用戶行為驅動的自組織網絡資源配置研究

劉自強　任晨珊　田輝

提出了通過將用戶行為作為自組織網絡資源管理考慮的因素來彌補當前網絡不足的方法。對動態和靜態用戶行為特征的提取進行了分析，選取了典型的自組織網絡資源分配場景，給出了這些場景下利用用戶群體行為特征和個性行為特征進行網絡資源優化配置的方法。指出在利用用戶行為特征進行網絡資源配置時需要根據具體的場景，選取合適的用戶行為分析模型，提取相應的關鍵參數，從而實現對網絡資源的高效配置。論證了戶行為驅動的自組織網絡資源配的可行性。

第5代移動通信；用戶行為；自組織網絡；資源配置

1 5G與用戶行為

當前無線通信的業務量正在飆升。根據思科的預測，未來移動通信數據業務在2011年至2016年的年復合增長率將達到78%[1]。移動通信產業面臨巨大的挑戰：在未來10年中移動數據業務將有1 000倍的增加[2]。同時，隨著智能終端的普及，海量設備連接和各類新業務、應用場景也不斷涌現。下一代移動通信系統——5G需要滿足這些需求和挑戰。標準化組織IMT-2020起草了5G愿景白皮書[3]，其中歸納了5G中的典型場景和關鍵參數指標以及可能采用的相應關鍵技術。白皮書中歸納的5G主要關鍵參數指標包括：更高傳輸速率（10 Gb/s）、更高頻譜效率（5～15倍）、更高連接數密度（100萬/km2）、更低時延（毫秒級）。

然而，現有的網絡構架和資源分配方式并不能很好的應對這些挑戰和實現白皮書中5G愿景。這些不足主要體現在以下兩個方面。第一，現有異構無線資源管理對用戶業務在時空范圍動態分布的自適應能力不足。隨著數據流量的增加，業務的潮汐效應變得更加明顯[4-5]。一方面，由于特定原因造成的人群集中化導致區域化網絡負荷過重、資源緊缺；另一方面，由于空閑的空載或零星負載的基站處理能力無法轉移而形成資源浪費。第二，可管控的資源形態可拓性不足。傳統無線蜂窩系統從時域、頻域、碼域、空域對資源進行描述（如時隙、子載波、碼道、空域子信道），日益面臨著資源耗竭的危機。因此需要探尋新的資源相關維度，對資源形態進行進一步的拓展。此外，5G網絡下要求速率、容量的提升，導致小區的密集化，從而使干擾及能效問題變得不容忽視[6]。而根據當前網絡狀態被動式的資源管理方式和網絡單元的密集化也使得信息共享代價變得高昂甚至難以承擔。

如果將這些挑戰聚焦在一起，我們能夠發現用戶及其行為是這些挑戰的一個關鍵成因。一方面，豐富的移動互聯網業務在填補用戶大量碎片化時間的同時增強了用戶交互和關聯，延展了用戶的多重身份（視頻觀眾、新聞讀者、廣播聽眾、網站訪客以及社交平臺信息發布者/傳播者），激發了用戶間空前高漲的協同意愿（協同度）。結合用戶智能終端能力的提升，移動用戶行為之間的關聯關系對現有移動通信網絡通信資源形態的拓展具有重要潛力。另一方面，用戶業務需求的個性化以及行為的隨機性和差異性日益凸顯[7-8]，大量用戶的行為也呈現出具有時空分布特性的群組特征。隨著無線資源管理功能的增強，用戶的行為特征為網絡資源對用戶需求的靈活適配以及網絡資源利用效率的提升提供了指導性依據，可以作為網絡資源配置中新的資源維度。因此，用戶對網絡的驅動作用不斷提升。并且用戶作為信息網絡的核心組成部分，由其行為產生的需求是網絡首先應當考慮滿足的。如何利用用戶行為對網絡的驅動效應，使網絡能夠智能的調配資源以應對時空需求非均勻、周期性的用戶業務需求，優化網絡配置，是應對5G面臨挑戰可行方法之一。

本文從用戶行為的角度出發，將用戶行為作為網絡自組織資源分配的考慮因素之一。第二部分從靜態和動態兩個方面介紹用戶行為挖掘的方法。第三部分給出利用用戶行為挖掘結果進行網絡自組織資源分配的示例。最后在第四部分對全文進行總結。

2 用戶行為挖掘

用戶行為在一定程度上體現了用戶的需求，基于對當前用戶行為的分析與研究，可預測用戶在未來一段時間內的行為，提前預知潛在的通信需求和規律，主動地完成無線資源配置。用戶行為分為兩種：一種是表示用戶與用戶之間關系的靜態用戶行為，另一種是用戶動態行為。靜態用戶行為挖掘，注重用戶組織關系的預測，而動態用戶行為挖掘則注重用戶軌跡的分析。

2.1 靜態用戶關系預測

靜態用戶關系預測是指通過研究非直接關聯的兩個用戶之間的相似性，估計這兩個用戶發生關聯的可能性。目前基于復雜網絡的鏈路預測模型可以有效地實現靜態用戶關系的預測。鏈路預測模型如圖1所示，整個社交網絡可映射為一個復雜網G （V，E ），其中節點集V[={v1，v2，…，vn}]對應于社交網絡中的用戶集，節點之間的連邊集E[={e1，e2，…，em}]對應于用戶之間的直接關系集。用戶之間存在著串聯的關系鏈，被稱為復雜網絡中的拓撲路徑，用戶之間發生聯系的可能性取決于拓撲路徑對用戶之間相似性的傳遞能力。基于復雜網絡的鏈路預測方法是通過研究用戶端點之間拓撲路徑對相似性傳遞的影響來實現預測模型的構建。

如果兩個端點之間信息傳遞的能力越強，那么這兩個端點越相似，未來兩個端點發生直接關聯的可能性就越大。為了數值化表示相似性，預測模型通過對拓撲路徑的研究來估計端點之間的相似性S，S值越大兩個端點發生連接的可能性越大。根據拓撲路徑長度，鏈路預測算法可以分為：局部路徑相似性算法，例如公共鄰居算法（CN）、阿達米克阿達算法（AA）、資源分配算法（RA）；全局路徑相似性算法，如凱茨算法（Katz）；半局部路徑相似性算法，如本地路徑（LP）、本地隨機游走（LRW）、疊加隨機游走（SRW）[9]。各算法的預測準確性可用受試者工作特征曲線下面積（AUC）度量指標進行衡量。雖然基于全局路徑相似性的算法具有較好的預測準確性，但是復雜度高，實用性差。因此本文將重點討論局部路徑相似性算法和半局部路徑相似性算法。通過對網絡模型的研究，進一步提出優化算法，并在有代表性的幾個實際網絡上進行驗證。代表性網絡包括：美國航空網USAir、美國國家電網PG、蛋白質作用網Yeast、網絡科學家合作網絡NS、爵士樂手合作網Jazz、新陳代謝網絡CE、臉書好友網絡Slavko、電子郵電網絡E-mail、傳染病網絡Infec、歐洲合作網ES、UC大學社交網絡UcSocial、生物鏈網絡FW和Small & Griffith以及Descendants引文網。

2.1.1 局部路徑相似性算法

基于局部路徑相似性算法僅研究長度為2的拓撲路徑。研究兩個端點公共鄰居的屬性，依據“朋友的朋友就是朋友”的原則，公共鄰居越多則通過共同好友傳遞相似性的能力就越強，兩個端點越相似。但是傳統關系預測算法在不同用戶關系網中缺乏適應性，尤其是對用戶弱關系性能的差異呈現出較低的敏感性。因此本文在AA和RA算法的基礎上，構建增強弱關系的預測模型，以實現更好的預測性能。

設局部拓撲路徑的中間節點為z，其度值為kz。kz越大，節點z的信息傳輸能力越弱，從而表現出強關系。否則kz表現出弱關系。假設待預測端點為x和y，其中x和y的鄰居集合分別為[Γ（x）]和[Γ（y）]。

為了突出不同網絡中弱關系的差異性，本文在AA和RA的基礎上，添加自適應懲罰因子β以懲罰強關系突出弱關系，從而得到優化AA算法（OAA）和優化RA算法（ORA）預測算法[10]：

[SOAAxy=z∈Γx?Γylogkzβ] （1）

[SRAxy=z∈Γx?Γykzβ] （2）

將OAA和ORA算法在5個代表性網絡中進行AUC性能仿真驗證，結果如圖2和表1所示。從仿真結果可以看出并非所有網絡都在β=-1時取得最優。但通過調整β，可以準確地找到適合每個網絡的最優β。在多數網絡下OAA和ORA算法預測準確性優于傳統的局部相似性算法CN、AA和RA。

2.1.2 半局部路徑相似性算法

傳統的基于半局部路徑相似性算法在降低算法復雜度的同時具有較高的預測準確性。然而，傳統半局部路徑相似性算法忽略了不同路徑組成節點的差異性，而且忽略了路徑端點影響力中存在著冗余影響力的問題。

（1）路徑異構性問題的研究

在傳統半局部路徑相似算法中，路徑被建模成一條路由線路，兩個端點之間的相似性取決于它們之間的路徑條數。實際上，路徑是由不同屬性的節點組成的，應該在路徑建模時考慮路徑中間節點的屬性，給予信息傳輸能力強的路徑更高的權重。據此本文提出了在不同網絡中突出路徑中小度節點作用，削弱大度節點作用的Significant Path算法（有意義路徑算法，簡稱SP算法）[11]。

設q表示任意一條連接節點x和y的路徑，M（q）表示路徑q去除端點之外所有中間節點組成的集合，vi表示路徑q的任意一個中間節點，ki表示節點vi的度值，P2（vx，vy）和P3（vx，vy）分別表示端點x和y之間長度是2和3的路徑集，α∈[0，1]是路徑長度的懲罰因子，β是節點度懲罰因子。路徑q的傳輸能力表示為：

[ζ（q）=vi∈M（q）kβi] （3）

由于長度大于3的路徑在實際計算中復雜度大貢獻小，因此模型僅考慮長度為2和3的路徑。所以x和y之間異構路徑相似性鏈路預測如下所示：

通過在12個網絡中仿真計算算法的AUC性能，得到結果圖3和與傳統算法比較的結果如表2所示。可以看出，不論α取何值，AUC均在β<0時達到最優，并且最優曲線對應的α遠小于1。SP算法突出了較短路徑和強信息傳遞能力的路徑，并且相比于傳統算法，SP算法的預測準確性在大多數網絡中都有明顯的改進。

（2）控制端點冗余影響力問題的研究

傳統算法在研究端點影響力對端點相似性的作用時，忽略了端點影響力實際存在的冗余問題。冗余影響力不利于準確發現節點的相似性，因此需要研究如何控制端點冗余影響力。研究方法主要有兩種：通過懲罰無貢獻冗余影響力增強預測的準確性和通過抽取有效影響力建模端點之間相似性。

（a）通過懲罰無貢獻冗余影響力增強預測準確性

無貢獻關系懲罰（NRP）算法[12]是通過懲罰大冗余影響力突出小冗余影響力以增強預測準確性。首先建模單條路徑連通性，設vi表示路徑中間節點，|E|表示網絡連邊集中的連邊數，t表示所研究的最長路徑長度，P（vi+1|vi）表示從節點vi到vi+1的轉移概率，C（x，y）| jl表示長度為l的第j條路徑中間節點總轉移概率，則：

設N（l）表示長度為l的路徑個數，相似性NRP算法的最終相似性模型為：

進一步考慮所有長度的貢獻，NRP算法最終相似性模型為：

[SNRPxy=i=2tsimx，y|l] （7）

為了驗證NRP算法的性能，本文在9個真實網絡中進行了NRP的AUC性能實驗以及與傳統算法的比較實驗，結果如圖4和表3所示。可以看出最優值出現在β<1，即β-1<0，說明對無貢獻大度進行懲罰可以明顯改善預測準確性；相反取值β>0時性能會急劇下降，表明突出無貢獻關系會降低預測準確性，并且NRP算法明顯優于傳統算法。說明通過懲罰端點無貢獻關系即冗余影響力，可以極大改善鏈路預測的準確性。

（b）通過抽取有效影響力建模端點之間相似性

端點吸引節點與之發生關聯主要依靠有效影響力。因此端點影響力建模可以采取直接抽取有效影響力的方式，如聯合考慮有效影響力和強信息傳播能力建模有效路徑（EP）算法[13]。

通過添加指數參數控制不同網絡下路徑信息傳輸能力的差異性，使算法具有適應性并且突出強信息傳播路徑，即取最優值β>1。則長度為l的所有路徑對于信息傳播能力的影響為：

[Cx，y|l=j=1N（l）Cx，y|jlβ] （8）

接著將可達對端的路徑條數建模為有效影響力。設|Pathslxy|表示在端點x和y之間長度為l的路徑個數，進一步結合長度為2到t的路徑總信息傳輸能力，得到端點x和y之間總的相似性預測模型為：

[SEPxyt=l=2tPathlxyCx，y|l] （9）

由于存在較長路徑貢獻小而代價大的問題，而對節點相似性貢獻最多的路徑長度是2和3，因此僅考慮長度為2和3的路徑可以取得較好的預測效果。為了驗證EP算法的預測準確性，本文利用15個網絡仿真了不同β取值對預測準確性AUC的影響以及EP與傳統算法性能的比較，如圖5和表4所示。可以看出最優值出現在β>1的位置，并且EP算法AUC準確性要明顯高于其他算法。綜上說明通過考慮有效影響力和強信息傳輸能力可以有效增強鏈路預測的準確性。

2.2 動態用戶行為分析

除了靜態人類組織關系行為外，人類移動行為的研究和預測對無線資源調度和分配也非常重要。

目前對人類移動行為的研究和預測主要基于統計學和信息技術展開，分析結論表明[14]：人類活動包含兩類，其一是時間和空間上的周期性活動，其二是同社交關系相關的隨機跳躍活動。近距離活動多體現出時間和空間的周期重復特性，同社交關系關聯不大。遠距離活動受社交關系影響比較明顯。研究表明社交關系可以解釋10%～30%的人類活動，而周期性模式可以解釋50%～70%的人類活動。

依據從簽到網站和移動終端獲得的數據，研究者們繪制出了關于人群的行為模式。圖6是在某城市中某一時刻人群在家中和工作單位的空間位置分布圖以及一天中人們在家和工作單位的時間分布圖，從圖中可以看出明顯的聚集性。圖7顯示的是在某城市中，從中午到午夜時刻，人群移動模式隨時間變化的關系，可以看出具有明顯的周期規律性，白天向工作地點聚集，夜晚向家的方向聚集。

除了在地理和空間位置維度表現出周期性短距離的人群移動行為外，還有受社交關系影響的非周期性長距離行為。人們有時候會因為探親訪友產生出一些非規律性的行為，這些行為大多是由社交關系引起的。根據人們移動行為模式規律建立模型，預測未來人們發生行為的時間和空間位置是非常有意義以及可行的。

研究者們提出了許多方法，具有代表性的是根據人們行為的周期性進行預測的周期移動模型（PMM），PMM和進一步考慮了社交關系的社交周期移動模型（PSMM）[14]。

利用對人類行為的預測來預測未來人群聚集發生的時間和空間位置，并引導無線通信資源的分配，能夠極大地提升資源的利用率和用戶滿意度。

3 用戶行為驅動的網絡

資源配置

由用戶構建的社交網絡與實際通信設備部署網絡之間并非一一對應的關系，因此在獲取和預測用戶行為特征之后需要結合實際應用場景，選取合適的預測特征和數據來完成實際通信設備網絡部署的資源優化配置。

3.1 基于小區負載的覆蓋容量自優化

對所提取的用戶行為特征加以利用將有助于提升網絡整體的承載能力。因此，可利用對個體用戶時間、空間行為的周期性、區域性特征的分析及預測，獲取群體用戶在一定時間、空間范圍的聚集行為。而群體用戶的空間聚集行為將直接決定各小區的負載情況，然后基站便可結合各小區負載的差異性進行覆蓋與容量的自優化調整。如圖8所示，基站可通過對天線配置、發射功率等射頻參數進行聯合調整的方式，將潛在的業務輕載小區的無線資源通過射頻參數調整的方式投射到業務熱點區域，使網絡資源對用戶周期性、區域性業務需求具有靈活的空間流性匹配能力，動態完成對不同區域、不同需求的用戶的流性適配，達到提升網絡覆蓋容量綜合性能的目的。

覆蓋容量的優化過程需要考慮射頻參數的調整對覆蓋及容量性能的諸多方面影響。比如較小的天線仰角會擴大本小區覆蓋范圍而提升邊緣用戶的性能，但同時也會對鄰區用戶帶來更大的干擾并影響鄰區容量。因此，對覆蓋容量的聯合優化需要兼顧覆蓋性能與容量性能、本小區性能與鄰區性能的折衷。考慮到射頻參數的調整與所達到的覆蓋容量聯合性能沒有直接的映射關系，因此覆蓋容量的聯合優化更傾向于采用機器學習等人工智能方式。根據鄰區潛在負載差異及覆蓋容量綜合性能情況完成對射頻參數的自優化調整，并通過對優化經驗的歸納總結，提升基站的自主優化決策能力。所實現的網絡SINR分布性能及覆蓋容量綜合性能優化效果如圖9、圖10所示[15]。經過自優化，各小區的射頻參數會由于負載的差異而有所不同，重載小區的覆蓋范圍較小，其邊緣用戶將移至覆蓋范圍擴大了的輕載小區接受服務。并且，基于小區負載的覆蓋容量自優化方案性能相較于未考慮負載差異的優化方法得到了有效提升。

3.2 基于設備直通協作多播的數據

分發策略

蜂窩網絡所產生的大部分流量是流行內容的下載，例如視頻、音頻或移動應用程序。鑒于大多數用戶行為具有這種共性下載的特點，如果基站把這種具有相同業務請求的用戶數據卸載到設備直通（D2D）網絡，那么就可以有效緩解蜂窩網絡基礎設施的負擔，提高頻譜效率以及用戶滿意度，并在一定程度上解決無線通信系統頻譜資源匱乏的問題。由于大多數用戶行為具有共性以及流動性，并且用戶間的社交關系也體現出了用戶間的協同意愿，那么把用戶之間相同的數據請求通過基站多播方式實現數據分發，就可以極大的提高整個系統的資源利用率。

由于D2D協作多播系統是由獨立的蜂窩用戶組成，用戶間的連接關系時斷時續。而在現實生活中，人們的社交關系相對穩定，因此利用數據挖掘獲得的用戶社交關系可幫助蜂窩網絡建立可靠的D2D傳輸鏈路，如圖11所示。

根據用戶節點i和j的歷史關系信息，用[ωi，j∈[0，1]]表示兩節點間的緊密度。[ωi，j]越大表示節點i和j間將在未來有更多的連接機會。該度量指標描述了鄰居關系并作為數據分發中協作節點選擇的依據。

構建社交網絡鄰居圖G （V，E ），其中V[={v1，v2，…，vn}] 為社交網絡中的節點，每一條邊的權重都由歸一化的平均間隔時間Ci，j和方差Ii，j共同作用產生的緊密度系數[ωi，j]度量。我們利用固定門限IT濾除抖動較大的鄰居節點，即當Ii，j>IT時，表示該鄰居關系穩定性較差，舍棄此條鄰居邊。否則，[ωi，j=Ci，j]。由于該鄰居圖為無向圖，[ωi，j=ωj，i]。di表示節點i度，[di=j∈ ，j≠iωi，j]。通過上述蜂窩網絡鄰居圖的構建，用戶可以向具有合適緊密度[ωt]的用戶發起數據請求。選取門限[ωt]越大，可服務的用戶越少，但通信的穩定性越強。

最終我們以網絡吞吐量最大化為目標，優化問題可表示為：

[s.t. xi，j=0，1，i∈M，j∈N] （11）

[jxi，j=1，i∈M] （12）

[ li，j≤R] （13）

其中[Ci，j=log2（1+PDl-αi，jgi，jN0）]，[PD]表示簇頭節點的發射功率；li，j表示多播傳輸距離（li，j≤R）；gi，j表示服從指數分布的路徑損耗；（11）式表示若用戶j屬于簇i，則xi，j=1，否則xi，j=0；（12）式表示用戶j只能同時屬于一個簇；（13）式表示簇的最大半徑為R。

D2D協作多播網絡容量增益如圖12所示。該圖比較了傳統蜂窩數據分發與不同多播半徑情況下的平均網絡容量累計分布函數（CDF）曲線。由圖可知，D2D協作多播算法所達到的網絡容量要優于傳統蜂窩數據分發算法，并且隨著多播半徑R逐漸減小，D2D簇內多播速率增加。

3.3 個性用戶業務服務資源配置

在通過預測獲取用戶個性化特征之后可以根據提取出的潛在業務發起位置及業務需求等個性化特征進行資源的提前預配置。

基于用戶特征預測的資源分配如圖13所示。用戶（UE）經常由A出發到B，并在B點被動的接收一定量的數據（例如B為展覽館，UE為一個管理員，需要接收一定的解說信息，而解說信息會定期更新）。由于UE經常往返于A和B，在網絡側長期的歷史信息搜集統計中，可以通過用戶關系預測得出UE從A到B之間最常接入的基站集合。根據UE在這些基站中所上報的信道質量歷史信道信息，可以預測出UE在經過這些基站時的平均信息速率。同時根據UE的導航信息，可以獲知UE在從A到B中所需的平均時間。由于B點接收信息較大，如果等用戶A到達B點再更新信息的話，會帶來較多的等待時延。為此，一種新的解決思路是利用上述預測信息，讓UE在B點需要的數據，在預測的中途基站中進行預傳輸，從而達到提升用戶體驗質量的效果。具體分析如下。通過與UE的導航系統的信息交互，以及用戶習慣的預測，可以預測用戶的行進路線如圖中的曲線表示。用戶途徑的基站集合表示為N[={1，2，…，k，…，N}]。由于用戶到達終點B時要下載總量為D比特的本地的業務，在預測到用戶行進的軌跡和相關路徑的基站分布之后，可以在UE的行進途中，提前將B點的業務分散在沿路路徑中的每個基站來完成，以達到節省通信時延的目的。假設進入第[i]（[i∈]N） 基站服務范圍內的UE歷史平均速率為[ci]b/s，單個UE在行進路徑中進入到離開第[i]個基站的歷史平均耗時為[τi]，那么第[i]個基站可承擔的最大平均數據是[Ci=ciτi]比特。假定D分配到第i個基站上應承擔的數據量為xi，那么使得這N個基站組成的系統能效最大化問題可表述為：

[P1：maxxDi=1Nxipici] （14）

[s.t. i=1Nxi≥D 0≤xi≤Ci，?i∈N] （15）

其中[x=x1，x2，....，xN∈?1×N]為數據分配向量，pi為第i個基站的發射功率。P1可用線性優化方案給出最優解。與傳統的資源分配相比，基于預測的資源分配可以有效緩解B點處的通信業務壓力。提前配置考慮了節能、基站負載等因素，極大的優化了網絡的整體性能。同時這種預測提前通信也大大減少了用戶等待時間，提升了用戶體驗質量。

4 結束語

本文從用戶行為對網絡的驅動特性出發，提出了通過將用戶行為作為自組織網絡資源管理考慮的因素來彌補當前網絡不足的方法。文章對動態和靜態用戶行為特征的提取進行了分析，選取了典型的自組織網絡資源分配場景，給出了這些場景下應用用戶群體行為特征和個性行為特征進行網絡資源優化配置的方法。然而由于用戶行為的復雜特性，當前對用戶行為的挖掘還比較粗糙。同時由于人類的社交網絡與自組織網絡的物理資源網絡并非一一對應的關系，在利用用戶行為特征進行網絡資源配置時需要根據具體的場景，選取合適的用戶行為分析模型，提取相應的關鍵參數，從而實現對網絡資源的高效配置。