是說，我們的優化目標是最大化WiFi和LTE回報函數值的差，可以得出效用函數為

(17)

最優網絡卸載判決可轉化為

(18)

s.t.

(18a)

Nk≤Nmax,?k，

(18b)

β≤βth，

(18c)

β≥1.

(18d)

將式(3)，(14)和(16)，帶入(18)，優化問題表示為

(19)

s.t.

(19a)

Nk≤Nmax,?k,

(19b)

β≤βth,

(19c)

β≥1.

(19d)

(20)

(21)

對式(20)進行β的二次求導可得，

(22)

(23)

(24)

對于λ來說，

(25)

將式(21)帶入式(25),

(26)

由式(24)得，

(27)

因此，最佳的負載調節因子βopt為

(28)

3.4 算法實現

綜合考慮網絡的負載情況、業務屬性、終端的移動性以及用戶在網絡中的位置，基于Q學習方法，根據3.2節映射規則，提出了超密集異構無線網絡中最佳網絡卸載策略，具體實現步驟如下：

1) 移動用戶觀察當前狀態s;

2) 從動作集合中選擇動作α∈A;

3) 移動用戶觀察下一個狀態s′;

4) 根據環境，接收瞬時回報值Ret(s,α);

5) 不斷執行Q學習方法，直到獲得最大的累積Qt(s,α).即

Qt(s,α)=Qt-1(s,α)+δ[Ret(s,α)+
εmaxQt-1(s′,α′)-Qt-1(s,α)],

(29)

其中，δ表示Q學習速率，0<δ<1.具體如算法1：

算法1. 基于Q學習的流量卸載算法.

輸入：初始化狀態s∈S、動作α∈A;

輸出：Q最大值.

① Forα∈A,s∈S

②Q(s,α)=0;

③ 初始化回報值Re(s,α);

④ End For

⑤ For 對于每一個用戶，取任意一個隨機值rand(·)

⑥ Ifrand(·)<ε

⑦ 選擇α;

⑧ 計算Re(s,α);

⑨ 在下一個狀態s′，根據式(29)更新Q表;

⑩ End If

4 實驗與結果

本節中用計算機仿真的方法評價本文提出的基于Q學習的流量卸載方案，并與傳統的基于無線信號強度(RSS)的流量卸載方案進行對比.仿真參數如表1所示：

Table 1 Simulation Parameters表1 仿真參數

1) 仿真驗證了一個蜂窩內的WiFi AP數量對本文基于Q學習的流量卸載算法復雜度的影響.結果如圖2所示，隨著WiFi AP數量的增加，Q學習算法收斂迭代次數隨之增加，算法復雜度也上升.圖2可以看出，當WiFi AP數量為30時，收斂迭代次數是28次；而WiFi AP數量增加為60時，迭代次數增加到51次.這是因為WiFi AP數增加，則Q學習的Q表空間增加.因此，移動用戶在任意位置di，通過Q學習達到流量卸載最優需要更多少次數的迭代才能達到收斂.可見，WiFi AP的密集部署會引起基于Q學習的流量卸載，卸載的延遲增大，尤其不適合時延敏感的實時性業務.

Fig. 2 Number of iterations of Q-learning under different number of WiFi APs圖2 Q學習收斂迭代次數與WiFi AP數量關系圖

2) 我們仿真了在不同的負載調節因子β下網絡平均吞吐量的變化趨勢，驗證了β對網絡平均吞吐量的影響.網絡平均吞吐量代表著流量卸載后，異構網絡總體性能的提升.負載調節因子β越小，移動用戶流量卸載到鄰近WiFi的可能性越大.為了便于比較，首先我們將吞吐量轉化為歸一化吞吐量率γ.假設AP1和AP2的吞吐量最大值為Thmax1和Thmax2，在某狀態st時，AP1和AP2的吞吐量最大值為Th1和Th2，則總的歸一化吞吐量率可以表示為

(30)

Fig. 3 Normalized throughput radio γ under different load weight factor β圖3 歸一化吞吐量率γ與負載調節因子β的關系

Fig. 4 Normalized throughput radio γ for Q-learning offloading and RSS offloading圖4 Q學習與RSS的流量卸載的歸一化吞吐量率γ對比

3) 將本文提出的基于Q學習的流量卸載算法與傳統的基于RSS的流量卸載算法的性能進行了對比，結果如圖4所示.在仿真中，我們選取了WiFi AP數量為40，β=2.從圖4可以看出，我們提出的基于Q學習的流量卸載算法的性能優于傳統的基于RSS的流量卸載算法.如圖4所示，當負載為30%時，基于Q學習的流量卸載算法下，歸一化吞吐量率γ=0.8(即80%)；而基于RSS的流量卸載算法，γ只有0.3(即30%)左右，基于Q學習的流量卸載算法的吞吐量是傳統的基于RSS的流量卸載算法2倍以上.而且，隨著負載程度越來越高，WiFi沖突率會越來越嚴重.對于傳統的基于RSS的流量卸載算法，當負載高于60%時，用戶就會停止向WiFi卸載；而基于Q學習的流量卸載算法，可根據WiFi的實時網絡負載動態調節，直到負載接近100%時才會停止向WiFi的流量卸載.基于RSS的流量卸載算法，只考慮選取最大的RSS瞬時值進行流量卸載；基于Q學習的方案，不僅考慮了實時SINR和負載情況，還通過以往用戶流量卸載的經驗和性能增益，分析網絡負載變化趨勢判斷其是否為進行流量卸載，并推導出最佳的流量卸載判決規則，達到網絡吞吐量最大化.

4) 我們還驗證了最佳負載調節因子βopt與WiFi負載的關系.通過式(27)可以看出，βopt與負載率L成反比，WiFi網絡負載越重，βopt的值越小.這是因為L越小，代表WiFi的空閑網絡資源越多，移動用戶更容易將流量卸載至WiFi，緩解蜂窩網絡中的容量不足、吞吐量低等問題.如圖5所示，當負載L=10%時，βopt=4.5；而L=80%時，βopt=0.6.當WiFi的負載很重時，需限制蜂窩網絡流量向WiFi卸載，保證WiFi網最小吞吐量和QoS要求.

Fig. 5 Optimal load factor βopt under different load percentage L圖5 負載L與最佳負載調節因子βopt的關系圖

5) 我們仿真了當負載調節因子取最優值βopt時，基于Q學習的流量卸載算法與傳統的基于RSS的流量卸載算法的性能比較，結果如圖6所示.仿真中，選取了AP數量為40.從圖6可以看出，基于Q學習的流量卸載算法，在負載從0～90%都保持著最大的網絡吞吐量，保證用戶的服務質量；而傳統的基于RSS的流量卸載算法由于只考慮自身負載，忽略了其他的用戶關鍵參數，比如切換時延等.因此，從仿真結果可知，基于Q學習的流量卸載算法，可最大限度地提高網絡吞吐量，當負載調節因子取最優值βopt時，吞吐量取最大值.

Fig. 6 Normalized throughput radio γ for Q-learning offloading and RSS offloading (β=βopt)圖6 Q學習的流量卸載與RSS的流量卸載的歸一化吞吐量率γ對比圖(β=βopt)

Fig. 7 Per-user average throughput of LTE versus minimum per-user average throughput of WiFi圖7 WiFi用戶最小平均吞吐量條件下 LTE用戶平均吞吐量

6) 我們分別仿真了基于Q學習的流量卸載算法和傳統的基于RSS的流量卸載算法在保證獲得WiFi用戶最小平均吞吐量條件下，用戶數量對LTE的移動用戶可獲得平均吞吐量的影響.從圖7可以看出，WiFi用戶獲得最小平均吞吐量和LTE的用戶可獲得平均吞吐量是成反比的.WiFi用戶獲得最小平均吞吐量越大，占用的WiFi頻譜資源就越多，能提供給LTE網絡中的用戶進行流量卸載的機會就越小，因此LTE的用戶可獲得平均吞吐量就越小.同時，移動用戶數量越多，用戶業務流量就越大，LTE的用戶與WiFi用戶爭用WiFi網絡資源，因此LTE可獲得平均吞吐量也越小.從圖7還可以看出，我們提出的基于Q學習的流量卸載方案，由于可以利用歷史經驗，學習并預測WiFi資源負載情況，有效避免由于無控制卸載造成的WiFi網絡的接入碰撞，因此基于Q學習的流量卸載方案下的LTE用戶平均吞吐量比傳統RSS方式的高.如圖7所示，當用戶數為60時，Q學習的流量卸載方案的LTE用戶可獲得平均吞吐量比傳統RSS方案高近2倍.可見，基于Q學習的流量卸載算法更能有效地實現自適應流量卸載控制規則，達到跨網協作的負載均衡點，在保證WiFi用戶服務質量的條件下，最大限度地提高吞吐量，保證異構網絡的整體性能.

5 結 論

近年來互聯網用戶規模和網絡流量呈現爆炸式的增長，不斷逼近蜂窩移動通信網絡的容量極限.流量卸載技術可充分利用現有網絡，將蜂窩網絡的部分流量卸載到空閑網絡中，進行跨網協作實現對蜂窩網絡容量的極大提升，可有效解決為有限的無線帶寬資源與海量高速業務需求的矛盾.

本文將強化學習的思想引入流量卸載算法中，提出了一種密集異構網絡中基于強化學習的流量卸載算法.此算法把流量卸載問題映射為一個強化學習問題.將WiFi網絡吞吐量作為回報函數，吞吐量的瞬時變化可直觀、準確地反映出WiFi網絡擁塞情況，準確地預測需卸載的流量，并推導當前網絡的最大卸載量，作為自適應的流量卸載策略的最佳判決.尋找最佳的βopt，最大限度提升系統吞吐量.仿真結果表明，基于Q學習的流量卸載算法更能有效地實現自適應流量卸載控制規則，達到跨網協作的負載均衡點，在保證WiFi用戶服務質量的條件下，最大限度地提高LTE系統吞吐量，保證密集異構網絡的整體性能.

WangQian, born in 1976. PhD, associate professor. Member of CCF. Her main research interests include machine learning, wireless communication, resource allocation.

NieXiushan, born in 1981. PhD, professor. Member of CCF. His main research interests include database theory, data mining, Web mining, machine learning.

YinYilong, born in 1972. PhD, professor, PhD supervisor. Senior member of CCF. His main research interests include machine learning, data mining, computational medicine.