一种车联网中基于模糊多属性决策的自适应网络切换方法

本发明属于网络通信领域，涉及一种自适应网络切换方法，尤其是一种异构车联网中基于模糊多属性决策的自适应网络切换方法。

背景技术：

1、近年来，随着多种无线技术的提出及发展，逐渐趋于融合的异构网络是当前车联网发展的趋势。面对车路云协同场景的复杂性和交通信息数据的多样性，单一的通信方式无法很好的满足车路云协同系统的通信需求。车联网无线通信技术主要包含基于802.11p的短距离通信技术(dedicated short range communication，dsrc)以及基于蜂窝通信的车联网技术(cellular-vehicle-to-everything，c-v2x)，然而dsrc与c-v2x在车联网中的应用都存在一定的局限性。dsrc最初是为短距离通信设计的，在安全预警、碰撞避免及车辆编队行驶业务中发挥了优势，然而在一些车辆稀少的郊区，该通信技术由于缺少路侧基础设施(road side unit，rsu)很难有效运行。另外，dsrc所采用的ieee 802.11p协议由于带宽受限，很难支持高清视频直播等车载信息类服务。而蜂窝网络可以为车联网提供广泛的覆盖，c-v2x的最初版本是基于长期演进(lte，long term evolution)技术的，随着5g(newradio，nr)技术逐渐成熟，车联网终端设备将更多地采用nr-v2x的通信方式实现车路云一体化的高性能连接。除了依托dsrc、lte等主要面向车路协同的关键通信技术，nr的强大连接能力也将在高性能网联通信环境下，推进智能车联网系统进一步加强车辆、道路和云端之间的联系。然而，c-v2x技术并不能很好地支持本地端到端的实时信息交换。因此，将dsrc与c-v2x技术相融合的异构网络可以很好地满足车联网v2x低时延与高可靠的通信要求。

2、然而，由于车辆的高移动性将导致网络的拓扑结构快速变化，可能会在异构网络中频繁发生垂直切换的问题。在深入分析智能车路云协同系统的多模协同通信技术的基础上，对车路通信异构网络切换问题进行分析研究，减少车辆在异构网络环境中频繁切换所引发的乒乓效应，对提高车路云通信质量具有重要的意义。由于模糊逻辑不需要已知对象的精确数学模型，通过采用语言变量表达控制规则，即可实现实时控制，具有很强的健壮性等优点，并被广泛用于非平稳、非线性的自适应的控制系统中。模糊逻辑十分适合应用在需要根据多种因素进行动态控制和自适应决策的垂直切换问题中。因此，本发明提出了一种异构车联网中基于模糊逻辑多属性决策的自适应网络切换方法，能够在多通道网络传输模式下实现无缝的连接和合理稳定的切换，减少车辆在异构网络环境中频繁切换所引发的乒乓效应，从而为智能车路云协同系统的稳定运行提供了可靠的数据传输保障。

技术实现思路

1、本发明提出了一种异构车联网中基于模糊逻辑多属性决策的自适应网络切换方法，具体技术方案如下：

2、本发明提出了一种异构车联网中基于模糊逻辑多属性决策的自适应网络切换方法，所述自适应网络网络切换方法包括以下步骤：

3、步骤1：进行切换必要性评估，将信号与干扰加噪声比(signal to interferenceplus noise ratio，sinr)、车辆与基站(base station，bs)或路边单元(roadside unit，rsu)的距离和驻留时间(dwell time，dt)作为输入参数，每个模糊输入都用三个语言变量表示；

4、步骤2：通过模糊控制器进行模糊推理，输出切换因子(handover factor，hf)，如果切换因子大于阈值时，启动切换决策过程；

5、步骤3：将切换信息提供给切换决策模块，利用五角模糊层次分析法(pentagonafuzzy analytic hierarchical process，pfahp)计算网络参数权重；

6、步骤4：基于五角模糊逼近理想解排序法进行网络选择，根据排序结果选择最佳的网络进行切换。

7、进一步地，步骤1中，sinr由语言变量“弱(weak)”、“正(normal)”和“强(strong)”表示。考虑平滑性和计算速度，采用混合分布，分别为z形分布、高斯分布和s形分布。车辆与bs或rsu之间的距离是使用欧几里得距离计算的。车辆和网络接入点之间的距离决定了qos。距离的增加和sinr的减少会导致连接中断，这在车辆安全应用的情况下是无法忍受的。第i个车辆离当前服务网络的距离由语言变量“近(near)”、“中(middle)”和“远(far)”来表示。驻留时间是车辆在网络范围内花费的时间。如果在车辆进入网络范围之前就可以估计这个时间，那么可以以有效的方式使用资源，并且可以实现主动切换，从而确保无处不在的通信。第i个车辆在当前服务网络的驻留时间由语言变量“短(short)”、“中(medium)”和“长(long)”来表示。

8、步骤2中，模糊输入和输出通过模糊规则进行关联，制定了27条模糊规则。解模糊器基于质心法的重心(center of gravity，cog)规则，输出一个网络切换因子(handoverfactor，hf)，如果切换因子大于阈值时，启动切换决策过程。当sinr为强且驻留时间为长时，则会降低hf。当sinr为弱且驻留时间为短时，hf增加。当sinr为强并且网络接入点和车辆之间的距离为近时，hf将较低。当sinr为弱并且距离为远时，hf将更高。当驻留时间为短并且网络接入点和车辆之间的距离为远时，它将增加hf。当车辆速度为慢速且与网络接入点的距离较小时，hf将降低。

9、步骤3中，由于车辆终端的高速移动性、网络状态的时变特性、以及参数测量时存在的误差和噪声，导致判决参数同时具有模糊性和随机性等不确定性特点。为了克服一型模糊集合在处理随机性问题时存在的不足，引入区间五角模糊数(interval-valuedpentagonal fuzzy numbers，ipfn)。三角形、梯形模糊数常用于表示不确定信息，相对于三角模糊数和梯形模糊数，ipfn可以更灵活精确地描述不确定性，能够涵盖更多的可能性和变化范围，提供更多样化的隶属度分布，更精细地描述某个值在模糊集中的归属度，提供更多的信息来帮助决策，从而更好地适应不同的应用场景。

10、五角模糊数定义为具有隶属函数：

11、

12、ipfn使用均衡论域法(equalized universe method，eum)创建，其质心沿着预定义的值域等距分布。区间五边形模糊数定义为：

13、

14、其中

15、步骤3中，基于pfahp计算属性权重，选取吞吐量(throughput，t)、时延(delay，d)、抖动(jitter，j)、丢包率(loss，l)、费用(cost，c)和安全(security，s)作为网络属性集。业务类型采用3gpp定义的四种业务，主要为会话类(conservational traffic class，ct)、流媒体类(streaming traffic class，st)、交互类(interaction traffic class，it)和后台类业务(background traffic class，bt)，分别用网络属性集合c＝{t，d，j，l，c，s}和业务属性集合t＝{ct，st，bt，it}。

16、步骤4中，使用pftopsis进行网络选择。选取三种候选网络，分别是lte、dsrc和5gmmwave。假设a＝{n1，n2，...，nn}是候选网络的集合，c＝{c1，c2，...，cm}是属性的集合，并且w1，w2，...，wn是每个标准的权重。首先构建n×m决策矩阵d，表示n个网络，m个属性，决策矩阵d由qij组成，每个qij元素是区间值五角模糊数，表示第i个为网络的第j个属性。然后归一化决策矩阵，考虑收益属性集合ωb和成本属性ωc。构造加权归一化决策矩阵，加权归一化决策矩阵通过将归一化决策矩阵rij的每个元素与相应的权重wj相乘来构造。其次，确定正理想解q+和负理想解q-，再计算每个网络到q+和q-的欧式距离。最后，计算第i个候选网络与理想解相对接近度si。根据si值进行排名，车辆将选择相对接近度si最高的网络进行切换。

17、与现有技术相比，本发明的一种异构车联网中基于模糊逻辑多属性决策的自适应网络切换方法的有益效果如下：

18、(1)以应对复杂的车路云协同通信交通场景和严苛的通信条件为目标，该切换方案在执行切换决策前基于模糊逻辑进行切换必要性评估，关注车辆在不同网络覆盖范围内的驻留时间，降低不必要的切换次数。

19、(2)该方案综合考虑网络、用户和道路等方法的信息，在网络侧，考虑网络动态参数，如sinr、吞吐量、抖动、丢包率和安全性等。在车辆侧考虑用户偏好，以满足不同业务场景需求。

20、(3)将区间五角模糊和层次分析法相结合确定属性权重，并基于五角模糊逼近理想解排序法进行网络选择，具有一定的创新性。确保车辆连接到最适合其需求的网络，提高车辆通信质量。