車輛異構網絡中預測垂直切換算法

馬 彬

謝顯中②

廖曉峰①

①(重慶大學計算機學院 重慶 400044)

②(重慶郵電大學重慶市計算機網絡與通信技術重點實驗室 重慶 400065)

車輛異構網絡中預測垂直切換算法

馬 彬*①②

謝顯中②

廖曉峰①

①(重慶大學計算機學院 重慶 400044)

②(重慶郵電大學重慶市計算機網絡與通信技術重點實驗室 重慶 400065)

在車輛異構網絡中，針對垂直切換決策時刻之后網絡狀態(tài)的動態(tài)變化，提高切換性能問題，提出一種基于馬爾可夫過程的預測垂直切換(M-VHO)算法。算法考慮了切換決策后網絡狀態(tài)的動態(tài)變化對車輛終端服務質量(QoS)的影響。其基本思路是：在需要垂直切換時，利用馬爾可夫過程的轉移概率預測未來網絡狀態(tài)的變化；另外，采用模糊邏輯方法確定評價屬性參數權重；最后，比較切換決策、切換執(zhí)行和切換之后時刻的總收益來優(yōu)化選擇最佳切換網絡。仿真結果證明，該算法在確保較高負載均衡的情況下，可有效改進車輛終端的平均阻塞率及丟包率，降低乒乓效應，確保了車輛終端的QoS。

無線網絡；車輛異構網絡；垂直切換；馬爾可夫過程；模糊邏輯

1 引言

未來車輛通信系統(tǒng)的重要特征就是多種無線網絡并存，相互補充，為終端用戶提供透明的、普適的最佳服務體驗。不同的無線網絡在速率、業(yè)務類型、覆蓋范圍、用戶體驗等方面存在很大差異，如何在異構網絡間選擇最佳的網絡接入以滿足終端用戶的服務質量(Quality of Service, QoS)，成為學界和產業(yè)界關注的重點[1]。

現有的異構無線網絡垂直切換算法均以當前相關網絡屬性為決策指標，將垂直切換決策過程抽象為多屬性決策問題。當前垂直切換算法主要分為3大類：(1)閾值判定算法[2,3]：移動節(jié)點接收到來自各網絡訪問點或基站的接收信號強度(Received Signal Strength，RSS)為參考對象，當RSS滿足某種條件時做出切換決策。(2)基于模糊邏輯[4,5]或人工神經網絡[6]的多屬性智能切換算法：移動節(jié)點結合網絡性能、用戶特性和業(yè)務類型做出垂直切換綜合決策。(3)基于多屬性的效用函數切換決策算法，用戶根據接入網絡、業(yè)務及用戶等做出垂直切換決策；用戶根據各網絡的RSS、網絡帶寬、用戶業(yè)務類型等性能參數來構造效用函數，計算最優(yōu)的效用函數值來確定垂直切換的最佳網絡[7]。

以上算法都未考慮切換決策后，切換執(zhí)行和切換后各候選網絡狀態(tài)的變化，不能有效地保證車輛終端接入網絡后的QoS水平。根據車輛異構網絡的道路動態(tài)變化特點和終端追求較高QoS等需求，基于多屬性的效用函數切換算法是一個理想的選擇，也是垂直切換的主要研究方向之一，這也是本文采用最優(yōu)效用函數來研究垂直切換的出發(fā)點。

當前，馬爾可夫過程在無線網絡中主要應用于決策過程和性能分析。文獻[8]提出異構無線網絡環(huán)境下基于馬爾可夫決策過程的垂直切換決策算法，通過系統(tǒng)帶寬和連接延時的聯(lián)合優(yōu)化來選擇最優(yōu)網絡。文獻[9]研究基于馬爾可夫決策過程的區(qū)分業(yè)務接納控制，推導出系統(tǒng)狀態(tài)轉移概率，進而選取接納效用最大的最佳控制策略，能保證多樣化業(yè)務的接入和切換成功率。文獻[10]將馬爾可夫應用于性能分析，通過垂直切換率來反映終端用戶的移動性，用馬爾可夫過程分析了異構網絡的系統(tǒng)性能，進而給出了異構網絡系統(tǒng)的總吞吐量閉環(huán)表達式。文獻[11]基于馬爾可夫提出兩個算法：基于接收信號強度的單屬性垂直切換算法和基于多屬性的效用垂直切換算法。本文采用馬爾可夫過程來構建垂直切換決策、執(zhí)行和執(zhí)行之后3個時刻的網絡狀態(tài)變化的效用函數，重點研究構建過程中涉及到的兩個關鍵問題：預測切換決策時刻之后的網絡狀態(tài)方法和效用函數中權重值的確定問題。

針對車輛異構網絡中垂直切換算法都未考慮切換決策時刻之后網絡狀態(tài)的動態(tài)變化，本文提出了一種基于馬爾可夫過程的車輛異構網絡預測垂直切換(Markov based Vertical HandOff, M-VHO)算法。算法考慮了切換決策后網絡狀態(tài)的動態(tài)變化可能對車輛終端QoS的影響，首先，利用馬爾可夫過程計算切換決策時刻網絡狀態(tài)的轉移概率來預測未來網絡狀態(tài)的變化；其次，采用模糊邏輯確定評價指標權重；最后，比較切換決策、切換執(zhí)行和切換之后時刻的總收益來優(yōu)化選擇最佳切換網絡。本文的主要貢獻可概括為：

(1)采用馬爾可夫過程來預測切換決策后無線網絡狀態(tài)的變化。在車輛終端切換入新網絡和接入網絡后的服務時間內，由于車輛的移動性，無線網絡的狀態(tài)屬性處于不斷變化中。因而把網絡狀態(tài)抽象成一個離散馬爾可夫過程，利用狀態(tài)轉移概率來預測切換決策后的網絡狀態(tài)。

(2)基于效用函數的垂直切換算法中，最優(yōu)效用函數的設計顯得尤為重要。本文利用馬爾可夫過程和模糊邏輯方法，結合切換決策、切換執(zhí)行以及切換后網絡狀態(tài)的變化概率，設計了一個多狀態(tài)屬性的最佳垂直切換效用函數。

2 系統(tǒng)模型

在車輛異構無線網絡中，車輛終端用戶對候選網絡的使用由中心控制器(Central-controller Node, CN)協(xié)調和管理，CN首先收集各個異構無線網絡的參數信息，進而構建候選無線網絡的數據集，通過多個車輛終端用戶之間相互交換接入信息和協(xié)作垂直切換，最終實現垂直切換過程的全局最優(yōu)。

圖1給出了基于車輛終端和中心控制器協(xié)作機制，采用WiMAX和TD-LTE共同組成的車輛異構無線網絡模型，該模型將車輛異構無線網絡中的車輛終端用戶依據其不同的個性化業(yè)務和服務質量需求，以協(xié)作方式從中心控制器和其他車輛終端獲取候選網絡屬性參數信息，車輛終端通過構建最佳效用函數的方式來進行優(yōu)化垂直切換。

圖1 車輛異構無線網絡模型圖

系統(tǒng)模型采用動態(tài)2維資源分配模型。為了使算法更具通用性，不同的接入網絡的物理層，均使用多用戶正交頻分復用(Orthogonal Frequency Division Multiplexing, OFDM)技術。在多用戶車輛異構網絡系統(tǒng)中，把2維單元看作資源分配的基本單位。車輛終端在車輛異構網絡中移動，假設移動方向和速度已知的情況下，信噪比在垂直切換決策、切換執(zhí)行和切換之后時刻的變化是確定的，因此無線網絡狀態(tài)轉移概率可以直接抽象為可用2維單元數的轉移概率來表示。若某一無線網絡的新進入車輛終端到達率服從參數為λ的泊松分布，即單位時間到達k個新用戶的概率為：P(x=k)=(λk/k!)e?λ。

a車輛終端接入網絡服務時間服從參數為μ的負指數分布，單位時間服務的平均用戶數為μ，即離去率服從參數為cμ的泊松分布，其概率為：Pb(x=k) =(μk/k!)e?cμ，其中，c為無線網絡中正在接受服務的用戶數。假設i,j,l分別為垂直切換決策時刻、切換執(zhí)行時刻和切換之后可用2維單元數，則無線網絡的狀態(tài)轉移概率為

3 預測垂直切換算法

在車輛終端接入網絡后的服務時間內，由于車輛的移動性和其它車輛的接入或切換，網絡狀態(tài)屬性不斷變化。假如將服務時間離散為一個個采樣時刻，下一時刻的網絡狀態(tài)只與前一時刻的網絡狀態(tài)有關，且網絡狀態(tài)變化與時刻無關。當已知車輛終端切換決策時刻的網絡狀態(tài)屬性，則切換執(zhí)行及其后服務時間內每個采樣時刻的網絡狀態(tài)是被抽象為離散的馬爾可夫過程。利用狀態(tài)轉移概率可以預測出車輛終端服務時間內任意采樣時刻的網絡狀態(tài)。為了更好優(yōu)化垂直切換的QoS，考慮了車輛終端切換決策時刻、切換執(zhí)行時刻及切換之后時刻的網絡狀態(tài)變化。

3.1 馬爾可夫過程

假設車輛異構網絡中有M個候選網絡、N個狀態(tài)屬性(通過對車輛異構網絡中垂直切換過程的分析和研究，接收信號強度、網絡帶寬、時延、數據速率、服務費用和終端能耗是決定車載終端服務質量的6個重要參數，因此本文選為網絡的狀態(tài)屬性)，為m網絡的狀態(tài)屬性n的取值，網絡狀態(tài)空間C定義為：，把每個狀態(tài)屬性在其取值范圍內離散化，即：={1,2,3,…,}。其中是離散化后的最大值，m=1,2,…,M , n=1,2,…,N。設T為車輛終端的服務時間，Xn為網絡在n時刻的狀態(tài)，則{Xn,n∈T}是時間和狀態(tài)均離散的馬爾可夫隨機過程，且對于任意的整數n∈T和任意的Xn∈C滿足：即當前時刻的網絡狀態(tài)，決定著下一時刻的網絡狀態(tài)，和前一時刻的網絡狀態(tài)無關，上述隨機過程{Xn,n∈T}為馬爾可夫過程。設某一網絡有c1,c2,…,cl總共l種狀態(tài)，ci為網絡選擇時刻的網絡狀態(tài)，則如圖2為該網絡狀態(tài)變化的馬爾可夫模型。

圖2 馬爾可夫模型

3.2 網絡狀態(tài)轉移概率

已知垂直切換決策時刻的各異構網絡狀態(tài)，用馬爾可夫過程來預測下一時刻(垂直切換執(zhí)行時刻)的網絡狀態(tài)：

假設各個網絡狀態(tài)屬性之間都相互獨立，其中m=1,2,…,M 。狀態(tài)轉移概率與時刻無關，為齊次馬爾可夫過程。c∈××…×為當前時刻的網絡狀態(tài)，c'∈××…×為垂直切換執(zhí)行時刻的網絡狀態(tài)。設網絡m有l(wèi)種狀態(tài)，則該網絡的狀態(tài)轉移矩陣為

同理，可以通過垂直切換執(zhí)行時刻的網絡狀態(tài)信息來預測切換執(zhí)行后服務時間內的狀態(tài)變化和狀態(tài)轉移矩陣。

3.3 模糊邏輯確定屬性權重

本文選取了多個屬性參數來構建效用函數進行聯(lián)合優(yōu)化，因此對于每個屬性權重的確定，反映了各個屬性參數在計算效用值，進行綜合決策過程中重要程度，直接影響多屬性決策的結果。異構網絡中各個網絡參數值之間沒有直接可比性，因此需要首先對屬性參數進行歸一化操作，使不同網絡參數具備可比性。同時，屬性參數值對于判決的重要程度而言，帶有典型的模糊不確定性，如數據傳輸速率值為50 kb/s和51 kb/s對判決的重要程度應該相近。因此，本文采用模糊不確定性處理工具——模糊邏輯理論來確定屬性權重[12]。通過模糊邏輯推理器，如果屬性的輸出值越大，該屬性對綜合決策的作用越大，權重就應該越高。

(1)決策屬性歸一化 不同無線網絡的各個屬性的取值范圍和單位均不相同，因此，為保證接入的公平性和有效性，采用網絡的歸一化屬性來做垂直切換決策。而無線網絡的屬性可以分成效益型和成本型，其中效益型屬性越大越好，如常用的屬性參數可用帶寬、信噪比等均屬這類；成本型屬性越小越好，如常用的丟包率、能耗等均屬這類。

效益型屬性：

成本型屬性：

(2)模糊邏輯規(guī)則庫構建 該文基于異構無線網絡的特性，根據模糊邏輯理論獲得優(yōu)化權值。因此，依據三角模糊隸屬函數，把每個屬性參數都定義有3個模糊邏輯等級{低、中、高}，相應的每個等級賦予一個等級值{1, 2, 3}[12]，進而構建一個模糊邏輯規(guī)則庫。

(3)計算屬性參數的權值 將高的屬性參數歸一化后輸入到模糊推理器，模糊推理器根據邏輯規(guī)則庫將輸出對應級別的模糊邏輯量：高，歸一化屬性參數權值選擇器根據得到的高模糊邏輯量級別選擇相應的高等級值。模糊邏輯推理器的邏輯規(guī)則庫的定義為：輸入參數|參數值→輸出邏輯量|等級值。因此，屬性參數n的權重為：其中，ln是模糊邏輯器輸出的等級值。0≤wn≤1,

3.4 效用函數及垂直切換算法

前面詳細介紹了切換算法中網絡在不同狀態(tài)下轉移的概率(也即預測了切換執(zhí)行和切換之后兩個狀態(tài)的轉移概率)和每個參數權重的確定方法。所提垂直切換算法是一個多屬性的決策函數，構建效用函數成為該算法的核心工作，本文采用加權求和的方法來構建。

定義α(s,m)為m網絡在s狀態(tài)下車輛終端所能得到的收益，采用加權求和的方法計算：

α1(s,m),α2(s,m),…,αN(s,m)分別是N個網絡狀態(tài)屬性帶來的收益，0≤w1,w2,…,wN≤1是它們相應的權重，且滿足w1+w2+…+wN=1。定義垂直切換決策時刻、切換執(zhí)行時刻及切換之后收益之和為無線網絡總收益，由式(2)和式(6)可得到m網絡的總收益函數為

當用戶有m個候選無線網絡時，總收益值越大，不僅說明垂直切換決策時刻該網絡性能最優(yōu)，也一定程度上說明在車輛終端切換入無線網絡后，該無線網絡依舊能保證QoS，且很好地避免了乒乓效應。所以，本算法在垂直切換決策時，選擇總收益值最大的無線網絡作為切換網絡，即

式(7)為垂直切換效用函數值的計算表達式。從算法設計與實驗過程來看，所提算法的時間復雜度為O(M×N)。其中M為選取綜合計算的狀態(tài)時刻數，本文選取了3個時刻網絡狀態(tài)來計算收益，即其值為3; N為選取的屬性參數個數，本文為6。因此算法的復雜度往往直接由N決定。在理想狀態(tài)下，N值越大，算法考慮屬性參數越多，效用值體現終端QoS越好，但時間復雜度也相應提高。同時，本文算法的空間復雜度主要體現在兩個方面，預測概率計算需要的矩陣輔助空間和屬性參數權重輔助空間。對于車載終端而言，當屬性參數選取適當(即在時間復雜度和屬性參數個數折中的情形下)，空間復雜度處于一個可接受的范圍。

4 實驗結果及分析

4.1 參數設置

為了評估本文所提出的垂直切換算法性能，采用Matlab+NS2仿真工具搭建了一個車輛異構無線網絡系統(tǒng)實驗平臺，實驗仿真場景可以參見圖1。并與基于預測網絡信息的垂直切換算法[7](Predictive Network Information based Vertical Handoff, PNIVH)和基于神經模糊的垂直切換判決算法[4](Neuro-Fuzzy based Vertical Handoff Decision Algorithm, NF-VHDA)兩個算法進行對比。假設WiMAX和TD-LTE的2維資源單元總數分別為213和106，小區(qū)半徑分別為3.0 km和1.5 km。為了降低實驗的復雜度，WiMAX和TD-LTE均采用一致的1024個子載波的OFDM調制，幀長5 ms，符號周期為0.2 ms，一個2維資源單元由48個連續(xù)子載波與10個符號周期組成。仿真過程中，假設用戶按照圖1中兩個具有代表性的運動軌跡進行移動，并且車輛速度設為20 m/s。在整個網絡覆蓋區(qū)域按照泊松分布陸續(xù)到達新用戶，到達率λ=1～10，服務時間的均值為50 s。

假設用戶的業(yè)務模型可以分成實時業(yè)務和非實時業(yè)務，并且速率均假設在50～120 kb/s這個區(qū)間，且業(yè)務生成間隔均服從均值為1 s的泊松分布。同時，通過對車輛異構網絡中垂直切換過程的分析和研究，本文選取接收信號強度、網絡帶寬、時延、數據速率、服務費用和終端能耗等6個決定終端QoS的屬性參數。

4.2 負載率和阻塞率性能分析

本文首先從負載率和阻塞率兩個性能指標來分析所提算法。其中負載率是描述網絡工作狀態(tài)的重要指標，它是一個百分數。如網絡的額定容量是100 Mbps，而在某一時刻，網絡上的數據量僅有20 Mpbs，那么它的負載率就是20%。阻塞率是指在一個時間周期內，切換被阻塞占所有觸發(fā)量的比例，它也是一個百分數，其也能一定程度上說明網絡的工作狀態(tài)。

實驗分析中本文的M-VHO算法和PNIVH算法均只考慮了可用2維資源單元數。圖3和圖4分別顯示了M-VHO算法與PNIVH算法的平均負載率的性能對比。隨著新車輛終端的到達，WiMAX和TD-LTE無線網絡的負載率逐步增加直到滿負載狀態(tài)。圖3中，TD-LTE無線網絡中M-VHO算法的負載率始終低于PNIVH算法。因為本文算法考慮了垂直切換決策時刻之后的無線網絡可用2維資源單元數的動態(tài)變化，實驗中設定的TD-LTE無線網絡和WiMAX無線網絡新車輛終端到達率分別為λ/2和λ/4, TD-LTE單位時間內到達的平均用戶數是WiMAX的兩倍，在車輛終端垂直切換決策時刻與之后時刻TD-LTE網絡的用戶數大幅度動態(tài)變化愈大，因此M-VHO算法根據網絡狀態(tài)的動態(tài)變化判定TD-LTE無線網絡更易擁塞，切換到WiMAX無線網絡。圖4顯示了WiMAX網絡中M-VHO算法的負載率始終高于PNIVH，說明M-VHO算法優(yōu)先選擇網絡狀態(tài)動態(tài)變化可能性更小的WiMAX無線網絡。

圖5顯示了車輛終端在不同到達率下的平均阻塞率。隨著車輛終端到達率的動態(tài)變化，單位時間內到達的用戶數逐漸增多，3種算法的車輛終端平均阻塞率都呈遞增趨勢。在λ≤3時，無線網絡的容量能夠保證新車輛終端的接入，因此阻塞率接近或等于零。當λ＞3時，各算法均出現阻塞， M-VHO算法阻塞率相對于NF-VHDA算法平均降低了大約0. 4%。這是由于NF-VHDA算法還綜合了接收信號強度，在要求高信號強度的同時很難再保證較低的阻塞率；另一方面，M-VHO算法只考慮可用2維資源單元，因此NF-VHDA算法的阻塞率高于M-VHO算法。PNIVH算法阻塞率處于NF-VHDA和M-VHO算法之間。在λ≤7時，M-VHO平均阻塞率略低于PNIVH算法，隨著用戶到達率的增加，兩算法間阻塞率的差距越大，在λ=10時，M-VHO算法阻塞率低于PNIVH算法12.6%。這是因為本文算法考慮了可用2維資源單元和阻塞率的動態(tài)變化，且當車輛終端到達率愈大，兩類網絡之間到達率差距也愈大，愈能體現本文算法的優(yōu)勢。

4.3 丟包率和乒乓效應分析

圖6顯示3種算法車輛終端平均丟包率的對比。可看出，M-VHO算法的平均丟包率大大低于NF-VHDA算法和PNIVH算法，這是由于PNIVH算法主要關注的是用戶的服務質量，而接收信號強度是非常重要的服務參數，而NF-VHDA也考慮了接收信號強度，但是所占的比重相對較小。圖中還可看出M-VHO算法的平均丟包率相對于NFVHDA算法降低了大約145%，相對于PNIVH算法降低了大約220%，這是由于本算法考慮了用戶的動態(tài)高速移動性，并采用馬爾可夫過程預測了車輛終端垂直切換決策時刻、切換執(zhí)行時刻及切換之后車輛終端接收信號強度和信噪比的變化，而NFVHDA算法和PNIVH算法僅僅考慮了車輛終端垂直切換決策時刻的信噪比，因此M-VHO算法得到的平均丟包率遠低于NF-VHDA算法和PNIVH算法。

如圖7所示，分別采用不同的算法實驗仿真20次。20個移動車輛終端發(fā)生垂直切換的平均次數，在PNIVH算法下是19.50次；在NF-VHDA算法下是15.75次；而采用該文所提出的M-VHO算法，是10.65次。這一現象說明，本文提出的算法在垂直切換次數上明顯較前兩種算法少。進一步說明所提算法，能夠大量地降低不必要垂直切換，“乒乓效應”得到較好的抑制。分析原因，本文算法綜合考慮了各異構無線網絡的多種狀態(tài)屬性后做出切換決策，同時基于馬爾可夫過程，預測了垂直切換決策時刻之后的網絡狀態(tài)變化情況，較已有算法能有效降低無謂的垂直切換，頻繁切換的“乒乓效應”得以抑制。

從丟包率和平均切換次數兩個角度驗證了所提算法優(yōu)勢在于綜合考慮了多個網絡屬性參數在多個時刻的動態(tài)變化，從而可以減少數據間的沖突，降低整個車輛終端的丟包率；同時，可以明顯減少終端在網期間的平均切換次數，避免出現“乒乓效應”。

4.4 垂直切換最佳性能分析

圖8為新車輛終端到達率不斷增加的情況下，終端得到的平均收益值，定義為單位時間內網絡狀

圖4 WiMAX無線網絡平均負載率

圖5 車輛終端平均阻塞率

圖6 異構網絡平均丟包率

圖7 車輛終端平均切換次數

圖8 車輛終端平均收益值

圖3 TD-LTE無線網絡平均負載率態(tài)屬性所帶來的收益值。通過圖中3條曲線的對比，NF-VHDA算法和PNIVH算法的平均收益值均小于本文的M-VHO算法，說明本文算法采用馬爾可夫過程成功預測了垂直切換決策時刻之后的網絡狀態(tài)屬性變化情況，更合理地選擇了最佳切換網絡。

5 結束語

本文提出了基于馬爾可夫過程的車輛異構網絡預測垂直切換算法。利用馬爾可夫過程來預測切換決策時刻之后網絡狀態(tài)的動態(tài)變化并采用模糊邏輯確定評價指標權重。實驗結果證明該算法可保證較高負載均衡的情況下，有效提高車輛終端的平均阻塞率及業(yè)務丟包率，降低乒乓效應，保證車輛用戶接入切換網絡的QoS。但算法僅考慮了垂直切換決策、切換執(zhí)行和切換之后時刻的網絡狀態(tài)變化，下一步考慮結合車輛終端的安全需求來聯(lián)合優(yōu)化收益函數。

[1] Xie X Z, Rong B, Zhang T, et al.. Improving physical layer multicast by cooperative communications in heterogeneous networks[J]. IEEE Wireless Communications, 2011, 18(3): 58-63.

[2] Liu M, Li Z C, Guo X B, et al.. Performance analysis and optimization of handoff algorithms in heterogeneous wireless networks[J]. IEEE Transactions on Mobile Computing, 2008, 7(7): 846-857.

[3] 馬彬, 謝顯中. 支持云計算的無線移動網絡安全垂直切換算法[J]. 通信學報, 2011, 32(9A): 16-23.

Ma B and Xie X Z. Security vertical handoff algorithm to support cloud computing in wireless mobile networks[J]. Journal on Communications, 2011, 32(9A): 16-23.

[4] Singhrova A and Prakash N. Vertical handoff decision algorithm for improved quality of service in heterogeneous wireless networks[J]. IET Communications, 2012, 6(2): 211-223.

[5] Faisal K, Mehbodniya A, Islam A, et al.. Dynamic target wireless network selection technique using fuzzy linguistic variables[J]. China Communications, 2013, 10(1): 1-16.

[6] Nasser N, Guizani S, and Al-Masri E. Middleware vertical handoff manager: a neural network-based solution[C]. Proceedings of the 2007 IEEE International Conference on Communications (ICC'07), Glasgow, United Kingdom, 2007: 5671-5676.

[7] Guo Y S, Tang Z, Libda A, et al.. A QoS-aware vertical handoff algorithm based on predictive network information[J]. Journal of Central South University of Technology, 2012, 19 (8): 2187-2193.

[8] Stevens-Navarro E, Lin Y, and Wong V W S. An MDP-based vertical handoff decision algorithm for heterogeneous wireless networks[J]. IEEE Transactions on Vehicular Technology, 2008, 57(2): 1243-1254.

[9] 鄧強, 陳山枝, 胡博, 等. 異構無線網絡中基于馬爾可夫決策過程的區(qū)分業(yè)務接納控制的研究[J]. 通信學報, 2010, 31(12):27-36.

Deng Qiang, Chen Shan-zhi, Hu Bo, et al.. Research of service-differentiated admission control based on Markov decision processes in heterogeneous wireless networks[J]. Journal on Communications, 2010, 31(12): 27-36.

[10] 施政, 朱琦. 基于馬爾科夫過程的異構網絡性能分析與優(yōu)化[J]. 電子與信息學報, 2012, 34(9): 2224-2229.

Shi Zheng and Zhu Qi. Performance analysis and optimization based on markov process for heterogeneous wireless networks[J]. Journal of Electronics & Information Technology, 2012, 34(9): 2224-2229.

[11] Ning Z L, Song Q Y, Liu Y J, et al.. Markov based vertical handoff decision algorithms in heterogeneous wireless networks[J]. Computers & Electrical Engineering, 2014, 40(2): 456-472.

[12] 謝顯中, 肖博仁, 馬彬, 等. 代價函數權值可變的速度自適應的異構無線網絡垂直切換算法[J]. 電子學報, 2011, 39(10): 2417-2421.

Xie Xian-zhong, Xiao Bo-ren, Ma Bin, et al.. Cost function weight-variable and speed-adaptive vertical handoff algorithm for a vehicle terminal in heterogeneous wireless networks[J]. Acta Electronica Sinica, 2011, 39(10): 2417-2421.

馬 彬： 男，1978年生，副教授，博士生，研究方向為異構無線網絡、認知無線電網絡等.

謝顯中： 男，1966年生，博士，教授，博士生導師，主要研究方向為移動通信網絡、感知無線電技術等.

廖曉峰： 男，1964年生，博士，教授，長江學者，博士生導師，主要研究方向為無線網絡、神經網絡、混沌技術等.

Prediction Vertical Handoff Algorithm in Vehicle Heterogeneous Network

Ma Bin①②Xie Xian-zhong②Liao Xiao-feng①

①(College of Computer Science, Chongqing University, Chongqing 400044, China)

②(Chongqing Key Laboratory of Computer Network and Communication Technology of China, Chongqing University of Posts and Telecommunications, Chongqing 400065, China)

A prediction Vertical HandOff (M-VHO) algorithm is proposed by using a Markov process in vehicle heterogeneous network, to improve handoff performance when network status dynamic transformation after the handoff decision. It takes into account influence of network status dynamic transformation on vehicle terminal's Quality of Service (QoS) after the handoff decision. Its basic idea is in that a future wireless network's status transformation is predicted by transition probability of Markov process if vertical handoff is required; otherwise, the weight of evaluating attribute parameters be determined by fuzzy logic method; finally, the total incomes of each wireless network are compare, including handoff decision incomes, handoff execution incomes and communication service incomes after handoff execution, and the optimal network is selected. The simulation results show that when the high load balanced situation is ensured the algorithm effectively improves the average blocking rate and packet loss rate of vehicle terminal, reduces the ping-pong effect, and insure the QoS of vehicle terminal. Key words: Wireless network; Vehicle heterogeneous network; Vertical handoff; Markov process; Fuzzy logic

TN915

： A

：1009-5896(2015)04-0874-07

10.11999/JEIT140845

2014-06-25收到，2014-09-28改回

國家自然科學基金(61271259, 61301123, 61471076)；重慶市教委科學技術研究項目(KJ130536)和重慶市計算機網絡與通信技術重點實驗室基金(CY-CNCL-2010-02)資助課題

*通信作者：馬彬 mab_cqupt@sina.com