基于流量预测的geo卫星信道分配策略的制作方法
【专利摘要】本发明提供一种基于流量预测的GEO卫星信道分配策略，首先提出了卫星下一时隙业务量的预测模型，准确预测了在卫星下一时隙需要接入不同种类的业务量，为不同业务接入GEO卫星网络提供了决策支持；然后针对GEO卫星网络多种业务进行信道资源分配，利用优先级的方法，保证语音业务接入满足其QOS，同时采用效用最大化方法，将流媒体业务和数据业务按效用最大化模型分配，提高了整体用户满意度。本发明使卫星网络中不同优先级的业务合理的接入到GEO卫星网络，提高了GEO卫星系统的信道资源利用率和用户满意度，降低了卫星信道资源浪费，提高了卫星通信效率。
【专利说明】
基于流量预测的化O卫星信道分配策略
技术领域
[0001] 本发明设及一种基于流量预测的GEO卫星信道分配策略，属于卫星通信的技术领 域。
【背景技术】
[0002] 高轨卫星网络作为空中、海面和复杂地理结构等覆盖区域的通信解决方案，是实 现全球无缝覆盖的重要组成部分。其中GEO卫星在通信中起着非常重要的作用。无线资源管 理是GEO卫星通信系统研究中一个重要内容，运是由于卫星信道资源宝贵，同时卫星网络结 构的髙时延使得GEO卫星网络信道分配比陆地网络复杂。高轨卫星通信的信道资源是有限 的，如何在有限资源下提高信道利用率并满足用户业务服务质量是基于流量预测的GEO卫 星信道分配策略研究的关键问题。
[0003] 针对GEO卫星业务的大容量多样化特点，需要提高高轨卫星流量预测的精确度，并 且在信道负荷增大时，传统方法因为自身预约方式和信道利用率的限制导致平均时延和吞 吐量性能下降。
【发明内容】
[0004] 针对仅考虑优先级的卫星信道资源分配，导致整个卫星信道资源利用率不高，用 户整体满意度较低的问题，本发明提供一种基于流量预测的GEO卫星信道分配策略，提出优 先级与效用最大化结合的方法，首先保证语音用户的Q0S，然后数据业务与流媒体业务按效 用最大化分配，根据历史业务数据预测下一时隙各业务业务量，为不同业务的信道分配提 供决策支持。
[0005] 本发明将业务分成=类:语音业务、流媒体业务、数据业务，并将它们划分为不同 的优先级，语音业务优先级最高，流媒体业务次之，数据业务最低。采用组合ARIMA和灰色模 型对卫星下一时隙各种业务的流量进行预测，得出下一时隙卫星的不同种类业务的业务 量。卫星获取各种类业务数据后，根据业务的不同优先级进行区分，不同优先级的业务选取 不同的分配策略，语音业务保证QOS进行信道分配，而数据业务与流媒体业务在语音业务分 配结束后按照其效用最大化模型进行效用最大化分配。
[0006] 本发明提供的基于流量预测的GEO卫星信道分配策略，其特征在于:根据业务类型 划分语音业务、流媒体业务、数据业务的优先级，其中，语音业务优先级最高，流媒体业务次 之，数据业务优先级最低；多业务到达时，按照业务到达顺序接入，根据业务类型分别分配 信道资源；
[0007] 语音业务分配信道为Rv，流媒体业务分配信道范围为[RSmin，RSmax]，数据业务分配 信道范围为[RDmin，RDmax]，RSmin、RSmax分别表示流媒体业务最小信道需求、最大信道需求， RDmin、RDmax分别表示数据业务最小信道需求、最大信道需求，分配给每个流媒体业务的信道 资源为RSl, GEO卫星中所有信道资源为Bg,空闲信道资源为B'g;
[000引（1)到达业务为语音业务：当B ' G含Rv时，直接将语音业务按照信道需求Rv接入；当 B'c<Rv时，从流媒体业务和/或数据业务中抢占部分信道资源来满足语音业务的信道需求； 如果信道中只存在语音业务，或者抢占流媒体业务和/或数据业务信道也无法满足语音业 务信道需求，则拒绝语音业务接入；
[0009] (2)到达业务为流媒体业务:此时语音业务占用信道资源为Bv =化*Rv，化为语音业 务个数，GEO卫星剩余的信道资源为B'g = Bg-Bv，当B'G含RSmax时，直接将流媒体业务按照最 大信道需求RSmax接入；当B'G<RSmax时，将此时的流媒体业务与数据业务按照效用最大化进 行分配;进入(4);
[0010] (3巧I胜业务为数据业务:此时语音业务占用信道资源为Bv = Ni*Rv，N功语音业务 个数，GEO卫星剩余的信道资源为B'g = Bg-Bv，当B'G含畑max时，直接将数据业务按照最大信 道需求RDmax接入；当B'G<Wmax时，将此时的流媒体业务与数据业务按照效用最大化进行分 配;进入(4);
[0011] (4)若分配给每个流媒体业务的信道资源RSl ^ RS胃，则按照效用最大化进行分配;若 分配给每个流媒体业务的信道资源RSL<RS"in，则从每个数据业务中取出V及二化，尽量 满足流媒体业务的信道需求;如果信道中抢占数据业务信道也无法满足流媒体业务最小信 道需求RSmin，则拒绝流媒体业务或数据业务接入。
[0012] 优选地，按照效用最大化进行分配具体为，根据效用最大化公式得出最终信道分 配结果，效用最大化公式为：
[0013]
[0014] 其中U、化、化分别为业务效用和、流媒体业务总效用W及数据业务总效用，ri为分 配给每个业务的信道，此时语音业务占用信道资源为Bv =化*Rv，其中化为语音业务个数，剩 余信道资源为B ' G=Bg-Bv。
[0015] 优选地，流媒体业务总效用根据流媒体业务效用函数得出，流媒体业务效用函数 为：
[0016] 么
[0017]其中b2为分配给流媒体业务的信道资源，e取0.001，Bmin2、Bmax2分别为流媒体业务 最小信道需求、最大信道需求；
[0018] 数据业务总效用根据数据业务效用函数得出，数据业务效用函数为：
[0019]
,
[0020] 其中b3为分配给数据业务的信道资源，Bmax3表示数据业务的最大需求带宽。
[0021] 为给不同业务的信道分配提供决策支持，本发明利用组合ARIMA和灰色模型进行 流量预测，解决卫星网络业务量预测不精确的问题，运用组合ARIAM和灰色模型预测GEO卫 星覆盖的小区的各业务的业务量预测值;GEO卫星获取预测值并持续监听。
[0022] 预测GEO卫星覆盖的小区的各业务的业务量具体为，
[0023] (1)获取GEO卫星前几个时隙产生的业务量数据；
[0024] (2)对GEO卫星数据进行差分预处理，差分数据，A- , = X ,:- 3T 一，其中Xi为GEO卫 星i时刻的流量，义为i时刻和i-1时刻的差分数据；
[0025] (3)将差分数据分别输入ARIMA和灰色模型中进行计算，得出ARIM模型、灰色模型 各自的预测结果；
[0026] (4)针对两种模型但山的疏細Il结軍-徘打扔舌巧会-但山爲巨疏細Il估.
[0027] 权重组合方式为：
[002引权重为
[0029] 其中，n表示原始数据个数，k表示第k个预测值，+ 表示组合模型的第k个 预测值，"W (" + /()表示灰色模型的第k个预测值，A W (,? + /[)表示ARIMA模型的第k个预 Xgmy X am：ma 测J值;WGREY、WARIMA分别表示灰色模型、ARIMA预测模型的权重；折7?、灯^化組分别是灰色模型、 ARIM模型的标准差。
[0030] 本发明具有W下有益效果:本发明用W解决卫星信道资源管理中信道的匿乏在通 信中带来的问题，用组合ARIM和灰色模型对卫星下一时隙业务量进行预测的模型，然后将 卫星信道资源分配考虑到GEO卫星网络，还区分不同业务的优先级，采取不同分配策略，保 证语音业务的QOS并且通过效用最大化分配流媒体业务和数据业务，可W提高GEO卫星网络 的信道利用率和用户满意度。
[0031] 本发明的主要效果有:第一，提出适用于GEO卫星网络下一时隙卫星业务量的预测 方法，为不同业务接入GEO卫星网络提供了决策支持。第二，针对多种业务类型进行信道资 源分配，提出了用户的具体接入模型。语音业务保证其Q0S，数据业务和流媒体业务按效用 最大化分配。本发明对于卫星中信道资源管理问题的解决，具有很好的效果，能够保证业务 的QoS要求的，使整个卫星系统的资源利用率增大，适用于卫星信道资源管理问题和卫星网 络的发展。
【附图说明】
[0032] 图1为GEO卫星网络覆盖小区示意图；
[0033] 图2为ARIMA和灰色模型预测流程图；
[0034] 图3为不同业务信道与效用关系图，其中，图3a为语音业务，图3b为流媒体业务，图 3c为数据业务；
[0035] 图4为基于流量预测的GEO卫星信道分配策略流程图。
【具体实施方式】
[0036] 本发明采用的卫星网络体系结构如图1，本发明主要由=个部分组成，一是预测部 分，运用组合ARIMA和灰色模型来预测卫星下一时隙各种业务的业务量;二是依据卫星预测 出的流量将各种业务进行细分，优先级不同的业务采用不同的信道分配方式，根据业务种 类的不同进行分配;=是确定业务种类后，语音业务进行保证QOS优先分配，数据业务与流 媒体业务将剩余信道资源按照效用最大化进行分配。
[0037] 1、本发明对GEO卫星下一时隙业务量的预测，为不同业务接入GEO卫星网络提供了 决策支持：
[0038] GEO卫星网络流量具有自相似性，又具有很大的随机性、不确定性的特征。ARIMA模 型与灰色模型在卫星流量预测中具有各自的优势和不足。流量受各种因素的影响，数据呈 现为非平稳数据序列，根据ARIMA模型能较好地描述非平稳数据序列的特点建立模型。灰色 模型用于趋势性强、波动不大的短期预测问题，在数据较少的情况下，可W获得比较准确的 预测结果。对于GEO卫星下一时隙业务量的预测在卫星网络的信道资源分配具有重要参考 价值和意义，于是提出采用组合ARIMA和灰色模型进行流量预测。
[0039] (I)ARIMA 预测模型
[0040] ARIMA模型（Autoregressive Integrated Moving Average model)，整合移动平 均自回归模型。ARIMA(p，d，q)中，AR是"自回归"，P为自回归项数;M为"滑动平均"，q为滑动 平均项数，d为使之成为平稳序列所做的差分次数(阶数）。
[0041] 对于一个卫星流量样本数据集，确定回归参数和平滑参数是ARIMA建模的关键。一 般ARIM (P，d，q)模型的定阶方法主要是依据自相关函数ACF和偏自相关函数PACF绝对值的 大小，从最低阶ARIMAd，1，1)模型开始慢慢递增尝试，并结合Akaike提出的使用广泛的最 小信息准则(AIC)方法确定最适宜模型。如果某一样本进行差分预处理，并经过D阶差分后， 已经趋于平稳，满足
[0042] ARIMA(p，d，q)模型，运样就可W确定模型参数，并建模预测。
[0043] 在GEO卫星系统中，卫星流量具有非平稳自相关特性，适合运用ARIMA模型。我们获 得原始数据Xi=(Xi，拉，...，Xn)，其中Xi代表GEO卫星中不同日期同一时刻的卫星流量值，将 获得数据带入到ARIM模型中，获得卫星下一日期运个时刻的流量值。
[0044] 首先进行差分运算= 经过D阶差分后，通过判定自相关函数ACF和偏 自相关函数PACF绝对值的大小是否满足要求，见表1，从而确定参数p，d，q。其中AR是"自回 归"，P为自回归项数;MA为"滑动平均"，q为滑动平均项数，d为使之成为平稳序列所做的差 分次数(阶数）。具体方法步骤：
[0045] 1)若M(q)模型的ACF是截尾的，在某运算步骤后，即在零的上下波动微小，则可判 定遵从MA(q)模型，并可基本确定相应阶数q。
[0046] 2)由于AR(P)模型的PACF不截尾，当P <k时，k是一个阔值且符合渐近正态分布N (〇，l/N)，故可W进行与M(q)模型类似的截尾性检验。因此PACF决定AR(P)模型。
[0047] 3)对于一般的混合模型ARMA(p，q)，无论是ACF还是PACF都不能单独确定ARMA模型 的P、q值，运是时间序列建模的难点。通常由低阶到高阶逐一拟合模型，并经有关统计量的 检验优选。AIC准则：
[004引 AIC(n)=NlnS2+化
[0049]取得最小值时其对应的P、q的值。其中，N为拟合ARMA模型参数的随机序列的个数， 52为ARMA模型中高斯白噪声的方差，n为ARMA模型中含有的独立参数个数，即n = p+q+l，准 则的评判标准是尽可能选取小的准则函数值对应的n，即准则函数值越小，模型准确度越 局。
[0050]然后根据W下公式算出预测值。
[0化1 ]
[0化2] X广 4 iXi-广 4 巧i-广...-4 巧i-P=a广目Idi-广目2口1-广...-目qCIi-q
[0053]其中Xi为i时刻的时间序列值，即用前i-1个流量值预测出i时刻的流量值，P为自 回归阶数，d为差分阶数，q为滑动平均阶数，(61为自相关系数，01为滑动平均算子，Oi为均值 为0的随机误差，L是滞后算子(Lag operator)，deZ,d〉0。
[0化4] (2)灰色模型
[0055] 灰色模型具有W下特点：不需要大量样本;样本不需要有规律性分布;计算工作量 小;可用于Recent、短期、中长期预测;灰色预测准确度高。灰色模型具有较好增长特性的特 点，用于趋势性强、波动不大的短期预测问题，在数据较少的情况下，可W获得比较准确的 预测结果，我们可W用一段时间内每天运个时间点的流量数据为原始数据，对时间序列进 行建模。
[0056] 获得GEO卫星不同日期同一时刻的流量原始数据为zW(i)，记为zW = [Z^(I)，z W(2)，. . .，zW(n)]，其中n为数据总个数。运用D阶差分后的数据进行运算，经过D阶差分后 分离出的t时刻的数据为xW(t)如下:xW(t)=AzW(t+l)=zW(t+l)-zW(t)
[0057] 对此序列xW = [xW(i)，xW(2)，. . .，xW(n)]按如下公式进行流量预测。
[005引 1)生成I-AGO序列x(i) = [x(i)(l)，x(i)(2)，. . .，x(i)(n)]:
[0化9]
[00 側 2)生成紧邻均值序列 z(i) = [z(i)(l)，z(i)(2)，...，z(i)(n)]:
[0061 ] z(i)(k)=0.5x。)化-l)+0.5x。)化）
[0062] 3)系数求解，令紧邻均值序列生成0矩阵，并且生成常数项向量Yn，其中定义灰参 数a = 6/，其中a,b为待定系数，分别称为发展系数和灰色作用。
[0063]
[0064]
[00 化]
[0066]
[0067]
[006引 [0069]
[0070]
[0071]
[0072]
[0073] 8)GE0卫星下一日期运个时刻的流量预测值为：
[0074]
[007引其中xW(t)为差分序列x(W第k个日期的预测值;x("化)为累加序列x ("第k个日期 的预测值;；W脚、；W脚分别是差分序列戸、累加序列唯k日期的预测值。化)为原 始序列第k个日期的预测值。
[0076] (3)两种预测方法的权重组合计算模式：
[0077] 标准差是数据偏离均值程度的度量。对于i个预测模型，若不同模型标准差越大， 表明该数据越不稳定，则其权重也应该越小;反之，则其权重也应越大。利用标准差计算得 到的第i指标的权重公式为：
[007引方差为
[0079]
[0080]
[0081]
[0082]
[0083] ,(0)
[0084] 其中n表示原始数据个数，k表示第k个预测值，如十。表示组合模型的k个预测 值，；W知+巧表示灰色模型的k个预测值，表示ARIMA模型的k个预测值。 义饰 Er X ARlMA WGREY、WARIMA分另Ij表巧灰色模型、AR IMA预测J模型的权重。CT;脚、狂2挪船分另Ij是灰色模型、 ARIM模型的标准差。
[0085] 组合模型的预测精度要比只用灰色模型或ARIMA模型的预测精度高，灰色模型需 要的样本点少，适合模型时预测精度高，ARIMA模型消除了周期项和无规律性变化的影响。 组合模型结合了两者的优点，可W获得较好的预测结果。利用差分运算对GEO卫星原始数据 进行预处理，结合ARIMA模型和灰色模型进行流量预测，对GEO卫星系统的预测具有较高的 精度。
[0086] 预测具体流程如图2所示，具体预测步骤如下：
[0087] 步骤1、获取GEO卫星前几个时隙产生的业务量，该数据是不同日期中同一卫星同 一个时刻的数据，存在自相关性，也存在突发性。
[0088] 步骤2、然后对于GEO卫星数据进行差分预处理，运部分是对数据第一步处理，对数 据进行平稳处理，使它们符合零均值的平稳时间序列。其中Xi卫星i时刻的流量，^义为王时 刻和i-1时刻的差分数据。计算策略为:V ^ 。
[0089] 步骤3、将差分数据输入ARIMA模型进行计算，得出预测结果。
[0090] 步骤4、将差分数据输入灰色模型中进行计算，得出预测结果。
[0091] 步骤5、针对两种模型得出的预测结果，进行权重组合，得出最后预测值。
[0092]
[0093]
[0094] 其中，n表示原始数据个数，k表示第k个预测值，+W表示组合模型的第k个 预测值，(" + &)表示灰色模型的第k个预测值，(W + &)表示ARIMA模型的第k个预 若投概 X-MIMA 巧帷;WGREY、WARIMA分别表示灰色模型、ARIM预测模型的权重；、CT2脚胞分别是灰色模型、 ARIM模型的标准差。
[00M]步骤6、将预测结果与实际值进行比较，算出模型误差值，误差用于验证此模型的 准确性，误差越小模型越准确。
[0096] 2、不同优先级业务信道分配过程：
[0097] 本发明将业务分为语音业务、流媒体业务、数据业务。由于语音业务比流媒体业务 和数据业务的阻塞更加难W接受，所W语音业务具有更高的优先级。语音业务对实时性要 求最高，流媒体业务次之，数据业务最低。所W按照业务类型确定的优先级顺序为:语音业 务、流媒体业务、数据业务。
[0098] 按照业务到达顺序进行接入，不同的业务根据业务特点分配的信道不等，语音业 务为恒定速率业务，分配信道为Rv，流媒体业务分配信道范围为[RSmin，RSmax]，数据业务分 配信道范围为[畑min，RDmax](不同业务的所需信道如表2所示），其中RSmin、RSmax分别表示流 媒体业务最小、最大信道需求，RDmin、RDmax分别表示数据业务最小、最大信道需求。分配给每 个流媒体业务的信道资源为RSl。假设GEO卫星中所有信道带宽为Bg,空闲信道带宽为B'g。
[0099] 当到达业务为语音业务时，由于语音业务对时延要求高，而且优先级较高，所W要 保证满足语音业务的信道需求。当B'g含Rv时，那么直接将语音业务按照信道需求Rv接入，保 证其QOS的满足；当B'g<Rv时，那么就从流媒体业务和数据业务中抢占部分资源来满足语音 业务的信道需求。如果信道中只存在语音业务或者抢占流媒体业务或数据业务信道也无法 满足Q0S，则拒绝语音业务接入。
[0100] 当到达业务为流媒体业务时，由于流媒体业务对时延要求一般，优先级处于第二 位，所W要尽可能保证流媒体业务的信道需求。当B'G含RSmax时，那么直接将流媒体业务按 照最大信道需求RSmax接入，保证其QOS的满足；当B ' G<RSmax时，那么就要对信道资源进行效 用最大化计算，得出最终的信道分配结果。由于流媒体业务到达时，GEO卫星可能已经存在 语音业务，此时语音业务占用信道资源为Bv =化*Rv，其中化为语音业务个数，那么剩余的信 道资源为B^g = Bg-Bv,将此时的流媒体业务与数据业务按照效用最大化进行分配。若分配给 每个流媒体业务的信道资源RSl含RSmin,则按照效用最大化进行信道分配;若分配给每个流 媒体业务的信道资源RSL<RSmin，则从每个数据业务中取出地=及，尽量满足流媒体 业务的信道需求。如果信道中抢占数据业务信道也无法满足流媒体业务最低RSmin,则拒绝 流媒体业务接入。
[0101] 当到达业务为数据业务时，由于数据业务对时延要求很低，优先级处于第=位，所 W要尽力保证数据业务的信道需求。当B'G含RDmax时，那么直接将数据业务按照最大信道需 求RDmax接入，保证其QOS的满足；当B'G<RDmax时，那么就要对信道资源进行效用最大化计算， 得出最终的信道分配结果。由于数据业务到达时，GEO卫星可能已经存在语音业务，此时语 音业务占用信道资源为Bv=化*Rv，其中化为语音业务个数，那么剩余的信道资源为B'g = Bg-Bv，将此时的流媒体业务与数据业务按照效用最大化进行分配。若分配给每个流媒体业务 的信道资源RSl含RSmin,则按照运效用最大化进行信道分配;若分配给每个流媒体业务的信 道资源RSL<RSmin，则从每个数据业务中取出、公=及，尽量满足流媒体业务的信道需 求。如果接入数据业务信道后无法满足每个流媒体业务最低RSmin，则拒绝数据业务接入。
[0102] 3、效用计算：
[0103] 效用最大化过程：当消费者最为满足的时候效用达到最大。消费者对若干消费品 的选择，在达到每一种消费品的单位货币支付所得的边际效用相等时，实现最大总效用，即 称之为效用最大化原则。
[0104] 效用：效用是指经济学中对于消费者通过消费或者享受闲暇等使自己的需求、欲 望等得到的满足的一个度量。本发明中指业务对提供的信道资源服务质量的满意度。
[0105] 效用函数:表示消费者在消费中所获得的效用与所消费的商品组合之间数量关系 的函数。本发明中指信道给业务分配信道与业务效用的关系函数。
[0106] 不同的业务具有不同的效用函数，下面为S种不同业务各自效用函数。
[0107] 1)语音业务
[0108] 语音业务对分组延迟和丢失非常敏感，当被分配的实际信道低于语音业务的最低 信道需求Bminl时，业务的效用迅速降低为0,实际信道分配高于Bmaxl时，业务的效用也不再增 加。运类应用具有固定的信道需求，由于大多数有线通讯网络中的标准声频信道需求为 32Kbps，因此，设置Bminl = Bmaxl = 32肺PS。图3a显示了运类业务的效用函数，其数学表达式如 下所示：
[0109]
[0110]
[0111] 其中bl为分配给语音业务的信道资源。
[0112] 2)流媒体业务
[0113] 流媒体业务的最低信道需求与GEO卫星网络拥塞程度无关，Bmin2的带宽要求必须 被满足，否则业务效用直接降低为0。因为业务本身具有固定的最大需求，所W当被分配到 的实际信道高于最高需求Bmax2时，业务效用不会继续增加。效用函数曲线为S形曲线，如图 3b所示，其对应数学表达式如下所示：
[0114]
[0115]
[0116] 其中b2为分配给流媒体业务的信道资源。e取0.001。
[0117] 表示当先到分配为Bmin2时，业务达到的效用，从实际网络应用中可W得出，运类业 务的信道需求远远大于其它类型业务的信道需求。
[011引3)数据业务
[0119] 数据业务对延迟具有一定忍耐性，如文件传输、电子邮件等。其效用函数曲线具有 单调渐增、严格凹、连续可微等典型特征。如图3c所示，运类业务的效用函数用对数函数来 表示，其数学表达式如下所示：
[0120]
[0121]
[0122] 其中b3为分配给数据业务的信道资源。
[0123] Bmax3表示数据业务的最大需求带宽。
[0124] 效用最大化模型:语音业务占用信道资源为Bv =化*Rv，剩余的信道资源为B'g = Bg-Bv，将此时的流媒体业务与数据业务按照效用最大化进行分配。假设假设活动的业务中，前 M个用户均为流媒体业务，用户M+1到用户N的业务都是数据业务，分配给每个业务信道为 ri。那么效用最大化公式如下为：
[0125]
[0126]
[0127]
[012引其中其中U、化、化分别为业务效用和、流媒体业务总效用W及数据业务总效用，ri 为分配给每个业务的信道。通过对上述公式求解每个业务所分配到的信道资源，若分配给 每个流媒体业务的信道资源RSl含RSmin，则按照运个效用最大化分配方案进行;若分配给每 个流媒体业务的信道资源RSL<RSmin，则从每个数据业务中取化巧=巧尽量满足流 媒体业务的信道需求。
[0129] 如图4所示，本发明分为=部分，一是对卫星下一时隙业务量的预测；二是依据卫 星预测出的流量将各种业务进行细分，优先级不同的业务采用不同的信道分配方式;=确 定业务种类后，语音业务保证QOS优先分配，数据业务与流媒体业务将剩余信道资源按照效 用最大化进行分配。
[0130] 具体执行步骤如下：
[0131] 步骤1:获取一段时间内卫星业务量的历史值，运用组合ARIAM和灰色模型来预测 卫星覆盖该小区时各业务的业务量；
[0132] 步骤2:GE0卫星获取各业务的业务量预测值并持续监听，多业务到达时，按照业务 到达顺序接入，判断业务类型，如果是语音业务转步骤3，如果是流媒体业务转步骤4，如果 是数据业务转步骤5。不同的业务根据业务特点分配的信道不等，语音业务为恒定速率业 务，分配信道为Rv,流媒体业务分配信道范围为[RSmin，RSmax]，数据业务分配信道范围为 [畑min，畑max]。其中RSmin、RSmax分别表示流媒体业务最小、最大信道需求。畑min、畑max分别表 示数据业务最小、最大信道需求。分配给每个流媒体业务的信道资源为RSl。假设GEO卫星中 所有信道带宽为Bg,空闲信道带宽为B'g。设化为语音业务个数。
[0133] 步骤3:当到达业务为语音业务时，由于语音业务对时延要求高，而且优先级较高， 所W要保证满足语音业务的信道需求。当B'g含Rv时，那么直接将语音业务按照信道需求Rv 接入，保证其QOS的满足；当B ' g<Rv时，那么就从流媒体业务和数据业务中抢占部分资源来满 足语音业务的信道需求。如果信道中只存在语音业务或者抢占流媒体业务或数据业务信道 也无法满足QOS，则拒绝语音业务接入、。
[0134] 步骤4:当到达业务为流媒体业务时，由于流媒体业务对时延要求一般，优先级处 于第二位，所W要尽可能保证流媒体业务的信道需求。当B'G含RSmax时，那么直接将流媒体 业务按照最大信道需求RSmax接入，保证其QOS的满足；当B ' G<RSmax时，那么就要对信道资源 进行效用最大化计算，得出最终的信道分配结果。此时语音业务占用信道资源为Bv =化*Rv， 剩余的信道资源为B'g = Bg-Bv，将此时的流媒体业务与数据业务按照效用最大化进行分配。 转步骤6。
[0135] 步骤5:当到达业务为数据业务时，由于数据业务对时延要求很低，优先级处于第 S位，所W要尽力保证数据业务的信道需求。当B'G含RDmax时，那么直接将数据业务按照最 大信道需求RDmax接入，保证其QOS的满足；当B ' G<RDmax时，那么就要对信道资源进行效用最 大化计算，得出最终的信道分配结果。此时语音业务占用信道资源为Bv =化*Rv，剩余的信道 资源为B'g=Bg-Bv，将此时的流媒体业务与数据业务按照效用最大化进行分配，进入步骤6。
[0136] 步骤6:若分配给每个流媒体业务的信道资源RSl ^ RSmin，则按照运个效用最大化 分配方案进行;若分配给每个流媒体业务的信道资源RSL<RSmin，则从每个数据业务中取出 、么'二化,,ii,-賊.，尽量满足流媒体业务的信道需求。如果信道中抢占数据业务信道也无法满 足流媒体业务最低RSmin，则拒绝流媒体业务或数据业务接入。
[0137] 表1:ARIMA模型识别 rmr^Rl
【主权项】
1. 一种基于流量预测的GEO卫星信道分配策略，其特征在于:根据业务类型划分语音业 务、流媒体业务、数据业务的优先级，其中，语音业务优先级最高，流媒体业务次之，数据业 务优先级最低;根据一段时间GE0卫星业务量的历史数据预测下一时隙各业务的业务量，多 业务到达时，按照业务到达顺序接入，根据业务类型分别分配信道资源； 语音业务分配信道为RV，流媒体业务分配信道范围为[RSmin，RSmax ]，数据业务分配信道 范围为[畑min,畑max], RSmin、RSmax分别表示流媒体业务最小信道需求、最大信道需求，畑min、 RDmax分别表示数据业务最小信道需求、最大信道需求，分配给每个流媒体业务的信道资源 为RSl，GE0卫星中所有信道资源为Bg，空闲信道资源为B'G; ω到达业务为语音业务：当B ' G含Rv时，直接将语音业务按照信道需求Rv接入；当B ' g<Rv 时，从流媒体业务和/或数据业务中抢占部分信道资源来满足语音业务的信道需求;如果信 道中只存在语音业务，或者抢占流媒体业务和/或数据业务信道也无法满足语音业务信道 需求，则拒绝语音业务接入； (2)到达业务为流媒体业务:此时语音业务占用信道资源为Βν =化*Rv，化为语音业务个 数，GE0卫星剩余的信道资源为B ' G = Bg-Bv，当B ' G含RSmax时，直接将流媒体业务按照最大信 道需求RSmax接入；当B'G<RSmax时，将此时的流媒体业务与数据业务按照效用最大化进行分 配;进入(4); (3巧I胜业务为数据业务:此时语音业务占用信道资源为Bv = Ni*Rv，N功语音业务个数， GE0卫星剩余的信道资源为B'g = Bg-Bv，当B'G含畑max时，直接将数据业务按照最大信道需求 RDmax接入；当B'G<RDmax时，将此时的流媒体业务与数据业务按照效用最大化进行分配;进入 (4); (4)若分配给每个流媒体业务的信道资源RSl ^ RSmin，则按照效用最大化进行分配;若分 配给每个流媒体业务的信道资源RSL<RSmin，则从每个数据业务中取化巧=庇Sm,n-ie&，尽量 满足流媒体业务的信道需求;如果信道中抢占数据业务信道也无法满足流媒体业务最小信 道需求RSmin，则拒绝流媒体业务或数据业务接入。2. 如权利要求1所述的基于流量预测的GE0卫星信道分配策略，其特征在于：按照效用 最大化进行分配具体为，根据效用最大化公式得出最终信道分配结果，效用最大化公式为：其中U、化、化分别为业务效用和、流媒体业务总效用W及数据业务总效用，ri为分配给 每个业务的信道，此时语音业务占用信道资源为Βν =化*Rv，其中化为语音业务个数，剩余信 道资源为B'g=Bg-Bv。3. 如权利要求2所述的基于流量预测的GEO卫星信道分配策略，其特征在于：流媒体业 务总效用根据流媒体业务效用函数得出，流媒体业务效用函数为：其中b2为分配给流媒体业务的信道资源，ε取0.001，Bmin2、Bmax2分别为流媒体业务最小 信道需求、最大信道需求； 数据业务总效用根据数据业务效用函数得出，数据业务效用函数为：其中b3为分配给数据业务的信道资源，Bmax3表示数据业务的最大需求带宽。4. 如权利要求1、2或3所述的基于流量预测的GEO卫星信道分配策略，其特征在于:运用 组合ARIAM和灰色模型预测GEO卫星覆盖的小区的各业务的业务量预测值;GEO卫星获取预 测值并持续监听。5. 如权利要求4所述的基于流量预测的GEO卫星信道分配策略，其特征在于:预测GEO卫 星覆盖的小区的各业务的业务量具体为， (1) 获取GEO卫星前几个时隙产生的业务量数据； (2) 对GEO卫星数据进行差分预处理，差分数据V X ' = X '- X '一，其中Xi为GEO卫星i时 刻的流量，^义为1时刻和i-1时刻的差分数据； (3) 将差分数据分别输入ARIMA和灰色模型中进行计算，得出ARIMA模型、灰色模型各自 的预测结果； (4) 针对两种模型得出的预测结果，进行权重组合，得出最后预测值；其中，η表示原始数据个数，k表示第k个预测值表示组合模型的第k个预测 值表示灰色模型的第k个预测值，表示ARIM模型的第k个预测值； wgrey、warima分别表不灰色模型、ARIMA预测模型的权重；、criWuj分别是灰色模型、ARIMA 模型的标准差。
【文档编号】H04B7/185GK105846885SQ201610160866
【公开日】2016年8月10日
【申请日】2016年3月21日
【发明人】孙力娟, 张小飞, 王汝传, 周剑, 韩崇, 肖甫, 郭剑
【申请人】南京邮电大学