基于向量回歸和模糊邏輯的垂直切換機制研究*

王繼博 楊 蕾 齊東元

（1.中國交通通信信息中心 北京 100011）（2.凱睿星通信息科技（南京）股份有限公司 南京 210012）

1 引言

傳統無線網絡切換機制主要單獨以接收信號強度指示（Received Signal Strength Indication，RSS）作為指標，通過合理設定RSSI 強度閾值，完成移動通信節點（Mobile Stations，STA）在接入節點（Access Point，AP）間的物理層切換［1］。這種切換邏輯上包含觸發切換、接入點發現、重鑒別和關聯3 個步驟，在該階段STA 無法進行數據傳輸［2］。IEEE 802.11 標準采用了STA 進行AP 關聯決策的機制，平均情況下切換時延超過300ms，無法滿足實時性要求很高的應用需求［3］。為了最大限度地減少切換對通信服務質量（Quality of Service，QoS）以及用戶服務體驗質量（Quality of Experience，QoE）的影響，更加高效的機制是通過預測機制提前在網絡核心完成參數的部署和設置，準確預測STA可能切換AP 集合，并從中選擇最優AP 進行通信服務預設置，是提高切換效率的關鍵。

本文基于軟件定義無線網絡切換模型［4~6］，提出了一種新的基于機器學習方法和模糊多屬性決策的切換機制。中心控制器利用支持向量回歸（Support Vector Regression，SVR）［7］預測算法對移動終端信號強度進行預測，提前遷移連接狀態信息，實現無縫切換；綜合考慮多維網絡性能指標，提出了一種基于模糊邏輯（Fuzzy Logic，FL）［8］的多屬性決策切換備選AP 選擇算法，提高切換后的QoS 并抑制乒乓效應。實驗表明，本文提出的算法能夠較為準確地進行切換判決，可以較大提升切換后網絡通信的QoS，有效抑制網絡的乒乓效應。

2 基于SVR和模糊邏輯的切換機制

為保證通信傳輸的QoS，需要在網絡切換過程中確定合適的接入點，需要選擇恰當的切換時機。本節將重點分析基于SVR 預測算法的最優切換時間選擇方法以及基于Fuzzy Logic的接入點確定算法。

2.1 決策信息集

通過統籌考慮多維網絡性能指標，為移動終端確定最佳接入點，可有效保證切換后網絡通信的QoS 指標。因此，本文借鑒文獻［9］所描述的多項網絡性能評價指標，主要包括RSSI、帶寬（BW）、時延（Delay）、時延抖動（Jitter）。

當發生鄰近APIi干擾時，STAi在輔助載波上的SINR可以按照式（1）進行計算：

其中，Ptx,i為STAi的傳輸能量，Lij為STAi與APj之間的傳輸丟包，N為噪聲能量。干擾信號Ii為使用相同通信資源同時進行通信的STA 信號的疊加。故影響STAi傳輸速率的干擾信號強度可用式（2）進行表示：

其中，用戶i的備選接入點數量為j，與用戶i并發使用相同通信資源的用戶數為n，用戶k與i使用相同的通信資源，用戶k的傳輸能量為Ptx,k，路徑丟包率為Ljk，噪音比率為N。基于香農容量式（3），我們可計算信道的數據傳輸速率：

其中，用戶i的吞吐量為Ratei，最大吞吐量為Ratemax，傳輸帶寬為BW，ki為用戶i所關聯基站的負載，線性尺度下用戶i的期望SINR為SINRmin。SDN控制器還收集時延、時延抖動、帶寬、耗費等其他網絡切換參數。通過式（4）可計算可用帶寬BWavailable：

其中，BWmax為基站總帶寬容量，BWoccupied為基站已用帶寬。時延為數據傳輸率的相反數，可用式（5）表示。

2.2 差分預測算法

頻繁切換以及延遲切換都會影響QoS 和QoE。為了更好地預測切換時機，采用機器學習的方法對切換的時機進行預測。將切換時機預測建模為有監督學習問題。通過對歷史數據添加標簽，完成對預測學習模型的訓練。

設網絡包含N個AP，M個STA，設控制器以周期t為測量間隔記錄網絡中AP和STA的測量信息，每個周期內控制器記錄STA 與AP 間的RSSI 值RSSIt。針對STA 的每次切換綜合考慮切換后RSSI值、上行流量（upload，ul），下行流量（download，dl）以及節點切換時最近3 個時隙內的切換次數統計，以此作為評估函數的輸入。映射函數計算的評分取0~1 之間的連續值，0 表示最差，1 表示最優。表1描述了用于計算評估函數的具體指標。

表1 評估指標

為了計算第i次切換記錄的得分，不同指標設定了不同的權重，根據不同因子對切換機制的影響設定相關的權重，具體計算如式（6）所示，針對不同的運行場景，可對權重按需進行設定。

其中1 ≥α,β,γ≥0，α+β+γ=1。RSSIMAX表示統計數據中切換前后差值的最大值，f表示與成反比的分段映射函數，映射值域0~1，該函數表示切換次數越多，響應的取值越小。dlMAX和ulMAX分別表示數據范圍內的最大差值。

SVR 通過使用非線性映射函數將訓練數據映射到高維特征空間，然后求解線性超平面，使得所有樣本點距離超平面的總偏差最小。這種方法的細節可以在文獻［10］中找到。設訓練數據集合，輸出向量，其中N表示訓練樣本數。SVR 的目標在于尋找超平面（fx），使得所有樣本點到該超平面的離差ε最小，如（7）所示。

其中(1/2)‖ω‖2為正則項，主要用來簡化目標函數f（x），用以確定模型的VC（Vapink-Chervonenkis，VC）維與常量訓練誤差C 的折中。Lε表示不敏感損失函數，如式（9）所示，用來確保全局最小解的存在和可靠泛化界的優化。

C和ε值由實際操作確定。C表示正則化常數，ε用來控制不敏感損失函數的規模，以適應訓練數據［10］。通過求解帶約束最優化問題，可以得到式（10）。

系數βi與每個樣本點相對應，在支持向量回歸中，只需使用支持向量，就可以得到與使用所有訓練數據點相同的解。使用核函數K（xi，xj）來計算特征空間中的內積，從而直接在輸入空間中進行所有的計算，如式（11）所示。

為了獲得更好的泛化性能，我們采用了徑向基核函數核函數（Radial Basis Function，RBF），如式（12）所示。

為了獲得支持向量回歸的最佳參數，對模型進行評估，我們計算了三組測試數據的均方根誤差（Root Mean Square Error，RMSE），如式（13）所示。對于每組參數（C，σ，ε）。我們考慮組如下：C（1，2，5），σ（0.01，0.001，0.000001）和ε（0.1，0.03，0.05）。最后選擇RMSE 最小的組作為SVR 模型的參數，表2顯示了不同參數對于模型的影響。

表2 性能表

其中RMSE 由實際樣本點值獲得，y?i預測值由式（14）確定。

將訓練好的模型部署到SDN控制器，系統會記錄移動節點當前關聯節點歷史數據輸入回歸模型，根據預測的RSS值，依據式（6）計算分數，以此判斷是否與當前關聯階段脫離，并切換至新的節點。我們設置了如下切換策略：若分數在［0.6，1］之間，但是RSSI 值較低時，延遲切換，重新評估節點狀態，因為切換了會影響QoS；［0.4~0.6］維持當前連接，減少不必要切換；［0，0.4］進行切換，提高服務質量。

2.3 基于模糊邏輯的切換決策

綜合考慮多維網絡性能參數，采用模糊邏輯判決處理方法，以實現最優的網絡切換選擇，確保網絡切換后的通信QoS。基于模糊邏輯的判決處理過程可參考文獻［6］。

判決因子歸一化：采用式（15）對判決因子進行歸一化處理，變量x的取值分別為RSSI、BW、D、J，V（RSSI）、V（BW）、V（D）和V（J）表示歸一化數值。

隸屬度計算：依次選取式（16）、（17）、（18）所示的三角隸屬函數，分別計算不同因子隸屬高、中、低模糊集的程度。

fL(v)、fM(v)、fH(v)分別代表高、中、低三種隸屬函數，x的取值分別為RSSI、BW、D、J。不同因子的隸屬函數參見圖1。

圖1 各屬性因子隸屬度函數

對于某一待評估網絡i所測得的指標數據，分別代入式（16）~（18），求得參數隸屬度值，構成隸屬度向量如式（19）所示。

隸屬值計算：對各個參數分別分配影響指數，計算方法如式（20）所示。

隸屬值由通過式（21）求得：

x的取值分別為RSS、D、BW和J，i為候選網絡。通過上述計算，可得到多屬性判決矩陣A（式（22））。A的一行代表候選網絡的參數經過模糊處理后的屬性值，A的行數為候選網絡的數量。

權重計算：采用熵值法計算公式（23）進行判決因子權重計算，其中pij表示第i個方案屬性j的貢獻度，Ej表示所有方案對屬性j的貢獻總量。Ej采用式（24）進行計算，式中M為候選網絡數量，j為判決因子，分別表示RSSI、D、B、J，K為常數，0 ≤Ej≤1，K=1/lnM。

定義dj為屬性j下不同方案貢獻度的一致性程度，dj=1-Ej，判決因子權重可由式（25）進行計算。

切換判決：將判決矩陣A與權重向量W相乘，得到綜合性能值PV，PV=A?W，依據綜合性能值的得分高低，選取具有最大值MAX（PV）的網絡作為候選切換對象。

3 實驗結果及性能測試

為了驗證切換預測機制的性能，本節基于Mininet-WiFi［11~12］仿真器構建了如圖2 所示的實驗環境。Mininet-WiFi 包含基于Linux 無線驅動和802.11_hwsim 無線仿真驅動［13］，可建立虛擬化的AP 和STA，并模擬它們之間的通信，可設置AP 的位置、工作模式、工作信道、STA 的移動模式等屬性，此外控制器可以獲取AP和STA無線通信信息。

圖2 實驗場景

場景示意如圖3 所示。網絡由20 個AP 覆蓋，同時隨機加入50 個STA 節點，AP 覆蓋范圍相互重疊，所有AP 接入控制器SDN 控制器。STA 隨機接入AP 利用Iperf3 持續產生符合泊松分布背景流量。STA0作為觀測對象在圖中所示路徑上移動。同時使用網絡性能測試工具Iperf3 記錄STA0在移動過程中的傳輸速率變化。實驗過程中持續記錄所有AP 及STA 的RSSI、接入點數量、上下行流量、時延和時延抖動等測量數據。實驗中各要素的參數設置如表3所示。

圖3 算法預測值與實際計算所得評分的對比

表3 實驗配置參數表

1）預測算法性能

為了評估切換預測模型的性能，對從實驗中采集的數據進行分析，并按照分鐘為時隙，分別統計各AP、STA 的信息向量。將75%的數據集用于模型訓練，25%的數據用于驗證。在計算式（6）分數時，對于α，β，γ的取值，為了弱化RSSI對于評分的影響，在實驗中分別設置為0.3、0.2、0.5，重點突出通信性能在評分中的占比。

為了驗證預測算法計算值域實際運行數據所計算分數的對比情況，對測試數據進行了篩選，在實際運行中，測試節點STA0按照圖2 所示路線以1m/min 的速度移動，為了準確描述變化，選取了從圖中B 點到C 點的測量數據進行驗證，因為在BC段STA0將切換至AP2。AP2 的覆蓋范圍為300m，節點大約運行了200min，如圖3 所示采樣了50 個數據點數值變化情況，Score 計算值的變化整體呈現出先增加后減少的過程，這與實際拓撲下的運行情況相符，因為STA0將在B 和C 點附件進行切換，基于SVR 預測RSSI 值的Score 得分與實際運行情況下數據計算的Score的平均準確率達到96.91%。

2）網絡選擇性能

終端STA0由A 點移動到H 點，移動路徑如圖2所示，移動速度為1m/min。當網絡在位置A、B、C、D、E、F、G、H 附近發生切換時，PV 值分別如表4 所示，PV 值最大者為候選網絡。仿真結果顯示，本文所設計的判決算法能夠選擇性能整體最優的網絡進行切換。

表4 備選網絡PV

3）切換決策性能

將本文所設計的切換機制在控制器上進行了實現，與基于RSSI 強度的切換機制［1］、基于自組織映射（Self-organizing Maps，SOM）和模糊決策（Fuzzy Logic，FL）［14］的機制（SOM-FL）以及文獻［15］所設計的基于RSSI 強化差分預測和模糊邏輯決策（Forward Differential Prediction and Fuzzy Logic，FDP-FL）的切換機制在平均切換次數（Average Number of Handoffs，ANoH）、乒乓效應（Average Number of Ping Pang，ANoPP）、平均通信時延（Average Delay of Session，ADoS）和平均通信帶寬（Average Bandwidth of Session，ABoS）指標方面進行了對比，如表5、6所示。

表5 不同機制下平均切換次數及平均乒乓效應次數對比

通過實驗可以看到，在20 個AP，50 個移動用戶的相同場景下，移動節點本文所設計的機制在ANoH 方面相對于單純依賴RSSI 強度的機制減少了31%，相對于SOM-FL 減少了14%，相對于FDP-FL 減少了14%。在ANoPP 方面，相對于單純依賴RSSI強度的機制減少了55%，相對于SOM-FL減少了23%，相對于FDP-FL減少了12%。

通過表6可以看到，在ABoS方面，相對于RSSI提高了46%，相對于SOM-FL 提高了12%，相對于FDP-FL 提高了7%；在ADoS 方面，相對于RSSI 減少了42%，相對于SOM-FL 減少了20%，相對于FDP-FL 減少了11%。綜合四項指標可以看到，本文所設計的機制優于對比機制。

表6 相同場景下不同機制平均通信時延和通信帶寬對比

4 結語

本文利用SDN網絡的資源性能信息獲取、決策控制中心化、網絡功能虛擬化等技術，以及能夠敏捷快速完成網絡功能遷移的優勢，提出了一種新的網絡切換機制：1）采用向量回歸算法對虛擬AP 接收移動終端信號強度進行預測，統籌處理上、下行帶寬以及歷史切換信息，設計了一種綜合評分方法，并據此判斷是否觸發切換，減小切換對移動通信QoS 的影響，有效抑制乒乓效應；2）設計了一種基于模糊邏輯的候選網絡選擇算法，統籌處理多維網絡指標參數，計算出最優的候選切換網絡。仿真結果表明，本文設計的算法能夠較準確地進行切換判決，有效移植乒乓效應，提升網絡傳輸性能。