C-RAN無線網絡中業務預測的馬爾科夫模型

馬旗超，劉占軍，彭 霞，沈 悅

(重慶郵電大學 重慶移動通信技術重點實驗室，重慶 400065)

C-RAN無線網絡中業務預測的馬爾科夫模型

馬旗超，劉占軍，彭 霞，沈 悅

(重慶郵電大學 重慶移動通信技術重點實驗室，重慶 400065)

C-RAN架構無線網絡由于采用的是云處理模式，從而具有了云處理模式。已有的業務預測方法應用到C-RAN網絡中，會存在不能充分利用共享的信息資源從而影響預測效果的問題。針對這個問題，在證明C-RAN架構無線網絡中由不同小區業務流量構成的向量隨時間變化的過程是一個馬爾科夫過程的基礎上，提出利用歷史數據構建預測矩陣，通過預測矩陣與當前業務流量數據進行預測，并且設計出預測矩陣的構建方法，以及當有新流量數據到來時對預測矩陣的修正方法，從而適應了對網絡狀態非平穩情況下的預測。仿真結果表明該方法在預測精度上比傳統的外延法、回歸分析法有所提高。

C-RAN架構；馬爾科夫模型；業務預測；云處理模式

近年來，隨著智能終端的普遍應用以及智能終端帶來的新型業務，使得網絡中業務量呈指數性增長。與此同時，用戶對網絡適應不同應用場景的要求越來越高[1]。相比于4G網絡，未來的第5代移動通信技術(5G)特點是高密度、高負載、數據量大。針對數據量增大這一特點，一方面網絡中的處理發生變化，已經有人提出采用云計算模式進行網絡中的數據處理，即云計算處理模式[2]的無線網絡結構；另外一方面，數據中的統計規律也逐漸顯現出來。因此，針對云計算模式下的無線網絡，基于云計算網絡構架的業務預測成為一個有意義的研究課題。根據其中的統計規律，建立合理的預測模型，對于未來5G網絡的研究具有重要意義。

目前，關于通信業務預測的方法分為定性分析和定量分析。定性分析是預測者根據以往的統計數據進行的直觀判斷，但是該方法的預測精度受限于預測者的技術水平。定量分析主要利用原始的數據序列，借助數學方法，建立數學模型進行預測，其預測精度取決于數據特征[3-4]，其方法主要包括時間序列預測技術[5-6]和相關分析預測技術[7-8]。

針對集中式C-RAN(C-Radio Access Network)架構[9-10]，采用的是云計算模式，具有數據量大、信息共享等特點，現有方法應用于該架構卻不能很好地利用小區之間信息共享的優勢，因此本文提出了一種適合于C-RAN架構的預測模型——馬爾科夫模型，該模型能夠充分利用C-RAN架構的集中特性，以便根據小區之間流量變化比例的關系，實現對網絡資源實施合理地分配，從而有效地控制網絡的流量，進而改進和優化網絡的性能。同時，文中對該模型進行了修正，拓展了模型的使用范圍。

1 平穩過程預測模型

根據上述定義可知，則相鄰兩個時刻網絡流量狀態之間有如下關系

Q(n+1)=P(n)×Q(n)

(1)

式中，P為在n時刻時的網絡流量狀態轉移矩陣

式中：Pij(n)為在n時刻第i個小區流量Qi(n)對在n+1時刻第j個小區流量Qj(n+1)的貢獻率，即

(2)

則由式(2)可得

P{Qij(n)|Qi(n)}

(3)

根據隨機過程中馬爾科夫鏈的定義可知，上述離散化的網絡狀態過程符合馬爾科夫鏈的定義，則上述網絡狀態變化過程為馬爾科夫過程。

如果兩個相鄰時刻間隔足夠短，該隨機過程是平穩的。假定網絡狀態隨時間變化的過程是一個平穩過程，則網絡狀態之間有如式(1)所示。

在平穩過程條件下，P(n)的取值與n無關，即

P(n)=P(n+1)=…=P(n+m)

(4)

根據式(2)可知，只要得到連續的m+1個網絡狀態，換言之，在m+1個時間段內該過程是平穩的，可求得網絡狀態轉移矩陣

(5)

根據平穩過程的性質可知，利用式(5)求得網絡轉移矩陣P，對網絡中下一個狀態預測的表達式如式(1)所示。

然而，上述模型是建立在短時間內隨機過程平穩條件下的，而隨著時間的變長，隨機過程的平穩性遭到了破壞，因此該模型只能對短時間的業務分布進行預測，而長期的分布預測，需要對模型進一步改進。

2 非平穩過程預測模型

在現實網絡中，由于各小區的流量具有復雜性和突發性等特點，使得由各小區流量構成的網絡狀態向量隨時間發生變化，是一個非平穩的過程。當時間t0足夠短，可以認為m維的網絡狀態向量隨時間變化的過程是一個平穩的過程。但是隨著時間的變化，該隨機過程的平穩性被打破。根據平穩過程條件下的模型可知，如果不對用于預測的轉移矩陣加以修正，就會帶來越來越大的誤差，因此提出對轉移矩陣的修正機制，從而實現對非平穩過程的預測是必要的。

根據網絡誤差隨網絡環境變化的趨勢，本文提出用預測時刻網絡中各小區的真實數據來替代更前面的數據進行誤差修正。

因此，根據在n+1時刻各小區的真實數據Q(n+1)對模型進行修正，則可得對轉移矩陣的修正模型

(6)

由式(6)可知，根據在n+1時刻的真實數據Q(n+1)，可得到修正后的系統狀態轉移矩陣P′(n+1)。

(7)

根據得到的修正后的系統轉移矩陣P′(n+1)，利用式(1)，對下一時刻各小區流量進行預測。

Q(n+2)=P′(n+1)×Q(n+1)

(8)

同理，經修正后得到的系統轉移矩陣P′(n+1)對于后續時間的應用，已經破壞了短時間內隨機過程是平穩過程的條件，使得概率分布規律偏離原來概率分布規律增大，造成預測誤差也會增大。因此，根據式(6)對系統模型再次進行修正，從而根據式(8)對下一個時刻進行預測。

3 性能分析

本次數值實驗的仿真場景為C-RAN架構下的37個RRU，待觀測小區19個，最外層小區為待觀測小區邊緣小區相鄰小區的鏡像小區，每一個RRU覆蓋一個小區，如圖1所示。網絡中終端用戶以均勻方式隨機分布在各小區。在每個RRU覆蓋范圍內，網絡中的用戶業務類型共有4種，分別是會話類(語音)、數據流類(在線視頻)、交互類(網頁瀏覽、游戲)、后臺類(E-mail、短信)，用戶業務開銷p(k)服從相同的概率分布。

表1 仿真參數列表

圖1 基站和用戶的分布情況

仿真中各RRU的發射功率為46dBm；用戶的方向在0°～360°范圍內以均勻分布的模式產生，速度分別取為步行、自行車、汽車的速度。各RRU統計業務流量的周期為0.2s。用戶的業務開銷等同于業務需求的比特率。業務到達率λ(t)為一確定值，不隨時間變化而變化時，網絡小區的業務流量處于平穩狀態；相反，業務到達率λ(t)隨時間變化而變化時，網絡小區的業務流量處于不平穩狀態。

對預測機制的適應能力進行驗證分析，對網絡的相對誤差error和絕對誤差E進行分析，這兩個參數定義如下

(9)

(10)

式中：M是待觀察小區數量；Q(i)為第i個小區的真實業務流量；Q′(i)為第i個小區的預測業務流量。

根據到達率λ(t)的變化情況，得到不同到達率變化情況下的相對誤差概率情況，如圖2～圖4所示。

圖2 在平穩到達率不變情況下的網絡誤差曲線

圖3 在非平穩到達率線性增加情況下的網絡誤差曲線

圖4 在非平穩到達率波動性變化下的網絡誤差曲線

圖2為該模型對平穩過程下網絡中業務到達率不變情況下的適應性。由圖可以看出，本算法和對比算法的絕對誤差曲線呈波動性變化，其波動趨勢是由于用戶位置的隨機性等造成的。同時，本算法和對比算法的相對誤差概率曲線與絕對誤差曲線呈正相關，其由于網絡的到達率不變使得網絡總流量不變。本算法的相對誤差概率曲線位于對比算法的相對誤差概率曲線下方，這表明本算法提高了預測準確度，而對比算法因為沒有考慮相鄰小區業務流量對自身小區的影響，導致預測精度下降。在平穩過程情況下，該模型能很好地適應網絡環境的變化。

圖3為該模型對非平穩網絡中業務到達率隨時間線性增加且到達率變化率為1情況下適應性。由圖可知，隨著時間變化，本算法和對比算法的絕對誤差曲線呈平穩趨勢，但具有較小的波動性。同時，對比算法的相對誤差概率曲線隨著時間變化緩慢平滑下降，其下降趨勢是由于網絡總的業務流量增加；本算法的相對誤差概率曲線位于對比算法的相對誤差概率曲線的下方，表明本算法提高了預測精度，而對比算法因為沒有考慮相鄰小區業務流量對自身小區的影響，導致預測精度下降。在非平穩業務到達率線性增加的變化下，該模型對環境的變化具有很好的適應性。

圖4為該模型對非平穩下網絡中業務到達率隨時間呈正弦波動性變化下的適應性。由圖可知，隨著業務到達率呈正弦波動性變化，本算法和對比算法的絕對誤差曲線呈現波動性變化，其波動趨勢是由于流量的絕對誤差與業務到達率的絕對誤差呈正相關。同時，本算法與對比算法的相對誤差概率曲線隨時間變化緩慢波動性下降，其下降趨勢是由于網絡總的業務流量始終增加。本算法的相對誤差概率曲線位于對比算法相對誤差概率曲線的下方，這表明本算法提高了預測精度，而對比算法因為沒有考慮相鄰小區業務流量對自身小區的影響，導致預測精度下降。與圖2進行橫向比較可知，面對網絡小區業務流量不平穩情況，該模型具有很高的適應性。

4 結論

無線網絡的業務預測對網絡的性能提高具有重要意義，針對C-RAN構架的無線網絡下的業務預測進行研究，通過分析得到網絡的業務量隨時間的變化滿足其次行和無后效應兩個特征，從而證明了該過程是一個馬爾科夫過程。而對于網絡的業務量隨時間變化的過程中，在時間足夠短的情況下，可以認為該過程是一個平穩過程。在上述理論基礎上結合C-RAN構架無線網絡的信息集中的特點，提出根據歷史數據記錄，生成預測矩陣的方法，利用當前各個RRU結點的數據業務流量對網絡的未來業務進行預測的方法。但是時間較長的情況下，網絡的業務流量會發生變化而不再是平穩過程。為了適應這一特征，對本方法進行了改進，提出利用新到來的數據對預測矩陣進行修正，從而使得預測矩陣隨著網絡狀態的變化也相應的改變。該方法與傳統的外延法、回歸法比較，充分利用了各個RRU之間相關性的特點，從而提高了預測精度。仿真分析表明，在平穩條件下本算法的相對誤差平均值可以提高精度1%～3%，而在非平穩的網絡中，本算法的相對誤差平均可以提高8%～15%，這也驗證了該方法的有效性。

然而，本方法是利用C-RAN構架網絡數據集中特點來進行設計的。而這種無線網絡下云計算的處理會覆蓋較多RRU，因此所構建的預測矩陣較大，計算量大大增加，而且隨著所覆蓋的RRU數量的增多，計算量的增加速度也會變快。因此，如何在保證預測精度不受影響的情況下降低計算復雜度，降低計算量，是筆者未來進一步的研究方向。

[1]MOHAPATRAS.K.Integratedplanningfornextgenerationnetworks[C]//Proc.IEEEInternationalSymposiumonIntegratedNetworkManagementWorkshop.NewYork：IEEEPress，2009：205-210.

[2]羅軍舟，金嘉暉，宋愛波，等.云計算：體系架構與關鍵技術[J].通信學報，2011，32(7)：3-21.

[3]WANGSJ，GUOJ.On-linetrafficforecastingofmobilecommunicationsystem[J].PervasiveComputingSingnalProcessingandApplications，2010(32)：97-100.

[4]高波，張欽宇，梁永生，等.基于EMD及ARMA的自相似網絡流量預測[J].通信學報，2011，32(4)：47-56.

[5]SIVAKUMARR，ASHOKKE.Predictionoftrafficloadinwirelessnetworkusingtimeseriesmodel[C]//Proc.IEEEProcessAutomation,ControlandComputingConference.Coimbatore：IEEEPress，2011：1-6.

[6]GAOJW，LENGZW，QINY，etal.Short-termtrafficflowforecastingmodelbasedonwaveletneuralnetwork[C]//Proc.IEEE25thChineseControlandDecisionConference.Guiyang：IEEEPress，2013：5081-5084.

[7]ZHANGR，CAIYP，FUXA.Anetworktrafficpredictionmodelbasedonrecurrentwaveletneuralnetwork[C]//Proc.IEEEComputerScienceandNetworkTechnologyConference.Changchun：IEEEPress，2012：1630-1633.

[8]ZHANGXL，ZHUT，LUOL，etal.ForecastingemergencydepartmentpatientflowusingMarkovchain[C]//Proc.IEEEServiceSystemsandServiceManagementConference.HongKong：IEEEPress，2013：278-282.

[9]LIGG，ZHANGSJ，YANGXB，etal.ArchitectureofGPPbased，scalable，large-scaleC-RANBBUpool[J].GlobecomWorkshops，2012：267-272.

[10]張若文，方韌.無線接入網演進之C-RAN技術[J].電信工程技術與標準化，2012，25(4)：79-84.

[11]姜向榮，梁雄建.時間序列預測新方法及其在電信預測中的應用[J].北京郵電大學學報，2009，11(3)：42-47.

劉占軍(1975— )，碩士生導師，主要研究方向無線通信網絡；

馬旗超(1988— )，碩士生，主研無線資源管理；

彭 霞(1991— )，女，碩士生，主研無線接入網；

沈 悅(1991— )，女，碩士生，主研無線接入網。

責任編輯：許 盈

Multidimensional Markovian Model of Traffic Forecast of Wireless Network in Architecture of C-RAN

MA Qichao, LIU Zhanjun, PENG Xia, SHEN Yue

(KeyLaboratoryofMobileCommunicationTechnology,ChongqingUniversityofPostsandTelecommunications,Chongqing400065,China)

The wireless network in C-RAN architecture adopts the cloud processing mode, and has the characteristics such as the large amount of information, and the ability of the resource sharing etc.If the current prediction methods are applied into the C-RAN architecture, there exists the problem that the shared resources would not been fully utilized, resulting in loss in the efficiency of prediction accuracy.To address the problem, it firstly proves that the change of cell traffic flow over time satisfies a multidimensional Markovian process.Then, a forecast method is proposed by constructing the prediction matrix with previous records, which could utilize the shared information in C-RAN networks.Also, a design method of the prediction matrix and its improvement scheme with the arrival of new data are given to adapt to the prediction of non-stationary process conditions.The simulation results show that the method could improve the prediction accuracy compared to the traditional algorithms.

C-RAN; multidimensional Markovian model; traffic forecast; cloud patterns

【本文獻信息】馬旗超，劉占軍，彭霞,等.C-RAN無線網絡中業務預測的馬爾科夫模型[J].電視技術,2015，39(3).

國家“863”計劃項目(2010ZX03003008-004；2014AA01A701)；重慶市教委資助項目(KJ120510)

TN949.6

A

10.16280/j.videoe.2015.03.037

2014-07-10