基于數(shù)字孿生的無線網(wǎng)絡(luò)優(yōu)化方法的研究

摘要：文章提出了一種基于數(shù)字孿生的無線網(wǎng)絡(luò)優(yōu)化系統(tǒng)設(shè)計(jì)方案。該系統(tǒng)由數(shù)據(jù)層、應(yīng)用層和交互層3層架構(gòu)組成，包含數(shù)據(jù)采集、數(shù)據(jù)處理等4個(gè)主要模塊。其利用數(shù)字孿生技術(shù)構(gòu)建無線網(wǎng)絡(luò)數(shù)字孿生模型，實(shí)現(xiàn)對(duì)無線網(wǎng)絡(luò)的實(shí)時(shí)監(jiān)控和分析，從而找出網(wǎng)絡(luò)中潛在的問題和瓶頸，并通過對(duì)數(shù)字孿生模型進(jìn)行優(yōu)化，得到優(yōu)化的無線網(wǎng)絡(luò)配置參數(shù)，以提高無線網(wǎng)絡(luò)的性能和穩(wěn)定性。實(shí)驗(yàn)結(jié)果表明，該優(yōu)化方案能有效提升無線網(wǎng)絡(luò)的性能、提高網(wǎng)絡(luò)資源的利用率。

關(guān)鍵詞：數(shù)字孿生；無線網(wǎng)絡(luò)；數(shù)據(jù)采集；優(yōu)化算法

中圖分類號(hào)：TN92" 文獻(xiàn)標(biāo)志碼：A

0 引言

無線網(wǎng)絡(luò)已成為現(xiàn)代社會(huì)生活和工作的重要基礎(chǔ)設(shè)施。數(shù)字孿生作為一種前沿技術(shù)，通過創(chuàng)建現(xiàn)實(shí)世界的虛擬映射，為無線網(wǎng)絡(luò)優(yōu)化提供了新的解決方案［1］。一方面，基于數(shù)字孿生的無線網(wǎng)絡(luò)優(yōu)化方法可以實(shí)現(xiàn)網(wǎng)絡(luò)環(huán)境的全面監(jiān)控和實(shí)時(shí)分析，為網(wǎng)絡(luò)管理員提供精準(zhǔn)的數(shù)據(jù)和優(yōu)化策略支持；另一方面，數(shù)字孿生的模擬和預(yù)測(cè)能力可以幫助網(wǎng)絡(luò)管理員提前發(fā)現(xiàn)潛在問題，避免網(wǎng)絡(luò)故障的發(fā)生［2］。本文將探討基于數(shù)字孿生的無線網(wǎng)絡(luò)優(yōu)化方法，以期為無線網(wǎng)絡(luò)技術(shù)的發(fā)展提供有益的借鑒和啟示。

1 數(shù)據(jù)層

1.1 數(shù)據(jù)采集模塊

數(shù)據(jù)采集模塊是構(gòu)建數(shù)字孿生模型和實(shí)現(xiàn)網(wǎng)絡(luò)優(yōu)化策略的基礎(chǔ)。設(shè)計(jì)人員可以利用射頻傳感器捕捉基站、終端或網(wǎng)絡(luò)設(shè)備發(fā)出的信號(hào)；部署電流傳感器監(jiān)測(cè)基站、終端等設(shè)備的電流，了解設(shè)備功耗、工作狀態(tài)信息；借助網(wǎng)絡(luò)協(xié)議分析儀捕獲和分析無線網(wǎng)絡(luò)中的數(shù)據(jù)包，獲取吞吐量、時(shí)延、丟包率等網(wǎng)絡(luò)性能信息。為實(shí)現(xiàn)全面的數(shù)據(jù)采集，設(shè)計(jì)人員可以采用被動(dòng)測(cè)量采集技術(shù)監(jiān)聽網(wǎng)絡(luò)中的數(shù)據(jù)傳輸，抓取數(shù)據(jù)包的傳輸情況獲取網(wǎng)絡(luò)性能數(shù)據(jù)。設(shè)計(jì)人員需要在網(wǎng)絡(luò)中的任何一個(gè)節(jié)點(diǎn)上進(jìn)行測(cè)量、監(jiān)聽，當(dāng)數(shù)據(jù)傳輸經(jīng)過測(cè)量節(jié)點(diǎn)時(shí)捕獲包括源節(jié)點(diǎn)、目的節(jié)點(diǎn)、發(fā)送時(shí)間和序列號(hào)等信息的數(shù)據(jù)包，同時(shí)利用數(shù)據(jù)包嗅探算法抓取數(shù)據(jù)包網(wǎng)絡(luò)中的流量、速率性能指標(biāo)。

1.2 數(shù)據(jù)處理模塊

數(shù)據(jù)處理模塊主要負(fù)責(zé)對(duì)采集到的原始數(shù)據(jù)進(jìn)行處理和解析，具體流程如圖1所示。

如圖1所示，設(shè)計(jì)人員可以使用PC BIOS調(diào)用接口將來自不同子系統(tǒng)的用戶行為、網(wǎng)絡(luò)狀態(tài)、設(shè)備性能等數(shù)據(jù)，匯聚集中到數(shù)據(jù)倉庫中。其次，設(shè)計(jì)人員可以利用四分位距（Interquartile Range，IQR）數(shù)據(jù)質(zhì)量檢查算法實(shí)時(shí)識(shí)別由于設(shè)備故障、數(shù)據(jù)傳輸錯(cuò)誤或用戶行為異常等原因?qū)е碌漠惓?shù)據(jù)點(diǎn)，當(dāng)檢測(cè)到異常情況時(shí)，通過去重、補(bǔ)全等清洗校正手段，確保數(shù)據(jù)具有一致性。設(shè)計(jì)人員可以采用插值、填充方法填補(bǔ)數(shù)據(jù)集中的缺失值，以使數(shù)據(jù)分布更加連續(xù)。設(shè)計(jì)人員需要將預(yù)處理后的數(shù)據(jù)整合為統(tǒng)一的JSON數(shù)據(jù)格式，并將整合后的數(shù)據(jù)傳輸?shù)組ongoDB數(shù)據(jù)庫進(jìn)行存儲(chǔ)。

2 應(yīng)用層

2.1 孿生模型優(yōu)化算法設(shè)計(jì)模塊

在基于數(shù)字孿生的無線網(wǎng)絡(luò)優(yōu)化系統(tǒng)中，支持向量機(jī)（Support Vector Machine，SVM）被應(yīng)用于生成孿生模型優(yōu)化算法的設(shè)計(jì)［3］。在模型生成前，利用特征工程技術(shù)從原始數(shù)據(jù)中提煉出富含信息量的特征。為此，設(shè)計(jì)人員可以利用計(jì)算類內(nèi)散度矩陣實(shí)現(xiàn)特征的線性判別分析（Linear Discriminant Analysis，LDA），以對(duì)提取特征進(jìn)行降維，計(jì)算類內(nèi)散度矩陣SW，具體表示如式（1）所示：

其中，xi表示第i個(gè)類的樣本集合，x表示xi集合中的單個(gè)樣本，μi表示第i個(gè)類的均值，c表示類的數(shù)量。在特征工程完成后，SVM通過線性核函數(shù)將輸入數(shù)據(jù)映射到高維特征空間，實(shí)現(xiàn)非線性分類。在數(shù)字孿生技術(shù)支持下，設(shè)計(jì)人員可以采用粒子群優(yōu)化算法的先進(jìn)變種——PSO技術(shù)（Particle Swarm Optimization，PSO）設(shè)計(jì)無線網(wǎng)絡(luò)優(yōu)化算法，實(shí)現(xiàn)在多維度搜索空間中粒子位置的智能調(diào)整，以漸進(jìn)方式逼近最優(yōu)解，達(dá)到無線網(wǎng)絡(luò)性能的優(yōu)化［4］。在迭代過程中，設(shè)計(jì)人員需要通過評(píng)價(jià)函數(shù)計(jì)算種群中每個(gè)粒子的適應(yīng)值（f），并與粒子歷史最優(yōu)位置的個(gè)體極值及種群歷史最優(yōu)位置的全局極值進(jìn)行比較。繼而設(shè)計(jì)人員需要通過動(dòng)態(tài)調(diào)整慣性權(quán)重和加速系數(shù)，并引入非線性動(dòng)態(tài)調(diào)整機(jī)制優(yōu)化粒子的速度更新，提高算法的搜索能力和收斂速度，更新公式如式（2）所示：

vi（t+1）=w×vit+c1×r1×（p-xit）+c2×r2×（g-xit）（2）

其中，vi是粒子的速度，w是慣性權(quán)重，控制粒子速度的持續(xù)性，c1和c2是加速系數(shù)，控制粒子向個(gè)體極值和全局極值位置的吸引程度，r1和r2是［0，1］區(qū)間內(nèi)的隨機(jī)數(shù)，p是粒子i的個(gè)體極值位置，g是全局極值位置，xit是粒子i在時(shí)間t的位置。當(dāng)達(dá)到預(yù)設(shè)的最大迭代次數(shù)時(shí)，算法停止迭代，最終輸出全局極值及其對(duì)應(yīng)的位置，即最優(yōu)無線網(wǎng)絡(luò)優(yōu)化方案。

2.2 網(wǎng)絡(luò)優(yōu)化策略推薦模塊

無線網(wǎng)絡(luò)優(yōu)化策略推薦模塊設(shè)計(jì)目標(biāo)是提供定制化的網(wǎng)絡(luò)優(yōu)化策略。首先，設(shè)計(jì)人員需要采用機(jī)器學(xué)習(xí)技術(shù)對(duì)采集、處理后的網(wǎng)絡(luò)設(shè)備性能指標(biāo)、信號(hào)干擾因素等網(wǎng)絡(luò)狀態(tài)進(jìn)行分析，構(gòu)建網(wǎng)絡(luò)狀態(tài)畫像，以定義網(wǎng)絡(luò)優(yōu)化策略推薦模塊的輸入屬性和特征。根據(jù)網(wǎng)絡(luò)狀態(tài)的特征畫像，設(shè)計(jì)人員通過深度學(xué)習(xí)技術(shù)構(gòu)建網(wǎng)絡(luò)狀態(tài)與優(yōu)化策略之間的關(guān)聯(lián)模型。然后，設(shè)計(jì)人員需要利用皮爾遜相關(guān)系數(shù)評(píng)估網(wǎng)絡(luò)對(duì)于特定優(yōu)化策略的響應(yīng)得分，從而得出網(wǎng)絡(luò)狀態(tài)與優(yōu)化策略特征的匹配程度，找到與當(dāng)前網(wǎng)絡(luò)狀態(tài)最接近的歷史網(wǎng)絡(luò)狀態(tài)，預(yù)測(cè)目標(biāo)網(wǎng)絡(luò)對(duì)特定優(yōu)化策略的響應(yīng)。設(shè)計(jì)人員可以結(jié)合網(wǎng)絡(luò)的歷史性能數(shù)據(jù)和實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，運(yùn)用值函數(shù)網(wǎng)絡(luò)（Critic）學(xué)習(xí)算法預(yù)測(cè)網(wǎng)絡(luò)在未來一段時(shí)間內(nèi)的性能變化趨勢(shì)。設(shè)計(jì)人員需要利用格網(wǎng)搜索方法搜索最優(yōu)推薦算法參數(shù)，構(gòu)建一個(gè)無條件概率條件模型，對(duì)未曾測(cè)試的參數(shù)組合的潛在性能進(jìn)行準(zhǔn)確預(yù)測(cè)。

3 交互層

在實(shí)現(xiàn)方面，基于數(shù)字孿生技術(shù)的無線網(wǎng)絡(luò)優(yōu)化交互層集成以下關(guān)鍵技術(shù)功能：（1）UI視覺界面設(shè)計(jì)：為提供清晰、直觀且具備智能反饋機(jī)制的操作界面，設(shè)計(jì)人員可以采用基于機(jī)器學(xué)習(xí)算法的動(dòng)態(tài)適應(yīng)性設(shè)計(jì)風(fēng)格，界面主要?jiǎng)澐譃橐韵聨讉€(gè)部分：實(shí)時(shí)網(wǎng)絡(luò)狀態(tài)展示、基于深度學(xué)習(xí)的優(yōu)化策略展示、多模態(tài)操作控制區(qū)域。（2）實(shí)時(shí)監(jiān)控與預(yù)警：為幫助網(wǎng)絡(luò)管理員及時(shí)了解網(wǎng)絡(luò)狀態(tài)變化，系統(tǒng)提供實(shí)時(shí)反饋服務(wù)。當(dāng)網(wǎng)絡(luò)狀態(tài)發(fā)生重大變化時(shí)，如信號(hào)強(qiáng)度低于閾值、數(shù)據(jù)傳輸速率下降等，采用Apache Kafka事件驅(qū)動(dòng)架構(gòu)第一時(shí)間將相關(guān)信息推送至網(wǎng)絡(luò)管理員終端。（3）定制化配置：設(shè)計(jì)人員使用Bootstrap前端框架提供多種預(yù)設(shè)的界面風(fēng)格供用戶選擇；運(yùn)用CSS樣式表，允許用戶自定義字體大小和顏色；JSON配置文件存儲(chǔ)用戶自定義的數(shù)據(jù)指標(biāo)配置。

4 測(cè)試實(shí)驗(yàn)

4.1 實(shí)驗(yàn)準(zhǔn)備

為驗(yàn)證基于數(shù)字孿生的無線網(wǎng)絡(luò)優(yōu)化系統(tǒng)的性能及可行性準(zhǔn)備進(jìn)行模擬測(cè)試，設(shè)計(jì)人員選用HP ProLiant DL360p服務(wù)器，配備32核心、64 GB內(nèi)存，確保計(jì)算效率；Cisco Packet Tracer模擬實(shí)時(shí)的無線網(wǎng)絡(luò)數(shù)據(jù)；采用Visual Studio Code作為編程環(huán)境，編寫、調(diào)試和優(yōu)化數(shù)字孿生算法。

4.2 實(shí)驗(yàn)結(jié)果

設(shè)計(jì)人員需要隨機(jī)選取5個(gè)不同的無線網(wǎng)絡(luò)環(huán)境節(jié)點(diǎn)進(jìn)行測(cè)試。測(cè)試結(jié)果如表1所示。

實(shí)驗(yàn)數(shù)據(jù)表明，通過對(duì)5個(gè)不同無線網(wǎng)絡(luò)環(huán)境的測(cè)驗(yàn)，得出本優(yōu)化系統(tǒng)的平均響應(yīng)速度為5.77M/s，表明系統(tǒng)具有較快的實(shí)時(shí)網(wǎng)絡(luò)狀態(tài)監(jiān)測(cè)能力；優(yōu)化策略執(zhí)行成功率達(dá)98%以上，表明系統(tǒng)在執(zhí)行優(yōu)化策略方面具有較高可靠性；在網(wǎng)絡(luò)性能改善方面，平均改善率為17.1%，這表明系統(tǒng)可以有效提升無線網(wǎng)絡(luò)性能。

5 結(jié)語

在數(shù)字化轉(zhuǎn)型的大潮中，基于數(shù)字孿生的無線網(wǎng)絡(luò)優(yōu)化系統(tǒng)設(shè)計(jì)為我國的無線網(wǎng)絡(luò)領(lǐng)域帶來革命性的視角和無限可能。該系統(tǒng)融合前沿的信息技術(shù)與網(wǎng)絡(luò)管理理念，通過網(wǎng)絡(luò)空間與物理空間的映射與互動(dòng)，構(gòu)建起一個(gè)高精度、動(dòng)態(tài)可視化的網(wǎng)絡(luò)優(yōu)化框架，為我國無線網(wǎng)絡(luò)基礎(chǔ)設(shè)施的穩(wěn)定性和性能升級(jí)提供了堅(jiān)實(shí)的技術(shù)根基。

參考文獻(xiàn)

［1］牛和昊，林志，王勇，等.智能反射面輔助的無線網(wǎng)絡(luò)加權(quán)和速率優(yōu)化設(shè)計(jì)［J］.國防科技大學(xué)學(xué)報(bào)，2023（6）：56-63.

［2］付國帥.一種優(yōu)化云無線接入網(wǎng)絡(luò)資源分配算法［J］.火力與指揮控制，2023（11）：67-71，80.

［3］宋嚴(yán).無線傳感器網(wǎng)絡(luò)節(jié)能路由優(yōu)化算法研究［J］.長(zhǎng)春師范大學(xué)學(xué)報(bào)，2023（10）：29-34，70.

［4］鄭嵐，徐麗萍.基于遺傳感知優(yōu)化算法的無線傳感網(wǎng)絡(luò)資源分配研究［J］.新鄉(xiāng)學(xué)院學(xué)報(bào)，2023（9）：31-36.

Research on wireless network optimization method based on digital twin

Abstract： "This paper proposes a wireless network optimization system design scheme based on digital twin， which consists of three layers of architecture， data layer， application layer and interaction layer， including four main modules， such as data acquisition， data processing and etc. It uses digital twin technology to build a wireless network digital twin model to realize real-time monitoring and analysis of wireless network. The potential problems and bottlenecks in the network are found out， and the optimized wireless network configuration parameters are obtained by optimizing the digital twin model to improve the performance and stability of the wireless network. The experimental results show that this optimization scheme can effectively improve the performance of wireless network and improve the utilization rate of network resources.

Key words： digital twin; wireless network; data acquisition; optimization algorithm