陳香，唐加山，曹端喜

（1.南京郵電大學通信與信息工程學院，南京210003；2.南京郵電大學理學院，南京210003）

0 引言

對于融合了各種無線接入技術(shù)的異構(gòu)無線網(wǎng)絡(luò)，用戶可以在網(wǎng)絡(luò)覆蓋范圍、移動性支持、帶寬和價格等不同的限定條件之間尋求平衡，移動終端也朝著集多種接入技術(shù)為一體、智能選擇接入網(wǎng)絡(luò)的方向發(fā)展。在“始終保持最佳連接”的原則下，移動終端可以根據(jù)服務(wù)質(zhì)量為用戶動態(tài)選擇最佳的接入網(wǎng)絡(luò)[1-3]。因此，網(wǎng)絡(luò)選擇問題是異構(gòu)無線網(wǎng)絡(luò)中的重要研究課題。

目前多屬性決策算法[4-6]是解決該問題的最經(jīng)典的算法。與其他算法相比，其更具合理性的選擇結(jié)果恰恰是因為該算法綜合考慮了用戶、網(wǎng)絡(luò)等多方面對網(wǎng)絡(luò)選擇的影響。文獻[7]提出了增強型逼近理想解排序法（Enhanced Technique for Order Preference by Similari?ty to an Ideal Solution，E-TOPSIS），該算法雖然在排名異常的性能上更加優(yōu)異，但其沒有充分考慮數(shù)據(jù)標準化的類型。

本文針對這一問題開展研究，提出了一種基于效用函數(shù)的增強型逼近理想解排序（Utility-based En?hanced Technique for Order Preference by Similarity to an Ideal Solution，UE-TOPSIS）的網(wǎng)絡(luò)選擇算法。新算法通過效用函數(shù)對不同業(yè)務(wù)類型下的網(wǎng)絡(luò)屬性進行效用評估，進而實現(xiàn)數(shù)據(jù)標準化。仿真結(jié)果表明，該算法能顯著改善網(wǎng)絡(luò)排名異?，F(xiàn)象，同時也能有效地減少平均切換次數(shù)。

1 業(yè)務(wù)模型

異構(gòu)網(wǎng)絡(luò)場景下用戶移動終端會同時處于多個無線網(wǎng)絡(luò)重疊覆蓋的區(qū)域，如圖1所示，區(qū)域中的無線網(wǎng)絡(luò)包括 WLAN、WiMAX、UMTS、LTE，并且用戶終端能接入到各個候選網(wǎng)絡(luò)中。

圖1 異構(gòu)無線網(wǎng)絡(luò)場景

會話類、流媒體類、交互類以及后臺類是國際標準化組織（3GPP）劃分的4種通信業(yè)務(wù)類型。受業(yè)務(wù)自身特點的影響，各類業(yè)務(wù)對帶寬、時延、丟包率、費用等需求不同，表1是4種業(yè)務(wù)類型的參數(shù)需求說明[8]。因此應充分利用網(wǎng)絡(luò)資源采取科學合理的網(wǎng)絡(luò)選擇方法使用戶接入合適的網(wǎng)絡(luò)，提高網(wǎng)絡(luò)利用率。

表1 四種業(yè)務(wù)類型的參數(shù)說明

2 效用函數(shù)的選擇

效用在網(wǎng)絡(luò)選擇中用于衡量用戶對網(wǎng)絡(luò)服務(wù)的滿意度。單個效用函數(shù)可以對某個網(wǎng)絡(luò)屬性進行評估。在網(wǎng)絡(luò)選擇中，當評判一個被選網(wǎng)絡(luò)效用時，網(wǎng)絡(luò)屬性通常被區(qū)分為效益屬性與成本屬性。效益屬性是指隨著屬性值的增加而網(wǎng)絡(luò)效用提升的屬性，例如帶寬、吞吐量等。而對于丟包率、時延等的成本屬性，其網(wǎng)絡(luò)效用隨著屬性值的增加反而降低。

效用函數(shù)的設(shè)計除了需要考慮上述網(wǎng)絡(luò)屬性的特性外，還需要同時考慮業(yè)務(wù)的靈活性以及用戶的敏感性等等。sigmoid函數(shù)[9]比較適合作為異構(gòu)無線網(wǎng)絡(luò)選擇中的效益屬性的效用函數(shù)，其定義為：

其中，x為單個屬性的值，a表示圖形陡峭度，反映用戶對網(wǎng)絡(luò)屬性改變的敏感度；b是圖形的中心，反映的是用戶對某個屬性的期望值。

考慮到成本屬性的效用函數(shù)的單調(diào)性與效益屬性的效用函數(shù)的單調(diào)性相反，可以用下面的公式表示成本屬性的效用函數(shù)：

3 基于效用函數(shù)的E-TOPSIS算法原理

與文獻[7]提出的使用歐拉公式的E-TOPSIS算法不同，本文提出的基于效用函數(shù)的E-TOPSIS改進算法使用效用函數(shù)實現(xiàn)網(wǎng)絡(luò)屬性標準化。UE-TOPSIS算法的具體步驟如下：

（1）假設(shè)m是候選網(wǎng)絡(luò)的數(shù)量，n是網(wǎng)絡(luò)屬性的數(shù)量，構(gòu)造判決矩陣為，其中，dij表示第i個網(wǎng)絡(luò)在第j個屬性上的數(shù)值。

（2）確定每個網(wǎng)絡(luò)每個屬性的效用函數(shù)，針對不同業(yè)務(wù)類型同一網(wǎng)絡(luò)下的各個屬性，對于由公式（1）或公式（2）表示的效用函數(shù)的參數(shù)進行設(shè)置，如表3所示，此處需區(qū)分效益屬性與成本屬性。

（3）構(gòu)造效用矩陣，即將步驟（1）判決矩陣中的屬性值dij代入步驟（2）確定的效用函數(shù)中，從而得到效用矩陣，其中為屬性j對應的效用函數(shù)。

標準化分析：屬性不同，度量單位也就不同，所以數(shù)據(jù)標準化在網(wǎng)絡(luò)選擇過程中是必不可少的。如果采用常規(guī)的標準化算法，當移除排名最差的網(wǎng)絡(luò)，并再次進行屬性標準化，其標準化值會發(fā)生一定的變化，進而影響后續(xù)的網(wǎng)絡(luò)排序。而本文使用步驟（2）中確定的效用函數(shù)對網(wǎng)絡(luò)屬性進行效用評估后，其效用值都映射到[0，1]區(qū)間中，此時等價于實現(xiàn)了數(shù)據(jù)標準化，并且此種標準化方法不再受其他屬性影響。

（4）構(gòu)造加權(quán)效用矩陣

假設(shè)wj是第j個屬性的權(quán)重值，且滿足將步驟（3）中得到的效用矩陣Y中的每一列與該列在權(quán)重向量中對應的權(quán)值相乘，從而得到加權(quán)效用矩陣，其中m,j=1,2,…,n。且本文使用多重層次分析法（Multiple Analytic Hierarchy Process，M-AHP）[10]來計算上述網(wǎng)絡(luò)屬性的權(quán)重。

（5）分別確定正理想網(wǎng)絡(luò)A+和負理想網(wǎng)絡(luò)A-

由于在求成本屬性的效用值時，已經(jīng)經(jīng)過效益屬性的效用函數(shù)的處理，故此時正理想網(wǎng)絡(luò)A+均為效用值最大的網(wǎng)絡(luò)集合，負理想網(wǎng)絡(luò)A-均為效用值最小的網(wǎng)絡(luò)集合，而無需區(qū)分成本屬性和效益屬性。即

（6）計算各候選網(wǎng)絡(luò)與正、負理想網(wǎng)絡(luò)的距離

第i個候選網(wǎng)絡(luò)到正理想網(wǎng)絡(luò)的距離為，第i個候選網(wǎng)絡(luò)到負理想網(wǎng)絡(luò)的距離為

（7）計算各候選網(wǎng)絡(luò)與理想網(wǎng)絡(luò)的相對貼近度

相較于傳統(tǒng)的逼近理想解排序法（Technique for Order Preference by Similarity to an Ideal Solution，TOP?SIS）[6]，E-TOPSIS在計算相對貼近度時引入了正、負理想網(wǎng)絡(luò)的相對重要系數(shù)λ1和λ2，從而減少了排名異?，F(xiàn)象。即，其中，正、負理想網(wǎng)絡(luò)的相對重要系數(shù)λ1和λ2是由層次分析法（Analytic Hierarchy Process，AHP）[6]針對不同的業(yè)務(wù)類型計算得到的。

（8）排序選擇

按照相對貼近度大小對候選網(wǎng)絡(luò)進行排序，相對貼近度越大說明該網(wǎng)絡(luò)越優(yōu)，并將相對貼近度最大的候選網(wǎng)絡(luò)作為最佳接入網(wǎng)絡(luò)。

4 仿真及結(jié)果分析

為了驗證基于效用函數(shù)的E-TOPSIS網(wǎng)絡(luò)選擇算法的有效性，本文設(shè)計了兩套實驗方案。在方案一中，對比TOPSIS、E-TOPSIS、UE-TOPSIS三種算法的排名異?，F(xiàn)象；在方案二中，對比三種算法的平均切換次數(shù)。兩種方案均針對3GPP定義的4種業(yè)務(wù)類型進行仿真，為了確保仿真結(jié)果的可靠性，在每種方案仿真中，每個算法各運行1000次，相關(guān)結(jié)果取1000次的平均值。

4.1 仿真場景與參數(shù)設(shè)置

本文采用的異構(gòu)無線網(wǎng)絡(luò)仿真場景如圖1所示，區(qū)域內(nèi)有 4個無線網(wǎng)絡(luò)，分別為 WLAN、WiMAX、UMTS、LTE，每個候選網(wǎng)絡(luò)需要考慮的屬性分別為帶寬，時延，丟包率與費用。根據(jù)文獻[8]，候選網(wǎng)絡(luò)屬性參數(shù)的取值范圍如表2所示。

表2 候選網(wǎng)絡(luò)的屬性參數(shù)范圍

對于各個屬性的效用函數(shù)，在考慮了業(yè)務(wù)類型后，其設(shè)置如表3所示。

表3 各類業(yè)務(wù)中各個屬性的效用函數(shù)參數(shù)設(shè)置

對于各業(yè)務(wù)類型下權(quán)重的計算：結(jié)合表1中各個業(yè)務(wù)類型的參數(shù)需求說明和M-AHP賦權(quán)方式，得到在不同業(yè)務(wù)類型下各個屬性的權(quán)重，如表4所示，且M=5，即讓五位用戶進行決策。

表4 各類業(yè)務(wù)的屬性主觀權(quán)重

相對重要系數(shù)λ1和λ2由AHP方法計算得到，各類業(yè)務(wù)的λ1和λ2的權(quán)重取值如表5所示。

表5 各類業(yè)務(wù)的λ1和λ2權(quán)重取值

4.2 仿真結(jié)果及分析

方案一：

（1）對于會話類業(yè)務(wù)，從表4中任選一位用戶參與決策得到的 TOPSIS的權(quán)重向量WAHP=[0.0506,0.5779,0.2445,0.1270]T。由表4可得ETOPSIS、UE-TOPSIS的權(quán)重向量為WM-AHP=[0.0449,0.5960,0.2412,0.1159]T。

（2）對于流媒體類業(yè)務(wù)，從表4中同理可得TOP?SIS的權(quán)重向量為WAHP=[0.5875,0.2736,0.0985,0.0404]T。由表4可得E-TOPSIS、UE-TOPSIS的權(quán)重向量為WM-AHP=[0.5849,0.2686,0.0985,0.0433]T。

（3）對于交互類業(yè)務(wù)，從表4中同理可得TOPSIS的權(quán)重向量為WAHP=[0.0888,0.0456,0.6001,0.2656]T。由表 4可得 E-TOPSIS、UE-TOPSIS的權(quán)重向量為WM-AHP=[0.0803,0.0515,0.5866,0.2770]T。

（4）對于后臺類業(yè)務(wù)，從表4中同理可得TOPSIS的權(quán)重向量為WAHP=[0.5727,0.0441,0.1211,0.2621]T。由表 4可得 E-TOPSIS、UE-TOPSIS的權(quán)重向量為WM-AHP=[0.5828,0.0436,0.1046,0.2643]T。

對于上述的每一種業(yè)務(wù)類型，分別使用TOPSIS、E-TOPSIS、UE-TOPSIS算法來比較網(wǎng)絡(luò)排名異常現(xiàn)象，仿真結(jié)果如圖2所示。

圖2 網(wǎng)絡(luò)排名異常仿真圖

方案二：

對于4種業(yè)務(wù)類型，分別使用TOPSIS、E-TOPSIS和UE-TOPSIS算法來比較平均切換次數(shù)，仿真結(jié)果如圖3所示。

由圖2可知，在所有業(yè)務(wù)類型中，通過效用函數(shù)，UE-TOPSIS大大改善了E-TOPSIS中的網(wǎng)絡(luò)排名異常現(xiàn)象。由于在屬性標準化中，刪除一個最差網(wǎng)絡(luò)會影響其他網(wǎng)絡(luò)屬性值的比重，從而影響到后續(xù)排序。而效用函數(shù)不僅可用于各類業(yè)務(wù)中的屬性評估，還可用于屬性標準化，從而有效地提升了E-TOPSIS算法的性能。此外，在所有業(yè)務(wù)類型中，E-TOPSIS在網(wǎng)絡(luò)排名異常這一性能指標上比TOPSIS要好。

圖3 平均切換次數(shù)仿真圖

由圖3可知，對于交互類和后臺類，UE-TOPSIS相較于E-TOPSIS、TOPSIS算法下降幅度明顯。對于會話類和流媒體類，UE-TOPSIS相較于E-TOPSIS、TOP?SIS算法在平均切換次數(shù)上都有所降低。在所有業(yè)務(wù)類型中，UE-TOPSIS相較于E-TOPSIS、TOPSIS均能有效地減少平均切換次數(shù)。

5 結(jié)語

本文首先分析了E-TOPSIS算法在屬性標準化方面存在的不足，然后引入了效用函數(shù)，其不僅可以反映各類業(yè)務(wù)要求，而且可以實現(xiàn)網(wǎng)絡(luò)屬性標準化時不受移除排名最差網(wǎng)絡(luò)的影響。UE-TOPSIS首先使用效用函數(shù)進行標準化，然后使用M-AHP計算網(wǎng)絡(luò)屬性的權(quán)重，最后使用E-TOPSIS排序，從而選擇出最佳網(wǎng)絡(luò)。仿真結(jié)果表明，對于所有的業(yè)務(wù)類型，與TOPSIS、ETOPSIS算法相比，UE-TOPSIS能顯著改善網(wǎng)絡(luò)排名異常現(xiàn)象，同時也有效地減少了網(wǎng)絡(luò)平均切換次數(shù)。