劉自強　任晨珊　田輝

提出了通過將用戶行為作為自組織網(wǎng)絡(luò)資源管理考慮的因素來彌補當(dāng)前網(wǎng)絡(luò)不足的方法。對動態(tài)和靜態(tài)用戶行為特征的提取進(jìn)行了分析，選取了典型的自組織網(wǎng)絡(luò)資源分配場景，給出了這些場景下利用用戶群體行為特征和個性行為特征進(jìn)行網(wǎng)絡(luò)資源優(yōu)化配置的方法。指出在利用用戶行為特征進(jìn)行網(wǎng)絡(luò)資源配置時需要根據(jù)具體的場景，選取合適的用戶行為分析模型，提取相應(yīng)的關(guān)鍵參數(shù)，從而實現(xiàn)對網(wǎng)絡(luò)資源的高效配置。論證了戶行為驅(qū)動的自組織網(wǎng)絡(luò)資源配的可行性。

第5代移動通信；用戶行為；自組織網(wǎng)絡(luò)；資源配置

1 5G與用戶行為

當(dāng)前無線通信的業(yè)務(wù)量正在飆升。根據(jù)思科的預(yù)測，未來移動通信數(shù)據(jù)業(yè)務(wù)在2011年至2016年的年復(fù)合增長率將達(dá)到78%[1]。移動通信產(chǎn)業(yè)面臨巨大的挑戰(zhàn)：在未來10年中移動數(shù)據(jù)業(yè)務(wù)將有1 000倍的增加[2]。同時，隨著智能終端的普及，海量設(shè)備連接和各類新業(yè)務(wù)、應(yīng)用場景也不斷涌現(xiàn)。下一代移動通信系統(tǒng)——5G需要滿足這些需求和挑戰(zhàn)。標(biāo)準(zhǔn)化組織IMT-2020起草了5G愿景白皮書[3]，其中歸納了5G中的典型場景和關(guān)鍵參數(shù)指標(biāo)以及可能采用的相應(yīng)關(guān)鍵技術(shù)。白皮書中歸納的5G主要關(guān)鍵參數(shù)指標(biāo)包括：更高傳輸速率（10 Gb/s）、更高頻譜效率（5～15倍）、更高連接數(shù)密度（100萬/km2）、更低時延（毫秒級）。

然而，現(xiàn)有的網(wǎng)絡(luò)構(gòu)架和資源分配方式并不能很好的應(yīng)對這些挑戰(zhàn)和實現(xiàn)白皮書中5G愿景。這些不足主要體現(xiàn)在以下兩個方面。第一，現(xiàn)有異構(gòu)無線資源管理對用戶業(yè)務(wù)在時空范圍動態(tài)分布的自適應(yīng)能力不足。隨著數(shù)據(jù)流量的增加，業(yè)務(wù)的潮汐效應(yīng)變得更加明顯[4-5]。一方面，由于特定原因造成的人群集中化導(dǎo)致區(qū)域化網(wǎng)絡(luò)負(fù)荷過重、資源緊缺；另一方面，由于空閑的空載或零星負(fù)載的基站處理能力無法轉(zhuǎn)移而形成資源浪費。第二，可管控的資源形態(tài)可拓性不足。傳統(tǒng)無線蜂窩系統(tǒng)從時域、頻域、碼域、空域?qū)Y源進(jìn)行描述（如時隙、子載波、碼道、空域子信道），日益面臨著資源耗竭的危機。因此需要探尋新的資源相關(guān)維度，對資源形態(tài)進(jìn)行進(jìn)一步的拓展。此外，5G網(wǎng)絡(luò)下要求速率、容量的提升，導(dǎo)致小區(qū)的密集化，從而使干擾及能效問題變得不容忽視[6]。而根據(jù)當(dāng)前網(wǎng)絡(luò)狀態(tài)被動式的資源管理方式和網(wǎng)絡(luò)單元的密集化也使得信息共享代價變得高昂甚至難以承擔(dān)。

如果將這些挑戰(zhàn)聚焦在一起，我們能夠發(fā)現(xiàn)用戶及其行為是這些挑戰(zhàn)的一個關(guān)鍵成因。一方面，豐富的移動互聯(lián)網(wǎng)業(yè)務(wù)在填補用戶大量碎片化時間的同時增強了用戶交互和關(guān)聯(lián)，延展了用戶的多重身份（視頻觀眾、新聞讀者、廣播聽眾、網(wǎng)站訪客以及社交平臺信息發(fā)布者/傳播者），激發(fā)了用戶間空前高漲的協(xié)同意愿（協(xié)同度）。結(jié)合用戶智能終端能力的提升，移動用戶行為之間的關(guān)聯(lián)關(guān)系對現(xiàn)有移動通信網(wǎng)絡(luò)通信資源形態(tài)的拓展具有重要潛力。另一方面，用戶業(yè)務(wù)需求的個性化以及行為的隨機性和差異性日益凸顯[7-8]，大量用戶的行為也呈現(xiàn)出具有時空分布特性的群組特征。隨著無線資源管理功能的增強，用戶的行為特征為網(wǎng)絡(luò)資源對用戶需求的靈活適配以及網(wǎng)絡(luò)資源利用效率的提升提供了指導(dǎo)性依據(jù)，可以作為網(wǎng)絡(luò)資源配置中新的資源維度。因此，用戶對網(wǎng)絡(luò)的驅(qū)動作用不斷提升。并且用戶作為信息網(wǎng)絡(luò)的核心組成部分，由其行為產(chǎn)生的需求是網(wǎng)絡(luò)首先應(yīng)當(dāng)考慮滿足的。如何利用用戶行為對網(wǎng)絡(luò)的驅(qū)動效應(yīng)，使網(wǎng)絡(luò)能夠智能的調(diào)配資源以應(yīng)對時空需求非均勻、周期性的用戶業(yè)務(wù)需求，優(yōu)化網(wǎng)絡(luò)配置，是應(yīng)對5G面臨挑戰(zhàn)可行方法之一。

本文從用戶行為的角度出發(fā)，將用戶行為作為網(wǎng)絡(luò)自組織資源分配的考慮因素之一。第二部分從靜態(tài)和動態(tài)兩個方面介紹用戶行為挖掘的方法。第三部分給出利用用戶行為挖掘結(jié)果進(jìn)行網(wǎng)絡(luò)自組織資源分配的示例。最后在第四部分對全文進(jìn)行總結(jié)。

2 用戶行為挖掘

用戶行為在一定程度上體現(xiàn)了用戶的需求，基于對當(dāng)前用戶行為的分析與研究，可預(yù)測用戶在未來一段時間內(nèi)的行為，提前預(yù)知潛在的通信需求和規(guī)律，主動地完成無線資源配置。用戶行為分為兩種：一種是表示用戶與用戶之間關(guān)系的靜態(tài)用戶行為，另一種是用戶動態(tài)行為。靜態(tài)用戶行為挖掘，注重用戶組織關(guān)系的預(yù)測，而動態(tài)用戶行為挖掘則注重用戶軌跡的分析。

2.1 靜態(tài)用戶關(guān)系預(yù)測

靜態(tài)用戶關(guān)系預(yù)測是指通過研究非直接關(guān)聯(lián)的兩個用戶之間的相似性，估計這兩個用戶發(fā)生關(guān)聯(lián)的可能性。目前基于復(fù)雜網(wǎng)絡(luò)的鏈路預(yù)測模型可以有效地實現(xiàn)靜態(tài)用戶關(guān)系的預(yù)測。鏈路預(yù)測模型如圖1所示，整個社交網(wǎng)絡(luò)可映射為一個復(fù)雜網(wǎng)G （V，E ），其中節(jié)點集V[={v1，v2，…，vn}]對應(yīng)于社交網(wǎng)絡(luò)中的用戶集，節(jié)點之間的連邊集E[={e1，e2，…，em}]對應(yīng)于用戶之間的直接關(guān)系集。用戶之間存在著串聯(lián)的關(guān)系鏈，被稱為復(fù)雜網(wǎng)絡(luò)中的拓?fù)渎窂?，用戶之間發(fā)生聯(lián)系的可能性取決于拓?fù)渎窂綄τ脩糁g相似性的傳遞能力?；趶?fù)雜網(wǎng)絡(luò)的鏈路預(yù)測方法是通過研究用戶端點之間拓?fù)渎窂綄ο嗨菩詡鬟f的影響來實現(xiàn)預(yù)測模型的構(gòu)建。

如果兩個端點之間信息傳遞的能力越強，那么這兩個端點越相似，未來兩個端點發(fā)生直接關(guān)聯(lián)的可能性就越大。為了數(shù)值化表示相似性，預(yù)測模型通過對拓?fù)渎窂降难芯縼砉烙嫸它c之間的相似性S，S值越大兩個端點發(fā)生連接的可能性越大。根據(jù)拓?fù)渎窂介L度，鏈路預(yù)測算法可以分為：局部路徑相似性算法，例如公共鄰居算法（CN）、阿達(dá)米克阿達(dá)算法（AA）、資源分配算法（RA）；全局路徑相似性算法，如凱茨算法（Katz）；半局部路徑相似性算法，如本地路徑（LP）、本地隨機游走（LRW）、疊加隨機游走（SRW）[9]。各算法的預(yù)測準(zhǔn)確性可用受試者工作特征曲線下面積（AUC）度量指標(biāo)進(jìn)行衡量。雖然基于全局路徑相似性的算法具有較好的預(yù)測準(zhǔn)確性，但是復(fù)雜度高，實用性差。因此本文將重點討論局部路徑相似性算法和半局部路徑相似性算法。通過對網(wǎng)絡(luò)模型的研究，進(jìn)一步提出優(yōu)化算法，并在有代表性的幾個實際網(wǎng)絡(luò)上進(jìn)行驗證。代表性網(wǎng)絡(luò)包括：美國航空網(wǎng)USAir、美國國家電網(wǎng)PG、蛋白質(zhì)作用網(wǎng)Yeast、網(wǎng)絡(luò)科學(xué)家合作網(wǎng)絡(luò)NS、爵士樂手合作網(wǎng)Jazz、新陳代謝網(wǎng)絡(luò)CE、臉書好友網(wǎng)絡(luò)Slavko、電子郵電網(wǎng)絡(luò)E-mail、傳染病網(wǎng)絡(luò)Infec、歐洲合作網(wǎng)ES、UC大學(xué)社交網(wǎng)絡(luò)UcSocial、生物鏈網(wǎng)絡(luò)FW和Small & Griffith以及Descendants引文網(wǎng)。

2.1.1 局部路徑相似性算法

基于局部路徑相似性算法僅研究長度為2的拓?fù)渎窂?。研究兩個端點公共鄰居的屬性，依據(jù)“朋友的朋友就是朋友”的原則，公共鄰居越多則通過共同好友傳遞相似性的能力就越強，兩個端點越相似。但是傳統(tǒng)關(guān)系預(yù)測算法在不同用戶關(guān)系網(wǎng)中缺乏適應(yīng)性，尤其是對用戶弱關(guān)系性能的差異呈現(xiàn)出較低的敏感性。因此本文在AA和RA算法的基礎(chǔ)上，構(gòu)建增強弱關(guān)系的預(yù)測模型，以實現(xiàn)更好的預(yù)測性能。

設(shè)局部拓?fù)渎窂降闹虚g節(jié)點為z，其度值為kz。kz越大，節(jié)點z的信息傳輸能力越弱，從而表現(xiàn)出強關(guān)系。否則kz表現(xiàn)出弱關(guān)系。假設(shè)待預(yù)測端點為x和y，其中x和y的鄰居集合分別為[Γ（x）]和[Γ（y）]。

為了突出不同網(wǎng)絡(luò)中弱關(guān)系的差異性，本文在AA和RA的基礎(chǔ)上，添加自適應(yīng)懲罰因子β以懲罰強關(guān)系突出弱關(guān)系，從而得到優(yōu)化AA算法（OAA）和優(yōu)化RA算法（ORA）預(yù)測算法[10]：

[SOAAxy=z∈Γx?Γylogkzβ] （1）

[SRAxy=z∈Γx?Γykzβ] （2）

將OAA和ORA算法在5個代表性網(wǎng)絡(luò)中進(jìn)行AUC性能仿真驗證，結(jié)果如圖2和表1所示。從仿真結(jié)果可以看出并非所有網(wǎng)絡(luò)都在β=-1時取得最優(yōu)。但通過調(diào)整β，可以準(zhǔn)確地找到適合每個網(wǎng)絡(luò)的最優(yōu)β。在多數(shù)網(wǎng)絡(luò)下OAA和ORA算法預(yù)測準(zhǔn)確性優(yōu)于傳統(tǒng)的局部相似性算法CN、AA和RA。

2.1.2 半局部路徑相似性算法

傳統(tǒng)的基于半局部路徑相似性算法在降低算法復(fù)雜度的同時具有較高的預(yù)測準(zhǔn)確性。然而，傳統(tǒng)半局部路徑相似性算法忽略了不同路徑組成節(jié)點的差異性，而且忽略了路徑端點影響力中存在著冗余影響力的問題。

（1）路徑異構(gòu)性問題的研究

在傳統(tǒng)半局部路徑相似算法中，路徑被建模成一條路由線路，兩個端點之間的相似性取決于它們之間的路徑條數(shù)。實際上，路徑是由不同屬性的節(jié)點組成的，應(yīng)該在路徑建模時考慮路徑中間節(jié)點的屬性，給予信息傳輸能力強的路徑更高的權(quán)重。據(jù)此本文提出了在不同網(wǎng)絡(luò)中突出路徑中小度節(jié)點作用，削弱大度節(jié)點作用的Significant Path算法（有意義路徑算法，簡稱SP算法）[11]。

設(shè)q表示任意一條連接節(jié)點x和y的路徑，M（q）表示路徑q去除端點之外所有中間節(jié)點組成的集合，vi表示路徑q的任意一個中間節(jié)點，ki表示節(jié)點vi的度值，P2（vx，vy）和P3（vx，vy）分別表示端點x和y之間長度是2和3的路徑集，α∈[0，1]是路徑長度的懲罰因子，β是節(jié)點度懲罰因子。路徑q的傳輸能力表示為：

[ζ（q）=vi∈M（q）kβi] （3）

由于長度大于3的路徑在實際計算中復(fù)雜度大貢獻(xiàn)小，因此模型僅考慮長度為2和3的路徑。所以x和y之間異構(gòu)路徑相似性鏈路預(yù)測如下所示：

通過在12個網(wǎng)絡(luò)中仿真計算算法的AUC性能，得到結(jié)果圖3和與傳統(tǒng)算法比較的結(jié)果如表2所示?？梢钥闯?，不論α取何值，AUC均在β<0時達(dá)到最優(yōu)，并且最優(yōu)曲線對應(yīng)的α遠(yuǎn)小于1。SP算法突出了較短路徑和強信息傳遞能力的路徑，并且相比于傳統(tǒng)算法，SP算法的預(yù)測準(zhǔn)確性在大多數(shù)網(wǎng)絡(luò)中都有明顯的改進(jìn)。

（2）控制端點冗余影響力問題的研究

傳統(tǒng)算法在研究端點影響力對端點相似性的作用時，忽略了端點影響力實際存在的冗余問題。冗余影響力不利于準(zhǔn)確發(fā)現(xiàn)節(jié)點的相似性，因此需要研究如何控制端點冗余影響力。研究方法主要有兩種：通過懲罰無貢獻(xiàn)冗余影響力增強預(yù)測的準(zhǔn)確性和通過抽取有效影響力建模端點之間相似性。

（a）通過懲罰無貢獻(xiàn)冗余影響力增強預(yù)測準(zhǔn)確性

無貢獻(xiàn)關(guān)系懲罰（NRP）算法[12]是通過懲罰大冗余影響力突出小冗余影響力以增強預(yù)測準(zhǔn)確性。首先建模單條路徑連通性，設(shè)vi表示路徑中間節(jié)點，|E|表示網(wǎng)絡(luò)連邊集中的連邊數(shù)，t表示所研究的最長路徑長度，P（vi+1|vi）表示從節(jié)點vi到vi+1的轉(zhuǎn)移概率，C（x，y）| jl表示長度為l的第j條路徑中間節(jié)點總轉(zhuǎn)移概率，則：

設(shè)N（l）表示長度為l的路徑個數(shù)，相似性NRP算法的最終相似性模型為：

進(jìn)一步考慮所有長度的貢獻(xiàn)，NRP算法最終相似性模型為：

[SNRPxy=i=2tsimx，y|l] （7）

為了驗證NRP算法的性能，本文在9個真實網(wǎng)絡(luò)中進(jìn)行了NRP的AUC性能實驗以及與傳統(tǒng)算法的比較實驗，結(jié)果如圖4和表3所示?？梢钥闯鲎顑?yōu)值出現(xiàn)在β<1，即β-1<0，說明對無貢獻(xiàn)大度進(jìn)行懲罰可以明顯改善預(yù)測準(zhǔn)確性；相反取值β>0時性能會急劇下降，表明突出無貢獻(xiàn)關(guān)系會降低預(yù)測準(zhǔn)確性，并且NRP算法明顯優(yōu)于傳統(tǒng)算法。說明通過懲罰端點無貢獻(xiàn)關(guān)系即冗余影響力，可以極大改善鏈路預(yù)測的準(zhǔn)確性。

（b）通過抽取有效影響力建模端點之間相似性

端點吸引節(jié)點與之發(fā)生關(guān)聯(lián)主要依靠有效影響力。因此端點影響力建?？梢圆扇≈苯映槿∮行в绊懥Φ姆绞?，如聯(lián)合考慮有效影響力和強信息傳播能力建模有效路徑（EP）算法[13]。

通過添加指數(shù)參數(shù)控制不同網(wǎng)絡(luò)下路徑信息傳輸能力的差異性，使算法具有適應(yīng)性并且突出強信息傳播路徑，即取最優(yōu)值β>1。則長度為l的所有路徑對于信息傳播能力的影響為：

[Cx，y|l=j=1N（l）Cx，y|jlβ] （8）

接著將可達(dá)對端的路徑條數(shù)建模為有效影響力。設(shè)|Pathslxy|表示在端點x和y之間長度為l的路徑個數(shù)，進(jìn)一步結(jié)合長度為2到t的路徑總信息傳輸能力，得到端點x和y之間總的相似性預(yù)測模型為：

[SEPxyt=l=2tPathlxyCx，y|l] （9）

由于存在較長路徑貢獻(xiàn)小而代價大的問題，而對節(jié)點相似性貢獻(xiàn)最多的路徑長度是2和3，因此僅考慮長度為2和3的路徑可以取得較好的預(yù)測效果。為了驗證EP算法的預(yù)測準(zhǔn)確性，本文利用15個網(wǎng)絡(luò)仿真了不同β取值對預(yù)測準(zhǔn)確性AUC的影響以及EP與傳統(tǒng)算法性能的比較，如圖5和表4所示?？梢钥闯鲎顑?yōu)值出現(xiàn)在β>1的位置，并且EP算法AUC準(zhǔn)確性要明顯高于其他算法。綜上說明通過考慮有效影響力和強信息傳輸能力可以有效增強鏈路預(yù)測的準(zhǔn)確性。

2.2 動態(tài)用戶行為分析

除了靜態(tài)人類組織關(guān)系行為外，人類移動行為的研究和預(yù)測對無線資源調(diào)度和分配也非常重要。

目前對人類移動行為的研究和預(yù)測主要基于統(tǒng)計學(xué)和信息技術(shù)展開，分析結(jié)論表明[14]：人類活動包含兩類，其一是時間和空間上的周期性活動，其二是同社交關(guān)系相關(guān)的隨機跳躍活動。近距離活動多體現(xiàn)出時間和空間的周期重復(fù)特性，同社交關(guān)系關(guān)聯(lián)不大。遠(yuǎn)距離活動受社交關(guān)系影響比較明顯。研究表明社交關(guān)系可以解釋10%～30%的人類活動，而周期性模式可以解釋50%～70%的人類活動。

依據(jù)從簽到網(wǎng)站和移動終端獲得的數(shù)據(jù)，研究者們繪制出了關(guān)于人群的行為模式。圖6是在某城市中某一時刻人群在家中和工作單位的空間位置分布圖以及一天中人們在家和工作單位的時間分布圖，從圖中可以看出明顯的聚集性。圖7顯示的是在某城市中，從中午到午夜時刻，人群移動模式隨時間變化的關(guān)系，可以看出具有明顯的周期規(guī)律性，白天向工作地點聚集，夜晚向家的方向聚集。

除了在地理和空間位置維度表現(xiàn)出周期性短距離的人群移動行為外，還有受社交關(guān)系影響的非周期性長距離行為。人們有時候會因為探親訪友產(chǎn)生出一些非規(guī)律性的行為，這些行為大多是由社交關(guān)系引起的。根據(jù)人們移動行為模式規(guī)律建立模型，預(yù)測未來人們發(fā)生行為的時間和空間位置是非常有意義以及可行的。

研究者們提出了許多方法，具有代表性的是根據(jù)人們行為的周期性進(jìn)行預(yù)測的周期移動模型（PMM），PMM和進(jìn)一步考慮了社交關(guān)系的社交周期移動模型（PSMM）[14]。

利用對人類行為的預(yù)測來預(yù)測未來人群聚集發(fā)生的時間和空間位置，并引導(dǎo)無線通信資源的分配，能夠極大地提升資源的利用率和用戶滿意度。

3 用戶行為驅(qū)動的網(wǎng)絡(luò)

資源配置

由用戶構(gòu)建的社交網(wǎng)絡(luò)與實際通信設(shè)備部署網(wǎng)絡(luò)之間并非一一對應(yīng)的關(guān)系，因此在獲取和預(yù)測用戶行為特征之后需要結(jié)合實際應(yīng)用場景，選取合適的預(yù)測特征和數(shù)據(jù)來完成實際通信設(shè)備網(wǎng)絡(luò)部署的資源優(yōu)化配置。

3.1 基于小區(qū)負(fù)載的覆蓋容量自優(yōu)化

對所提取的用戶行為特征加以利用將有助于提升網(wǎng)絡(luò)整體的承載能力。因此，可利用對個體用戶時間、空間行為的周期性、區(qū)域性特征的分析及預(yù)測，獲取群體用戶在一定時間、空間范圍的聚集行為。而群體用戶的空間聚集行為將直接決定各小區(qū)的負(fù)載情況，然后基站便可結(jié)合各小區(qū)負(fù)載的差異性進(jìn)行覆蓋與容量的自優(yōu)化調(diào)整。如圖8所示，基站可通過對天線配置、發(fā)射功率等射頻參數(shù)進(jìn)行聯(lián)合調(diào)整的方式，將潛在的業(yè)務(wù)輕載小區(qū)的無線資源通過射頻參數(shù)調(diào)整的方式投射到業(yè)務(wù)熱點區(qū)域，使網(wǎng)絡(luò)資源對用戶周期性、區(qū)域性業(yè)務(wù)需求具有靈活的空間流性匹配能力，動態(tài)完成對不同區(qū)域、不同需求的用戶的流性適配，達(dá)到提升網(wǎng)絡(luò)覆蓋容量綜合性能的目的。

覆蓋容量的優(yōu)化過程需要考慮射頻參數(shù)的調(diào)整對覆蓋及容量性能的諸多方面影響。比如較小的天線仰角會擴(kuò)大本小區(qū)覆蓋范圍而提升邊緣用戶的性能，但同時也會對鄰區(qū)用戶帶來更大的干擾并影響鄰區(qū)容量。因此，對覆蓋容量的聯(lián)合優(yōu)化需要兼顧覆蓋性能與容量性能、本小區(qū)性能與鄰區(qū)性能的折衷。考慮到射頻參數(shù)的調(diào)整與所達(dá)到的覆蓋容量聯(lián)合性能沒有直接的映射關(guān)系，因此覆蓋容量的聯(lián)合優(yōu)化更傾向于采用機器學(xué)習(xí)等人工智能方式。根據(jù)鄰區(qū)潛在負(fù)載差異及覆蓋容量綜合性能情況完成對射頻參數(shù)的自優(yōu)化調(diào)整，并通過對優(yōu)化經(jīng)驗的歸納總結(jié)，提升基站的自主優(yōu)化決策能力。所實現(xiàn)的網(wǎng)絡(luò)SINR分布性能及覆蓋容量綜合性能優(yōu)化效果如圖9、圖10所示[15]。經(jīng)過自優(yōu)化，各小區(qū)的射頻參數(shù)會由于負(fù)載的差異而有所不同，重載小區(qū)的覆蓋范圍較小，其邊緣用戶將移至覆蓋范圍擴(kuò)大了的輕載小區(qū)接受服務(wù)。并且，基于小區(qū)負(fù)載的覆蓋容量自優(yōu)化方案性能相較于未考慮負(fù)載差異的優(yōu)化方法得到了有效提升。

3.2 基于設(shè)備直通協(xié)作多播的數(shù)據(jù)

分發(fā)策略

蜂窩網(wǎng)絡(luò)所產(chǎn)生的大部分流量是流行內(nèi)容的下載，例如視頻、音頻或移動應(yīng)用程序。鑒于大多數(shù)用戶行為具有這種共性下載的特點，如果基站把這種具有相同業(yè)務(wù)請求的用戶數(shù)據(jù)卸載到設(shè)備直通（D2D）網(wǎng)絡(luò)，那么就可以有效緩解蜂窩網(wǎng)絡(luò)基礎(chǔ)設(shè)施的負(fù)擔(dān)，提高頻譜效率以及用戶滿意度，并在一定程度上解決無線通信系統(tǒng)頻譜資源匱乏的問題。由于大多數(shù)用戶行為具有共性以及流動性，并且用戶間的社交關(guān)系也體現(xiàn)出了用戶間的協(xié)同意愿，那么把用戶之間相同的數(shù)據(jù)請求通過基站多播方式實現(xiàn)數(shù)據(jù)分發(fā)，就可以極大的提高整個系統(tǒng)的資源利用率。

由于D2D協(xié)作多播系統(tǒng)是由獨立的蜂窩用戶組成，用戶間的連接關(guān)系時斷時續(xù)。而在現(xiàn)實生活中，人們的社交關(guān)系相對穩(wěn)定，因此利用數(shù)據(jù)挖掘獲得的用戶社交關(guān)系可幫助蜂窩網(wǎng)絡(luò)建立可靠的D2D傳輸鏈路，如圖11所示。

根據(jù)用戶節(jié)點i和j的歷史關(guān)系信息，用[ωi，j∈[0，1]]表示兩節(jié)點間的緊密度。[ωi，j]越大表示節(jié)點i和j間將在未來有更多的連接機會。該度量指標(biāo)描述了鄰居關(guān)系并作為數(shù)據(jù)分發(fā)中協(xié)作節(jié)點選擇的依據(jù)。

構(gòu)建社交網(wǎng)絡(luò)鄰居圖G （V，E ），其中V[={v1，v2，…，vn}] 為社交網(wǎng)絡(luò)中的節(jié)點，每一條邊的權(quán)重都由歸一化的平均間隔時間Ci，j和方差I(lǐng)i，j共同作用產(chǎn)生的緊密度系數(shù)[ωi，j]度量。我們利用固定門限IT濾除抖動較大的鄰居節(jié)點，即當(dāng)Ii，j>IT時，表示該鄰居關(guān)系穩(wěn)定性較差，舍棄此條鄰居邊。否則，[ωi，j=Ci，j]。由于該鄰居圖為無向圖，[ωi，j=ωj，i]。di表示節(jié)點i度，[di=j∈ ，j≠iωi，j]。通過上述蜂窩網(wǎng)絡(luò)鄰居圖的構(gòu)建，用戶可以向具有合適緊密度[ωt]的用戶發(fā)起數(shù)據(jù)請求。選取門限[ωt]越大，可服務(wù)的用戶越少，但通信的穩(wěn)定性越強。

最終我們以網(wǎng)絡(luò)吞吐量最大化為目標(biāo)，優(yōu)化問題可表示為：

[s.t. xi，j=0，1，i∈M，j∈N] （11）

[jxi，j=1，i∈M] （12）

[ li，j≤R] （13）

其中[Ci，j=log2（1+PDl-αi，jgi，jN0）]，[PD]表示簇頭節(jié)點的發(fā)射功率；li，j表示多播傳輸距離（li，j≤R）；gi，j表示服從指數(shù)分布的路徑損耗；（11）式表示若用戶j屬于簇i，則xi，j=1，否則xi，j=0；（12）式表示用戶j只能同時屬于一個簇；（13）式表示簇的最大半徑為R。

D2D協(xié)作多播網(wǎng)絡(luò)容量增益如圖12所示。該圖比較了傳統(tǒng)蜂窩數(shù)據(jù)分發(fā)與不同多播半徑情況下的平均網(wǎng)絡(luò)容量累計分布函數(shù)（CDF）曲線。由圖可知，D2D協(xié)作多播算法所達(dá)到的網(wǎng)絡(luò)容量要優(yōu)于傳統(tǒng)蜂窩數(shù)據(jù)分發(fā)算法，并且隨著多播半徑R逐漸減小，D2D簇內(nèi)多播速率增加。

3.3 個性用戶業(yè)務(wù)服務(wù)資源配置

在通過預(yù)測獲取用戶個性化特征之后可以根據(jù)提取出的潛在業(yè)務(wù)發(fā)起位置及業(yè)務(wù)需求等個性化特征進(jìn)行資源的提前預(yù)配置。

基于用戶特征預(yù)測的資源分配如圖13所示。用戶（UE）經(jīng)常由A出發(fā)到B，并在B點被動的接收一定量的數(shù)據(jù)（例如B為展覽館，UE為一個管理員，需要接收一定的解說信息，而解說信息會定期更新）。由于UE經(jīng)常往返于A和B，在網(wǎng)絡(luò)側(cè)長期的歷史信息搜集統(tǒng)計中，可以通過用戶關(guān)系預(yù)測得出UE從A到B之間最常接入的基站集合。根據(jù)UE在這些基站中所上報的信道質(zhì)量歷史信道信息，可以預(yù)測出UE在經(jīng)過這些基站時的平均信息速率。同時根據(jù)UE的導(dǎo)航信息，可以獲知UE在從A到B中所需的平均時間。由于B點接收信息較大，如果等用戶A到達(dá)B點再更新信息的話，會帶來較多的等待時延。為此，一種新的解決思路是利用上述預(yù)測信息，讓UE在B點需要的數(shù)據(jù)，在預(yù)測的中途基站中進(jìn)行預(yù)傳輸，從而達(dá)到提升用戶體驗質(zhì)量的效果。具體分析如下。通過與UE的導(dǎo)航系統(tǒng)的信息交互，以及用戶習(xí)慣的預(yù)測，可以預(yù)測用戶的行進(jìn)路線如圖中的曲線表示。用戶途徑的基站集合表示為N[={1，2，…，k，…，N}]。由于用戶到達(dá)終點B時要下載總量為D比特的本地的業(yè)務(wù)，在預(yù)測到用戶行進(jìn)的軌跡和相關(guān)路徑的基站分布之后，可以在UE的行進(jìn)途中，提前將B點的業(yè)務(wù)分散在沿路路徑中的每個基站來完成，以達(dá)到節(jié)省通信時延的目的。假設(shè)進(jìn)入第[i]（[i∈]N） 基站服務(wù)范圍內(nèi)的UE歷史平均速率為[ci]b/s，單個UE在行進(jìn)路徑中進(jìn)入到離開第[i]個基站的歷史平均耗時為[τi]，那么第[i]個基站可承擔(dān)的最大平均數(shù)據(jù)是[Ci=ciτi]比特。假定D分配到第i個基站上應(yīng)承擔(dān)的數(shù)據(jù)量為xi，那么使得這N個基站組成的系統(tǒng)能效最大化問題可表述為：

[P1：maxxDi=1Nxipici] （14）

[s.t. i=1Nxi≥D 0≤xi≤Ci，?i∈N] （15）

其中[x=x1，x2，....，xN∈?1×N]為數(shù)據(jù)分配向量，pi為第i個基站的發(fā)射功率。P1可用線性優(yōu)化方案給出最優(yōu)解。與傳統(tǒng)的資源分配相比，基于預(yù)測的資源分配可以有效緩解B點處的通信業(yè)務(wù)壓力。提前配置考慮了節(jié)能、基站負(fù)載等因素，極大的優(yōu)化了網(wǎng)絡(luò)的整體性能。同時這種預(yù)測提前通信也大大減少了用戶等待時間，提升了用戶體驗質(zhì)量。

4 結(jié)束語

本文從用戶行為對網(wǎng)絡(luò)的驅(qū)動特性出發(fā)，提出了通過將用戶行為作為自組織網(wǎng)絡(luò)資源管理考慮的因素來彌補當(dāng)前網(wǎng)絡(luò)不足的方法。文章對動態(tài)和靜態(tài)用戶行為特征的提取進(jìn)行了分析，選取了典型的自組織網(wǎng)絡(luò)資源分配場景，給出了這些場景下應(yīng)用用戶群體行為特征和個性行為特征進(jìn)行網(wǎng)絡(luò)資源優(yōu)化配置的方法。然而由于用戶行為的復(fù)雜特性，當(dāng)前對用戶行為的挖掘還比較粗糙。同時由于人類的社交網(wǎng)絡(luò)與自組織網(wǎng)絡(luò)的物理資源網(wǎng)絡(luò)并非一一對應(yīng)的關(guān)系，在利用用戶行為特征進(jìn)行網(wǎng)絡(luò)資源配置時需要根據(jù)具體的場景，選取合適的用戶行為分析模型，提取相應(yīng)的關(guān)鍵參數(shù)，從而實現(xiàn)對網(wǎng)絡(luò)資源的高效配置。