1.一种针对DASH视频组播业务的用户分组方法,其特征在于,包括:
根据采集得到的待分组用户的信道质量信息,计算得到簇划分距离阈值;
选取满足最大聚类中心差值小于所述簇划分距离阈值的分组数作为用户分组数量;
通过聚类算法,按照所述用户分组数量以及采集得到的信道质量信息,完成用户分组;
其中,所述选取满足最大聚类中心差值小于所述簇划分距离阈值的分组数作为用户分组数量,包括:
选取初始分组数;
若基于所述初始分组数,采用聚类算法计算得到的最大聚类中心差值小于所述簇划分距离阈值,将所述初始分组数作为所述用户分组数量;
若所述最大聚类中心差值不小于所述簇划分距离阈值,则基于小于所述初始分组数的新分组数,采用聚类算法计算得到新的最大聚类中心差值,直至新的最大聚类中心差值小于所述簇划分距离阈值或新分组数为1,并将最新一次的分组数作为所述用户分组数量;
所述选取初始分组数,包括:
获取待分组用户数量;
计算所述待分组用户数量的平方根并对所述平方根进行上取整,得到所述初始分组数;
所述根据采集得到的信道质量信息,计算得到簇划分距离阈值,包括:
令待分组用户数量为n,计算采集得到的每个用户的信道质量信息的两两差值,得到一个n×n维的矩阵:
Dn×n=d(si,sj)i,j=1,2,…,n
其中,d(si,sj)表示两个用户的信道质量信息之间的差值,si、sj分别为第i个、第j个用户的信道质量信息;
计算得到平均差值:
得到簇划分距离阈值:
其中,minDn×n表示距离矩阵Dn×n的最小值。
2.根据权利要求1所述的方法,其特征在于,所述聚类算法为k-means聚类算法;
所述通过聚类算法,按照所述用户分组数量以及采集得到的信道质量信息,完成用户分组,包括:
令所述用户分组数量为k,将采集得到的信道质量信息划分为k个类,记为G={G1,G2,…,Gk},其中Gk中包含划分到第k类的所有数据;
选取能使以下代价函数最小化的分组方案:
其中,μi是Gi类中的信道质量信息的均值,也是聚类中心,sj为第j个用户的信道质量信息;
根据所述分组方案,将待分组用户分成k类,每一类作为一个组播组,进行DASH视频业务组播传输。
3.一种针对DASH视频组播业务的用户分组装置,其特征在于,包括:
距离阈值计算模块,用于根据采集得到的待分组用户的信道质量信息,计算得到簇划分距离阈值;
分组数量选取模块,用于选取满足最大聚类中心差值小于所述簇划分距离阈值的分组数作为用户分组数量;
分组模块,用于通过聚类算法,按照所述用户分组数量以及采集得到的信道质量信息,完成用户分组;
其中,所述分组数量选取模块,具体用于:
选取初始分组数;
若基于所述初始分组数,采用聚类算法计算得到的最大聚类中心差值小于所述簇划分距离阈值,将所述初始分组数作为所述用户分组数量;
若所述最大聚类中心差值不小于所述簇划分距离阈值,则基于小于所述初始分组数的新分组数,采用聚类算法计算得到新的最大聚类中心差值,直至新的最大聚类中心差值小于所述簇划分距离阈值或新分组数为1,并将最新一次的分组数作为所述用户分组数量;
所述分组数量选取模块,还用于:
获取待分组用户数量;
计算所述待分组用户数量的平方根并对所述平方根进行上取整,得到所述初始分组数;
所述距离阈值计算模块,具体用于:
令待分组用户数量为n,计算采集得到的每个用户的信道质量信息的两两差值,得到一个n×n维的矩阵:
Dn×n=d(si,sj)i,j=1,2,…,n
其中,d(si,sj)表示两个用户的信道质量信息之间的差值,si、sj分别为第i个、第j个用户的信道质量信息;
计算得到平均差值:
得到簇划分距离阈值:
其中,minDn×n表示距离矩阵Dn×n的最小值。
4.根据权利要求3所述的装置,其特征在于,所述聚类算法为k-means聚类算法;
所述分组模块,具体用于:
令所述用户分组数量为k,将采集得到的信道质量信息划分为k个类,记为G={G1,G2,…,Gk},其中Gk中包含划分到第k类的所有数据;
选取能使以下代价函数最小化的分组方案:
其中,μi是Gi类中的信道质量信息的均值,也是聚类中心,sj为第j个用户的信道质量信息;
根据所述分组方案,将待分组用户分成k类,每一类作为一个组播组,进行DASH视频业务组播传输。