異構認知網絡環境下的動態分級資源管理方法

文娟，盛敏，張琰

(西安電子科技大學 ISN國家重點實驗室 信息科學研究所，陜西 西安 710071)

1 引言

認知網絡是一種基于異構、融合的新型網絡，它能夠對當前網絡環境進行觀察、理解、計劃、推理和決策，并通過動態地調整網絡的配置，從而靈活地適應網絡環境的變化以及對未來進行以端到端為目的的決策。認知異構網絡的資源管理方法主要是在資源有限的條件下，動態管理多個網絡中的無線資源以及為不同接入網動態地分配業務流，從而最大程度地提高資源利用率，并為用戶終端提供業務質量保障。

認知異構網絡環境下的資源管理問題已經成為認知網絡領域中的重要研究內容，主要包括資源管理架構及方法等方面的研究。IEEE 1900.4工作組提出了優化無線頻譜資源使用的基本架構[1]，通過網絡和用戶之間的信息交換實現了動態頻譜分配、動態頻譜共享和分布式無線資源使用優化 3個場景，但卻沒有提出相應的實現方法。Dusit Niyato在文獻[2]中提出了異構無線接入網絡中基于非合作博弈論的無線資源管理方法，可以有效管理多個網絡的各級資源，但網絡缺乏認知功能。R. Agusti提出了在超3G網絡中的基于模糊神經網絡的聯合無線資源管理方法[3]，充分利用了網絡的可重構特性，根據網絡當前狀態，結合運營商的策略以及用戶的喜好，為用戶選擇合適的網絡，但卻忽略了對各個網絡的頻譜資源的動態管理。Kang Wang提出了基于多屬性決策的異構網絡選擇算法[4]，根據用戶的主觀喜好和網絡之間的客觀差異確定各個屬性的權重值選擇網絡，但并沒有給出相應的帶寬分配方法。

目前，認知網絡中的資源管理方法都只關注了無線資源管理的某一方面，而缺乏對整體及部分無線資源的綜合管理；同時由于沒有考慮智能方法的收斂速度與通信網絡狀態變化周期之間的匹配問題，使得現有的認知無線網絡資源管理方法的可實現性差。本文提出了一種異構多網絡環境下的資源統籌分配方法，通過資源變化的不同粒度引入了不同時間尺度上的智能方法，從而實現了多網絡間及網絡內資源的合理分配和使用，使網絡效能最大化。

2 基于認知的分級動態資源管理方法

本文采用了如圖1所示的分級的動態資源管理方法，DHRM由網絡級資源分配、網內資源預留、網絡選擇、連接級資源分配和接納控制5個功能實體組成。

圖1 分級的動態資源管理方法

DHRM 使用集中式和分布式相結合的資源管理方法，通過引入有效的預測和學習方法，對網絡資源進行不同時間尺度的重配置，不僅充分利用了網絡的各級資源，還實時地將業務流分配到最佳接入網中，有效提高了異構網絡環境下的系統資源利用率并保障了用戶的QoS要求。

2.1 網絡級資源分配

本文研究的場景如圖2所示，圖中由WMAN、CDMA Cellular、WLAN組成了一個典型的異構無線網絡環境。在該環境下，多模終端可以選擇任意一個網絡接入。

假設網絡運營商同時負責管理這3個網絡，其希望最大化自己的效益；又由于移動網絡中的業務具有“潮汐現象”，這就要求資源的分配要和業務強度的變化相匹配，才能更好地使用資源，因此本文采用基于小波神經網絡的最優化模型對網絡級資源分配進行建模。首先，通過采集各個區域每小時內的業務量，運用小波神經網絡模型預測未來一小時內各個區域業務量，并以此作為最優化模型分配的依據，動態地將各個網絡的可用資源分配到不同的區域，使各區域的可用帶寬與各時段的業務需求相匹配，從而使網絡靈活地適應用戶業務需求的變化。

圖2 異構無線接入網絡環境

如圖2所示，整個系統按網絡覆蓋情況分為3個區域，區域1僅被WMAN網絡覆蓋，區域2被蜂窩網和WMAN網絡共同覆蓋，區域3被蜂窩網、WMAN和WLAN 3個網絡共同覆蓋。為了分析系統的整體效益，將引入網絡效用函數[2]。

Ui,l=σ log(αb)，表示網絡i為連接l分配帶寬b所獲得的收益，σ和α為常數，則系統的總收益為

其中，mi、ci分別表示WMAN和Cellular為各個區域分配的帶寬， Ni=B/bm表示區域i的平均用戶數，B是由小波神經網絡輸出的區域i網絡業務量的預測值，bm為平均每個用戶的業務量。這樣，網絡級資源分配最優化問題建模為

其中，Bm、Bc分別表示WMAN和Cellular網絡的總帶寬，最優化模型中的約束條件表示網絡為各個區域分配的帶寬之和等于該網絡可用的總帶寬。通過求解上述最優化模型可以獲得使系統效益最大化的帶寬分配方案。

網絡業務分布呈現很強的時間規律性，如果平均每個用戶需要的業務量 bm不變，各個區域每個時段的平均用戶數將發生很大的變化，這使得利用各個區域全天平均用戶數計算出網絡級帶寬分配方案的資源利用率低。因此需要采集每個時段的網絡業務量作為歷史數據，通過小波神經網絡預測下一時段的業務量，從而推測出各個區域下一個時段需要服務的用戶數。

小波神經網絡是基于小波變換而構成的神經網絡模型，即用非線性小波基函數取代通常的神經元非線性激勵函數(如Sigmoid函數)。本文采用3層網絡架構，其輸入層、隱含層、輸出層的神經元個數分別為n、m、1。小波神經網絡的輸入參數為某區域各個時段網絡業務量x1,x2,…,xn。wij, wjk分別為輸入層與隱含層、隱含層與輸出層的連接權值，則隱含層輸入為，隱含層輸出其中

bj、 aj分別為小波基函數的平移因子與伸縮因子，f為小波基函數 f (x) = cos(1.75x) e-x2/2，小波神經網絡輸出層輸入為，輸出層輸出為y_out=y_in，網絡業務需求的真實值T作為教師信號訓練神經網絡。小波神經網絡模型的性能函數為預測值與真實值的均方誤差，其中，p表示第p組訓練數據，一共有Np組訓練數據。為了使預測的均方誤差達到最小，采用最陡梯度下降法修正網絡參數，其修正公式為 w(n+1)=w(n)-ηΔw=w(n+1)-η?e/?w，其中 w(n)表示第 n 個時刻的網絡參數，η為學習速率。通過對各網絡參數求導，得出

通過上述修正公式不斷訓練神經網絡，直到預測的均方誤差小于某一給定的閾值，訓練方可結束，并使用訓練好的小波神經網絡預測網絡資源，得出下一時段某一區域的業務量，進而求出網絡級資源分配方案。

2.2 網內資源預留

在網間資源統一規劃的基礎上，有效管理各個網絡內的資源，可以使每個網絡的資源利用率最大化，從而進一步提高系統性能。通過網間資源的有效分配，各個區域將獲得來自不同網絡的可用資源，為了保障切換呼叫掉話率，將預留其中一部分資源專供切換呼叫使用。根據業務的實時需求，合理預留資源將避免由于預留資源過多或過少而帶來的資源浪費以及用戶體驗下降的問題，從而提高資源利用率。

網內資源預留將根據網絡級帶寬分配結果，并利用各個網絡的本地信息，采用維納過程對業務資源的需求量進行建模，從而準確地預測出每分鐘切換呼叫的實際需求量，實時地為切換呼叫預留一部分資源，達到合理、有效地管理各個網絡的無線資源并保證了連接級 QoS要求(新呼叫阻塞率和切換呼叫掉話率)的目的。

令 R(t)為t時刻切換呼叫需要的資源，一方面R(t)受很多獨立或弱相關的因素影響[5]，另一方面用維納過程對呼叫所需資源進行建模，新呼叫或切換呼叫可以服從非泊松或非平穩的到達過程，每個呼叫所需資源可以不固定，因此使用維納預測方法預測的切換呼叫對網絡資源的需求量具有較高精度。維納預測模型為：

其中，Δt為預測間隔，μ、δ為常數，β為標準正態隨機變量，因此ΔR均值為μΔt，標準差為δ Δt的正態隨機變量。可以周期性地采集本網中切換呼叫需要的資源作為歷史數據估計μ和δ值。

為了減少采樣所需要的時間，采樣周期可以比預測周期短，一般采25個點就可以準確地估計μ和δ值。由于ΔR是正態隨機變量，因此無法預測出其確切的取值，但是對于給定的置信水平，就可以求出其相應的置信區間，進而獲得需要為切換呼叫預留的資源量。假設切換呼叫對網絡資源的實際需求量 R(t)大于網絡為其預留的資源 L(t)，切換呼叫將由于沒有足夠的資源為其服務而掉話，因此有Pr(R(t)>L(t))=CDP，則 Pr(R(t)≤L(t))=1-CDP，其中，CDP表示切換呼叫掉話率。由于ΔR~N(μΔt，，那么對于給定的預測間隔Δt，切換呼叫掉話率CDP，根據

即可實時地得到滿足連接級 QoS要求的網內資源預留方案，其中，ΔL為ΔR的置信上界。

2.3 網絡選擇

在異構網絡環境下，多模終端可以選擇性地接入某個網絡，這就為動態分配業務流提供了可能。網絡選擇將根據網絡級資源分配以及網內資源預留的結果，獲得用戶所在區域各個覆蓋網絡的資源使用情況，并結合當前網絡狀態及用戶喜好，選擇一個最佳的網絡接入，從而達到動態地分配業務流、間接地改善網絡狀態的目的。

異構認知網絡中的網絡選擇采用多屬性決策算法[4]，假設用戶所在區域一共被 l個網絡覆蓋，網絡選擇的時候綜合考慮網絡中的q個屬性，本文中考慮信號強度、可用帶寬和服務成本(即網絡運營商為用戶提供單位字節服務需要的成本)3個屬性，這是因為信號強度和可用帶寬是保證通信質量的最基本要素，同時為了簡單起見，用服務成本這一屬性來區分各個網絡為不同業務的服務能力的不同。本文只考慮話音與數據2種業務。由于WLAN網絡適合數據業務傳輸，因此假設 WLAN網絡為數據業務提供服務比為話音業務提供服務所需的成本低，同理假設CDMA Cellular網絡為話音業務提供服務比為數據業務提供服務需要的成本低，以使數據業務盡量選擇 WLAN網絡，話音業務盡量選擇CDMA Cellular網絡。通過各個網絡周期性的廣播信息，將獲得網絡中各個屬性的測量值xij(i=1,2,…,q且j=1,2,…,l)。首先通過歸一化處理得到網絡j有關屬性i的標準化屬性值rij(i=1,2,…,q且j=1,2,…,l)；其次，根據用戶主觀意愿，通過層次分析法[4]獲各屬性權重向量 w=[w1,w2,…,wq]；最后，計算各個網絡的性能值選擇性能值最大的網絡作為目標網絡接入。正是由于網絡選擇中考慮了各個網絡資源的占用情況，用戶將側重選擇輕負載網絡，從而起到了防止網絡擁塞的目的。

2.4 連接級帶寬分配

在用戶所選的網絡中，連接級帶寬分配將根據網絡級資源分配和網內資源預留的結果推測網絡資源的使用狀態，并結合用戶的偏好，為新到達的用戶分配相應的帶寬資源，其目的是使網絡運營商和用戶都滿意。

網絡希望通過為用戶提供服務從而獲得最大收益，而用戶則希望以最小的代價獲得令自己滿意的服務。不同的用戶對網絡的要求不同，有的關心價錢，而有的則在意通信質量。在連接級帶寬分配中，為了使網絡運營商效益達到最大，并同時滿足用戶體驗，需要給對服務質量要求高的用戶分配高帶寬，以獲得高收益并滿足用戶的需求；給對價錢敏感而不在乎服務質量的用戶分配低帶寬，以使更多的用戶可以接入本網絡，因此，要先推測出用戶的偏好，作為連接級帶寬分配的依據，才能為其分配相應帶寬資源。

用Sij表示網絡為業務i提供j服務，Sij由3個屬性共同決定，分別是網絡為業務i可分配的帶寬bij，相應的服務速率vij，需要收取的服務費用cij。假定網絡為業務 i可分配的帶寬集合為{bi1,bi2,…,biNi}(bij＜bij+1)，相應的服務速率為{vi1,vi2,…,viNi}(vij＜vij+1)，需要收取的服務費用為{ci1,ci2,…,ciNi} ((cij＜cij+1))。由于相同的服務，不同用戶的個人感知是不一樣的，即使是同一個用戶，對不同業務的服務要求也不盡相同。本文將利用增強學習的方法，推測出用戶在當前網絡狀態下希望得到的服務，其具體過程如下：網絡為用戶提供服務，用戶將對其滿意的服務賦予正回報 r，而對其他服務賦予零回報，并不斷調整用戶對當前服務的感知值[7]。調整公式為：vij=(1-τ)vij+τrv，cij=(1-τ)cij+τrc,w=(1-τ)w+τrw，其中，w為有關費用的權重值，折算因子τ為任意常量，并滿足 0≤τ＜1。由各個服務的服務速率與服務價錢的感知值，可以獲得各個服務的性能值ξij=(1-w)vij+wcij。一般來講，性能值大的服務代表用戶比較傾向選擇該服務，如果總是選擇性能值大的服務，用戶將逐漸失去感知其他服務的機會，也就無法獲得對于其他服務的感知值。為了避免陷入局部最優，需要根據相應的性能值ξij，計算選擇每個服務的概率，e為探索因子，e的大小隨著迭代次數的增加而增大，當e很大時，會以較高的概率選擇效用值大的服務，否則以較高的概率選擇其他的服務。如果立即回報值是有限的，而且可以無限頻繁地感受每個服務，則ξij將收斂到用戶的感知值。通過增強學習算法，可以推測用戶偏好的服務Sij，連接級帶寬分配將根據推測結果，為用戶分配相應帶寬bij。

最后，接納控制將根據網絡選擇、網內資源預留以及連接級資源分配的結果，決定網絡是否接入到達的用戶。

3 仿真結果與分析

3.1 仿真參數設置

仿真場景如圖2所示，假設WLAN的信道速率為11Mbit/s，WMAN和CDMA Cellular傳輸速率分別為10Mbit/s、2Mbit/s，采用自由空間路徑損耗模型，網絡效用函數[2]的參數為σ=1, α=0.7，各個區域每個時段的用戶數服從正態分布，其均值滿足“潮汐現象”，方差為0.5。小波神經網絡采用3層架構，輸入層、隱含層和輸出層神經元的個數分別為4、7、1，即根據前4天各個區域的業務量預測第5天的業務量，網間資源重配置周期為1h。維納預測的預測間隔為1min，采樣間隔為10s，采樣點數為25，系統切換呼叫掉話率要求為5%。連接級帶寬分配中，話音業務可分配的傳輸速率為25kbit/s、50kbit/s和 100kbit/s，數據業務可分配的傳輸速率為50kbit/s、200kbit/s和500kbit/s，系統中每小時用戶總的到達率是固定的。

3.2 仿真結果分析

圖3為系統和各個網絡的總效用值比較，可以看出 DHRM 與文獻[2]中的 ISRM(inter-network static resource management，網間靜態資源管理)方法相比，系統總效用值有了明顯提高，并且WMAN網絡貢獻最大。雖然這2種方法在網間資源分配中都采用最優化模型求解分配方案，但 DHRM 通過實時地管理WMAN和CDMA Cellular 2個網絡分配到各個區域的無線資源而提高了它們的網絡效用值，而WLAN由于僅覆蓋在一個區域中，其網絡級資源無法動態調配，所以WLAN網絡效用值基本沒變。總的來說，DGRM通過合理調配網絡級資源，明顯改善了系統總效用值。

圖3 系統及各網絡效用值比較

圖4 為系統在前5個時間段的新呼叫阻塞率和切換呼叫掉話率比較，DHRM在網絡預留中，使用基于維納過程的預測方法預測切換呼叫資源需求量，并實時地為切換呼叫預留相應資源，可以保證切換呼叫掉話率(CDP, call dropping probability)在5%以下，而新呼叫的阻塞率(CBP, call blocking probability)比ISRM的阻塞率降低約15%。

圖4 新呼叫/切換呼叫阻塞率比較

從圖5可以清晰地看出，DHRM方法使WMAN和 CDMA Cellular接入的用戶數明顯提高，并且WMAN改善量高于 CDMA Cellular，而 WLAN接入的用戶數基本沒有變化，這是因為 WMAN和CDMA Cellular覆蓋不同的區域，可以通過動態調整網絡為各個覆蓋區域的資源分配方案，以提高資源的利用率，而WLAN網絡僅覆蓋在一個區域內，無法動態分配網絡資源，因此接入用戶數沒有明顯的變化。

從圖6可以明顯地看出，DHRM優于ISRM，系統接入總用戶數提高了近20%。DHRM不僅聯合管理了多個接入網的網絡級以及連接級資源，而且可以根據網絡環境的變化，實時地為各接入網分配業務流，間接地改善了網絡環境，有效提高了系統資源利用率，增大了系統接入的總用戶數。

圖5 各網絡接入用戶數比較

圖6 系統總接入用戶數比較

4 結束語

本文提出了一種基于認知的動態分級資源管理方法，通過引入有效的預測方法和學習方法，獲得網絡不同時間尺度的資源需求情況以及用戶的偏好，并根據獲得的信息動態地調配網絡各級資源。此外，本文應用多屬性決策方法，根據網絡實時狀態以及用戶的主觀意愿，將業務流動態地分配到各個接入網中，從而使網絡資源與業務需求在不同時間尺度上相互匹配。仿真結果表明，DHRM方法相對于ISRM方法系統性能有了明顯的提高。在今后的工作中將進一步分析智能算法的引入所帶來的系統開銷，并探索 DHRM 算法在現有網絡功能實體中的實現途徑，從而大幅提升現網性能。

[1] BULJORE S，HARADA H，FILN S. Architecture and enablers for optimized radio resource usage in heterogeneous wireless access networks: the IEEE 1900.4 working group[J]. IEEE Communications Magazine, 2009,(1):122-129.

[2] NIYATO D, HOSSAIN E. A noncooperative game-theoretic framework for radio resource management in 4G heterogeneous wireless access networks[J]. IEEE Transactions on Mobile Computing, 2008,7(3): 332-345

[3] AGUSTI R，SALLENT O，PEREZ-ROMERO J. A fuzzy-neural based approach for joint radio resource management in a beyond 3G framework[A]. Proceedings of the First International Conference on Quality of Service in Heterogeneous Wired/Wireless Networks (QSHINE’04)[C].2004.

[4] WANG K, ZHENG Z R，FENG C Y. A heterogeneous network selection algorithm based on multi-attribute decision making method[J]. Radio Engineering, 2009, 39(1): 1-3.

[5] ZHANG T，Eric van den Berg，CHENNIKARA J. Local predictive resource reservation for handoff in multimedia wireless IP networks[J].IEEE Journal on Selected Areas in Communications, 2001, 19(10):1931-1941.

[6] YU F, VINCENT W S, VICTOR C M. Efficient QoS provisioning for adaptive multimedia in mobile communication networks by reinforcement learning[A]. Mobile Networks and Applications 11[C].2006.101-110.

[7] LEE G, FARATIN P, BAUER S. A user-guided cognitive agent for network service selection in pervasive computing environments[A]Proceedings of the Second IEEE Annual Conference on Pervasive Computing and Communications (PERCOM’04)[C]. 2004.1-10.