大數據驅動的無線網絡資源管理及控制

劉媛妮 趙國鋒

摘要：認為將大數據技術融入到無線網絡資源管理中，有利于統籌分析大范圍、多應用之間以及應用內部的無線資源需求，使無線網絡資源管理變得更加靈活、便捷、高效。提出大數據驅動的無線網絡資源管理及控制框架：首先利用移動群智感知（MCS）技術方法進行無線網絡全域范圍內資源信息的收集；其次利用數據虛擬化方法技術，構建全網的無線資源統一視圖并提供不同粒度及角度的數據服務；最后利用軟件定義網絡（SDN）思想方式，研究面向應用全生命周期的無線資源管理控制機制，實現對應用的個性化資源管理與控制。

關鍵詞： 無線網絡；大數據；移動群智感知；數據虛擬化；網絡資源管理

Abstract： It is believed that the integration of big data technology into wireless network resource management will facilitate the co-ordination analysis of wireless resource requirements in a wide range of multiple applications and the internal of applications， making wireless network resource management more flexible， convenient and efficient. In this paper， a big data-driven wireless network resource management and control framework is proposed. First， mobile crowd sensing （MCS） technology is used to collect the whole-scale wireless network resource information. Second， data virtualization （DV） is used to build a unified wireless resource view， and to provide data services with different granularities and angles. Finally， in order to realize the personalized resource management and control of applications， the software defined network （SDN） method is used in the radio resource management control mechanism oriented to the whole application life cycle.

Key words： wireless network； big data； mobile crowd sensing； data virtualization； network resource management

1 無線網絡資源管理面臨 的問題

為了保證構建于無線網絡之上的各種應用能夠給用戶帶來較好的用戶感知體驗，研究者利用動態頻譜接入、無線覆蓋測量、信道估計等技術來對頻譜資源進行管理和規劃，提高無線資源的利用率。然而，隨著無線移動通信技術的快速發展，人們對無線頻譜資源日益增加的需求，造成了無線頻譜擁塞。為此，需要構建面向全域的無線網絡資源管理池，通過對無線網絡資源信息的數據收集、分析，實現對資源的統一管理和控制。然而，現有的技術在應對上述任務時主要面臨以下3方面的問題：

首先，泛在化的數據急劇增長，增加了數據收集的范圍及復雜度。傳統的無線網絡數據收集[1-2]涉及到的方法有人工路測、專門的無線傳感器網絡的構建等。這些方法在一定程度上能夠實現一定范圍內的數據收集，但也有自身的局限性：如人工路測方法通常會導致數據收集成本較高，并且通過該方式收集的無線網絡環境數據存在盲區[3]，且靈活性較差；而構建專門的無線傳感器網絡需要在無線網絡全域范圍內部署大量的網絡基礎設施，增加了數據收集及網絡維護的成本。

其次，多源異構的數據特性為數據的分析管理帶來新的挑戰。現有大部分的數據分析系統往往面向單一的上層應用，多應用之間無法實現某些相同底層數據的復用，造成數據的重復收集、分析及浪費。即便是面向多源異構數據處理的數據倉庫在構建全域的無線網絡資源池的需求下也變得捉襟見肘，不具有可持續性：數據源的數量太過多樣化，使得數據在可用性、質量和格式方面的差異太大，導致數據倉庫需要不斷地進行完整的數據提取、轉換、加載等操作；另一方面，網絡管理及控制的需求逐漸加快，日趨專業化，難以為每個需求開發定制專門的提取、轉換、加載流程。

最后，無線網絡資源的管理及控制主要表現為單向的管理及優化，更多的是從網絡側的角度考慮資源的分配及控制，無法針對具體應用從用戶的感知體驗考慮用戶的需求變化對資源變化的需求。即大部分的網絡管理及控制策略考慮網絡側資源的使用情況，較少考慮用戶側應用需求變化導致的資源變化，缺乏相應的反饋機制

面對這些挑戰，解決的關鍵是如何實現無線網絡環境全局信息數據的收集，構建統一的無線網絡資源管理框架，實現面向無線網絡全域范圍內的數據搜集、分析以及面向應用的資源管理及控制。在對泛在的、多源、異構的無線網絡數據收集的基礎上，通過數據的互通共享、融合分析，并針對無線網絡上層應用中面臨的需求，為上層應用提供動態、按需、自動化的數據存儲、處理、分析、可視化等服務，實現大數據驅動的無線網絡資源管理及控制。

2 大數據驅動的無線網絡 資源管理及控制的內涵 及挑戰

大數據驅動的無線網絡資源管理及控制，就是在實現無線網絡全域內數據收集的基礎上，將無線網絡數據進行融合分析、互通共享，構建統一的無線網絡資源池，這些資源包括頻率、時間、功率、編碼、網絡設施、資源等，并以數據服務的形式向上層應用提供查詢、分配等功能。其次，對構建在無線網絡之上各種應用的資源使用情況（如反映用戶感知體驗指標的相關數據）進行收集及反饋，從而使不同類型、不同需求的無線網絡應用業務在兼顧整體資源分配的前提下能夠獲得按需服務，最大化無線資源使用效率。

如圖1所示，這種大數據驅動的無線網絡資源管理及控制主要涉及以下3方面的關鍵技術：

（1）泛在、靈活的無線網絡數據收集方法，即構建無線網絡統一資源管理池需要收集的信息包括網絡側及用戶側兩方面的數據。網絡側的數據包括能夠反映無線網絡設備、資源、性能、狀態、拓撲業務/內容等多個方面。用戶側數據則是直接能夠反映用戶業務感知體驗的數據，如數據視頻業務瀏覽過程中能夠反映用戶感知體驗的首包時延、卡頓次數、平均下載時間等。

（2）面向多源、異構的無線網絡數據的管理機制，即構建無線網絡全局資源的統一視圖，需要屏蔽各個數據源的差別，使用戶能夠通過統一的結構請求訪問這些資源數據而無需關注各個數據源的具體結構。另一方面，底層數據提供者對數據結構、數據格式等方面的改變，都不會對數據使用者產生影響。這就使上層的數據使用者不需要親自執行查詢、訪問并聚合多個數據源的數據即可得到自己想要的信息。為實現大數據驅動的無線資源管理，需要至少具備兩個功能：能夠根據本地數據源的“特性和能力”主動對外發布相關的數據服務；當外界的數據消費者請求相關的數據服務時，數據管理層能夠根據請求提取相關的數據，并根據外界數據標準進行一定的規范變換，然后提交給外界的請求對象。

（3）面向應用的無線網絡資源管理及控制，即面向應用的無線網絡資源管理及控制不僅針對無線網絡上的各種應用進行資源的統一管理及分配，而且需要根據業務對資源的動態需求情況，實現面向應用的個性化、動態資源管理。也就是說，該層面一方面應該能夠掌控無線網絡環境全局的資源，兼顧各種應用對資源的需求并實現資源的統籌分配；另一方面需要針對每一個特定的應用，構建對應的資源管理及控制模塊，對單個應用的資源使用情況進行實施監測控制，并根據應用對資源的實際需求情況實現動態調整。

3 大數據驅動的無線網絡 資源管理及控制系統的 參考框架

為了滿足上述的要求，本文提出了基于大數據驅動的無線網絡資源管理及控制框架（如圖2所示），自底向上分別是基于移動群智感知[4]的無線網絡數據收集層，基于數據虛擬化的無線網絡管理及分析層[5]，面向應用全生命周期的無線網絡資源管理、控制層，最上層為構建于無線網絡之上的各種應用。基于大數據驅動的無線網絡管理及控制首先在數據收集層利用移動群智感知的方法實現大規模、多樣化的無線網絡數據收集，其次利用數據虛擬化的方法構建多源、異構數據的統一視圖，并將資源以數據服務的形式向外發布，網絡資源管理及控制層面利用軟件定義網絡（SDN）的思想方式實現對上層應用的資源使用情況的個性化管控及反饋。下面我們將對各個層面進行詳細闡述。

3.1 基于移動群智感知的無線網絡 數據收集

移動群智感知是指利用普通用戶的移動設備作為基本的感知單元，通過移動互聯網進行有意識或無意識的協作，實現感知任務分發以及感知數據收集，完成大規模的、復雜的社會感知活動。移動群智感知作為一種新型的、“以人為中心”的感知模式對未來的普適計算有重要的意義。利用移動群智感知技術進行無線數據收集的優勢在于：節點的移動性、泛在性以及能夠通過多種方式（GSM、3G、4G、Wi-Fi等）連接到云端對數據進行存儲、計算、集中化的特性。利用移動群智感知的方法進行無線網絡環境數據的收集，一方面有效利用了移動端碎片化的計算、存儲資源，另一方面大大降低了構建數據收集網絡基礎設施的費用。

移動群智感知的生命周期[6]可劃分感知任務的發布、感知用戶招募、用戶感知活動的進行以及感知數據上報4個階段。因此，在該層面主要涉及以下相關問題：（1）如何對感知任務進行合理的粒度劃分，使得功能單一的感知設備之間能夠通過協作方式完成感知任務，最大化利用移動感知設備的碎片化資源；（2）如何在感知成本有限的情況下選擇能夠實現最大化覆蓋的感知節點；（3）如何設置、如何構建合理的激勵機制，提高用戶參與感知活動的積極性；（4）如何均衡感知數據的精度與感知數據數量之間的關系，在保證感知數據質量的同時能夠控制感知數據收集的規模以減輕后續的存儲、計算、分析成本。

3.2 基于數據虛擬化的無線網絡 大數據管理及分析

數據虛擬化是一種虛擬化技術，對于來自多個異構數據源的數據可以隱藏真實數據的復雜性。數據虛擬化通過為上層應用程序提供一種透明的數據訪問機制，可以顯著地將應用程序與數據的復雜性分離。具體的方式是將每個“異構數據獲取于處理描述包”封裝為一個數據服務單元，這樣就可以將局域網范圍內的一個或者多個數據源，抽象為一組數據服務單元。其中每個數據服務單元相當于正對數據源的一個預處理查詢，不僅可以被執行，而且可以被發布。使用數據虛擬化對數據進行管理，可以使數據模型的邏輯從數據的物理位置和源格式的細節中抽象出來。這意味著：使用數據的上層應用和用戶不需要知道數據的物理存儲方式和位置，使用底層的數據處理就可以在任何時候選擇合并、移動、轉換或存儲數據，而不會對上游數據的工具和用戶產生任何影響。這樣避免數據的重復收集，有效地實現數據復用。

通過數據虛擬化技術提供統一的無線網絡資源視圖，將底層數據能夠提供的功能以服務的形式進行定義、注冊、權限管理等，從而實現對底層數據功能的模塊化，以及針對上層控制層面觸發的復雜事件進行數據服務組合的功能。根據數據虛擬化對數據的處理流程，可將數據虛擬化層面自底向上分解為數據映射層、元數據組織層、數據服務層、查詢響應層。在該層面需要考慮的問題主要包括：（1）數據虛擬化層面的實施方案，即以何種架構形式實現數據虛擬化架構；（2）如何建立原始數據、映射表、封裝表之間的關系，保證數據源向虛擬表格之間的正確映射；（3）如何實現元數據的抽取，并建立結構合理的元數據組織模型，實現元數據的高效存儲，提高數據索引的效率；（4）如何創建相應的數據服務模塊，實現對元數據的調用；（5）如何制定最佳的查詢處理策略，提高查詢的效率等。

3.3 面向應用全生命周期的無線 網絡資源管理及控制

傳統面向應用的無線資源分析直接對數據進行“調用、分析、計算”的模式，難以區分不同用戶（數據使用者、數據提供者）的權限，無法在保證數據隱私的同時擴大數據的使用范圍。研究面向應用的無線網絡資源管理及控制機制，根據底層的數據分析結果，構建相應的資源管理策略，并以SDN控制的方式實現對無線應用資源分析，并根據用戶側收集到的數據的分析結果，實現對無線資源的動態反饋及調整。

面向應用全生命周期的無線網絡資源管理及控制層面需要重點研究的內容包括：（1）如何定義無線網絡環境中各種應用的事件流，并建立復雜事件與底層數據服務的對應關系，實現面向應用的無線資源數據分析的功能；（2）如何構建基于軟件定義的、面向應用的無線資源控制機制，通過調用基于數據虛擬化的無線資源分析模塊的結果制定對無線資源的宏觀統籌方案以及面向應用的資源調整機制，并以軟件定義的方式實現對應用的資源控制。

4 結束語

面對無線網絡應用不斷增多而導致的用戶對無線網絡感知體驗要求不斷增加的新形勢，需要實現面向應用全生命周期的無向網絡資源管控，以提高無線網絡資源的利用率，滿足用戶對體驗質量（QoE）的需求。大數據驅動的無線網絡資源管理及控制從數據在應用中流動的過程出發，通過對無線網絡環境相關信息的收集、分析，制定資源管理分配策略，對無線應用所需要的資源進行分配，并通過對當前資源分配策略下用戶的感知體驗信息的收集、分析，進而反饋到資源管控層面，最終以SDN的方式實現面向應用的個性化、動態化的資源管理及分配。另外，隨著大數據、人工智能等技術的發展，對網絡資源及用戶感知體驗的分析將會更具洞察力，應用內部業務流的定義及監測控制也將會變得更加智能。可以預見：在不久的將來，這些技術將會更深入地被融入到無線網絡資源管控中，未來的無線網絡資源管理將會變得更加靈活、便捷、智能、高效。

參考文獻

[1] ABDALLAH M N， DYAB W， SARKAR T K， et al. Electromagnetic Macro Model for Analysis of Propagation Path Loss in Cellular Networks[C]//Antennas and Propagation Society International Symposium （APSURSI）.USA： IEEE， 2014： 947-948. DOI： 10.1109/APS.2014.6904802

[2] 鐘志華. 無線網絡優化的路測[J]. 科技傳播，2017，9（07）：43-44

[3] LIANG H W， HO C H， CHEN L S， et al. Coverage Hole Detection in Cellular Networks with Deterministic Propagation Model[C]//Intelligent Green Building and Smart Grid （IGBSG）， 2016 2nd International Conference on. USA： IEEE， 2016： 1-6.DOI： 10.1109/IGBSG.2016.7539428

[4] GANTI R K， YE F， LEI H. Mobile Crowdsensing： Current State and Future Challenges[J]. IEEE Communications Magazine， 2011， 49（11）：32-39. DOI： 10.1109/MCOM.2011.6069707

[5] GARETH MORGAN. Data Virtualisation on Rise as ETL Alternative for Data Integration [J].Computer Weekly， 2012，4（8）：15-18

[6] ZHANG D Q， WANG L Y， XIONG H Y， et al. 4W1H in Mobile Crowd Sensing[J]. IEEE Communications Magazine， 2014， 52（8）：42-48.DOI： 10.1109/MCOM.2014.6871668