自适应多准则模糊逻辑的5G异构网络切换决策方法与流程

本发明属于通信网络切换领域，涉及一种自适应多准则模糊逻辑的5g异构网络切换决策方法。

背景技术：

在5g多网融合的时代背景下，很难像传统的通信系统靠单一技术实现运营，多种接入技术融合、多种网络架构融合是下一代网络的必然趋势。为了保证5g用户获得最佳的网络服务质量，考虑不同应用场景下不同网络覆盖时最佳网络切换方案，实现高度智能化无缝切换是5g网络研究的重点。现有文献中提出的基于模糊逻辑的切换决策系统(hds)设计有单一模糊引擎切换决策系统，基于效益型和成本型的双模糊引擎切换决策系统以及多模糊引擎切换决策系统，现有的切换决策算法大多包含qos相关参数，而其他决策参数并未全部考虑在内，切换决策不够准确，容易造成误切换。参数全面的切换决策系统未考虑自适应性，而引入自适应性的切换决策系统要么考虑参数不全面，要么计算复杂度过高，处理时间长。因此，急需一种自适应多准则模糊逻辑的5g异构网络切换决策系统解决此类问题。

技术实现要素：

有鉴于此，本发明的目的在于提供一种多模糊引擎切换决策方法，同时考虑每个单独的流量类型的自适应模糊隶属度函数(fmfs)和模糊规则，引入自适应机制实现切换判决的智能化、减少算法处理时间、降低模糊规则复杂度、提高网络切换的准确度。

为达到上述目的，本发明提供如下技术方案：

一种自适应多准则模糊逻辑的5g异构网络切换决策方法，令用户移动端所处位置处所有能接收到服务的覆盖网络均为其候选网络，将每个候选网络的相关决策参数分别交由五个模块引擎同时进行处理，每个候选网络的最终得分由五个模糊引擎共同决定，根据每个候选网络的最终得分选出最佳网络执行切换，自适应模糊逻辑切换决策步骤如下：

s1：业务分类及优先级排序：不同业务的主要决策参数和优先级不同，由应用标识判定业务类型并决定切换判决执行的先后顺序；

s2：模糊化过程：将模糊引擎的输入值模糊化转化成模糊数据，以语言的形式标识模糊集里每个成员的值；

s3：模糊推理过程：使用if-then规则，根据输入参数或输入模糊隶属度(fmfs)的值，生成聚合的模糊化数据；

s4：定义模糊引擎行为：模糊规则包含基于if-then规则形式的决策参数之间所有可能的关系不同数量的决策参数所需模糊规则也不一样；

s5：去模糊化过程：将模糊数据转化为明确数值，去模糊化的方法包括质心法，最大平均法，加权平均法；

s6：将每个候选网络的相关决策参数分别交由五个模块引擎同时进行步骤s1-s5的处理，共同决定每个候选网络的最终分数，最终分值d值最高的候选网络即为所选目标切换网络。

进一步，以延迟la、丢包率pl、可用带宽bav三个决策参数作为综合服务质量模糊引擎的输入，相对应的模糊集的输入变量分别定义为la、pl、bav；每个输入存在三种模糊隶属度函数(低、中、高)，需要3³＝27条模糊规则定义模糊引擎的行为，模糊引擎输出有五种模糊度隶属函数(低、低偏中、中、中偏高、高)；聚合的模糊化数据μaq被定义为：

μaq(y)＝maxk[min[μla^k,μpl^k,μbav^k]]k＝1,2,3…27

再利用质心法执行去模糊化过程，将聚合的模糊化数据转化为明确分值，a值表示为：

所述延迟la是指一项服务从网络入口到出口的平均经过时间；所述丢包率pl是指一个或多个数据数据包(packet)的数据无法透过网上到达目的网络；所述可用带宽bav是指可提供用户网络数据服务的带宽。

进一步，以a值、接收信号强度rss两个决策参数作为网络服务质量模糊引擎的输入，相对应的模糊集的输入变量分别定义为aq、rss；每个输入存在三种模糊隶属度函数(低、中、高)，需要3²＝9条模糊规则定义模糊引擎的行为，模糊引擎输出有五种模糊度隶属函数(低、低偏中、中、中偏高、高)；聚合的模糊化数据μnq被定义为：

μnq(y)＝maxk[min[μaq^k,μrss^k]]k＝1,2,3…9

再利用质心法执行去模糊化过程，将聚合的模糊化数据转化为明确分值，n值表示为：

所述接收信号强度rss是指接收方接收到发送方发射信号的强度(灵敏度)。

进一步，nq选择器周期性地以足够的频率嗅探进入的信息包来检测流量活动，通过接收来自应用层标识判定流量类型，选择相应的模糊引擎。

进一步，以移动速度ve、小区覆盖co两个决策参数作为移动服务质量模糊引擎的输入，相对应的模糊集的输入变量分别定义为ve、co；每个输入存在三种模糊隶属度函数(低、中、高)，需要3²＝9条模糊规则定义模糊引擎的行为，模糊引擎输出有五种模糊度隶属函数(低、低偏中、中、中偏高、高)；聚合的模糊化数据μmq被定义为：

μmq(y)＝maxk[min[μve^k,μco^k]]k＝1,2,3…9

再利用质心法执行去模糊化过程，将聚合的模糊化数据转化为明确分值，m值表示为：

所述移动速度ve是指用户端在小区中移动的速度；所述小区覆盖co是指小区最大网络覆盖能力。

进一步，以服务成本sc、电池寿命bl两个决策参数作为成本模糊引擎的输入，相对应的模糊集的输入变量分别定义为sc、bl；每个输入存在三种模糊隶属度函数(低、中、高)，需要3²＝9条模糊规则定义模糊引擎的行为，模糊引擎输出有五种模糊度隶属函数(低、低偏中、中、中偏高、高)；聚合的模糊化数据μce被定义为：

μce(y)＝maxk[min[μsc^k,μbl^k]]k＝1,2,3…9

再利用质心法执行去模糊化过程，将聚合的模糊化数据转化为明确分值，c值表示为：

所述服务成本sc是指为用户提供网络服务时产生的费用；所述电池寿命bl是指使用产品可供使用的时间期限。

进一步，以n、m、c三个模糊引擎的输出作为用户满意度模糊引擎的输入，相对应的模糊集的输入变量分别定义为dn、dm、dc；每个输入存在三种模糊隶属度函数(低、中、高)，需要3³＝27条模糊规则定义模糊引擎的行为，模糊引擎输出有五种模糊度隶属函数(低、低偏中、中、中偏高、高)。聚合的模糊化数据μds被定义为：

μds(y)＝maxk[min[μdn^k,μdm^k,μdc^k]]k＝1,2,3…27

再利用质心法执行去模糊化过程，将聚合的模糊化数据转化为明确分值，d值表示为：

进一步，在模糊过程中，输入参数的明确值转化为模糊集的语言项或模糊隶属函数；每个输入参数形成一个模糊集，然后用语言表示每个模糊集的成员。

进一步，将模糊引擎的输入参数映射成基于模糊规则(if-then规则)的输出值的过程称为模糊推理，在模糊引擎中使用不同类型的模糊规则构成模糊类型和模糊规则。

进一步，步骤s4所述定义模糊引擎的行为，使用if-then规则，根据输入参数或输入fmfs的值，模糊引擎将决定输出fmfs；输入参数的数量与模糊规则的数量成正比，这意味着，随着输入决策参数数量的增加，模糊规则的数量也会随之增加，反之亦然，同时，系统的总执行时间和系统复杂度也在增加；

假设决策参数为m个，所属模糊隶属度函数为n个，则所需规则的总数量为nm个。

进一步，在模糊引擎的输出处得到语言形式的模糊语言；由于无法将语言术语中的输出值或输出fmfs用于进一步的处理，因此需要将其转换为数字形式，去模糊化过程就是把这种模糊语言转化为明确值。

本发明的有益效果在于：本发明能有效降低参数过多带来的运算复杂度高，处理时间长的问题，智能化的切换决策减少了误判次数。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明自适应nq流量业务选择引擎流程图；

图2为本发明自适应多准则模糊逻辑网络切换模型；

图3为本发明自适应模糊逻辑切换决策流程图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

最原始的切换算法是根据覆盖网络中所测量得到的信息，主要是基站或者无线接入点所接收到的发射功率、移动终端和基站以及无线接入点之间测得的距离、网络带宽等信息来计算接收到的网络的信号强度值，再根据当前接入网络的接收信号强度值和目标网络所接收到的信号强度值的比较来判断切换是否发生网络切换。随着5g网络技术的发展，多网络之间的融合交错使得考虑的切换决策参数也需更加全面，而考虑的参数越多，其运算的复杂度会越来越高，执行时间也会越来越长。

多模糊引擎的目的就是将决策参数分为若干块同时执行运算，然后聚合去模糊化转为明确值形成最终决策。不同的用户具有不同的业务需求，不同的业务需求具有不同的参数指标，业务优先级也各不相同，这就是引入自适应机制的目的。两者融合在一起，对于5g网络切换智能化、精准化具有较强的现实意义。

如图1所示，将所有的流量业务分为了会话流量业务以及非会话流量业务，nq选择器对每一次接收的数据包嗅探，根据应用层标识对该业务识别分类，会话流量业务输入会话流量引擎执行模糊化过程，非会话流量业务输入非会话流量引擎执行模糊化过程。

在多个用户同时需要进行切换判定的情况下，对用户所申请业务进行优先级判定，优先级高的先进行判决切换，优先级低的后进行判决切换。

如图2所示，整个切换决策模型包括总体服务质量引擎aq、网络服务质量引擎nq、移动服务质量引擎mq、成本引擎sq、用户满意度引擎ds以及nq选择模块，每个模糊引擎单独工作，相互独立又共同影响最后的决策分数。

整个自适应模糊逻辑切换决策步骤如下：

s1：业务分类及优先级排序。不同业务的主要决策参数和优先级不同，由应用标识判定业务类型并决定切换判决执行的先后顺序；

s2：模糊化过程。将模糊引擎的输入值模糊化转化成模糊数据，以语言的形式标识模糊集里每个成员的值；

s3：模糊推理过程。使用if-then规则，根据输入参数或输入模糊隶属度(fmfs)的值，生成聚合的模糊化数据；

s4：定义模糊引擎行为。模糊规则包含基于if-then规则形式的决策参数之间所有可能的关系不同数量的决策参数所需模糊规则也不一样；

s5：去模糊化过程。将模糊数据转化为明确数值，去模糊化的方法一般有质心法，最大平均法，加权平均法等。

如图3所示，模糊系统的总体结构由五个部分组成。模糊引擎将输入转换成模糊数据，模糊规则库包含模糊推理系统需要的if-then规则，基于模糊推理方法，模糊推理系统生成聚合的模糊化数据，最后将聚合的模糊化数据转换为具体分数，基于最后所得分数做出切换判决。

以延迟la、丢包率pl、可用带宽bav三个决策参数作为综合服务质量模糊引擎的输入，相对应的模糊集的输入变量分别定义为la、pl、bav；每个输入存在三种模糊隶属度函数(低、中、高)，需要3³＝27条模糊规则定义模糊引擎的行为，模糊引擎输出有五种模糊度隶属函数(低、低偏中、中、中偏高、高)；聚合的模糊化数据μaq被定义为：

μaq(y)＝maxk[min[μla^k,μpl^k,μbav^k]]k＝1,2,3…27

再利用质心法执行去模糊化过程，将聚合的模糊化数据转化为明确分值，a值表示为：

所述延迟la是指一项服务从网络入口到出口的平均经过时间；所述丢包率pl是指一个或多个数据数据包(packet)的数据无法透过网上到达目的网络；所述可用带宽bav是指可提供用户网络数据服务的带宽。

以a值、接收信号强度rss两个决策参数作为网络服务质量模糊引擎的输入，相对应的模糊集的输入变量分别定义为aq、rss；每个输入存在三种模糊隶属度函数(低、中、高)，需要3²＝9条模糊规则定义模糊引擎的行为，模糊引擎输出有五种模糊度隶属函数(低、低偏中、中、中偏高、高)；聚合的模糊化数据μnq被定义为：

μnq(y)＝maxk[min[μaq^k,μrss^k]]k＝1,2,3…9

再利用质心法执行去模糊化过程，将聚合的模糊化数据转化为明确分值，n值表示为：

所述接收信号强度rss是指接收方接收到发送方发射信号的强度(灵敏度)。

nq选择器周期性地以足够的频率嗅探进入的信息包来检测流量活动，通过接收来自应用层标识判定流量类型，选择相应的模糊引擎。

以移动速度ve、小区覆盖co两个决策参数作为移动服务质量模糊引擎的输入，相对应的模糊集的输入变量分别定义为ve、co；每个输入存在三种模糊隶属度函数(低、中、高)，需要3²＝9条模糊规则定义模糊引擎的行为，模糊引擎输出有五种模糊度隶属函数(低、低偏中、中、中偏高、高)；聚合的模糊化数据μmq被定义为：

μmq(y)＝maxk[min[μve^k,μco^k]]k＝1,2,3…9

再利用质心法执行去模糊化过程，将聚合的模糊化数据转化为明确分值，m值表示为：

所述移动速度ve是指用户端在小区中移动的速度；所述小区覆盖co是指小区最大网络覆盖能力。

以服务成本sc、电池寿命bl两个决策参数作为成本模糊引擎的输入，相对应的模糊集的输入变量分别定义为sc、bl；每个输入存在三种模糊隶属度函数(低、中、高)，需要3²＝9条模糊规则定义模糊引擎的行为，模糊引擎输出有五种模糊度隶属函数(低、低偏中、中、中偏高、高)；聚合的模糊化数据μce被定义为：

μce(y)＝maxk[min[μsc^k,μbl^k]]k＝1,2,3…9

再利用质心法执行去模糊化过程，将聚合的模糊化数据转化为明确分值，c值表示为：

所述服务成本sc是指为用户提供网络服务时产生的费用；所述电池寿命bl是指使用产品可供使用的时间期限。

以n、m、c三个模糊引擎的输出作为用户满意度模糊引擎的输入，相对应的模糊集的输入变量分别定义为dn、dm、dc；每个输入存在三种模糊隶属度函数(低、中、

高)，需要3³＝27条模糊规则定义模糊引擎的行为，模糊引擎输出有五种模糊度隶属函数(低、低偏中、中、中偏高、高)。聚合的模糊化数据μds被定义为：

μds(y)＝maxk[min[μdn^k,μdm^k,μdc^k]]k＝1,2,3…27

再利用质心法执行去模糊化过程，将聚合的模糊化数据转化为明确分值，d值表示为：

在模糊过程中，输入参数的明确值转化为模糊集的语言项或模糊隶属函数；每个输入参数形成一个模糊集，然后用语言表示每个模糊集的成员。

将模糊引擎的输入参数映射成基于模糊规则(if-then规则)的输出值的过程称为模糊推理，在模糊引擎中使用不同类型的模糊规则构成模糊类型和模糊规则。

步骤s4所述定义模糊引擎的行为，使用if-then规则，根据输入参数或输入fmfs的值，模糊引擎将决定输出fmfs；输入参数的数量与模糊规则的数量成正比，这意味着，随着输入决策参数数量的增加，模糊规则的数量也会随之增加，反之亦然，同时，系统的总执行时间和系统复杂度也在增加；

假设决策参数为m个，所属模糊隶属度函数为n个，则所需规则的总数量为n^m个。

在模糊引擎的输出处得到语言形式的模糊语言；由于无法将语言术语中的输出值或输出fmfs用于进一步的处理，因此需要将其转换为数字形式，去模糊化过程就是把这种模糊语言转化为明确值。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。