超密集异构无线网络中基于SDN和网络聚类的切换判决算法制造技术

本发明专利技术请求保护一种超密集异构无线网络中基于SDN和网络聚类的切换判决算法，属于移动通信领域。针对大量终端聚集导致网络负载不均和终端服务质量下降的问题，提出一种基于SDN和网络聚类的切换判决算法。首先，采用K

【技术实现步骤摘要】
超密集异构无线网络中基于SDN和网络聚类的切换判决算法


[0001]本专利技术属于移动通信领域，具体是超密集异构无线网络中基于SDN和网络聚类的切换判决算法。

技术介绍

[0002]随着5G基站的大量部署以及各种无线接入技术的运用，逐渐形成了超密集异构无线网络。然而，在城市商业区域、体育馆等场所中，时常会发生终端聚集的情况。由于切换的并发性，大量终端可能会选择同一个性能较好的网络作为目标网络，造成网络负载不均，甚至会引起网络拥塞，影响终端的服务质量。因此，在超密集异构无线网络中，当大量终端并发切换时，如何在实现网络负载均衡的同时提升终端的服务质量，成为当前研究的热点问题。
[0003]目前已有不少的文献致力于研究异构网络切换过程中的负载不均问题，并且都取得了一定的成效。文献[Zhang Q,Xu X,Zhang J,et al.Dynamic Load Adjustments for Small Cells in Heterogeneous Ultra
‑
dense Networks[C].2020IEEE Wirel本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种超密集异构无线网络中基于SDN和网络聚类的切换判决方法，其特征在于，包括以下步骤：101、网络聚类：通过K
‑
means算法和遗传算法对网络聚类，将地理位置相近且重叠覆盖区域面积大的网络划分为同一网络簇，网络聚类算法由SDN一级控制器集中控制实现；102、为终端选择目标网络：首先，系统根据终端与网络簇的相关度选择目标网络簇。然后，根据终端和簇内网络的可接入关系生成候选网络集，最后采用基于FAHP和熵权法的多属性决策算法为终端选择效用值最高的网络作为目标网络；103、负载迁移：SDN一级控制器实时监测全局网络负载状态，当网络簇间负载异常时，则会执行簇间负载迁移算法，均衡网络簇间负载。SDN二级控制器实时监测网络簇内负载状态，当网络簇内的网络负载异常时，则会执行簇内负载迁移算法，均衡网络簇内负载。。2.根据权利要求1所述的一种超密集异构无线网络中基于SDN和网络聚类的切换判决方法，其特征在于，所述步骤101网络聚类，具体包括：(1)生成初始种群；(2)计算种群中每个个体的适应度；(3)通过选择、交叉、变异、K
‑
means聚类操作，产生新一代群体；(4)重复(2)、(3)，直至达到最大迭代次数；(5)计算最新一代群体的适应度，选择其最大适应度的个体作为K
‑
means聚类的初始聚类中心，生成对应的网络簇。3.根据权利要求2所述的一种超密集异构无线网络中基于SDN和网络聚类的切换判决方法，其特征在于，所述步骤(1)生成初始种群，具体包括：为了获取全局最优解，初始种群完全随机生成。从网络样本中选取k个基站的坐标作为初始聚类中心点并对其进行浮点数编码。重复m次，直至获取初始种群，其中m为初始种群的大小。4.根据权利要求2所述的一种超密集异构无线网络中基于SDN和网络聚类的切换判决方法，其特征在于，所述步骤(2)计算种群中每个个体的适应度，具体包括：设计适应度函数。适应度用来衡量个体性能的优良程度，适应度函数的设计直接影响到最优解的寻找和算法收敛的速度。在超密集异构无线网络场景中，存在网络覆盖区域重叠，这是迁移算法实现的前提条件。因此，考虑用网络簇内的重叠区域的面积和来设计适应度函数，则适应度函数如下：式(1)中，f
i
为第i个体的适应度，k为网络簇的个数，E
j
为网络簇j的重叠区域面积和，其计算公式如下：式(2)中，c
j
为网络簇j的网络数量，s
i1,i2
为网络i1和网络的i2重叠区域面积。
5.根据权利要求2所述的一种超密集异构无线网络中基于SDN和网络聚类的切换判决方法，其特征在于，所述步骤(3)通过选择、交叉、变异、K
‑
means聚类操作，产生新一代群体，具体包括：(1)设计选择算子。采用轮盘赌法来选取个体，个体被选中的概率与其适应度值大小直接相关，适应度值越高的个体，参与后代繁殖的概率越高。对于每个个体，其被选择的概率如下：式(3)中，f
i
为个体i的适应度值，p
i
为个体i被选中的概率。(2)设计交叉算子。遗传算法中的交叉操作，是指两个个体按照某种规则交换其部分染色体，已形成新的个体。对个体采用的是浮点数编码，因此采用算术交叉算子。假设两个个体X1、X2，其生成的新个体为X
′1、X
′2：式(4)中η为(0,1)之间的随机数。(3)设计变异算子。遗传算法中的变异操作是为了保持个体的多样性，防止遗传算法非成熟收敛。采用均匀变异算子，其基本思想为：从染色体变异位置的取值范围内随机选取一个值进行替换。X
″
＝U
min
+μ(U
max
‑
U
min
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)式(4)中η为(0,1)之间的随机数。(4)但是在遗传算法中固定交叉概率和变异概率常常会导致个体间的竞争减弱，同时会使遗传算法的收敛速度减慢，甚至会导致算法未成熟收敛，无法得出全局最优解。因此，考虑采用自适应的交叉概率和变异概率。将低适应度的个体直接进行交叉操作，而将高适应度个体以一定概率进行交叉操作。这样既保留了高适应度个体的特征，又将低适应度的个体进行交叉进化，进一步提高了算法的全局搜索能力。自适应交叉概率P
c
的公式为：式(6)中，f
avg
为当前种群平均适用度值，f
max
为当前种群最大适应度值，f
′
为在交叉操作中两个个体中的较大适应度值。同理，将高于平均适应度的个体采取低概率变异，以此来保留高适应度个体的特征，低于平均适应度值得个体直接采取变异操作，使其高概率的被淘汰。自适应交叉概率P
m
的公式为：
(5)由于K
‑
means算法有较强的局部搜索能力，因此以变异操作后生成的新个体作为初始网络聚类中心点，进行K
‑
means聚类操作，计算新的聚类中心，并将其编码替换掉原本个体，以加快遗传算法的收敛速度。通过算法的不断迭代，最终得到最理想的网络划分，生成相应的网络簇。6.根据权利要求1所述的一种超密集异构无线网络中基于SDN和网络聚类的切换判决方法，其特征在于，所述步骤102为终端选择目标网络，具体包括：(1)根据终端与网络簇的相关度选择相关度最高的网络簇作为终端的目标网络簇；(2)采用FAHP和熵权...

【专利技术属性】
技术研发人员：马彬，杨桃，邓华维，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：