考慮負(fù)載均衡和用戶體驗(yàn)的垂直切換算法

馬 彬 鐘世林* 謝顯中 陳 鑫

①(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)

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)

1 引言

在城市核心區(qū)域，隨著5G基站的大量部署以及公共交通網(wǎng)絡(luò)的迅速發(fā)展，逐漸形成了超密集異構(gòu)無線網(wǎng)絡(luò)[1,2]。然而，隨著城市的發(fā)展和車輛的普及，城市的交通擁堵情況卻日益加劇，每天的交通高峰期會(huì)有大量的車輛，特別是公交車，擁堵在城市核心區(qū)域路段。車輛的爆發(fā)式增長(zhǎng)除了引起道路的擁堵，還會(huì)因大量車載終端(vehicle terminal)在短時(shí)間內(nèi)的聚集性移動(dòng)造成網(wǎng)絡(luò)擁塞和帶寬資源緊缺，使得已接入網(wǎng)絡(luò)用戶的服務(wù)質(zhì)量出現(xiàn)嚴(yán)重下降。因此，在車輛異構(gòu)無線網(wǎng)絡(luò)中如何通過移動(dòng)性管理緩解網(wǎng)絡(luò)擁塞，實(shí)現(xiàn)負(fù)載均衡，進(jìn)而保證用戶體驗(yàn)成為該領(lǐng)域研究的熱點(diǎn)問題。

作為異構(gòu)網(wǎng)絡(luò)中移動(dòng)性管理的關(guān)鍵技術(shù)，垂直切換是多網(wǎng)融合的基礎(chǔ)。目前國(guó)內(nèi)外已有較多文獻(xiàn)致力于垂直切換的研究。根據(jù)采取研究方法的不同，垂直切換算法大致可以分為以下4類：(1)基于單閾值判決的垂直切換算法[3,4]，當(dāng)接收信號(hào)強(qiáng)度(Receive Singal Strength, RSS)或其他網(wǎng)絡(luò)參數(shù)達(dá)到設(shè)定閾值后直接觸發(fā)切換；(2)基于多屬性決策的垂直切算法[5,6]，首先確定網(wǎng)絡(luò)側(cè)和用戶側(cè)的多個(gè)參數(shù)指標(biāo)(如帶寬、抖動(dòng)、負(fù)載、用戶偏好等)的權(quán)重，然后構(gòu)建目標(biāo)效用函數(shù)并計(jì)算效用值，最后選擇最優(yōu)效用值的網(wǎng)絡(luò)進(jìn)行接入；(3)基于人工智能的垂直切換算法，利用模糊邏輯[7,8]、神經(jīng)網(wǎng)絡(luò)[9,10]、強(qiáng)化學(xué)習(xí)[11,12]或智能仿生算法[13,14]等模型，將判決參數(shù)作為模型輸入進(jìn)行智能的切換判決；(4)基于匹配博弈網(wǎng)絡(luò)的垂直切換算法[15,16]，把網(wǎng)絡(luò)中的基站或者用戶抽象為博弈過程的參與者，使用判決參數(shù)建立博弈雙方的效用函數(shù)，并通過博弈過程中的納什均衡求解，優(yōu)化網(wǎng)絡(luò)性能。

當(dāng)前已有不少的文獻(xiàn)致力于研究異構(gòu)無線網(wǎng)絡(luò)中的網(wǎng)絡(luò)擁塞、負(fù)載不均、用戶體驗(yàn)等問題，并且都取得了一定的成效。文獻(xiàn)[17]提出了一種基于效用函數(shù)的網(wǎng)絡(luò)選擇方案，通過綜合考慮用戶的服務(wù)質(zhì)量 (Quality of Service, QoS)需求、偏好、成本以及網(wǎng)絡(luò)負(fù)載，改善了用戶體驗(yàn)，提高了網(wǎng)絡(luò)吞吐量。文獻(xiàn)[18]通過分析用戶行為給用戶設(shè)定不同的優(yōu)先級(jí)，然后給不同優(yōu)先級(jí)的用戶制定不同的遷移策略，緩解了網(wǎng)絡(luò)擁塞。文獻(xiàn)[19]引入一種基于端對(duì)端 (Device to Device, D2D)通信輔助的流量遷移方案，減輕了蜂窩網(wǎng)絡(luò)中遷移用戶給WiFi訪問點(diǎn)帶來的嚴(yán)重負(fù)擔(dān)。文獻(xiàn)[20]則巧妙地將網(wǎng)絡(luò)建模為一個(gè)有向圖，并以超載的網(wǎng)絡(luò)及其n層鄰居構(gòu)建集群，通過在集群中實(shí)現(xiàn)局部負(fù)載均衡，提高了網(wǎng)絡(luò)總體性能。另外，文獻(xiàn)[21–24]提出通過機(jī)器學(xué)習(xí)和大數(shù)據(jù)分析的方式，來對(duì)自動(dòng)的流量遷移方案進(jìn)行學(xué)習(xí)，達(dá)到了緩解網(wǎng)絡(luò)擁塞，均衡負(fù)載的目的。

上述算法大多通過切換遷移的方式在一定程度上緩解了網(wǎng)絡(luò)擁塞，但在因大量終端短時(shí)間聚集性移動(dòng)引起網(wǎng)絡(luò)擁塞的場(chǎng)景中，僅通過遷移的方式，而不考慮用戶的選網(wǎng)需求會(huì)隨著網(wǎng)絡(luò)環(huán)境的變化做出相應(yīng)的調(diào)整，并對(duì)網(wǎng)絡(luò)容量進(jìn)行提升，則極易造成鄰近基站的網(wǎng)絡(luò)資源緊缺和用戶體驗(yàn)得不到實(shí)質(zhì)性改善。為解決這一問題，如何提升網(wǎng)絡(luò)容量、改進(jìn)切換策略、優(yōu)化終端的選網(wǎng)過程成為本文研究關(guān)注的核心問題。因此，本文提出一種考慮負(fù)載均衡和用戶體驗(yàn)(Load Balance and User Experience,LBUE)的垂直切換算法。該算法將城市核心區(qū)域的網(wǎng)絡(luò)通信建模為車輛自組織異構(gòu)無線網(wǎng)絡(luò)模型，與直接與外基站連接相比，本模型采用了在公交車輛上部署無線信號(hào)收發(fā)器(Radio Transceiver, RT)的策略，提高了網(wǎng)絡(luò)總?cè)萘俊Ｈ魧⒉渴鹆薘T的車輛作為簇頭，以分簇結(jié)構(gòu)組建自組織網(wǎng)絡(luò)(ad hoc)，能夠避免因大量終端與基站直接相連引起服務(wù)質(zhì)量的嚴(yán)重下降，緩解了網(wǎng)絡(luò)擁塞。此外，當(dāng)終端觸發(fā)切換后，通過自適應(yīng)切換判決算法能夠?yàn)橛脩艉Y選出當(dāng)前網(wǎng)絡(luò)環(huán)境下滿意度最高的網(wǎng)絡(luò)，提升了用戶體驗(yàn)。本文的主要貢獻(xiàn)可以概括如下：

(1)引入網(wǎng)絡(luò)擁塞感知模型，提出一個(gè)融合自組織網(wǎng)絡(luò)的超密集異構(gòu)無線網(wǎng)絡(luò)架構(gòu)。

(2)定義業(yè)務(wù)適應(yīng)度和負(fù)收益因子兩個(gè)自適應(yīng)參數(shù)，提出一種基于秩和比的自適應(yīng)切換判決算法。

2 算法設(shè)計(jì)思路和流程

在城市核心區(qū)域，由于車輛的聚集性移動(dòng)，網(wǎng)絡(luò)的負(fù)載狀況呈現(xiàn)出時(shí)變特性。因此在設(shè)計(jì)選網(wǎng)算法時(shí)，需要對(duì)當(dāng)前網(wǎng)絡(luò)狀況進(jìn)行實(shí)時(shí)感知，并能根據(jù)感知結(jié)果觸發(fā)不同的處理機(jī)制。若網(wǎng)絡(luò)環(huán)境正常，可直接為切換用戶篩選出能保證其偏好需求的目標(biāo)網(wǎng)絡(luò)；若網(wǎng)絡(luò)環(huán)境擁塞，則需要緩解擁塞的措施來保證用戶的正常通信。基于以上思路，如圖1所示，本文算法可設(shè)計(jì)為以下3個(gè)階段：(1)網(wǎng)絡(luò)環(huán)境感知：獲取網(wǎng)絡(luò)中各個(gè)基站的平均負(fù)載程度和負(fù)載變化率數(shù)據(jù)評(píng)判出網(wǎng)絡(luò)的擁塞情況。(2)構(gòu)建自組織網(wǎng)絡(luò)：當(dāng)網(wǎng)絡(luò)環(huán)境感知判決網(wǎng)絡(luò)狀態(tài)為擁塞時(shí)，啟動(dòng)分簇算法，根據(jù)車輛的運(yùn)動(dòng)信息以分層的簇結(jié)構(gòu)組建車輛自組織網(wǎng)絡(luò)，讓自組織網(wǎng)絡(luò)也成為用戶的備選網(wǎng)絡(luò)。(3)自適應(yīng)切換判決算法：終端觸發(fā)切換后，根據(jù)網(wǎng)絡(luò)的擁塞情況和用戶的業(yè)務(wù)請(qǐng)求，調(diào)整輸入到?jīng)Q策算法中的決策參數(shù)，為用戶篩選出當(dāng)前環(huán)境下滿意度最高的目標(biāo)網(wǎng)絡(luò)。

圖1 算法流程示意圖

3 網(wǎng)絡(luò)環(huán)境感知

假設(shè)各個(gè)基站都連接到了網(wǎng)絡(luò)控制中心，通過中心的負(fù)載管理器能對(duì)各個(gè)基站資源使用情況進(jìn)行實(shí)時(shí)監(jiān)測(cè)。網(wǎng)絡(luò)環(huán)境感知指的是通過分析監(jiān)測(cè)到的網(wǎng)絡(luò)資源變化數(shù)據(jù)對(duì)網(wǎng)絡(luò)當(dāng)前的擁塞狀況和未來的擁塞趨勢(shì)作出判決的過程。傳統(tǒng)感知策略[25]通常采用單個(gè)負(fù)載閾值與基站的負(fù)載程度進(jìn)行比較來判斷網(wǎng)絡(luò)是否陷入擁塞，不能對(duì)網(wǎng)絡(luò)的擁塞趨勢(shì)進(jìn)行預(yù)測(cè)。因此，本文提出一種網(wǎng)絡(luò)擁塞感知模型，首先使用監(jiān)測(cè)數(shù)據(jù)計(jì)算出網(wǎng)絡(luò)平均負(fù)載程度和負(fù)載變化率均值，然后根據(jù)這兩項(xiàng)指標(biāo)綜合評(píng)估網(wǎng)絡(luò)環(huán)境是否有擁塞的趨勢(shì)。

3.1 相關(guān)參數(shù)定義

(1) 網(wǎng)絡(luò)平均負(fù)載程度。本文通過網(wǎng)絡(luò)已使用資源塊數(shù)量占總資源塊數(shù)量的比值來定義網(wǎng)絡(luò)平均負(fù)載程度。假設(shè)某區(qū)域內(nèi)共有N個(gè)基站，其中第j個(gè)基站能分配的總資源塊數(shù)為Rj，接入到基站j的終端數(shù)量為U，其中第i個(gè)終端分配到的資源塊數(shù)量為rij， 則網(wǎng)絡(luò)平均負(fù)載程度ξ可表示為

3.2 網(wǎng)絡(luò)擁塞感知模型

設(shè)計(jì)網(wǎng)絡(luò)感知模型的目的是簡(jiǎn)單、直接、有效地獲得網(wǎng)絡(luò)擁塞狀況，以便于區(qū)分下一步是否需要構(gòu)建自組織網(wǎng)絡(luò)。故本文采用網(wǎng)絡(luò)平均負(fù)載程度ξ和平均負(fù)載變化率?ξˉ來綜合評(píng)判網(wǎng)絡(luò)的擁塞狀況。ξ反映的是網(wǎng)絡(luò)資源的使用情況，ξ越大表示網(wǎng)絡(luò)資源消耗越多，擁塞情況越嚴(yán)重； ?ξˉ反映的則是網(wǎng)絡(luò)資源被消耗的快慢程度， ?ξˉ越大表示網(wǎng)絡(luò)資源消耗越快，網(wǎng)絡(luò)陷入擁塞的風(fēng)險(xiǎn)越大。式(4)是網(wǎng)絡(luò)擁塞判斷函數(shù)

在該函數(shù)中，通過引入負(fù)載上下限閾值區(qū)間[ξmin,ξmax]和 負(fù)載變化率閾值?ξ0，對(duì)網(wǎng)絡(luò)負(fù)載程度和負(fù)載變化快慢進(jìn)行度量。在負(fù)載達(dá)到負(fù)載下限閾值時(shí)，通過考察平均負(fù)載變化率決策網(wǎng)絡(luò)是否會(huì)在較短時(shí)間陷入網(wǎng)絡(luò)擁塞。如果網(wǎng)絡(luò)持續(xù)緩慢增大，無法通過負(fù)載變化率感知出擁塞結(jié)果，則通過負(fù)載上限閾值作為擁塞感知的兜底策略。

圖2(a)和圖2(b)是負(fù)載管理器在2 min內(nèi)監(jiān)測(cè)到的平均負(fù)載程度實(shí)時(shí)變化曲線，其中1個(gè)采樣周期?t的間隔為1 s，從采集的實(shí)時(shí)數(shù)據(jù)可計(jì)算出在1個(gè)?t內(nèi)ξt ?ξt?1的 取值區(qū)間為[–0.05,0.05]，也即?ξ的取值范圍為?0.05≤?ξ ≤0.05 。在ξ和?ξ取值范圍以及ξmin<ξmax等條件的 約束下，以0.1, 0.1和0.005為步長(zhǎng)，對(duì)這3個(gè)閾值的取值進(jìn)行組合，將組合得到的605組值依次代入到仿真程序，發(fā)現(xiàn)在[0.3,0.5],[0.7,0.9]和[0.04,0.05]范圍內(nèi)進(jìn)行取值更符合本文設(shè)置閾值的意圖。在剩下的27組取值組合中，經(jīng)逐一對(duì)比發(fā)現(xiàn)，將3個(gè)變量分別設(shè)置為0.4, 0.8和0.045時(shí)，兩種策略在不同的終端到達(dá)率下對(duì)緩解網(wǎng)絡(luò)擁塞和提高用戶體驗(yàn)的效果相對(duì)其他組取值更為理想，因此此處采用此組數(shù)據(jù)來驗(yàn)證兩種策略對(duì)網(wǎng)絡(luò)環(huán)境的感知效果。從中可以看出，本文策略由于考慮了平均負(fù)載程度ξ和平均負(fù)載變化率?ξˉ兩個(gè)指標(biāo)，在第80個(gè)采樣周期?ξˉ超過?ξ0時(shí)做出了第1次預(yù)警，并且在此之后由于負(fù)載變化率一直超過?ξ0，本文感知策略已經(jīng)預(yù)警出網(wǎng)絡(luò)陷入擁塞的趨勢(shì)為高風(fēng)險(xiǎn)，在第91個(gè)采樣周期ξ超過ξmax時(shí)再次做出了預(yù)警提示。而傳統(tǒng)策略只有當(dāng)ξ超過ξmax時(shí)才會(huì)進(jìn)行預(yù)警，故本文感知策略相較于傳統(tǒng)策略能夠根據(jù)網(wǎng)絡(luò)的擁塞趨勢(shì)提早做出預(yù)警。

圖2 本文策略和傳統(tǒng)策略對(duì)比

4 組建車輛自組織網(wǎng)絡(luò)

4.1 相關(guān)假設(shè)

由于自組織網(wǎng)絡(luò)具有隨時(shí)隨地自動(dòng)組網(wǎng)、可擴(kuò)展性強(qiáng)等特性，當(dāng)某段道路有大量車輛擁堵引起網(wǎng)絡(luò)擁塞時(shí)，可建立帶簇頭節(jié)點(diǎn)的自組織網(wǎng)絡(luò)來提升網(wǎng)絡(luò)性能。因此本文將自組織網(wǎng)絡(luò)引入到城市核心區(qū)域的網(wǎng)絡(luò)場(chǎng)景中，形成宏蜂窩、微蜂窩、無線局域網(wǎng)(Wireless Local Area Network, WLAN)、自組織網(wǎng)絡(luò)異構(gòu)而成的車輛自組織異構(gòu)無線網(wǎng)絡(luò)[26]。該場(chǎng)景中的相關(guān)假設(shè)如下：

(1)每輛車上都裝備了GPS，并能協(xié)助車載終端精準(zhǔn)獲取到速度、位置、方向等運(yùn)動(dòng)信息。

(2)每輛公交車上都裝備了一種能夠提供網(wǎng)絡(luò)服務(wù)的無線信號(hào)收發(fā)器，該裝置啟動(dòng)后便能與外部基站建立起通信鏈路，為接入的車載終端提供網(wǎng)絡(luò)服務(wù)[27]。

(3)將自組織網(wǎng)絡(luò)的組網(wǎng)形式考慮成由1個(gè)簇頭(cluster head) 和多個(gè)簇節(jié)點(diǎn)(cluster node)組成的若干個(gè)簇結(jié)構(gòu)。當(dāng)多個(gè)車載終端接入到RT，組成的網(wǎng)絡(luò)結(jié)構(gòu)稱為簇。在一個(gè)簇中，裝載了無線信號(hào)接收器的車輛為簇頭，接入到RT的車載終端節(jié)點(diǎn)為簇節(jié)點(diǎn)。簇頭(cluster head)的數(shù)量為ch，每個(gè)簇頭有唯一的編號(hào)h，第h個(gè)簇中的簇節(jié)點(diǎn)(cluster node)數(shù)量為cn，各個(gè)簇節(jié)點(diǎn)也有唯一的編號(hào)n。

(4)每個(gè)簇頭都維護(hù)了一張簇信息表(Cluster Information Table, CIT)，用于存儲(chǔ)簇的基本信息。

4.2 自組織網(wǎng)絡(luò)的生成過程和維護(hù)

(1)簇相關(guān)因子。簇相關(guān)因子用于描述自組織網(wǎng)絡(luò)生成過程中，簇頭和簇節(jié)點(diǎn)車輛之間的相關(guān)性。如果簇節(jié)點(diǎn)車輛與簇頭的運(yùn)動(dòng)方向一致，相對(duì)速度越小，位置越接近，則簇相關(guān)因子值越大。簇節(jié)點(diǎn)更適合加入到簇相關(guān)因子更大的簇以維持更持久的連接，簇節(jié)點(diǎn)n和簇頭h的簇相關(guān)因子β可表示為

(3)車輛自組織網(wǎng)絡(luò)分簇算法。當(dāng)網(wǎng)絡(luò)環(huán)境感知算法判決出網(wǎng)絡(luò)有擁塞趨勢(shì)時(shí)，就應(yīng)該提早啟動(dòng)分簇算法組建車輛自組織網(wǎng)絡(luò)來緩解網(wǎng)絡(luò)擁塞。由于車輛的移動(dòng)會(huì)導(dǎo)致簇頭和簇節(jié)點(diǎn)之間的狀態(tài)頻繁發(fā)生變化，為了維持簇內(nèi)的正常通信，本文通過報(bào)文消息機(jī)制對(duì)簇的生成、簇飽和限制、簇銷毀幾個(gè)階段進(jìn)行維護(hù)，在簇頭和簇節(jié)點(diǎn)之間傳輸?shù)膱?bào)文消息攜帶了建簇過程需要采集的數(shù)據(jù)，算法具體步驟如表1所示。

表1 車輛自組織網(wǎng)絡(luò)分簇算法

5 自適應(yīng)切換判決算法

在本文網(wǎng)絡(luò)場(chǎng)景中將車載終端的業(yè)務(wù)請(qǐng)求大致分為高帶寬時(shí)延敏感型業(yè)務(wù)(如視頻通話)和低帶寬數(shù)據(jù)型業(yè)務(wù)(如網(wǎng)頁(yè)瀏覽)兩種類型。通過分析用戶的實(shí)際用網(wǎng)體驗(yàn)可知，隨著網(wǎng)絡(luò)環(huán)境的變化，用戶對(duì)網(wǎng)絡(luò)的要求也會(huì)做出相應(yīng)調(diào)整。當(dāng)網(wǎng)絡(luò)環(huán)境正常時(shí)，大多數(shù)網(wǎng)絡(luò)都能滿足用戶的基本服務(wù)需求，此時(shí)用戶希望用更低的網(wǎng)絡(luò)花費(fèi)換來更高的傳輸速率；當(dāng)網(wǎng)絡(luò)環(huán)境擁塞時(shí)，一味地追求性價(jià)比會(huì)加劇網(wǎng)絡(luò)的擁塞，此時(shí)低阻塞率成為用戶關(guān)注的重點(diǎn)。因此本文提出一種自適應(yīng)切換判決算法，該算法能夠根據(jù)終端請(qǐng)求的業(yè)務(wù)類型和網(wǎng)絡(luò)環(huán)境感知結(jié)果，自適應(yīng)調(diào)整用戶的候選網(wǎng)絡(luò)和輸入到判決算法中的選網(wǎng)參數(shù)，為終端篩選出當(dāng)前環(huán)境下滿意度最高的目標(biāo)網(wǎng)絡(luò)。

5.1 相關(guān)參數(shù)定義

(1)接收信號(hào)強(qiáng)度與數(shù)據(jù)傳輸速率。接收信號(hào)強(qiáng)度(Received Signal Strength, RSS)是終端評(píng)價(jià)網(wǎng)絡(luò)的一個(gè)基本指標(biāo)，它反映了網(wǎng)絡(luò)的信道質(zhì)量。由于信號(hào)在傳輸過程中存在路徑損耗，終端i接入網(wǎng)絡(luò)j的接收信號(hào)強(qiáng)度可表示為

(2)業(yè)務(wù)適應(yīng)度。當(dāng)網(wǎng)絡(luò)擁塞時(shí)，希望通過自組織網(wǎng)絡(luò)來緩解網(wǎng)絡(luò)擁塞，但由于自組織網(wǎng)絡(luò)提供的服務(wù)能力有限，因此應(yīng)盡可能避免讓高帶寬業(yè)務(wù)需求的終端接入到自組織網(wǎng)絡(luò)。為了讓切換的終端能根據(jù)業(yè)務(wù)請(qǐng)求自適應(yīng)匹配候選網(wǎng)絡(luò)，本文定義業(yè)務(wù)適應(yīng)度這一指標(biāo)來衡量各網(wǎng)絡(luò)對(duì)業(yè)務(wù)的適應(yīng)能力，業(yè)務(wù)適應(yīng)度越高表示網(wǎng)絡(luò)越適宜該類業(yè)務(wù)請(qǐng)求，反之，越不適宜。若業(yè)務(wù)適應(yīng)度為0，則表示網(wǎng)絡(luò)不支持用戶請(qǐng)求的業(yè)務(wù)。因此終端i以業(yè)務(wù)類型l接入網(wǎng)絡(luò)j的業(yè)務(wù)適應(yīng)度可表示為

5.2 基于秩和比的自適應(yīng)切換判決算法

秩和比綜合評(píng)價(jià)法[28]，是一種集古典參數(shù)統(tǒng)計(jì)與近代非參數(shù)統(tǒng)計(jì)各自優(yōu)點(diǎn)于一體的統(tǒng)計(jì)分析方法，它能夠很好地避免決策過程中的主觀因素。在終端選網(wǎng)決策過程中，將待評(píng)價(jià)的候選網(wǎng)絡(luò)和評(píng)價(jià)網(wǎng)絡(luò)性能的參數(shù)抽象為一個(gè)N行M列的數(shù)據(jù)矩陣，便可通過秩和比綜合評(píng)價(jià)法決策出最優(yōu)網(wǎng)絡(luò)。本文所提基于秩和比的自適應(yīng)切換判決算法的流程如圖3所示。

圖3 基于秩和比的自適應(yīng)切換判決算法

(1)獲取選網(wǎng)參數(shù)：選網(wǎng)判決過程中需提前獲取的網(wǎng)絡(luò)參數(shù)有網(wǎng)絡(luò)擁塞程度(ρ)、終端請(qǐng)求的業(yè)務(wù)類型(l)、數(shù)據(jù)傳輸速率(e)、網(wǎng)絡(luò)成本(c)、網(wǎng)絡(luò)阻塞率(b)。

6 仿真結(jié)果分析

6.1 系統(tǒng)模型和仿真參數(shù)設(shè)置

為了評(píng)估本文所提算法的性能，利用Matlab仿真工具模擬了城市核心區(qū)域潮汐高峰期某一段長(zhǎng)3000 m、寬30 m雙向4車道的網(wǎng)絡(luò)仿真場(chǎng)景。在該仿真場(chǎng)景中，假設(shè)部署有2個(gè)5G宏基站(5GM)，2 0 個(gè)5 G 微 基 站(5 G S)以 及2 0 個(gè) 無 線 局 域 網(wǎng)(WLAN)和若干車輛自組織網(wǎng)絡(luò)(Ad Hoc)。在整個(gè)網(wǎng)絡(luò)覆蓋范圍內(nèi)，假設(shè)車輛的到達(dá)服從到達(dá)率為1≤λ ≤10的泊松分布。本文的網(wǎng)絡(luò)場(chǎng)景如圖4所示，為了便于觀察，圖4的網(wǎng)絡(luò)場(chǎng)景簡(jiǎn)化了5G微基站、無線局域網(wǎng)和車輛自組織網(wǎng)絡(luò)的數(shù)量。

圖4 城市核心區(qū)域異構(gòu)無線網(wǎng)絡(luò)仿真場(chǎng)景

為了驗(yàn)證本文算法能夠適應(yīng)車輛自組織異構(gòu)網(wǎng)絡(luò)中的接入問題，仿真中設(shè)計(jì)了平均負(fù)載程度、網(wǎng)絡(luò)吞吐量、平均阻塞率、接入終端掉話率等8組實(shí)驗(yàn)。由于文獻(xiàn)基于層次分析法和簡(jiǎn)單加權(quán)(Analytic Hierarchy and Simple Additive Weighting, AHPSAW)的垂直切換算法[30]，基于閾值的多業(yè)務(wù)負(fù)載均衡(Multi-Traffific Load Balance, MTLB)算法[31]和基于負(fù)載均衡和QoS感知(Load Balancing and QoS-Aware, LBQA)的網(wǎng)絡(luò)選擇算法[32]提出了不同的方案來解決與本文類似的網(wǎng)絡(luò)擁塞和負(fù)載均衡等問題，故選取了這3種算法與本文所提算法進(jìn)行對(duì)比分析。仿真中的網(wǎng)絡(luò)參數(shù)設(shè)置如表2所示。

表2 網(wǎng)絡(luò)仿真參數(shù)

6.2 網(wǎng)絡(luò)平均負(fù)載程度和吞吐量

圖5為4種算法的平均負(fù)載程度變化曲線，從中可以看出隨著車載終端數(shù)量的增加，網(wǎng)絡(luò)的平均負(fù)載程度逐漸上升。在車載終端數(shù)量低于400臺(tái)時(shí)，本文的LBUE算法的網(wǎng)絡(luò)平均負(fù)載程度比MTLB算法略高，這是因?yàn)長(zhǎng)BUE算法在網(wǎng)絡(luò)不擁塞時(shí)，選擇的是網(wǎng)絡(luò)服務(wù)質(zhì)量較好且成本較低的網(wǎng)絡(luò)，消耗了更多的網(wǎng)絡(luò)資源。但隨著車載終端數(shù)量增加到500臺(tái)時(shí)，本文算法通過網(wǎng)絡(luò)環(huán)境感知判決出網(wǎng)絡(luò)有擁塞風(fēng)險(xiǎn)，便通過分簇算法引入車輛自組織網(wǎng)絡(luò)，并通過自適應(yīng)算法調(diào)整決策參數(shù)，讓終端接入到了阻塞率較低的網(wǎng)絡(luò)，減少了接入到重負(fù)載基站的終端數(shù)量，降低了網(wǎng)絡(luò)的平均負(fù)載程度。

圖5 網(wǎng)絡(luò)平均負(fù)載程度

圖6比較了4種算法的網(wǎng)絡(luò)總吞吐量。從中可以看出，隨著終端數(shù)量的增加，系統(tǒng)總吞吐量呈上升趨勢(shì)，當(dāng)終端數(shù)量低于500臺(tái)時(shí)，4種算法的總吞吐量都迅速上升；當(dāng)終端數(shù)量高于500臺(tái)時(shí)，由于網(wǎng)絡(luò)總的資源有限，總吞吐量上升的趨勢(shì)逐漸趨于平穩(wěn)。但當(dāng)終端數(shù)量相同時(shí)，LBUE算法的總吞吐量始終高于其他3種算法。這是因?yàn)楫?dāng)網(wǎng)絡(luò)即將擁塞時(shí)，本文算法引入了車輛自組織網(wǎng)絡(luò)，增加了網(wǎng)絡(luò)容量，減少了接入到蜂窩網(wǎng)絡(luò)和WLAN中的車載終端數(shù)量，均衡了各個(gè)網(wǎng)絡(luò)的負(fù)載，有效地提高了網(wǎng)絡(luò)總吞吐量。

圖6 網(wǎng)絡(luò)總吞吐量

6.3 平均阻塞率和接入終端掉話率

圖7表示的是4種算法的平均阻塞率變化曲線，從中可以看出當(dāng)車載終端的到達(dá)率λ≤3時(shí)，網(wǎng)絡(luò)資源充足，4種算法的接入阻塞率都趨近于0，隨著到達(dá)率的增大，網(wǎng)絡(luò)中會(huì)有越來越多的終端開始競(jìng)爭(zhēng)網(wǎng)絡(luò)資源，因此3種對(duì)比算法都相繼出現(xiàn)部分終端被阻塞。從圖中不難看出MTLB算法的阻塞率一直處于最大，而本文所提的LBUE算法在終端到達(dá)率λ= 8時(shí)才開始出現(xiàn)阻塞，這是因?yàn)镸TLB算法在均衡實(shí)時(shí)業(yè)務(wù)和非實(shí)時(shí)業(yè)務(wù)時(shí)，部分實(shí)時(shí)業(yè)務(wù)被遷移到了將要發(fā)生阻塞的網(wǎng)絡(luò)中，增加了阻塞的可能性。而本文算法，在通過環(huán)境感知判決出網(wǎng)絡(luò)有擁塞的可能就會(huì)引入自組織網(wǎng)絡(luò)，增加了終端的接入選擇，因此隨著終端到達(dá)率的增加，本文算法的接入阻塞率始終低于其他3種算法。

圖7 用戶平均阻塞率

圖8是接入終端掉話率隨到達(dá)率的變化曲線。從圖中可以看出當(dāng)網(wǎng)絡(luò)中接入的終端數(shù)量較少時(shí)，每個(gè)終端能夠分配到足夠的網(wǎng)絡(luò)資源，因此掉話率趨近于0，但由于網(wǎng)絡(luò)資源有限，隨著接入網(wǎng)絡(luò)終端數(shù)量的增加，部分終端分配到的網(wǎng)絡(luò)資源將無法滿足其最低需求，終端掉話率逐漸上升，但本文算法相較于其他3種算法，掉話率上升得比較緩慢，這是因?yàn)樽越M織網(wǎng)絡(luò)能夠?yàn)椴糠志W(wǎng)頁(yè)瀏覽類業(yè)務(wù)終端提供服務(wù)，較大程度地減少了掉話終端的數(shù)量。

圖8 接入終端掉話率

6.4 接入終端數(shù)量和網(wǎng)絡(luò)穩(wěn)定性

圖9反映的是當(dāng)接入終端數(shù)量為1000臺(tái)時(shí)，采用本文算法的不同業(yè)務(wù)類型終端接入到各類網(wǎng)絡(luò)的數(shù)量。從中可以看出瀏覽網(wǎng)頁(yè)的終端在各類網(wǎng)絡(luò)中均有接入，而視頻通話的終端則主要接入到了5G微蜂窩和WLAN網(wǎng)絡(luò)。這是因?yàn)闉g覽網(wǎng)頁(yè)所需的資源塊較少，在計(jì)算業(yè)務(wù)適應(yīng)度時(shí)各類網(wǎng)絡(luò)均能適應(yīng)其業(yè)務(wù)請(qǐng)求，視頻通話需要的資源塊較多，接入到自組織網(wǎng)絡(luò)的業(yè)務(wù)適應(yīng)度會(huì)比較低。

圖9 不同業(yè)務(wù)類型終端接入各類網(wǎng)絡(luò)的數(shù)量

圖10反映的是某業(yè)務(wù)類型為網(wǎng)頁(yè)瀏覽的終端在1 min內(nèi)接入4種不同類型網(wǎng)絡(luò)所能獲得的數(shù)據(jù)傳輸速率。從中不難看出，該終端在各個(gè)時(shí)刻獲得的數(shù)據(jù)傳輸速率一直處于波動(dòng)狀態(tài)，但4類網(wǎng)絡(luò)均能滿足該終端的業(yè)務(wù)需求。由于標(biāo)準(zhǔn)差能夠衡量數(shù)據(jù)的穩(wěn)定性，使用4組數(shù)據(jù)計(jì)算標(biāo)準(zhǔn)差，求得宏蜂窩的標(biāo)準(zhǔn)差為5.4325，微蜂窩的標(biāo)準(zhǔn)差為5.7729,WLAN的標(biāo)準(zhǔn)差為5.7709，Ad Hoc網(wǎng)絡(luò)的標(biāo)準(zhǔn)差為5.9772。因此，相較于已有的網(wǎng)絡(luò)，自組織網(wǎng)絡(luò)的數(shù)據(jù)傳輸速率的波動(dòng)在可接受范圍，且能夠保證該終端的正常通信。

圖10 數(shù)據(jù)傳輸速率波動(dòng)情況

6.5 時(shí)間開銷和信令開銷

圖11為4種算法的時(shí)間開銷變化曲線，從中可以看出隨著車載終端數(shù)量的增加，4種算法的時(shí)間開銷都逐漸增加。剛開始時(shí)幾種算法的時(shí)間復(fù)雜度相差不大。但隨著車載終端數(shù)量增加到500臺(tái)時(shí)，本文算法的時(shí)間復(fù)雜度比其他3種算法略微偏大。出現(xiàn)這種現(xiàn)象是因?yàn)楸疚乃惴ǜ兄骄W(wǎng)絡(luò)擁塞時(shí)，就啟動(dòng)了自組織網(wǎng)絡(luò)的構(gòu)建過程，組建自組織網(wǎng)絡(luò)的過程產(chǎn)生了一定的時(shí)間開銷，并且隨著車輛數(shù)量的增加，越來越多的車輛會(huì)考慮接入到自組織網(wǎng)絡(luò)，因此本文算法的時(shí)間開銷始終略微高于其他3種算法。

圖11 時(shí)間開銷

圖12顯示了隨著車載終端數(shù)量增加時(shí)，4種算法的信令開銷占總資源消耗的比值對(duì)比。隨著終端數(shù)量的增加，4種算法的信令開銷占比也在不斷增加，這是因?yàn)榻K端請(qǐng)求接入網(wǎng)絡(luò)的過程會(huì)有一定的信令開銷。當(dāng)終端數(shù)量增加到500臺(tái)時(shí)，本文算法的信令開銷占比相較于其他3種算法一直處于略微偏高的狀態(tài)，這是因?yàn)楸疚牟捎昧藞?bào)文消息機(jī)制構(gòu)建自組織網(wǎng)絡(luò)，在簇的生成和維護(hù)過程中產(chǎn)生了一些必要的信令開銷。

圖12 信令開銷

7 結(jié)束語

本文提出一種考慮負(fù)載均衡和用戶體驗(yàn)的垂直切換算法，該算法適用于城市核心區(qū)域車輛自組織異構(gòu)無線網(wǎng)絡(luò)中的切換問題。首先根據(jù)負(fù)載程度和負(fù)載變化率數(shù)據(jù)實(shí)時(shí)感知網(wǎng)絡(luò)環(huán)境的擁塞情況。其次，通過網(wǎng)絡(luò)環(huán)境感知結(jié)果判決是否建立帶簇節(jié)點(diǎn)的自組織網(wǎng)絡(luò)，并把簇頭節(jié)點(diǎn)加入備選網(wǎng)絡(luò)集。再次，當(dāng)終端觸發(fā)切換后，自適應(yīng)切換判決算法會(huì)根據(jù)網(wǎng)絡(luò)的擁塞狀況和業(yè)務(wù)請(qǐng)求，調(diào)整輸入到?jīng)Q策算法中的自適應(yīng)參數(shù)，為用戶篩選出滿意的接入網(wǎng)絡(luò)。最后，仿真表明，該算法能夠緩解城市核心區(qū)域的網(wǎng)絡(luò)擁塞問題，實(shí)現(xiàn)負(fù)載均衡，提升用戶體驗(yàn)。下一步工作，希望通過位置預(yù)測(cè)和跳躍切換算法解決城市核心區(qū)域超密集部網(wǎng)引起的頻繁切換，服務(wù)降級(jí)問題。