QoE感知的V-CRAN视频传输资源分配策略

张 鸿，黄 闯，邹 虹，王汝言，徐瑞鑫，李职杜

(1.重庆邮电大学 通信与信息工程学院，重庆 400065；2.先进网络与智能互联技术重庆市高校重点实验室，重庆 400065；3.泛在感知与互联重庆市重点实验室，重庆 400065)

随着在线、移动和实时社交媒体的快速发展，以视频为代表的富媒体逐渐成为互联网内容的主流[1]。根据思科视频网络指数预测的结果，2022年全球视频流量将占全网流量的82%[2]。为了保证用户观看视频的体验质量，无线网络传输需要具备超高的数据速率、低时延和大容量的特点[3]。面对上述挑战，采用时波分复用无源光网络(Time and Wavelength Division Multiplexed Passive Optical Network，TWDM-PON)作为前传的云无线接入网(Cloud Radio Access Network，C-RAN)被认为是满足低时延、高数据速率和大容量的有效解决方案[4]。但是，面对不断增加的视频数据流量，用C-RAN有限的前传能力和无线资源给用户提供平滑高质量的视频体验质量产生了巨大的挑战[5]。

对于视频业务而言，其最终目的是给用户提供一个平滑和高质量的视频播放体验。在无线域，文献[6]中提出了一种基于速率的动态比特率自适应流策略，实现了高效与低成本的视频流传输，但在一些缓冲区空间较小的设备上，当速率控制没有及时根据吞吐量调整，此时易造成用户缓冲区中断或溢出。因此，文献[7]中设计了一种比例-积分-微分策略，通过稳定用户播放缓冲区的长度来保证视频的连续播放。虽然它增强了用户观看视频的连续性，却忽略了视频的质量。为了解决该问题，文献[8]中提出了双时间尺度的资源优化策略，将软件定义网络(Software Defined Network，SDN)引入到无线网络，利用软件定义网络控制器感知网络中的环境变化，同时设计了一种李雅普诺夫在线算法，以获得每个时间尺度的视频质量和带宽分配决策来提高用户的平均视频质量。然而，上述文献都是针对无线域的资源分配来增强用户的体验质量(Quantity of Experience，QoE)的。采用TWDM-PON作为前传的C-RAN架构，应充分考虑光域和无线域协作来提升网络的性能。因此，文献[9]中设计了一个基于软件定义网络的C-RAN架构，利用软件定义网络控制器感知网络中光域和无线域的资源，并且对C-RAN架构中的无线层和传输层进行联合调度和管控，但是对波长资源和无线资源无法实现共享，各个服务提供商(Service Provider，SP)独立运行C-RAN，造成资源利用率不高，无法保证用户的体验质量。为了解决该问题，文献[10]在基于软件定义网络的C-RAN架构上，利用网络虚拟化技术(Network Virtualization，NV)将基础设施和空闲的频谱资源形成虚拟化切片，用于无线资源拍卖以保证用户的服务质量，但是该策略没有考虑光域资源的虚拟化。因此，在光域与无线域中，文献[11]中设计了一个C-RAN与NV的联合架构，在保证用户服务质量的前提下，依据负载流量为不同类型的虚拟化云无线接入网(Virtualization C-RAN，V-CRAN)公平地分配资源。然而，该策略并不适用于以用户为中心的视频流服务。因此，文献[12]中设计了一个端边云协作的C-RAN架构，考虑用户簇切换时的零缓冲中断时间与网络的频谱效率构建虚拟无源光网络(Virtualized Passive Optical Network，VPON)，利用网络虚拟技术有效地降低了光域的波长数目，同时提高了无线链路的频谱效率，减少了用户观看视频的中断时间。然而，该技术却忽略了光网络单元(Optical Network Unit，ONU)的调谐范围，过多的簇切换会产生较大的波长调谐开销。

综上所述，虽然基于TWDM-PON前传的C-RAN架构下能够有效地向用户提供高质量的视频传输，但仍存在光域和无线域资源分配不平衡的问题，从而影响用户观看视频时的体验质量。因此，在基于软件定义网络的TWDM-PON前传的C-RAN架构下，笔者提出一种体验质量感知的虚拟化云无线接入网视频传输资源分配策略(Qoe-Aware Video Transmission Resource Allocation Strategy，QAVTRAS)。首先根据用户请求的视频质量、带宽需求，考虑前传带宽分配效率、调谐开销以及负载均衡性优化波长资源的分配，提出基于合并分裂规则的联盟形成博弈构建V-CRAN；进而，建立V-CRAN和用户之间的Stackelberg博弈模型，通过定价策略优化无线带宽分配，保证用户体验质量；最后求解纳什均衡，得到双方各自最优的策略。

1 基于TWDM-PON的C-RAN跨域协作传输架构

基于TWDM-PON前传的C-RAN网络如图1所示。TWDM-PON可为C-RAN提供高容量、低时延的前传支持，以满足视频业务的传输需求。在无线域中，每个RRH从小区中的用户接收射频信号之后，传输到光网络单元形成数字基带信号。利用公共无线接口(Common Public Radio Interface，CPRI)将数字化的基带信号转发到基带单元池[13]。在光域，光线路终端(Optical Line Terminal，OLT)负责分配波长资源[14]。利用TWDM-PON的高容量特性，多个光网络单元利用波长调谐器调谐到同一波长或波长组形成VPON，以时分复用的方式共享该波长，并通过远端节点(Remote Node，RN)将上行/下行数据流量传输到光网络单元[15]。

图1 基于TWDM-PON前传的V-CRAN架构

与现有架构不同的是，基带单元池虚拟化成若干个虚拟基带单元(virtualized BaseBand Units，vBBUs)。当小区处于轻负载或重负载的情况时，虚拟化小区(Virtualized Cell，VC)动态地控制vBBU和线卡(Line Card，LC)的关联。其中，虚拟化小区负责管理一组vBBUs，相应地控制一组波长信道连接到RRH。

为了实现光域和无线域的协同调度和优化，笔者提出支持软件定义网络的C-RAN网络为资源和用户提供了一个资源交易的平台。软件定义网络控制器通过资源调度为不同的VPON分配波长组，并与之相关联的虚拟化小区形成V-CRAN。其中，每个V-CRAN代表一个服务提供商。在资源调度过程中，用户首先向软件定义网络控制器发送调度请求，请求信息包含用户请求的视频质量、播放缓冲区的大小、信道质量信息以及带宽需求；其次，软件定义网络控制器计算前传带宽分配效率、波长调谐开销以及波长间的负载均衡程度，通过基于合并分裂规则的联盟博弈构建V-CRAN，优化波长资源的分配。一旦V-CRAN构建完成，将用户和V-CRAN建模为两阶段的Stackelberg博弈，根据用户播放缓冲区的大小，定义用户视频中断危险程度参数，进一步优化无线资源的分配。最后，软件定义网络控制器将光域和无线域的资源分配决策通过传输控制器和无线控制器向光网络单元进行广播，每个光网络单元只处理与它连接RRH的调度决策。

2 基于联盟博弈的V-CRAN波长分配算法

在基于TWDM-PON前传网络的C-RAN网络中，过多的波长开启将会导致较大的能耗开销和较低的资源分配效率。而形成V-CRAN能够共享波长资源，减少波长的使用量。同时，为了实现波长资源和无线资源的协同分配，通过考虑用户请求的视频比特率和期望的无线带宽数量构建波长资源和无线资源的下行带宽分配效率模型。然而，由于每个光网络单元的调谐范围不一样，在分配波长的时候容易造成较大的波长调谐开销或较差的波长负载均衡性。因此，为了优化激活的波长数目和波长调度引起的开销，考虑前传带宽分配效率、调谐开销和负载均衡性，笔者提出基于合并与分裂的联盟形成算法。

2.1 前传带宽分配效率

在V-CRAN构建的过程中，根据用户请求的视频比特率大小和所期望得到的带宽数量创建V-CRAN。假设G={g1，g2，…，g|G|}，|G|是V-CRANs的集合；|W|是波长的数量，W={w1，w2，…，w|W|}。V-CRANgi是由ni个RRH/光网络单元组成的，根据文献[16]定义当前V-CRANgi下的前传带宽分配效率E(gi)，表示为波长承载每单位无线带宽所减少的使用数量：

(1)

2.2 波长调谐开销

(2)

2.3 负载均衡性

当负载一定时，激活波长的数目随波长分配方案的不同而变化。为了均衡不同波长间的负载量，利用均方误差来衡量当前场景下不同虚拟光网络间的负载失衡度[18]：

(3)

2.4 联盟博弈算法

联盟形成是一种基于合作的博弈算法，通过光网络单元之间相互协作形成V-CRAN，能够共享波长资源，实现资源的高效利用。因此，根据前传带宽分配效率、波长调谐开销和负载均衡性将V-CRAN的构建过程转化成联盟博弈问题，并通过合并与分裂规则得到最优的V-CRAN分配方案。

(1) 联盟模型

用(I，U)表示联盟博弈。I为博弈的参与者，即在任意的Ti和Ti+1之间，波长分配方案的集合I={σ1(o，w)，…，σ|O|(o，w)}，其中{σj(o，w)，o∈O，w∈W}表示波长wj分配给oj用于前传数据的传输。U表示该集合的效用值，根据前传带宽分配效率、波长调谐开销和负载失衡度建立V-CRANgi的效用函数：

U(gi(Ω))=αE(gi(Ω))-βT(gi(Ω))-γB(gi(Ω)) ，

(4)

其中，gi(Ω)表示V-CRANgi中σ(o，w)的集合。α+β+γ=1，可通过调节a，β，γ的值来表征网络的偏好程度。

在V-CRAN形成的过程中，选择合作的标准是联盟中的成员是否能够获得最大的个体效用或者该联盟能够达到最大化的网络效用。为了便于描述联盟机制，有如下定义[19]。

定义2(比较(Comparison)▷)：假设集合I中两种不同的联盟结构A和B，比较▷表示A和B的比较关系。若效用函数U(A)>U(B)，则称A▷B。

在联盟博弈中，比较关系主要分为两类：联盟价值序列和个体价值序列。联盟价值序列(如功利主义序列)追求的是网络效用的最大化，而个体价值序列(例如帕累托序列)注重个体的效用值。形成V-CRAN是为了共享波长资源，达到资源的最优利用，因此不同集合之间选择联盟价值序列作为V-CRAN划分的合并与分裂规则。

(2) 联盟博弈规则

由上述定义，根据联盟价值序列设计两种联盟规则。

(5)

(6)

笔者提出基于合并与分裂规则的联盟形成算法，主要思想如下：初始状态下每个σ(o，w)都相互独立；在合并阶段中，σ(o，w)向I中的其他σ|O|(o，w)尝试形成联盟。若加入该联盟能够增大整体联盟的效用值，则进行合并。重复合并过程，直到遍历完I且最大联盟效用值不能再增加为止。接下来进行分裂，对于当前的联盟结构中的每一个联盟进行分裂。根据式(6)，若分裂能够增大当前最大的联盟效用值，则分裂成互不相交的小联盟，直到分裂行为不再增加当前联盟的效用为止。至此，一轮合并-分裂过程结束。算法经过多次的联盟合并与分裂操作，直到此时的联盟结构中所有联盟没有合并与分裂活动，则算法停止。

3 体验质量感知的无线资源分配策略

在某个V-CRAN中，多个用户共享该V-CRAN的无线资源，通过相互竞争最大化自身观看视频时的体验质量。而每个V-CRAN作为服务提供商通过设置合理的资源价格为用户提供服务。服务提供商和用户的交互建模为两阶段的Stackelberg博弈模型。在第1阶段，服务提供商公布资源的价格；第2阶段，用户根据服务提供商的价格响应资源需求以保证观看视频的体验质量。因此，如何合理地分配无线资源，最大化服务提供商的效用，同时又能够保证用户的体验质量显得至关重要。因为每个服务提供商执行的都是相同的过程，所以只考虑在单个服务提供商下的无线资源分配。

3.1 体验质量模型

无线带宽的分配直接决定着关联用户对视频质量的感知。当用户的传输速率大于用户请求的视频比特率Rm时，此时速率的上升对用户的体验影响较为轻微，用户的体验质量随着速率的上升缓慢增加[20]。但当用户的传输速率小于视频比特率Rm时，用户对速率的提升有着迫切需求，此时用户的体验质量会随着传输速率的下降而急剧减少。用户的体验质量与传输速率之间存在一种边际效益递减的现象[21]，用下式表示二者的关系：

(7)

其中，cm表示分配用户m的带宽比例，cm∈[0，1]；V表示用户所能达到的最大传输速率。V表示为

(8)

其中，C表示该服务提供商的总带宽大小，δ2为加性高斯白噪声功率，PRRH表示RRH的发射功率，gm表示用户m的信道增益，ζ表示其他RRH对用户m造成的干扰。

此外，用户体验质量中的权重am与用户的无线带宽需求有关，表示为用户的视频中断危险程度。视频中断危险程度am值越大，表明用户m对体验质量的需求越高，对无线带宽的需求越迫切。为了进一步提高用户的效用，除了考虑用户请求的视频质量，用户缓冲区的大小同样是影响体验质量的关键因素。因此，视频中断危险程度am的定义如下：

(9)

3.2 基于Stackelberg博弈的无线带宽分配算法

用户在带宽策略空间定义相应的效用函数，与传统的最大化用户加权速率和效用不同。针对视频业务的传输，用户的效用函数必须考虑视频流的度量指标，因此定义如下的效用函数。

(1) 用户的效用函数：用户的效用函数由其收益和开销组成，用户m的收益定义为用户观看视频时的体验质量。因为其从服务提供商请求带宽资源来保证自身的视频质量，所以用户m的开销是用户向服务提供商请求带宽的数量所支付的费用。设p为服务提供商给出的资源单价，cm为第m个用户所需要的无线带宽需求量。因此，用户的效用函数定义为U(pm，cm)，表达式为

Um(pm，cm)=Qm(cm)-pmcm。

(10)

因此，用户的最优化问题为

(11)

(12)

(2) 服务提供商的效用函数：服务提供商的效用函数等于所有无线带宽所获得的收益，因此服务提供商的效用函数为

(13)

服务提供商的目标就是通过设置合理的无线带宽价格满足用户的需求，以最大化自己的收益。因此，服务提供商的优化问题表示为

(14)

(15)

0

(16)

其中，约束式(15)是表示所有用户的总需求不得大于总带宽，约束式(16)是为了保证服务提供商的收益为正值。当服务提供商定价过高，将会导致用户的需求量减少，使得网络中较多的无线资源被闲置。而当定价过低，则会导致用户的带宽需求量过大，超过用户请求的视频比特率Rm，对用户的效用增加不会太明显。因此，在博弈过程中，服务提供商希望设置合理的价格来最大化自身的收益。

3.3 纳什均衡解的存在性和惟一性

由于服务提供商的无线资源是有限的，所以并不能满足所有用户的最大带宽需求。假设每个用户都是自私的，都希望获取更大的收益，支付更少的成本。因此用户相互竞争无线资源，并通过非合作博弈达到纳什均衡。在纳什均衡点上，用户和服务提供商的效用达到最优。但并不是所有的非合作博弈都存在唯一的纳什均衡解，所以需要证明两阶段纳什均衡点的存在性和唯一性[22]。

定理1对于给定的服务提供商的价格策略p*，在M个用户博弈G={c1，c2，…，cM；U1，U2，…，UM}中，所有的m=1，2，…，M均有以下条件成立：

(1)cm在欧氏空间中是一个非且有界的封闭区间。

(2)Um是一个连续的凸函数。

证明：显然，对于用户的资源需求策略{cm}，有0≤cm≤1，因此满足条件1。而且用户的效用函数在其策略空间上是连续的，对任意用户的效用函数求其一阶偏导为

(17)

其二阶偏导为

(18)

3.4 Stackelberg博弈问题的求解

逆向归纳法是求解完全信息状态下Stackelberg博弈问题领导者和跟随者最优策略的主要方法[23]。但是，需要每个参与者知道其他参与者的相关信息。利用C-RAN集中式架构的优势，通过软件定义网络控制器可以获取其他参与者的相关信息。因此，采取逆向归纳法，求得Stackelberg博弈的纳什均衡解。

首先分析第2阶段跟随者的决策。假设在t时刻，服务提供商公布的资源价格为p(t)。这时用户的资源需求策略通过设置∂Um(pm(t)，cm(t))/∂qm(t)=0，得到服务提供商下用户m的最佳带宽大小，使得效用最大化，其表达式记为

(19)

(20)

(21)

0

(22)

此时，服务提供商根据用户的资源需求策略进一步通过价格迭代调节自身的价格，获取更大的收益。服务提供商价格的变化率通过微观经济学边际效用[24]表示。服务提供商的价格迭代方程为

(23)

其中，ω是服务提供商的价格策略调节系数。服务提供商的边际效用可以通过价格的变化量ε(例如ε=10-4)来计算其对效用产生的影响。因此，基于价格的边际收益[25]可以计算为

(24)

当用户和服务提供商通过不断的迭代达到纳什均衡时，整个网络也达到了均衡。

基于上述对V-CRAN的构建和无线资源的进一步优化，体验质量感知的虚拟化云无线接入网视频传输资源分配策略QAVTRAS流程如下：

(1) 初始化。波长分配方案I={σ1(o，w)，…，σ|O|(o，w)}中的σ(o，w)相互独立。

(2) 合并阶段。联盟基于所选择的序列对I进行遍历，若其满足条件式(5)，则进行合并操作。

(3) 分裂阶段。若满足条件式(6)，则对该联盟进行分裂操作。

(4) 直到联盟结构中的所有联盟没有合并与分裂活动为止，输出V-CRAN的划分。

(5) 在每个V-CRAN即服务提供商中，根据式(9)计算用户的视频中断危险程度参数。

(6) 服务提供商在每一个时刻t根据式(23)和式(24)的边际效用调整价格策略。

(7) 用户在得知服务提供商的价格策略后，根据式(19)更新自己的无线资源需求策略，直到所有用户的效用达到均衡为止。

(8) 如果服务提供商的效用达到了均衡，则停止迭代；否则，在下一个t+1时刻，服务提供商根据用户的无线资源需求调整价格策略，不断重复(6)过程。

(9) 直到达到均衡，输出无线资源分配策略。

4 仿真结果及分析

4.1 仿真参数设计

采用Python仿真平台对体验质量感知的虚拟化云无线接入网视频传输资源分配策略QAVTRAS进行验证，与基于用户播放缓冲区感知(Buffer-Aware Resource Allocation algorithm，BARA)的算法[26]、基于速率(Rate-Based Algorithm，RBA)的算法[27]、INLP多目标优化以及不考虑调谐开销(QAVTRAS With No Wavelength Tuning，QAVTRAS-WNWT)、负载均衡(QAVTRAS With No Load Balance，QAVTRAS-WNLB)和用户缓冲区大小(QAVTRAS With No Considering Buffer，QAVTRAS-WNCB)算法进行对比。其中，BARA算法是根据用户播放缓冲区的大小改变视频比特率以适应无线信道的变化。RBA算法根据信道状况的好坏选择最高可用的视频比特率版本。为了不失一般性，假设C-RAN网络中小区的数量为32个，TWDM-PON作为前传的波长数目为8个。通过数值仿真的方式从网络负载的均衡程度、前传带宽分配效率、用户播放中断次数以及用户的效用验证所提策略的有效性。网络的系统参数如表1所示。

表1 仿真参数设置

此外，视频的比特率版本设置为{100 kbit/s，200 kbit/s，300 kbit/s，500 kbit/s，700 kbit/s，900 kbit/s，1 100 kbit/s，1 300 kbit/s}，其中每个视频片段的长度设置为2 s。

4.2 仿真结果分析

图2描述了C-RAN中前传带宽分配效率随网络中用户数目的变化曲线。由图可知，随着用户数目的增加，笔者提出的QAVTRAS和QAVTRAS-WNWT算法均呈上升趋势，并且QAVTRAS-WNWT算法相比于INLP多目标优化算法的前传带宽效率更高。这是因为QAVTRAS算法能够根据用户请求的视频质量和所期望的无线资源数量合理地划分V-CRAN。而QAVTRAS算法的带宽分配效率略低于QAVTRAS-WNWT，这是因为考虑到不同光网络单元的调谐范围，在分配波长资源时受到波长调谐的限制，故而形成的V-CRAN的前传带宽分配效率低于QAVTRAS-WNWT。在考虑波长调谐开销和不考虑波长调谐开销的情况下，随着用户数目的增加，QAVTRAS算法构建的前传带宽分配效率最大可分别提升25%和33%。

图2 不同用户数量下的前传带宽分配效率

图3描述了负载均衡性随不同负载率变化的曲线。在未优化的C-RAN网络场景中，QAVTRAS-WNLB将波长资源固定的分配给不同的小区，并不考虑波长之间的负载情况，从而导致在高负载情况下不同波长承载的业务量差异性较大，使得前传网络中负载波动大。而采用QAVTRAS和QAVTRAS-WNWT算法场景中的负载波动远低于QAVTRAS-WNLB。这是因为这两种算法在优化过程中，根据用户请求的视频质量和无线带宽数量动态地划分V-CRAN，尽可能地让每个波长达到均衡，从而使得均衡性在高负载时，随负载率增加而呈下降的趋势，并且QAVTRAS算法逐渐向INLP靠近。

图3 不同负载下光前传网络的负载均衡状态

图4描述了在100 s内用户的中断次数随负载率变化的情况。由图可以看到，用户的中断次数随着网络的负载率增加逐渐上升。显然，当负载率增加时，网络中传输的数据增多，从而导致用户的中断次数随着网络的负载率增加而上升。当网络处于低负载率状态时，不同算法用户的中断次数差距不明显，这是因为网络中传输的数据量不大，4种算法都能快速地进行数据传输。然而当负载率增加时，QAVTRAS和BARA算法的中断次数小于其他算法的。这是因为所提算法根据用户请求的视频质量和播放缓冲区大小确定用户的视频中断危险程度，能在一定程度上减少视频中断的次数；并且在划分V-CRAN的过程中，考虑了波长之间的调谐时间开销，减少了视频传输过程中的时间成本。BARA算法是基于用户的播放缓冲区大小来选择视频比特率传输的，当用户的播放缓冲区的长度大于或小于阈值时，选择相应最高/最低的视频比特率版本进行分发，因此减少了视频中断的次数。然而，QAVTRAS-WNCB算法没有考虑用户实际播放缓冲区的长度，因此无法保证分配给用户无线资源的数量，导致视频中断次数过多。RBA算法随着负载率的升高，中断次数逐渐增加，这是因为低负载率时网络中有较多的资源能够传输高比特的视频版本；但当负载率逐渐升高时，网络中的资源减少使得视频下载的时间增加，因此用户的中断次数增多。

图4 不同负载率下用户的平均中断次数

图5描述了在迭代过程中不同用户的效用函数(即具有不同视频中断危险程度a值的大小)随迭代次数变化的曲线。不同用户观看视频时的播放缓冲区大小不一样，根据式(9)计算用户视频中断危险程度的a值。由图6可知，用户1的效用大于用户2的效用。由式(19)可知，视频中断危险程度a值越大，分配给用户的无线资源也就越多，因此能够保证用户的视频质量，故而带给用户的效用也就越大。而用户的效用在迭代开始的时候比较大，是因为服务提供商的价格设定的比较低；随着迭代次数的增加，服务提供商不断地调整价格策略。在迭代的过程中，用户也不断调整自己的无线资源需求策略，因此用户的效用呈下降到上升再到稳定的趋势。在迭代次数大约200次时，用户间达到纳什均衡。

图5 不同用户的效用在迭代过程中的变化

图6 用户和服务提供商间的纳什均衡

图6描述了V-CRAN的Stackelberg博弈的纳什均衡。在两阶段的博弈中，第1阶段，服务提供商给出自己的价格策略，用户根据其价格策略响应自己的带宽需求。由于服务提供商为了获取更多的收益，不断地提高价格，使得用户的无线资源需求降低，同时服务提供商的效用降低。第2阶段，服务提供商根据用户的资源需求策略调整价格，价格不断降低，用户的无线资源需求量增加，服务提供商的效用增加。经过多次博弈后，大约在迭代200次时，服务提供商的价格策略和用户的无线资源需求达到稳定，说明了该算法的有效性。

5 结束语

为解决云无线接入网络传输中光域和无线域资源分配不平衡、用户体验质量差的问题，在基于软件定义网络的TWDM-PON前传的C-RAN架构下，笔者提出了一种体验质量感知的V-CRAN视频传输资源分配策略。为了保证用户的体验质量，在光域提出了一种基于联盟博弈的V-CRAN波长资源分配算法，实现光域和无线域资源的联合分配。在无线域，将用户缓冲区大小、请求的视频质量作为衡量视频体验质量的主要指标，建立用户和服务提供商(即V-CRAN)两阶段的Stackelberg博弈，进一步优化了无线资源的分配，从而减少了视频播放的中断次数。仿真结果表明，所提方案能够保证用户体验质量的同时，合理分配光域和无线域资源，提高了资源的利用率。