基于數(shù)字孿生的無線網(wǎng)絡優(yōu)化方法的研究

摘要：文章提出了一種基于數(shù)字孿生的無線網(wǎng)絡優(yōu)化系統(tǒng)設計方案。該系統(tǒng)由數(shù)據(jù)層、應用層和交互層3層架構組成，包含數(shù)據(jù)采集、數(shù)據(jù)處理等4個主要模塊。其利用數(shù)字孿生技術構建無線網(wǎng)絡數(shù)字孿生模型，實現(xiàn)對無線網(wǎng)絡的實時監(jiān)控和分析，從而找出網(wǎng)絡中潛在的問題和瓶頸，并通過對數(shù)字孿生模型進行優(yōu)化，得到優(yōu)化的無線網(wǎng)絡配置參數(shù)，以提高無線網(wǎng)絡的性能和穩(wěn)定性。實驗結果表明，該優(yōu)化方案能有效提升無線網(wǎng)絡的性能、提高網(wǎng)絡資源的利用率。

關鍵詞：數(shù)字孿生；無線網(wǎng)絡；數(shù)據(jù)采集；優(yōu)化算法

中圖分類號：TN92" 文獻標志碼：A

0 引言

無線網(wǎng)絡已成為現(xiàn)代社會生活和工作的重要基礎設施。數(shù)字孿生作為一種前沿技術，通過創(chuàng)建現(xiàn)實世界的虛擬映射，為無線網(wǎng)絡優(yōu)化提供了新的解決方案［1］。一方面，基于數(shù)字孿生的無線網(wǎng)絡優(yōu)化方法可以實現(xiàn)網(wǎng)絡環(huán)境的全面監(jiān)控和實時分析，為網(wǎng)絡管理員提供精準的數(shù)據(jù)和優(yōu)化策略支持；另一方面，數(shù)字孿生的模擬和預測能力可以幫助網(wǎng)絡管理員提前發(fā)現(xiàn)潛在問題，避免網(wǎng)絡故障的發(fā)生［2］。本文將探討基于數(shù)字孿生的無線網(wǎng)絡優(yōu)化方法，以期為無線網(wǎng)絡技術的發(fā)展提供有益的借鑒和啟示。

1 數(shù)據(jù)層

1.1 數(shù)據(jù)采集模塊

數(shù)據(jù)采集模塊是構建數(shù)字孿生模型和實現(xiàn)網(wǎng)絡優(yōu)化策略的基礎。設計人員可以利用射頻傳感器捕捉基站、終端或網(wǎng)絡設備發(fā)出的信號；部署電流傳感器監(jiān)測基站、終端等設備的電流，了解設備功耗、工作狀態(tài)信息；借助網(wǎng)絡協(xié)議分析儀捕獲和分析無線網(wǎng)絡中的數(shù)據(jù)包，獲取吞吐量、時延、丟包率等網(wǎng)絡性能信息。為實現(xiàn)全面的數(shù)據(jù)采集，設計人員可以采用被動測量采集技術監(jiān)聽網(wǎng)絡中的數(shù)據(jù)傳輸，抓取數(shù)據(jù)包的傳輸情況獲取網(wǎng)絡性能數(shù)據(jù)。設計人員需要在網(wǎng)絡中的任何一個節(jié)點上進行測量、監(jiān)聽，當數(shù)據(jù)傳輸經(jīng)過測量節(jié)點時捕獲包括源節(jié)點、目的節(jié)點、發(fā)送時間和序列號等信息的數(shù)據(jù)包，同時利用數(shù)據(jù)包嗅探算法抓取數(shù)據(jù)包網(wǎng)絡中的流量、速率性能指標。

1.2 數(shù)據(jù)處理模塊

數(shù)據(jù)處理模塊主要負責對采集到的原始數(shù)據(jù)進行處理和解析，具體流程如圖1所示。

如圖1所示，設計人員可以使用PC BIOS調(diào)用接口將來自不同子系統(tǒng)的用戶行為、網(wǎng)絡狀態(tài)、設備性能等數(shù)據(jù)，匯聚集中到數(shù)據(jù)倉庫中。其次，設計人員可以利用四分位距（Interquartile Range，IQR）數(shù)據(jù)質量檢查算法實時識別由于設備故障、數(shù)據(jù)傳輸錯誤或用戶行為異常等原因導致的異常數(shù)據(jù)點，當檢測到異常情況時，通過去重、補全等清洗校正手段，確保數(shù)據(jù)具有一致性。設計人員可以采用插值、填充方法填補數(shù)據(jù)集中的缺失值，以使數(shù)據(jù)分布更加連續(xù)。設計人員需要將預處理后的數(shù)據(jù)整合為統(tǒng)一的JSON數(shù)據(jù)格式，并將整合后的數(shù)據(jù)傳輸?shù)組ongoDB數(shù)據(jù)庫進行存儲。

2 應用層

2.1 孿生模型優(yōu)化算法設計模塊

在基于數(shù)字孿生的無線網(wǎng)絡優(yōu)化系統(tǒng)中，支持向量機（Support Vector Machine，SVM）被應用于生成孿生模型優(yōu)化算法的設計［3］。在模型生成前，利用特征工程技術從原始數(shù)據(jù)中提煉出富含信息量的特征。為此，設計人員可以利用計算類內(nèi)散度矩陣實現(xiàn)特征的線性判別分析（Linear Discriminant Analysis，LDA），以對提取特征進行降維，計算類內(nèi)散度矩陣SW，具體表示如式（1）所示：

其中，xi表示第i個類的樣本集合，x表示xi集合中的單個樣本，μi表示第i個類的均值，c表示類的數(shù)量。在特征工程完成后，SVM通過線性核函數(shù)將輸入數(shù)據(jù)映射到高維特征空間，實現(xiàn)非線性分類。在數(shù)字孿生技術支持下，設計人員可以采用粒子群優(yōu)化算法的先進變種——PSO技術（Particle Swarm Optimization，PSO）設計無線網(wǎng)絡優(yōu)化算法，實現(xiàn)在多維度搜索空間中粒子位置的智能調(diào)整，以漸進方式逼近最優(yōu)解，達到無線網(wǎng)絡性能的優(yōu)化［4］。在迭代過程中，設計人員需要通過評價函數(shù)計算種群中每個粒子的適應值（f），并與粒子歷史最優(yōu)位置的個體極值及種群歷史最優(yōu)位置的全局極值進行比較。繼而設計人員需要通過動態(tài)調(diào)整慣性權重和加速系數(shù)，并引入非線性動態(tài)調(diào)整機制優(yōu)化粒子的速度更新，提高算法的搜索能力和收斂速度，更新公式如式（2）所示：

vi（t+1）=w×vit+c1×r1×（p-xit）+c2×r2×（g-xit）（2）

其中，vi是粒子的速度，w是慣性權重，控制粒子速度的持續(xù)性，c1和c2是加速系數(shù)，控制粒子向個體極值和全局極值位置的吸引程度，r1和r2是［0，1］區(qū)間內(nèi)的隨機數(shù)，p是粒子i的個體極值位置，g是全局極值位置，xit是粒子i在時間t的位置。當達到預設的最大迭代次數(shù)時，算法停止迭代，最終輸出全局極值及其對應的位置，即最優(yōu)無線網(wǎng)絡優(yōu)化方案。

2.2 網(wǎng)絡優(yōu)化策略推薦模塊

無線網(wǎng)絡優(yōu)化策略推薦模塊設計目標是提供定制化的網(wǎng)絡優(yōu)化策略。首先，設計人員需要采用機器學習技術對采集、處理后的網(wǎng)絡設備性能指標、信號干擾因素等網(wǎng)絡狀態(tài)進行分析，構建網(wǎng)絡狀態(tài)畫像，以定義網(wǎng)絡優(yōu)化策略推薦模塊的輸入屬性和特征。根據(jù)網(wǎng)絡狀態(tài)的特征畫像，設計人員通過深度學習技術構建網(wǎng)絡狀態(tài)與優(yōu)化策略之間的關聯(lián)模型。然后，設計人員需要利用皮爾遜相關系數(shù)評估網(wǎng)絡對于特定優(yōu)化策略的響應得分，從而得出網(wǎng)絡狀態(tài)與優(yōu)化策略特征的匹配程度，找到與當前網(wǎng)絡狀態(tài)最接近的歷史網(wǎng)絡狀態(tài)，預測目標網(wǎng)絡對特定優(yōu)化策略的響應。設計人員可以結合網(wǎng)絡的歷史性能數(shù)據(jù)和實時監(jiān)測數(shù)據(jù)，運用值函數(shù)網(wǎng)絡（Critic）學習算法預測網(wǎng)絡在未來一段時間內(nèi)的性能變化趨勢。設計人員需要利用格網(wǎng)搜索方法搜索最優(yōu)推薦算法參數(shù)，構建一個無條件概率條件模型，對未曾測試的參數(shù)組合的潛在性能進行準確預測。

3 交互層

在實現(xiàn)方面，基于數(shù)字孿生技術的無線網(wǎng)絡優(yōu)化交互層集成以下關鍵技術功能：（1）UI視覺界面設計：為提供清晰、直觀且具備智能反饋機制的操作界面，設計人員可以采用基于機器學習算法的動態(tài)適應性設計風格，界面主要劃分為以下幾個部分：實時網(wǎng)絡狀態(tài)展示、基于深度學習的優(yōu)化策略展示、多模態(tài)操作控制區(qū)域。（2）實時監(jiān)控與預警：為幫助網(wǎng)絡管理員及時了解網(wǎng)絡狀態(tài)變化，系統(tǒng)提供實時反饋服務。當網(wǎng)絡狀態(tài)發(fā)生重大變化時，如信號強度低于閾值、數(shù)據(jù)傳輸速率下降等，采用Apache Kafka事件驅動架構第一時間將相關信息推送至網(wǎng)絡管理員終端。（3）定制化配置：設計人員使用Bootstrap前端框架提供多種預設的界面風格供用戶選擇；運用CSS樣式表，允許用戶自定義字體大小和顏色；JSON配置文件存儲用戶自定義的數(shù)據(jù)指標配置。

4 測試實驗

4.1 實驗準備

為驗證基于數(shù)字孿生的無線網(wǎng)絡優(yōu)化系統(tǒng)的性能及可行性準備進行模擬測試，設計人員選用HP ProLiant DL360p服務器，配備32核心、64 GB內(nèi)存，確保計算效率；Cisco Packet Tracer模擬實時的無線網(wǎng)絡數(shù)據(jù)；采用Visual Studio Code作為編程環(huán)境，編寫、調(diào)試和優(yōu)化數(shù)字孿生算法。

4.2 實驗結果

設計人員需要隨機選取5個不同的無線網(wǎng)絡環(huán)境節(jié)點進行測試。測試結果如表1所示。

實驗數(shù)據(jù)表明，通過對5個不同無線網(wǎng)絡環(huán)境的測驗，得出本優(yōu)化系統(tǒng)的平均響應速度為5.77M/s，表明系統(tǒng)具有較快的實時網(wǎng)絡狀態(tài)監(jiān)測能力；優(yōu)化策略執(zhí)行成功率達98%以上，表明系統(tǒng)在執(zhí)行優(yōu)化策略方面具有較高可靠性；在網(wǎng)絡性能改善方面，平均改善率為17.1%，這表明系統(tǒng)可以有效提升無線網(wǎng)絡性能。

5 結語

在數(shù)字化轉型的大潮中，基于數(shù)字孿生的無線網(wǎng)絡優(yōu)化系統(tǒng)設計為我國的無線網(wǎng)絡領域帶來革命性的視角和無限可能。該系統(tǒng)融合前沿的信息技術與網(wǎng)絡管理理念，通過網(wǎng)絡空間與物理空間的映射與互動，構建起一個高精度、動態(tài)可視化的網(wǎng)絡優(yōu)化框架，為我國無線網(wǎng)絡基礎設施的穩(wěn)定性和性能升級提供了堅實的技術根基。

參考文獻

［1］牛和昊，林志，王勇，等.智能反射面輔助的無線網(wǎng)絡加權和速率優(yōu)化設計［J］.國防科技大學學報，2023（6）：56-63.

［2］付國帥.一種優(yōu)化云無線接入網(wǎng)絡資源分配算法［J］.火力與指揮控制，2023（11）：67-71，80.

［3］宋嚴.無線傳感器網(wǎng)絡節(jié)能路由優(yōu)化算法研究［J］.長春師范大學學報，2023（10）：29-34，70.

［4］鄭嵐，徐麗萍.基于遺傳感知優(yōu)化算法的無線傳感網(wǎng)絡資源分配研究［J］.新鄉(xiāng)學院學報，2023（9）：31-36.

Research on wireless network optimization method based on digital twin

Abstract： "This paper proposes a wireless network optimization system design scheme based on digital twin， which consists of three layers of architecture， data layer， application layer and interaction layer， including four main modules， such as data acquisition， data processing and etc. It uses digital twin technology to build a wireless network digital twin model to realize real-time monitoring and analysis of wireless network. The potential problems and bottlenecks in the network are found out， and the optimized wireless network configuration parameters are obtained by optimizing the digital twin model to improve the performance and stability of the wireless network. The experimental results show that this optimization scheme can effectively improve the performance of wireless network and improve the utilization rate of network resources.

Key words： digital twin; wireless network; data acquisition; optimization algorithm