异构无线网络多连接并行传输中的流量分配方法
【专利摘要】一种异构无线网络多连接并行传输中的流量分配方法：根据异构无线网络中各个连接的传输性能参数，估计数据包通过不同连接的传输时延，再引入遗传模拟退火算法计算优化流量分配比率，同时综合考虑每个网络资源的最大发送速率、平均传输时延、误码率和最大重传次数的多个性能参数，提供一种可行的流量分配方法，以实现最小化各连接之间最大传输时延差的流量分配。本发明利用遗传算法的隐并行性和退火算法的爬山性能，有效降低计算复杂度、大大加快求解和收敛的速度，设置收敛门限值进一步均衡算法性能与消耗时间。与其他流量分配方法相比较，本发明更适用于异构无线网络的具体应用场景，充分利用了网络连接资源，吞吐量更大。
【专利说明】异构无线网络多连接并行传输中的流量分配方法
【技术领域】
[0001]本发明涉及一种用于异构无线网络的并行传输的流量分配技术，确切的说，涉及一种异构无线网络中多个连接并行传输的流量比率分配方法，属于无线通信中的移动通信【技术领域】。
【背景技术】
[0002]未来的无线通信网络体系将是一种多种异构网络(例如包括:2G/2.5G/3G、LTE、WLAN、WPAN等制式)并存、协同并不断融合的复杂体系。这些异构网络在覆盖区域、带宽、可靠性、成本和安全性等方面的特性各不相同。而且，它们将在未来一段较长时期以互相补充的方式共同满足终端用户的QoS需求。
[0003]多模终端技术的发展，已经使得同时使用多种异构网络并行传输数据成为可能与现实。异构网络下的多连接并行传输技术能够充分利用网络资源，满足未来通信业务需求。然而，由于异构无线网络的各种连接方式在技术特点及负载能力方面都存在差异，因此，多连接并行传输势必带来诸多问题。
[0004]参见图1，介绍异构无线网络多连接并行传输存在的问题:由于数据包通过不同连接(图中为三个)到达接收端的时延各不相同，导致了多连接并行传输系统中的数据包乱序现象非常严重，接收端必须建立重排序缓存区，以供数据包在此重新排序。某一特定编号的数据包在重排序缓存区中等待比它编号小的数据包全部到达的时间，就是该数据包的重排序时延。重排序时延增大了业务流的端到端时延，严重影响了上层传输协议的性能。
[0005]多连接并行传输传输中一个重要问题就是如何减少额外的重排序时延。通过优化多连接并行传输时各个连接之间的流量分配比率，能够有效地降低重排序时延，是解决重排序时延问题的一种理想途径。
[0006]在现有的多连接并行传输技术中，以降低各个连接间的重排序时延为目标的流量分配方法中，有下述三种性能较好的方法:基于媒体访问控制MAC(Media Access Control)层测量的流量分配方法，基于反馈的流量分配方法和业务分割混合方法。下面分别介绍之:
[0007](I)基于MAC层测量的流量分配方法:该方法是将数据包通过该连接的传输时延作为连接资源的分配标准，通过周期性测量该连接的传输时延，动态调整分流比例，使之与连接传输时延成反比例，从而保持负载的平衡，进而降低接收端的重排序时延。但是，该方法只考虑了两种连接并行传输的情况，当连接数目超过两条时，则不适用。
[0008](2)基于反馈的流量分配方法:该方法提出一种基于接收端反馈信息的动态流量分配比率计算方法，首先，发送端周期性发送探针包，然后，根据接收端的测量信息，链路层的数据包传输时延被周期性地返回给发送端，并用于分流比例计算。且计算出来的分流比率应使得链路层的数据包传输时延保持一致，这样就可以降低接收端缓存区的数据包重排序时延。该方法中的流量分配比率会随着无线连接容量的改变而进行周期性的调整，该方法在比率聚合后，可有效降低重排序时延，但是，其需要较长的聚合时间。[0009](3)业务分割的混合方法:该混合方法由下述两种方法组成:按照理想模型计算分割比例的算法和基于模糊多属性决策理论的选择可用连接的最优子集合算法，通过对计算得到的分割比例理论值和实际传输值之间的误差与误差门限值之间的对比，当误差低于误差门限时，选用理想模型算法，而当误差高于误差门限时，只选择可用连接的最优子集合来并行传输。该算法能够显著降低重排序时延，但是，由于其中的理想模型分割比例算法与实际情况存在偏差，使得该算法在实际应用中的性能受到抑制。
【发明内容】
[0010]有鉴于此，本发明的目的是提供一种异构无线网络多连接并行传输中的流量分配方法，该方法是在在异构无线网络多连接并行传输中，利用各个连接的传输性能参数，计算得到每个连接之间的优化流量分配比率，并根据该优化流量分配比率将业务数据流配置为并行传输的多个子数据流，以减小接收端重排序时延。本发明的优化流量比率计算方法是以最小化连接间的最大时延差MMDD (Minimize the Maximum Delay Difference)为优化目标，通过使得各个连接的传输时延尽可能地接近，以降低异构无线网络多连接并行传输中的重排序时延。由于该最优化问题为NP-hard问题，本发明提出了一种基于遗传退火算法的求解方法，所得的优化流量分配比率可以有效降低重排序时延，与现有的方法相比，在平均误包率及吞吐量性能方面也更具优势。
[0011]为了达到上述目的，本发明提供了一种异构无线网络多连接并行传输中的流量分配方法，其特征在于:根据异构无线网络中各个连接的传输性能参数，估计数据包通过不同连接的传输时延，再引入遗传模拟退火算法GASA (Genetic Algorithm with SimulatedAnnealing)计算优化流量分配比率，同时综合考虑每个网络资源的最大发送速率、平均传输时延、误码率和最大重传次数的多个不同性能参数，提供一种可行的流量分配方法，以实现最小化各连接之间最大传输时延差的流量分配；所述方法包括下列操作步骤:
[0012](I)测试异构无线网络中各个连接的传输性能参数；
[0013](2)根据每个连接的传输性能参数和业务数据流总传输速率，确定优化流量分配比率计算方法的各个参数初始值；
[0014](3)执行基于最小化连接间最大时延差为优化目标的优化流量分配比率计算方法;
[0015](4)发送端按照优化流量分配比率分配业务数据流。
[0016]本发明异构无线网络中多连接并行传输的流量比率的最优化分配方法的实质是一个非线性整数规划问题，因此，这是一个NP难题(即NP-hard问题)(non-deterministicpolynomial hard)。为了能够有效地获得上述课题接近最优的解决方案，本发明采用了遗传退火算法GASA来求解。这是因为遗传算法(GA)具有良好的全局搜索能力和解决方案的速度，但是其在局部搜索方面能力较差，且容易出现“早熟”。而模拟退火算法(SA)可以找到最佳的解决方案，但它容易陷入局部最优的陷阱，同时其全局搜索能力较弱。所以，GA和SA两种算法具有很强互补性，两者的结合一GASA算法是目前解决NP-hard问题的有效方法。
[0017]本发明的创新特点和关键技术是:将GASA算法首次引入多连接并行传输最优化流量分配方法中，其中，遗传算法GA被设置为并行搜索的主框架，而模拟退火算法SA用于遗传算法中的突变处理。也就是:首先用GA搜索负载分配方案空间，计算每个分配方案下各个连接间的最大时延差，根据最大时延差计算该分配方案的适应度函数；再将子代适应度函数值与父代适应度函数值进行比较。然后，按照SA的策略得到当前流量分配结果。满足算法终止条件时，所得到的流量分配方案就是流量分配的近似最优结果。总之，本发明采用基于遗传模拟退火(GASA)的求解方法，利用遗传算法的隐并行性和退火算法的爬山性能，能够有效降低计算复杂度、大大加快求解速度和收敛速度。此外，通过设置合理的收敛门限值又进一步均衡算法性能与消耗时间。
[0018]本发明基于最小化各连接间最大时延差的优化目标，与各连接间时延相等的流量分配方法相比较，更适用于异构无线网络的具体应用场景，与减少并行传输数量来降低重排序时延的方法，更加充分利用了可用的网络连接资源，吞吐量更大。因此，本发明具有很好的推广应用前景。
【专利附图】
【附图说明】
[0019]图1是异构无线网 络的结构组成示意图。
[0020]图2是本发明基于遗传退火算法的异构无线网络中多连接并行传输的流量分配方法操作步骤流程图。
【具体实施方式】
[0021]为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。
[0022]本发明异构无线网络多连接并行传输中的流量分配方法，是根据异构无线网络中各个连接的传输性能参数，估计数据包通过不同连接的传输时延，再引入遗传模拟退火算法GASA计算优化流量分配比率，同时综合考虑每个网络资源的最大发送速率、平均传输时延、误码率和最大重传次数的多个不同性能参数，提供一种可行的流量分配方法，以实现最小化各连接之间最大传输时延差的流量分配。
[0023]参见图2，介绍本发明方法的具体操作步骤:
[0024]步骤1，测试异构无线网络中各个连接的传输性能参数。该步骤的操作内容是:测量当前网络状况下的所有可用连接的总数M，业务数据流的总传输速率λ ;再测量每个可用连接i的传输性能参数:最大发送速率平均传输时延屯，误码率qi和最大重传次数^ ；式中，正整数i为异构无线网络可用连接的序号，其最大值为M。
[0025]步骤2，根据每个连接的传输性能参数和业务数据流总传输速率，确定优化流量分配比率计算方法的各个参数初始值。
[0026]该步骤包括下列操作内容:
[0027](21)根据各个连接的传输性能参数和业务数据流总传输速率，确定流量分配比率结果向量? = (,,1?,..%￡%)的初始约束条件为:Σ=,=1;其中，ω?为第i条连接的流量
分配比率，且有:0≤0≤1和[二,=1; λ为业务数据流的总传输速率，为保证系统稳
定，分配给第i条连接的数据子流速率Oi λ应不超过该可用连接的最大发送速率ri，SPWiA ^ri ;因实际应用中的最小分配单元为I个数据包，故业务数据流的总传输速率λ及分配给第i条连接的数据子流速率Oi λ都只能取正整数N，即COiX e N, λ e N。
[0028](22)根据流量分配比率结果向量S’..,》?)的约束条件确定搜索空间U，
然后设置种群规模PS、最大迭代次数GN、交叉率P。和变异率Pm、模拟退火初始温度Ttl和降温系数r。
[0029]因是初始化阶段，故同时设置当前迭代次数计数器gn=l和当前温度为模拟退火的初始温度、即T=!；。其中，正整数PS为种群中的个体总数，正整数GN为迭代计算的最大次数，用作计算的终止条件之一；交叉率P。和变异率Pm中的P都表示概率Probability，其下标c和m分别为英文交叉crossover和变异mutation的首字母，P。和Pm的取值范围分别为[0.4，0.99]和[0.0001,0.1];模拟退火初始温度Ttl为设定值，降温系数r的取值范围是(O, I)。
[0030](23)先确定遗传模拟退火算法中的种群初始值:从搜索空间U中随机选出PS个流量分配比率结果向量值，组成初始种群P= (P1, P2,..., PpJ。其中，P是英文种群Population
的首字母，该种群中的第d个个体=md =(ωιη,ωιη,.",ωΛΜ)，-ω?为第d个种群个体所对应
的流量分配比率结果向量；《di为第d个种群个体所对应的流量分配比率结果向量中，分配到第i条连接上的数据子流速率占业务数据流的总传输速率的比率，即第i条连接的流量分配比率，且I≤d≤PS，I≤i≤M。
[0031]步骤3，执行基于最小化各连接间最大时延差为优化目标的优化流量分配比率计算方法。该步骤包括下列操作内容:
[0032](31)从当前种群P中随机地两两组合出Q对用作父本列表，对该父本列表中的每一对父本组{ps，PJ，分别按照交叉率P。进行交叉操作后，再按照变异率Pm进行变异操作，得到子代{Cs，CJ。
[0033]式中，当前种群数量P= {Pp P2, , PpJ，下标s和t分别为随机选取的两个不同父本编号，其最大值为PS，且s〈t。子代{Cs，Ct}为{Ps，Pt}经过交叉和变异操作后，产生的新个体，即当前个体、父代的下一代个体；C为英文子代Children的首字母，与当前个体、即父代P相对应。父本是父代样本的简称，父代样本是父代中的所有个体，因种群规模为PS，故
父本列表
[0034](32)分别计算每对子代{Cs，CJ相对于其父代{Ps，PJ的两个适应度函数增量值:Af=Fit(Cs)-Fit(Ps)和 Af=Fit(Ct)-Fit(Pt);式中，f 是适应度函数 Fit (x)简写。
[0035]该适应度函数Fit(Pd)的计算是重点，其计算方法可分为下述三个操作内容:
[0036](32A)当流量分配比率结果向量为Pd时，，按照下述公式计算第i条连接的传输时延 Ti(Odi):
【权利要求】
1.一种异构无线网络多连接并行传输中的流量分配方法，其特征在于:根据异构无线网络中各个连接的传输性能参数，估计数据包通过不同连接的传输时延，再引入遗传模拟退火算法GASA计算优化流量分配比率，同时综合考虑每个网络资源的最大发送速率、平均传输时延、误码率和最大重传次数的多个不同性能参数，提供一种可行的流量分配方法，以实现最小化各连接之间最大传输时延差的流量分配；所述方法包括下列操作步骤: (1)测试异构无线网络中各个连接的传输性能参数； (2)根据每个连接的传输性能参数和业务数据流总传输速率，确定优化流量分配比率计算方法的各个参数初始值； (3)执行基于最小化连接间最大时延差为优化目标的优化流量分配比率计算方法； (4)发送端按照优化流量分配比率分配业务数据流。
2.根据权利要求1所述的方法，其特征在于:所述步骤(I)的操作内容是:测量当前网络状况下的所有可用连接的总数M，业务数据流的总传输速率λ ;再测量每个可用连接的传输性能参数:最大发送速率ri;平均传输时延屯，误码率qi和最大重传次数^ ;式中，正整数i为异构无线网络可用连接的序号，其最大值为M。
3.根据权利要求1所述的方法，其特征在于:所述步骤(2)包括下列操作内容: (21)根据各个连接的传输性能参数和业务数据流总传输速率，确定流量分配比率结果向量汾=丨的初始约束条件为:[二<?, = 1;其中，ω i为第i条连接的流量分配比率，且有:0彡和！TP =1; λ为业务数据流的总传输速率，为保证系统稳定，分配给第i条连接的数据子流 速率Qi λ应不超过该连接的最大发送速率ri，S卩ωμ <ri;因实际应用中的最小分配单元为I个数据包，故业务数据流的总传输速率λ及分配给第i条连接的数据子流速率ωμ都只能取正整数N，即e N, λ e N； (22)根据流量分配比率结果向量<δ= (?,的约束条件确定搜索空间U，然后设置种群规模PS、最大迭代次数GN、交叉率P。和变异率Pm、模拟退火初始温度Ttl和降温系数r ;因是初始化阶段，故同时设置当前迭代次数计数器gn=l和当前温度为模拟退火的初始温度、即T=Ttl ;其中，正整数PS为种群中的个体总数，正整数GN为迭代计算的最大次数，用作计算的终止条件之一；交叉率P。和变异率Pm中的P都表示概率Probability，其下标c和m分别为英文交叉crossover和变异mutation的首字母，P。和Pm的取值范围分别为[0.4，0.99]和[0.0001, 0.1];模拟退火初始温度Ttl为设定值，降温系数r的取值范围是(O, I)； (23)先确定遗传模拟退火算法中的种群初始值:从搜索空间U中随机选出PS个流量分配比率结果向量值，组成初始种群P=IP1, P2,, PpJ ;其中，P是英文种群Population的首字母，该种群中的第d个个体/丨==为第d个种群个体所对应的流量分配比率结果向量；《di为第d个种群个体所对应的流量分配比率结果向量中，分配到第i条连接上的数据子流速率占业务数据流的总传输速率的比率，即第i条连接的流量分配比率，且I彡d彡PS，I彡i彡M。
4.根据权利要求1所述的方法，其特征在于:所述步骤(3)包括下列操作内容: (31)从当前种群P中随机地两两组合出Q对用作父本列表，再对该父本列表中的每一对父本组{ps，PJ，分别按照交叉率P。进行交叉操作后，再按照变异率Pm进行变异操作，得到子代{Cs，CJ ； 式中，当前种群数量P= {Pi，P2,, PpJ，下标S和t分别为随机选取的两个不同父本编号，其最大值为PS，且s〈t ;子代{Cs，Ct}为{Ps，Pt}经过交叉和变异操作后，产生的新个体，即当前个体的下一代个体；c为英文子代Children的首字母，与父代、即当前个体P相对应；所述父本是父代样本的简称，父代样本是父代中的所有个体，因种群规模为PS，故父本列表y =-y; (32)分别计算每对子代{Cs，Ct}相对于其父代{Ps，Pt}的两个适应度函数增量值:Af=Fit(Cs)-Fit(Ps)和 Af=Fit(Ct)-Fit(Pt);式中，f 是适应度函数 Fit (x)简写； (33)判断每个Af是否大于O，即公式Af>0是否成立；若是，则表示新生的子代适应度函数值大于父代，即子代比父代更适应环境，此时立刻接受该子代个体Cs或Ct为当前种群成员，并替换父代的相应个体；若否，即△ f < O，表示子代的适应度函数值小于或等于父代，此时，并不立刻放弃该子代，而是准备以设定的接受概率接受它成为当前种群成员:也'就是先计算Cs或Ct的接受概产生位于区丨、日? [O, I]上的均匀分布的伪随机数random(0, I)后,再判断不等式P ( Δ f )>random(0, I)是否成立；若是，则接受该子代Cs或Ct为当前种群的成员，替换掉相应的父代；否则，放弃该新子代个体，仍然保留原来的父代个体Ps或Pt ;其中，接受概率P ( △ f)取决于适应度增量值，e为数学常数，T为当前温度； (34)判断是否满足下述两个迭代终止条件之一: Ca)迭代次数是否达到设定次数，即当前迭代次数已经达到最大迭代次数:gn>GN ;或 者 (b)父代与子代的平均适应度函数差值是否小于收敛门限Th，其计算公式为:子代相对于父代的平均适应度增量Fit (f (C)) -Fit (f (P))〈Th ； 只要满足其中任意一个迭代终止条件，就结束该流量分配比率的计算过程，输出当前种群P中适应度最大的个体所对应的流量分配比率结果向量，再将该数值作为优化流量分配比率向量；若否，则执行后续步骤(35)； 其中，终止条件(b)中的C= IC1, C2，...Cps}表示子代的全部个体，P= (P1, P2,..., PpJ表示父代、即当前种群的全部个体；Fit(f (C))中的子代C没有下标，表示其为子代的平均适/7/(/(C ))应度函数，其计算方法为:?(/(0) = Σ-、同样地，Fit(f(P))中的父代P也没
i I.^
P FiH f (P ))有下标，表示其为父代的平均适应度函数，其计算方法为mfm=Σ 二 ；
i I* (35)因种群每进化一次就更新一次当前温度，同时还更新当前迭代次数；故当前温度T以降温系数r逐渐降低，即T=TXr ;而当前迭代次数则逐渐递增:即gn=gn+l ;此时，返回执行步骤(31);其中，降温系数r的取值区间为(O，I)。
5.根据权利要求4所述的方法，其特征在于:所述步骤(32)中的适应度函数Fit (Pd)的计算包括下列操作内容: (32A)当流量分配比率结果向量为Pd时，，按照下述公式计算第i条连接的传输时延Ti(Odi):
6.根据权利要求5所述的方法，其特征在于:所述步骤(32)中的适应度函数Fit(Cd)的计算操作内容与Fit(Pd)的计算操作内容完全相同，其区别只是将相应的变量Pd更换为变量Cd。
7.根据权利要求4所述的方法，其特征在于:所述步骤(33)中，因初始时的温度T较高，故；令的数值接近于1，则有较大的概率接受适应度值较差的子代；但是，随着当前温度T的降低，f的数值不断变小，最后几乎不再接受适应度函数值较差的子代；采用该接受概率作为接纳子代的策略好处是:避免搜索过程过早地陷入局部最优的陷阱，能够以较大的概率取得全局的优化流量分配比率向量，该操作步骤体现了模拟退火的思想。
8.根据权利要求4所述的方法，其特征在于:所述步骤(34)中，设置收敛门限Th为4?6%，当种群的平均适应度增量不足4?6%时，终止迭代计算操作，输出当前种群中适应度函数值最大的个体所对应的流量分配比率结果向量，作为优化流量分配比率；同时，为防止计算时间过长，设置最大迭代代数GN为辅助终止条件，即当前迭代次数gn超过GN时，也停止迭代计算操作，同样输出当前种群中适应度函数值最大的个体所对应的流量分配比率结果向量，作为优化流量分配比率。
9.根据权利要求1所述的方法，其特征在于:所述步骤(4)包括下列操作内容:发送端在发送缓存区中，按照计算的优化流量分配比率将业务数据包流分割为多个数据包子流，并通过不同的连接并行传输至接收端；数据包到达接收端时，因存在数据包乱序现象,故这些数据包先进入重排序缓存区 中等待重排序，然后被接收端接收。
【文档编号】H04W28/10GK103428770SQ201310325225
【公开日】2013年12月4日 申请日期:2013年7月30日 优先权日:2013年7月30日
【发明者】刘凯明, 刘元安, 戎蓉, 唐碧华, 胡鹤飞, 张洪光, 刘芳, 谢刚, 高锦春 申请人:北京邮电大学