基于向量回归和模糊逻辑的垂直切换机制研究*

王继博 杨 蕾 齐东元

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

1 引言

传统无线网络切换机制主要单独以接收信号强度指示（Received Signal Strength Indication，RSS）作为指标，通过合理设定RSSI 强度阈值，完成移动通信节点（Mobile Stations，STA）在接入节点（Access Point，AP）间的物理层切换［1］。这种切换逻辑上包含触发切换、接入点发现、重鉴别和关联3 个步骤，在该阶段STA 无法进行数据传输［2］。IEEE 802.11 标准采用了STA 进行AP 关联决策的机制，平均情况下切换时延超过300ms，无法满足实时性要求很高的应用需求［3］。为了最大限度地减少切换对通信服务质量（Quality of Service，QoS）以及用户服务体验质量（Quality of Experience，QoE）的影响，更加高效的机制是通过预测机制提前在网络核心完成参数的部署和设置，准确预测STA可能切换AP 集合，并从中选择最优AP 进行通信服务预设置，是提高切换效率的关键。

本文基于软件定义无线网络切换模型［4~6］，提出了一种新的基于机器学习方法和模糊多属性决策的切换机制。中心控制器利用支持向量回归（Support Vector Regression，SVR）［7］预测算法对移动终端信号强度进行预测，提前迁移连接状态信息，实现无缝切换；综合考虑多维网络性能指标，提出了一种基于模糊逻辑（Fuzzy Logic，FL）［8］的多属性决策切换备选AP 选择算法，提高切换后的QoS 并抑制乒乓效应。实验表明，本文提出的算法能够较为准确地进行切换判决，可以较大提升切换后网络通信的QoS，有效抑制网络的乒乓效应。

2 基于SVR和模糊逻辑的切换机制

为保证通信传输的QoS，需要在网络切换过程中确定合适的接入点，需要选择恰当的切换时机。本节将重点分析基于SVR 预测算法的最优切换时间选择方法以及基于Fuzzy Logic的接入点确定算法。

2.1 决策信息集

通过统筹考虑多维网络性能指标，为移动终端确定最佳接入点，可有效保证切换后网络通信的QoS 指标。因此，本文借鉴文献［9］所描述的多项网络性能评价指标，主要包括RSSI、带宽（BW）、时延（Delay）、时延抖动（Jitter）。

当发生邻近APIi干扰时，STAi在辅助载波上的SINR可以按照式（1）进行计算：

其中，Ptx,i为STAi的传输能量，Lij为STAi与APj之间的传输丢包，N为噪声能量。干扰信号Ii为使用相同通信资源同时进行通信的STA 信号的叠加。故影响STAi传输速率的干扰信号强度可用式（2）进行表示：

其中，用户i的备选接入点数量为j，与用户i并发使用相同通信资源的用户数为n，用户k与i使用相同的通信资源，用户k的传输能量为Ptx,k，路径丢包率为Ljk，噪音比率为N。基于香农容量式（3），我们可计算信道的数据传输速率：

其中，用户i的吞吐量为Ratei，最大吞吐量为Ratemax，传输带宽为BW，ki为用户i所关联基站的负载，线性尺度下用户i的期望SINR为SINRmin。SDN控制器还收集时延、时延抖动、带宽、耗费等其他网络切换参数。通过式（4）可计算可用带宽BWavailable：

其中，BWmax为基站总带宽容量，BWoccupied为基站已用带宽。时延为数据传输率的相反数，可用式（5）表示。

2.2 差分预测算法

频繁切换以及延迟切换都会影响QoS 和QoE。为了更好地预测切换时机，采用机器学习的方法对切换的时机进行预测。将切换时机预测建模为有监督学习问题。通过对历史数据添加标签，完成对预测学习模型的训练。

设网络包含N个AP，M个STA，设控制器以周期t为测量间隔记录网络中AP和STA的测量信息，每个周期内控制器记录STA 与AP 间的RSSI 值RSSIt。针对STA 的每次切换综合考虑切换后RSSI值、上行流量（upload，ul），下行流量（download，dl）以及节点切换时最近3 个时隙内的切换次数统计，以此作为评估函数的输入。映射函数计算的评分取0~1 之间的连续值，0 表示最差，1 表示最优。表1描述了用于计算评估函数的具体指标。

表1 评估指标

为了计算第i次切换记录的得分，不同指标设定了不同的权重，根据不同因子对切换机制的影响设定相关的权重，具体计算如式（6）所示，针对不同的运行场景，可对权重按需进行设定。

其中1 ≥α,β,γ≥0，α+β+γ=1。RSSIMAX表示统计数据中切换前后差值的最大值，f表示与成反比的分段映射函数，映射值域0~1，该函数表示切换次数越多，响应的取值越小。dlMAX和ulMAX分别表示数据范围内的最大差值。

SVR 通过使用非线性映射函数将训练数据映射到高维特征空间，然后求解线性超平面，使得所有样本点距离超平面的总偏差最小。这种方法的细节可以在文献［10］中找到。设训练数据集合，输出向量，其中N表示训练样本数。SVR 的目标在于寻找超平面（fx），使得所有样本点到该超平面的离差ε最小，如（7）所示。

其中(1/2)‖ω‖2为正则项，主要用来简化目标函数f（x），用以确定模型的VC（Vapink-Chervonenkis，VC）维与常量训练误差C 的折中。Lε表示不敏感损失函数，如式（9）所示，用来确保全局最小解的存在和可靠泛化界的优化。

C和ε值由实际操作确定。C表示正则化常数，ε用来控制不敏感损失函数的规模，以适应训练数据［10］。通过求解带约束最优化问题，可以得到式（10）。

系数βi与每个样本点相对应，在支持向量回归中，只需使用支持向量，就可以得到与使用所有训练数据点相同的解。使用核函数K（xi，xj）来计算特征空间中的内积，从而直接在输入空间中进行所有的计算，如式（11）所示。

为了获得更好的泛化性能，我们采用了径向基核函数核函数（Radial Basis Function，RBF），如式（12）所示。

为了获得支持向量回归的最佳参数，对模型进行评估，我们计算了三组测试数据的均方根误差（Root Mean Square Error，RMSE），如式（13）所示。对于每组参数（C，σ，ε）。我们考虑组如下：C（1，2，5），σ（0.01，0.001，0.000001）和ε（0.1，0.03，0.05）。最后选择RMSE 最小的组作为SVR 模型的参数，表2显示了不同参数对于模型的影响。

表2 性能表

其中RMSE 由实际样本点值获得，ŷi预测值由式（14）确定。

将训练好的模型部署到SDN控制器，系统会记录移动节点当前关联节点历史数据输入回归模型，根据预测的RSS值，依据式（6）计算分数，以此判断是否与当前关联阶段脱离，并切换至新的节点。我们设置了如下切换策略：若分数在［0.6，1］之间，但是RSSI 值较低时，延迟切换，重新评估节点状态，因为切换了会影响QoS；［0.4~0.6］维持当前连接，减少不必要切换；［0，0.4］进行切换，提高服务质量。

2.3 基于模糊逻辑的切换决策

综合考虑多维网络性能参数，采用模糊逻辑判决处理方法，以实现最优的网络切换选择，确保网络切换后的通信QoS。基于模糊逻辑的判决处理过程可参考文献［6］。

判决因子归一化：采用式（15）对判决因子进行归一化处理，变量x的取值分别为RSSI、BW、D、J，V（RSSI）、V（BW）、V（D）和V（J）表示归一化数值。

隶属度计算：依次选取式（16）、（17）、（18）所示的三角隶属函数，分别计算不同因子隶属高、中、低模糊集的程度。

fL(v)、fM(v)、fH(v)分别代表高、中、低三种隶属函数，x的取值分别为RSSI、BW、D、J。不同因子的隶属函数参见图1。

图1 各属性因子隶属度函数

对于某一待评估网络i所测得的指标数据，分别代入式（16）~（18），求得参数隶属度值，构成隶属度向量如式（19）所示。

隶属值计算：对各个参数分别分配影响指数，计算方法如式（20）所示。

隶属值由通过式（21）求得：

x的取值分别为RSS、D、BW和J，i为候选网络。通过上述计算，可得到多属性判决矩阵A（式（22））。A的一行代表候选网络的参数经过模糊处理后的属性值，A的行数为候选网络的数量。

权重计算：采用熵值法计算公式（23）进行判决因子权重计算，其中pij表示第i个方案属性j的贡献度，Ej表示所有方案对属性j的贡献总量。Ej采用式（24）进行计算，式中M为候选网络数量，j为判决因子，分别表示RSSI、D、B、J，K为常数，0 ≤Ej≤1，K=1/lnM。

定义dj为属性j下不同方案贡献度的一致性程度，dj=1-Ej，判决因子权重可由式（25）进行计算。

切换判决：将判决矩阵A与权重向量W相乘，得到综合性能值PV，PV=A∙W，依据综合性能值的得分高低，选取具有最大值MAX（PV）的网络作为候选切换对象。

3 实验结果及性能测试

为了验证切换预测机制的性能，本节基于Mininet-WiFi［11~12］仿真器构建了如图2 所示的实验环境。Mininet-WiFi 包含基于Linux 无线驱动和802.11_hwsim 无线仿真驱动［13］，可建立虚拟化的AP 和STA，并模拟它们之间的通信，可设置AP 的位置、工作模式、工作信道、STA 的移动模式等属性，此外控制器可以获取AP和STA无线通信信息。

图2 实验场景

场景示意如图3 所示。网络由20 个AP 覆盖，同时随机加入50 个STA 节点，AP 覆盖范围相互重叠，所有AP 接入控制器SDN 控制器。STA 随机接入AP 利用Iperf3 持续产生符合泊松分布背景流量。STA0作为观测对象在图中所示路径上移动。同时使用网络性能测试工具Iperf3 记录STA0在移动过程中的传输速率变化。实验过程中持续记录所有AP 及STA 的RSSI、接入点数量、上下行流量、时延和时延抖动等测量数据。实验中各要素的参数设置如表3所示。

图3 算法预测值与实际计算所得评分的对比

表3 实验配置参数表

1）预测算法性能

为了评估切换预测模型的性能，对从实验中采集的数据进行分析，并按照分钟为时隙，分别统计各AP、STA 的信息向量。将75%的数据集用于模型训练，25%的数据用于验证。在计算式（6）分数时，对于α，β，γ的取值，为了弱化RSSI对于评分的影响，在实验中分别设置为0.3、0.2、0.5，重点突出通信性能在评分中的占比。

为了验证预测算法计算值域实际运行数据所计算分数的对比情况，对测试数据进行了筛选，在实际运行中，测试节点STA0按照图2 所示路线以1m/min 的速度移动，为了准确描述变化，选取了从图中B 点到C 点的测量数据进行验证，因为在BC段STA0将切换至AP2。AP2 的覆盖范围为300m，节点大约运行了200min，如图3 所示采样了50 个数据点数值变化情况，Score 计算值的变化整体呈现出先增加后减少的过程，这与实际拓扑下的运行情况相符，因为STA0将在B 和C 点附件进行切换，基于SVR 预测RSSI 值的Score 得分与实际运行情况下数据计算的Score的平均准确率达到96.91%。

2）网络选择性能

终端STA0由A 点移动到H 点，移动路径如图2所示，移动速度为1m/min。当网络在位置A、B、C、D、E、F、G、H 附近发生切换时，PV 值分别如表4 所示，PV 值最大者为候选网络。仿真结果显示，本文所设计的判决算法能够选择性能整体最优的网络进行切换。

表4 备选网络PV

3）切换决策性能

将本文所设计的切换机制在控制器上进行了实现，与基于RSSI 强度的切换机制［1］、基于自组织映射（Self-organizing Maps，SOM）和模糊决策（Fuzzy Logic，FL）［14］的机制（SOM-FL）以及文献［15］所设计的基于RSSI 强化差分预测和模糊逻辑决策（Forward Differential Prediction and Fuzzy Logic，FDP-FL）的切换机制在平均切换次数（Average Number of Handoffs，ANoH）、乒乓效应（Average Number of Ping Pang，ANoPP）、平均通信时延（Average Delay of Session，ADoS）和平均通信带宽（Average Bandwidth of Session，ABoS）指标方面进行了对比，如表5、6所示。

表5 不同机制下平均切换次数及平均乒乓效应次数对比

通过实验可以看到，在20 个AP，50 个移动用户的相同场景下，移动节点本文所设计的机制在ANoH 方面相对于单纯依赖RSSI 强度的机制减少了31%，相对于SOM-FL 减少了14%，相对于FDP-FL 减少了14%。在ANoPP 方面，相对于单纯依赖RSSI强度的机制减少了55%，相对于SOM-FL减少了23%，相对于FDP-FL减少了12%。

通过表6可以看到，在ABoS方面，相对于RSSI提高了46%，相对于SOM-FL 提高了12%，相对于FDP-FL 提高了7%；在ADoS 方面，相对于RSSI 减少了42%，相对于SOM-FL 减少了20%，相对于FDP-FL 减少了11%。综合四项指标可以看到，本文所设计的机制优于对比机制。

表6 相同场景下不同机制平均通信时延和通信带宽对比

4 结语

本文利用SDN网络的资源性能信息获取、决策控制中心化、网络功能虚拟化等技术，以及能够敏捷快速完成网络功能迁移的优势，提出了一种新的网络切换机制：1）采用向量回归算法对虚拟AP 接收移动终端信号强度进行预测，统筹处理上、下行带宽以及历史切换信息，设计了一种综合评分方法，并据此判断是否触发切换，减小切换对移动通信QoS 的影响，有效抑制乒乓效应；2）设计了一种基于模糊逻辑的候选网络选择算法，统筹处理多维网络指标参数，计算出最优的候选切换网络。仿真结果表明，本文设计的算法能够较准确地进行切换判决，有效移植乒乓效应，提升网络传输性能。