馬 彬

謝顯中②

廖曉峰①

①(重慶大學(xué)計算機學(xué)院 重慶 400044)

②(重慶郵電大學(xué)重慶市計算機網(wǎng)絡(luò)與通信技術(shù)重點實驗室 重慶 400065)

車輛異構(gòu)網(wǎng)絡(luò)中預(yù)測垂直切換算法

馬 彬*①②

謝顯中②

廖曉峰①

①(重慶大學(xué)計算機學(xué)院 重慶 400044)

②(重慶郵電大學(xué)重慶市計算機網(wǎng)絡(luò)與通信技術(shù)重點實驗室 重慶 400065)

在車輛異構(gòu)網(wǎng)絡(luò)中，針對垂直切換決策時刻之后網(wǎng)絡(luò)狀態(tài)的動態(tài)變化，提高切換性能問題，提出一種基于馬爾可夫過程的預(yù)測垂直切換(M-VHO)算法。算法考慮了切換決策后網(wǎng)絡(luò)狀態(tài)的動態(tài)變化對車輛終端服務(wù)質(zhì)量(QoS)的影響。其基本思路是：在需要垂直切換時，利用馬爾可夫過程的轉(zhuǎn)移概率預(yù)測未來網(wǎng)絡(luò)狀態(tài)的變化；另外，采用模糊邏輯方法確定評價屬性參數(shù)權(quán)重；最后，比較切換決策、切換執(zhí)行和切換之后時刻的總收益來優(yōu)化選擇最佳切換網(wǎng)絡(luò)。仿真結(jié)果證明，該算法在確保較高負(fù)載均衡的情況下，可有效改進車輛終端的平均阻塞率及丟包率，降低乒乓效應(yīng)，確保了車輛終端的QoS。

無線網(wǎng)絡(luò)；車輛異構(gòu)網(wǎng)絡(luò)；垂直切換；馬爾可夫過程；模糊邏輯

1 引言

未來車輛通信系統(tǒng)的重要特征就是多種無線網(wǎng)絡(luò)并存，相互補充，為終端用戶提供透明的、普適的最佳服務(wù)體驗。不同的無線網(wǎng)絡(luò)在速率、業(yè)務(wù)類型、覆蓋范圍、用戶體驗等方面存在很大差異，如何在異構(gòu)網(wǎng)絡(luò)間選擇最佳的網(wǎng)絡(luò)接入以滿足終端用戶的服務(wù)質(zhì)量(Quality of Service, QoS)，成為學(xué)界和產(chǎn)業(yè)界關(guān)注的重點[1]。

現(xiàn)有的異構(gòu)無線網(wǎng)絡(luò)垂直切換算法均以當(dāng)前相關(guān)網(wǎng)絡(luò)屬性為決策指標(biāo)，將垂直切換決策過程抽象為多屬性決策問題。當(dāng)前垂直切換算法主要分為3大類：(1)閾值判定算法[2,3]：移動節(jié)點接收到來自各網(wǎng)絡(luò)訪問點或基站的接收信號強度(Received Signal Strength，RSS)為參考對象，當(dāng)RSS滿足某種條件時做出切換決策。(2)基于模糊邏輯[4,5]或人工神經(jīng)網(wǎng)絡(luò)[6]的多屬性智能切換算法：移動節(jié)點結(jié)合網(wǎng)絡(luò)性能、用戶特性和業(yè)務(wù)類型做出垂直切換綜合決策。(3)基于多屬性的效用函數(shù)切換決策算法，用戶根據(jù)接入網(wǎng)絡(luò)、業(yè)務(wù)及用戶等做出垂直切換決策；用戶根據(jù)各網(wǎng)絡(luò)的RSS、網(wǎng)絡(luò)帶寬、用戶業(yè)務(wù)類型等性能參數(shù)來構(gòu)造效用函數(shù)，計算最優(yōu)的效用函數(shù)值來確定垂直切換的最佳網(wǎng)絡(luò)[7]。

以上算法都未考慮切換決策后，切換執(zhí)行和切換后各候選網(wǎng)絡(luò)狀態(tài)的變化，不能有效地保證車輛終端接入網(wǎng)絡(luò)后的QoS水平。根據(jù)車輛異構(gòu)網(wǎng)絡(luò)的道路動態(tài)變化特點和終端追求較高QoS等需求，基于多屬性的效用函數(shù)切換算法是一個理想的選擇，也是垂直切換的主要研究方向之一，這也是本文采用最優(yōu)效用函數(shù)來研究垂直切換的出發(fā)點。

當(dāng)前，馬爾可夫過程在無線網(wǎng)絡(luò)中主要應(yīng)用于決策過程和性能分析。文獻(xiàn)[8]提出異構(gòu)無線網(wǎng)絡(luò)環(huán)境下基于馬爾可夫決策過程的垂直切換決策算法，通過系統(tǒng)帶寬和連接延時的聯(lián)合優(yōu)化來選擇最優(yōu)網(wǎng)絡(luò)。文獻(xiàn)[9]研究基于馬爾可夫決策過程的區(qū)分業(yè)務(wù)接納控制，推導(dǎo)出系統(tǒng)狀態(tài)轉(zhuǎn)移概率，進而選取接納效用最大的最佳控制策略，能保證多樣化業(yè)務(wù)的接入和切換成功率。文獻(xiàn)[10]將馬爾可夫應(yīng)用于性能分析，通過垂直切換率來反映終端用戶的移動性，用馬爾可夫過程分析了異構(gòu)網(wǎng)絡(luò)的系統(tǒng)性能，進而給出了異構(gòu)網(wǎng)絡(luò)系統(tǒng)的總吞吐量閉環(huán)表達(dá)式。文獻(xiàn)[11]基于馬爾可夫提出兩個算法：基于接收信號強度的單屬性垂直切換算法和基于多屬性的效用垂直切換算法。本文采用馬爾可夫過程來構(gòu)建垂直切換決策、執(zhí)行和執(zhí)行之后3個時刻的網(wǎng)絡(luò)狀態(tài)變化的效用函數(shù)，重點研究構(gòu)建過程中涉及到的兩個關(guān)鍵問題：預(yù)測切換決策時刻之后的網(wǎng)絡(luò)狀態(tài)方法和效用函數(shù)中權(quán)重值的確定問題。

針對車輛異構(gòu)網(wǎng)絡(luò)中垂直切換算法都未考慮切換決策時刻之后網(wǎng)絡(luò)狀態(tài)的動態(tài)變化，本文提出了一種基于馬爾可夫過程的車輛異構(gòu)網(wǎng)絡(luò)預(yù)測垂直切換(Markov based Vertical HandOff, M-VHO)算法。算法考慮了切換決策后網(wǎng)絡(luò)狀態(tài)的動態(tài)變化可能對車輛終端QoS的影響，首先，利用馬爾可夫過程計算切換決策時刻網(wǎng)絡(luò)狀態(tài)的轉(zhuǎn)移概率來預(yù)測未來網(wǎng)絡(luò)狀態(tài)的變化；其次，采用模糊邏輯確定評價指標(biāo)權(quán)重；最后，比較切換決策、切換執(zhí)行和切換之后時刻的總收益來優(yōu)化選擇最佳切換網(wǎng)絡(luò)。本文的主要貢獻(xiàn)可概括為：

(1)采用馬爾可夫過程來預(yù)測切換決策后無線網(wǎng)絡(luò)狀態(tài)的變化。在車輛終端切換入新網(wǎng)絡(luò)和接入網(wǎng)絡(luò)后的服務(wù)時間內(nèi)，由于車輛的移動性，無線網(wǎng)絡(luò)的狀態(tài)屬性處于不斷變化中。因而把網(wǎng)絡(luò)狀態(tài)抽象成一個離散馬爾可夫過程，利用狀態(tài)轉(zhuǎn)移概率來預(yù)測切換決策后的網(wǎng)絡(luò)狀態(tài)。

(2)基于效用函數(shù)的垂直切換算法中，最優(yōu)效用函數(shù)的設(shè)計顯得尤為重要。本文利用馬爾可夫過程和模糊邏輯方法，結(jié)合切換決策、切換執(zhí)行以及切換后網(wǎng)絡(luò)狀態(tài)的變化概率，設(shè)計了一個多狀態(tài)屬性的最佳垂直切換效用函數(shù)。

2 系統(tǒng)模型

在車輛異構(gòu)無線網(wǎng)絡(luò)中，車輛終端用戶對候選網(wǎng)絡(luò)的使用由中心控制器(Central-controller Node, CN)協(xié)調(diào)和管理，CN首先收集各個異構(gòu)無線網(wǎng)絡(luò)的參數(shù)信息，進而構(gòu)建候選無線網(wǎng)絡(luò)的數(shù)據(jù)集，通過多個車輛終端用戶之間相互交換接入信息和協(xié)作垂直切換，最終實現(xiàn)垂直切換過程的全局最優(yōu)。

圖1給出了基于車輛終端和中心控制器協(xié)作機制，采用WiMAX和TD-LTE共同組成的車輛異構(gòu)無線網(wǎng)絡(luò)模型，該模型將車輛異構(gòu)無線網(wǎng)絡(luò)中的車輛終端用戶依據(jù)其不同的個性化業(yè)務(wù)和服務(wù)質(zhì)量需求，以協(xié)作方式從中心控制器和其他車輛終端獲取候選網(wǎng)絡(luò)屬性參數(shù)信息，車輛終端通過構(gòu)建最佳效用函數(shù)的方式來進行優(yōu)化垂直切換。

圖1 車輛異構(gòu)無線網(wǎng)絡(luò)模型圖

系統(tǒng)模型采用動態(tài)2維資源分配模型。為了使算法更具通用性，不同的接入網(wǎng)絡(luò)的物理層，均使用多用戶正交頻分復(fù)用(Orthogonal Frequency Division Multiplexing, OFDM)技術(shù)。在多用戶車輛異構(gòu)網(wǎng)絡(luò)系統(tǒng)中，把2維單元看作資源分配的基本單位。車輛終端在車輛異構(gòu)網(wǎng)絡(luò)中移動，假設(shè)移動方向和速度已知的情況下，信噪比在垂直切換決策、切換執(zhí)行和切換之后時刻的變化是確定的，因此無線網(wǎng)絡(luò)狀態(tài)轉(zhuǎn)移概率可以直接抽象為可用2維單元數(shù)的轉(zhuǎn)移概率來表示。若某一無線網(wǎng)絡(luò)的新進入車輛終端到達(dá)率服從參數(shù)為λ的泊松分布，即單位時間到達(dá)k個新用戶的概率為：P(x=k)=(λk/k!)e?λ。

a車輛終端接入網(wǎng)絡(luò)服務(wù)時間服從參數(shù)為μ的負(fù)指數(shù)分布，單位時間服務(wù)的平均用戶數(shù)為μ，即離去率服從參數(shù)為cμ的泊松分布，其概率為：Pb(x=k) =(μk/k!)e?cμ，其中，c為無線網(wǎng)絡(luò)中正在接受服務(wù)的用戶數(shù)。假設(shè)i,j,l分別為垂直切換決策時刻、切換執(zhí)行時刻和切換之后可用2維單元數(shù)，則無線網(wǎng)絡(luò)的狀態(tài)轉(zhuǎn)移概率為

3 預(yù)測垂直切換算法

在車輛終端接入網(wǎng)絡(luò)后的服務(wù)時間內(nèi)，由于車輛的移動性和其它車輛的接入或切換，網(wǎng)絡(luò)狀態(tài)屬性不斷變化。假如將服務(wù)時間離散為一個個采樣時刻，下一時刻的網(wǎng)絡(luò)狀態(tài)只與前一時刻的網(wǎng)絡(luò)狀態(tài)有關(guān)，且網(wǎng)絡(luò)狀態(tài)變化與時刻無關(guān)。當(dāng)已知車輛終端切換決策時刻的網(wǎng)絡(luò)狀態(tài)屬性，則切換執(zhí)行及其后服務(wù)時間內(nèi)每個采樣時刻的網(wǎng)絡(luò)狀態(tài)是被抽象為離散的馬爾可夫過程。利用狀態(tài)轉(zhuǎn)移概率可以預(yù)測出車輛終端服務(wù)時間內(nèi)任意采樣時刻的網(wǎng)絡(luò)狀態(tài)。為了更好優(yōu)化垂直切換的QoS，考慮了車輛終端切換決策時刻、切換執(zhí)行時刻及切換之后時刻的網(wǎng)絡(luò)狀態(tài)變化。

3.1 馬爾可夫過程

假設(shè)車輛異構(gòu)網(wǎng)絡(luò)中有M個候選網(wǎng)絡(luò)、N個狀態(tài)屬性(通過對車輛異構(gòu)網(wǎng)絡(luò)中垂直切換過程的分析和研究，接收信號強度、網(wǎng)絡(luò)帶寬、時延、數(shù)據(jù)速率、服務(wù)費用和終端能耗是決定車載終端服務(wù)質(zhì)量的6個重要參數(shù)，因此本文選為網(wǎng)絡(luò)的狀態(tài)屬性)，為m網(wǎng)絡(luò)的狀態(tài)屬性n的取值，網(wǎng)絡(luò)狀態(tài)空間C定義為：，把每個狀態(tài)屬性在其取值范圍內(nèi)離散化，即：={1,2,3,…,}。其中是離散化后的最大值，m=1,2,…,M , n=1,2,…,N。設(shè)T為車輛終端的服務(wù)時間，Xn為網(wǎng)絡(luò)在n時刻的狀態(tài)，則{Xn,n∈T}是時間和狀態(tài)均離散的馬爾可夫隨機過程，且對于任意的整數(shù)n∈T和任意的Xn∈C滿足：即當(dāng)前時刻的網(wǎng)絡(luò)狀態(tài)，決定著下一時刻的網(wǎng)絡(luò)狀態(tài)，和前一時刻的網(wǎng)絡(luò)狀態(tài)無關(guān)，上述隨機過程{Xn,n∈T}為馬爾可夫過程。設(shè)某一網(wǎng)絡(luò)有c1,c2,…,cl總共l種狀態(tài)，ci為網(wǎng)絡(luò)選擇時刻的網(wǎng)絡(luò)狀態(tài)，則如圖2為該網(wǎng)絡(luò)狀態(tài)變化的馬爾可夫模型。

圖2 馬爾可夫模型

3.2 網(wǎng)絡(luò)狀態(tài)轉(zhuǎn)移概率

已知垂直切換決策時刻的各異構(gòu)網(wǎng)絡(luò)狀態(tài)，用馬爾可夫過程來預(yù)測下一時刻(垂直切換執(zhí)行時刻)的網(wǎng)絡(luò)狀態(tài)：

假設(shè)各個網(wǎng)絡(luò)狀態(tài)屬性之間都相互獨立，其中m=1,2,…,M 。狀態(tài)轉(zhuǎn)移概率與時刻無關(guān)，為齊次馬爾可夫過程。c∈××…×為當(dāng)前時刻的網(wǎng)絡(luò)狀態(tài)，c'∈××…×為垂直切換執(zhí)行時刻的網(wǎng)絡(luò)狀態(tài)。設(shè)網(wǎng)絡(luò)m有l(wèi)種狀態(tài)，則該網(wǎng)絡(luò)的狀態(tài)轉(zhuǎn)移矩陣為

同理，可以通過垂直切換執(zhí)行時刻的網(wǎng)絡(luò)狀態(tài)信息來預(yù)測切換執(zhí)行后服務(wù)時間內(nèi)的狀態(tài)變化和狀態(tài)轉(zhuǎn)移矩陣。

3.3 模糊邏輯確定屬性權(quán)重

本文選取了多個屬性參數(shù)來構(gòu)建效用函數(shù)進行聯(lián)合優(yōu)化，因此對于每個屬性權(quán)重的確定，反映了各個屬性參數(shù)在計算效用值，進行綜合決策過程中重要程度，直接影響多屬性決策的結(jié)果。異構(gòu)網(wǎng)絡(luò)中各個網(wǎng)絡(luò)參數(shù)值之間沒有直接可比性，因此需要首先對屬性參數(shù)進行歸一化操作，使不同網(wǎng)絡(luò)參數(shù)具備可比性。同時，屬性參數(shù)值對于判決的重要程度而言，帶有典型的模糊不確定性，如數(shù)據(jù)傳輸速率值為50 kb/s和51 kb/s對判決的重要程度應(yīng)該相近。因此，本文采用模糊不確定性處理工具——模糊邏輯理論來確定屬性權(quán)重[12]。通過模糊邏輯推理器，如果屬性的輸出值越大，該屬性對綜合決策的作用越大，權(quán)重就應(yīng)該越高。

(1)決策屬性歸一化 不同無線網(wǎng)絡(luò)的各個屬性的取值范圍和單位均不相同，因此，為保證接入的公平性和有效性，采用網(wǎng)絡(luò)的歸一化屬性來做垂直切換決策。而無線網(wǎng)絡(luò)的屬性可以分成效益型和成本型，其中效益型屬性越大越好，如常用的屬性參數(shù)可用帶寬、信噪比等均屬這類；成本型屬性越小越好，如常用的丟包率、能耗等均屬這類。

效益型屬性：

成本型屬性：

(2)模糊邏輯規(guī)則庫構(gòu)建 該文基于異構(gòu)無線網(wǎng)絡(luò)的特性，根據(jù)模糊邏輯理論獲得優(yōu)化權(quán)值。因此，依據(jù)三角模糊隸屬函數(shù)，把每個屬性參數(shù)都定義有3個模糊邏輯等級{低、中、高}，相應(yīng)的每個等級賦予一個等級值{1, 2, 3}[12]，進而構(gòu)建一個模糊邏輯規(guī)則庫。

(3)計算屬性參數(shù)的權(quán)值 將高的屬性參數(shù)歸一化后輸入到模糊推理器，模糊推理器根據(jù)邏輯規(guī)則庫將輸出對應(yīng)級別的模糊邏輯量：高，歸一化屬性參數(shù)權(quán)值選擇器根據(jù)得到的高模糊邏輯量級別選擇相應(yīng)的高等級值。模糊邏輯推理器的邏輯規(guī)則庫的定義為：輸入?yún)?shù)|參數(shù)值→輸出邏輯量|等級值。因此，屬性參數(shù)n的權(quán)重為：其中，ln是模糊邏輯器輸出的等級值。0≤wn≤1,

3.4 效用函數(shù)及垂直切換算法

前面詳細(xì)介紹了切換算法中網(wǎng)絡(luò)在不同狀態(tài)下轉(zhuǎn)移的概率(也即預(yù)測了切換執(zhí)行和切換之后兩個狀態(tài)的轉(zhuǎn)移概率)和每個參數(shù)權(quán)重的確定方法。所提垂直切換算法是一個多屬性的決策函數(shù)，構(gòu)建效用函數(shù)成為該算法的核心工作，本文采用加權(quán)求和的方法來構(gòu)建。

定義α(s,m)為m網(wǎng)絡(luò)在s狀態(tài)下車輛終端所能得到的收益，采用加權(quán)求和的方法計算：

α1(s,m),α2(s,m),…,αN(s,m)分別是N個網(wǎng)絡(luò)狀態(tài)屬性帶來的收益，0≤w1,w2,…,wN≤1是它們相應(yīng)的權(quán)重，且滿足w1+w2+…+wN=1。定義垂直切換決策時刻、切換執(zhí)行時刻及切換之后收益之和為無線網(wǎng)絡(luò)總收益，由式(2)和式(6)可得到m網(wǎng)絡(luò)的總收益函數(shù)為

當(dāng)用戶有m個候選無線網(wǎng)絡(luò)時，總收益值越大，不僅說明垂直切換決策時刻該網(wǎng)絡(luò)性能最優(yōu)，也一定程度上說明在車輛終端切換入無線網(wǎng)絡(luò)后，該無線網(wǎng)絡(luò)依舊能保證QoS，且很好地避免了乒乓效應(yīng)。所以，本算法在垂直切換決策時，選擇總收益值最大的無線網(wǎng)絡(luò)作為切換網(wǎng)絡(luò)，即

式(7)為垂直切換效用函數(shù)值的計算表達(dá)式。從算法設(shè)計與實驗過程來看，所提算法的時間復(fù)雜度為O(M×N)。其中M為選取綜合計算的狀態(tài)時刻數(shù)，本文選取了3個時刻網(wǎng)絡(luò)狀態(tài)來計算收益，即其值為3; N為選取的屬性參數(shù)個數(shù)，本文為6。因此算法的復(fù)雜度往往直接由N決定。在理想狀態(tài)下，N值越大，算法考慮屬性參數(shù)越多，效用值體現(xiàn)終端QoS越好，但時間復(fù)雜度也相應(yīng)提高。同時，本文算法的空間復(fù)雜度主要體現(xiàn)在兩個方面，預(yù)測概率計算需要的矩陣輔助空間和屬性參數(shù)權(quán)重輔助空間。對于車載終端而言，當(dāng)屬性參數(shù)選取適當(dāng)(即在時間復(fù)雜度和屬性參數(shù)個數(shù)折中的情形下)，空間復(fù)雜度處于一個可接受的范圍。

4 實驗結(jié)果及分析

4.1 參數(shù)設(shè)置

為了評估本文所提出的垂直切換算法性能，采用Matlab+NS2仿真工具搭建了一個車輛異構(gòu)無線網(wǎng)絡(luò)系統(tǒng)實驗平臺，實驗仿真場景可以參見圖1。并與基于預(yù)測網(wǎng)絡(luò)信息的垂直切換算法[7](Predictive Network Information based Vertical Handoff, PNIVH)和基于神經(jīng)模糊的垂直切換判決算法[4](Neuro-Fuzzy based Vertical Handoff Decision Algorithm, NF-VHDA)兩個算法進行對比。假設(shè)WiMAX和TD-LTE的2維資源單元總數(shù)分別為213和106，小區(qū)半徑分別為3.0 km和1.5 km。為了降低實驗的復(fù)雜度，WiMAX和TD-LTE均采用一致的1024個子載波的OFDM調(diào)制，幀長5 ms，符號周期為0.2 ms，一個2維資源單元由48個連續(xù)子載波與10個符號周期組成。仿真過程中，假設(shè)用戶按照圖1中兩個具有代表性的運動軌跡進行移動，并且車輛速度設(shè)為20 m/s。在整個網(wǎng)絡(luò)覆蓋區(qū)域按照泊松分布陸續(xù)到達(dá)新用戶，到達(dá)率λ=1～10，服務(wù)時間的均值為50 s。

假設(shè)用戶的業(yè)務(wù)模型可以分成實時業(yè)務(wù)和非實時業(yè)務(wù)，并且速率均假設(shè)在50～120 kb/s這個區(qū)間，且業(yè)務(wù)生成間隔均服從均值為1 s的泊松分布。同時，通過對車輛異構(gòu)網(wǎng)絡(luò)中垂直切換過程的分析和研究，本文選取接收信號強度、網(wǎng)絡(luò)帶寬、時延、數(shù)據(jù)速率、服務(wù)費用和終端能耗等6個決定終端QoS的屬性參數(shù)。

4.2 負(fù)載率和阻塞率性能分析

本文首先從負(fù)載率和阻塞率兩個性能指標(biāo)來分析所提算法。其中負(fù)載率是描述網(wǎng)絡(luò)工作狀態(tài)的重要指標(biāo)，它是一個百分?jǐn)?shù)。如網(wǎng)絡(luò)的額定容量是100 Mbps，而在某一時刻，網(wǎng)絡(luò)上的數(shù)據(jù)量僅有20 Mpbs，那么它的負(fù)載率就是20%。阻塞率是指在一個時間周期內(nèi)，切換被阻塞占所有觸發(fā)量的比例，它也是一個百分?jǐn)?shù)，其也能一定程度上說明網(wǎng)絡(luò)的工作狀態(tài)。

實驗分析中本文的M-VHO算法和PNIVH算法均只考慮了可用2維資源單元數(shù)。圖3和圖4分別顯示了M-VHO算法與PNIVH算法的平均負(fù)載率的性能對比。隨著新車輛終端的到達(dá)，WiMAX和TD-LTE無線網(wǎng)絡(luò)的負(fù)載率逐步增加直到滿負(fù)載狀態(tài)。圖3中，TD-LTE無線網(wǎng)絡(luò)中M-VHO算法的負(fù)載率始終低于PNIVH算法。因為本文算法考慮了垂直切換決策時刻之后的無線網(wǎng)絡(luò)可用2維資源單元數(shù)的動態(tài)變化，實驗中設(shè)定的TD-LTE無線網(wǎng)絡(luò)和WiMAX無線網(wǎng)絡(luò)新車輛終端到達(dá)率分別為λ/2和λ/4, TD-LTE單位時間內(nèi)到達(dá)的平均用戶數(shù)是WiMAX的兩倍，在車輛終端垂直切換決策時刻與之后時刻TD-LTE網(wǎng)絡(luò)的用戶數(shù)大幅度動態(tài)變化愈大，因此M-VHO算法根據(jù)網(wǎng)絡(luò)狀態(tài)的動態(tài)變化判定TD-LTE無線網(wǎng)絡(luò)更易擁塞，切換到WiMAX無線網(wǎng)絡(luò)。圖4顯示了WiMAX網(wǎng)絡(luò)中M-VHO算法的負(fù)載率始終高于PNIVH，說明M-VHO算法優(yōu)先選擇網(wǎng)絡(luò)狀態(tài)動態(tài)變化可能性更小的WiMAX無線網(wǎng)絡(luò)。

圖5顯示了車輛終端在不同到達(dá)率下的平均阻塞率。隨著車輛終端到達(dá)率的動態(tài)變化，單位時間內(nèi)到達(dá)的用戶數(shù)逐漸增多，3種算法的車輛終端平均阻塞率都呈遞增趨勢。在λ≤3時，無線網(wǎng)絡(luò)的容量能夠保證新車輛終端的接入，因此阻塞率接近或等于零。當(dāng)λ＞3時，各算法均出現(xiàn)阻塞， M-VHO算法阻塞率相對于NF-VHDA算法平均降低了大約0. 4%。這是由于NF-VHDA算法還綜合了接收信號強度，在要求高信號強度的同時很難再保證較低的阻塞率；另一方面，M-VHO算法只考慮可用2維資源單元，因此NF-VHDA算法的阻塞率高于M-VHO算法。PNIVH算法阻塞率處于NF-VHDA和M-VHO算法之間。在λ≤7時，M-VHO平均阻塞率略低于PNIVH算法，隨著用戶到達(dá)率的增加，兩算法間阻塞率的差距越大，在λ=10時，M-VHO算法阻塞率低于PNIVH算法12.6%。這是因為本文算法考慮了可用2維資源單元和阻塞率的動態(tài)變化，且當(dāng)車輛終端到達(dá)率愈大，兩類網(wǎng)絡(luò)之間到達(dá)率差距也愈大，愈能體現(xiàn)本文算法的優(yōu)勢。

4.3 丟包率和乒乓效應(yīng)分析

圖6顯示3種算法車輛終端平均丟包率的對比?？煽闯?，M-VHO算法的平均丟包率大大低于NF-VHDA算法和PNIVH算法，這是由于PNIVH算法主要關(guān)注的是用戶的服務(wù)質(zhì)量，而接收信號強度是非常重要的服務(wù)參數(shù)，而NF-VHDA也考慮了接收信號強度，但是所占的比重相對較小。圖中還可看出M-VHO算法的平均丟包率相對于NFVHDA算法降低了大約145%，相對于PNIVH算法降低了大約220%，這是由于本算法考慮了用戶的動態(tài)高速移動性，并采用馬爾可夫過程預(yù)測了車輛終端垂直切換決策時刻、切換執(zhí)行時刻及切換之后車輛終端接收信號強度和信噪比的變化，而NFVHDA算法和PNIVH算法僅僅考慮了車輛終端垂直切換決策時刻的信噪比，因此M-VHO算法得到的平均丟包率遠(yuǎn)低于NF-VHDA算法和PNIVH算法。

如圖7所示，分別采用不同的算法實驗仿真20次。20個移動車輛終端發(fā)生垂直切換的平均次數(shù)，在PNIVH算法下是19.50次；在NF-VHDA算法下是15.75次；而采用該文所提出的M-VHO算法，是10.65次。這一現(xiàn)象說明，本文提出的算法在垂直切換次數(shù)上明顯較前兩種算法少。進一步說明所提算法，能夠大量地降低不必要垂直切換，“乒乓效應(yīng)”得到較好的抑制。分析原因，本文算法綜合考慮了各異構(gòu)無線網(wǎng)絡(luò)的多種狀態(tài)屬性后做出切換決策，同時基于馬爾可夫過程，預(yù)測了垂直切換決策時刻之后的網(wǎng)絡(luò)狀態(tài)變化情況，較已有算法能有效降低無謂的垂直切換，頻繁切換的“乒乓效應(yīng)”得以抑制。

從丟包率和平均切換次數(shù)兩個角度驗證了所提算法優(yōu)勢在于綜合考慮了多個網(wǎng)絡(luò)屬性參數(shù)在多個時刻的動態(tài)變化，從而可以減少數(shù)據(jù)間的沖突，降低整個車輛終端的丟包率；同時，可以明顯減少終端在網(wǎng)期間的平均切換次數(shù)，避免出現(xiàn)“乒乓效應(yīng)”。

4.4 垂直切換最佳性能分析

圖8為新車輛終端到達(dá)率不斷增加的情況下，終端得到的平均收益值，定義為單位時間內(nèi)網(wǎng)絡(luò)狀

圖4 WiMAX無線網(wǎng)絡(luò)平均負(fù)載率

圖5 車輛終端平均阻塞率

圖6 異構(gòu)網(wǎng)絡(luò)平均丟包率

圖7 車輛終端平均切換次數(shù)

圖8 車輛終端平均收益值

圖3 TD-LTE無線網(wǎng)絡(luò)平均負(fù)載率態(tài)屬性所帶來的收益值。通過圖中3條曲線的對比，NF-VHDA算法和PNIVH算法的平均收益值均小于本文的M-VHO算法，說明本文算法采用馬爾可夫過程成功預(yù)測了垂直切換決策時刻之后的網(wǎng)絡(luò)狀態(tài)屬性變化情況，更合理地選擇了最佳切換網(wǎng)絡(luò)。

5 結(jié)束語

本文提出了基于馬爾可夫過程的車輛異構(gòu)網(wǎng)絡(luò)預(yù)測垂直切換算法。利用馬爾可夫過程來預(yù)測切換決策時刻之后網(wǎng)絡(luò)狀態(tài)的動態(tài)變化并采用模糊邏輯確定評價指標(biāo)權(quán)重。實驗結(jié)果證明該算法可保證較高負(fù)載均衡的情況下，有效提高車輛終端的平均阻塞率及業(yè)務(wù)丟包率，降低乒乓效應(yīng)，保證車輛用戶接入切換網(wǎng)絡(luò)的QoS。但算法僅考慮了垂直切換決策、切換執(zhí)行和切換之后時刻的網(wǎng)絡(luò)狀態(tài)變化，下一步考慮結(jié)合車輛終端的安全需求來聯(lián)合優(yōu)化收益函數(shù)。

[1] Xie X Z, Rong B, Zhang T, et al.. Improving physical layer multicast by cooperative communications in heterogeneous networks[J]. IEEE Wireless Communications, 2011, 18(3): 58-63.

[2] Liu M, Li Z C, Guo X B, et al.. Performance analysis and optimization of handoff algorithms in heterogeneous wireless networks[J]. IEEE Transactions on Mobile Computing, 2008, 7(7): 846-857.

[3] 馬彬, 謝顯中. 支持云計算的無線移動網(wǎng)絡(luò)安全垂直切換算法[J]. 通信學(xué)報, 2011, 32(9A): 16-23.

Ma B and Xie X Z. Security vertical handoff algorithm to support cloud computing in wireless mobile networks[J]. Journal on Communications, 2011, 32(9A): 16-23.

[4] Singhrova A and Prakash N. Vertical handoff decision algorithm for improved quality of service in heterogeneous wireless networks[J]. IET Communications, 2012, 6(2): 211-223.

[5] Faisal K, Mehbodniya A, Islam A, et al.. Dynamic target wireless network selection technique using fuzzy linguistic variables[J]. China Communications, 2013, 10(1): 1-16.

[6] Nasser N, Guizani S, and Al-Masri E. Middleware vertical handoff manager: a neural network-based solution[C]. Proceedings of the 2007 IEEE International Conference on Communications (ICC'07), Glasgow, United Kingdom, 2007: 5671-5676.

[7] Guo Y S, Tang Z, Libda A, et al.. A QoS-aware vertical handoff algorithm based on predictive network information[J]. Journal of Central South University of Technology, 2012, 19 (8): 2187-2193.

[8] Stevens-Navarro E, Lin Y, and Wong V W S. An MDP-based vertical handoff decision algorithm for heterogeneous wireless networks[J]. IEEE Transactions on Vehicular Technology, 2008, 57(2): 1243-1254.

[9] 鄧強, 陳山枝, 胡博, 等. 異構(gòu)無線網(wǎng)絡(luò)中基于馬爾可夫決策過程的區(qū)分業(yè)務(wù)接納控制的研究[J]. 通信學(xué)報, 2010, 31(12):27-36.

Deng Qiang, Chen Shan-zhi, Hu Bo, et al.. Research of service-differentiated admission control based on Markov decision processes in heterogeneous wireless networks[J]. Journal on Communications, 2010, 31(12): 27-36.

[10] 施政, 朱琦. 基于馬爾科夫過程的異構(gòu)網(wǎng)絡(luò)性能分析與優(yōu)化[J]. 電子與信息學(xué)報, 2012, 34(9): 2224-2229.

Shi Zheng and Zhu Qi. Performance analysis and optimization based on markov process for heterogeneous wireless networks[J]. Journal of Electronics & Information Technology, 2012, 34(9): 2224-2229.

[11] Ning Z L, Song Q Y, Liu Y J, et al.. Markov based vertical handoff decision algorithms in heterogeneous wireless networks[J]. Computers & Electrical Engineering, 2014, 40(2): 456-472.

[12] 謝顯中, 肖博仁, 馬彬, 等. 代價函數(shù)權(quán)值可變的速度自適應(yīng)的異構(gòu)無線網(wǎng)絡(luò)垂直切換算法[J]. 電子學(xué)報, 2011, 39(10): 2417-2421.

Xie Xian-zhong, Xiao Bo-ren, Ma Bin, et al.. Cost function weight-variable and speed-adaptive vertical handoff algorithm for a vehicle terminal in heterogeneous wireless networks[J]. Acta Electronica Sinica, 2011, 39(10): 2417-2421.

馬 彬： 男，1978年生，副教授，博士生，研究方向為異構(gòu)無線網(wǎng)絡(luò)、認(rèn)知無線電網(wǎng)絡(luò)等.

謝顯中： 男，1966年生，博士，教授，博士生導(dǎo)師，主要研究方向為移動通信網(wǎng)絡(luò)、感知無線電技術(shù)等.

廖曉峰： 男，1964年生，博士，教授，長江學(xué)者，博士生導(dǎo)師，主要研究方向為無線網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)、混沌技術(shù)等.

Prediction Vertical Handoff Algorithm in Vehicle Heterogeneous Network

Ma Bin①②Xie Xian-zhong②Liao Xiao-feng①

①(College of Computer Science, Chongqing University, Chongqing 400044, China)

②(Chongqing Key Laboratory of Computer Network and Communication Technology of China, Chongqing University of Posts and Telecommunications, Chongqing 400065, China)

A prediction Vertical HandOff (M-VHO) algorithm is proposed by using a Markov process in vehicle heterogeneous network, to improve handoff performance when network status dynamic transformation after the handoff decision. It takes into account influence of network status dynamic transformation on vehicle terminal's Quality of Service (QoS) after the handoff decision. Its basic idea is in that a future wireless network's status transformation is predicted by transition probability of Markov process if vertical handoff is required; otherwise, the weight of evaluating attribute parameters be determined by fuzzy logic method; finally, the total incomes of each wireless network are compare, including handoff decision incomes, handoff execution incomes and communication service incomes after handoff execution, and the optimal network is selected. The simulation results show that when the high load balanced situation is ensured the algorithm effectively improves the average blocking rate and packet loss rate of vehicle terminal, reduces the ping-pong effect, and insure the QoS of vehicle terminal. Key words: Wireless network; Vehicle heterogeneous network; Vertical handoff; Markov process; Fuzzy logic

TN915

： A

：1009-5896(2015)04-0874-07

10.11999/JEIT140845

2014-06-25收到，2014-09-28改回

國家自然科學(xué)基金(61271259, 61301123, 61471076)；重慶市教委科學(xué)技術(shù)研究項目(KJ130536)和重慶市計算機網(wǎng)絡(luò)與通信技術(shù)重點實驗室基金(CY-CNCL-2010-02)資助課題

*通信作者：馬彬 mab_cqupt@sina.com