本發(fā)明屬于網(wǎng)絡(luò)通信技術(shù)領(lǐng)域，涉及網(wǎng)絡(luò)負(fù)載均衡優(yōu)化方法，更為具體的說(shuō)，是涉及無(wú)線通信系統(tǒng)中一種基于局部加權(quán)線性回歸的基于局部加權(quán)線性回歸的超密集網(wǎng)絡(luò)負(fù)載均衡優(yōu)化方法。

背景技術(shù)：

在宏站覆蓋范圍內(nèi)同頻密集部署低功率小站的超密集異構(gòu)網(wǎng)絡(luò)是一種提升第五代移動(dòng)通信(5g)網(wǎng)絡(luò)頻譜利用率和網(wǎng)絡(luò)容量的有效方法。常用的服務(wù)小區(qū)選擇準(zhǔn)則——最大功率接收準(zhǔn)則中，每個(gè)用戶選擇接收信號(hào)功率最強(qiáng)的小區(qū)作為服務(wù)小區(qū)。然而在異構(gòu)網(wǎng)絡(luò)中，大站和小站的功率差異比較大，這樣就會(huì)造成層間負(fù)載不均衡。為了提高無(wú)線資源的利用率，我們需要均衡負(fù)載的分布，把用戶主動(dòng)的卸載到負(fù)載較輕的低功率小站上。

以負(fù)載均衡為目的的用戶連接問(wèn)題是一個(gè)非確定性多項(xiàng)式困難問(wèn)題。通過(guò)對(duì)問(wèn)題的放松，可以得到一種低復(fù)雜度的基于代價(jià)的分布式方法來(lái)收斂到一個(gè)近似最優(yōu)解，然而這種基于代價(jià)的分布式用戶連接方法收斂速度依賴于迭代參數(shù)的選擇，面對(duì)實(shí)際網(wǎng)絡(luò)復(fù)雜的情況，沒(méi)辦法對(duì)實(shí)時(shí)負(fù)載變化調(diào)整迭代參數(shù)，收斂速度得不到保障。

技術(shù)實(shí)現(xiàn)要素：

為解決上述問(wèn)題，本發(fā)明提出一種以最大化網(wǎng)絡(luò)對(duì)數(shù)效用函數(shù)為目標(biāo)，局部線性加權(quán)回歸和基于代價(jià)的分布式方法相結(jié)合的低復(fù)雜度超密集異構(gòu)網(wǎng)絡(luò)下行用戶連接方法。該方法聯(lián)合調(diào)整所有小站的代價(jià)偏置值，首先利用局部線性加權(quán)回歸的方法從基站收集的每日的負(fù)載數(shù)據(jù)中擬合得到基站的負(fù)載曲線，為基于代價(jià)的分布式用戶連接方法提供一個(gè)較優(yōu)的迭代初始值，解決超密集異構(gòu)網(wǎng)中的負(fù)載均衡問(wèn)題。

為了達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

一種基于局部加權(quán)線性回歸的超密集網(wǎng)絡(luò)負(fù)載均衡優(yōu)化方法，包括如下步驟：

步驟一，采集網(wǎng)絡(luò)負(fù)載信息，收集基站用戶接入數(shù)目，得到數(shù)據(jù)(xi,yi)，x＝(x1,x2,...xm)表示時(shí)間值矩陣，y＝(y1,y2,...ym)表示其對(duì)應(yīng)的用戶連接數(shù)向量，建立用戶接入數(shù)目和時(shí)間的關(guān)系，所述基站定期記錄一次接入的用戶數(shù)目；

步驟二，用非線性回歸的局部線性加權(quán)回歸方法對(duì)接入的用戶數(shù)目和時(shí)間的關(guān)系進(jìn)行擬合，采用高斯核函數(shù)來(lái)作為局部線性加權(quán)回歸的核函數(shù)，給需要預(yù)測(cè)時(shí)間點(diǎn)x的周圍點(diǎn)xi∈x賦一個(gè)權(quán)重w(x,xi)：

上式中，k為控制參數(shù)；

使用公式(1)對(duì)所有的xi∈x進(jìn)行加權(quán)，得到一個(gè)只含對(duì)角元素的權(quán)重矩陣w＝(w11,w22,...,wmm)，使用最小均方誤差來(lái)做線性回歸，通過(guò)下式得到回歸參數(shù)α：

α＝(x^twx)^-1x^twy(2)

預(yù)測(cè)時(shí)刻x由局部加權(quán)線性回歸得到的用戶數(shù)目預(yù)測(cè)值y為：

y＝αx(3)

對(duì)一天中不同時(shí)刻點(diǎn)做局部加權(quán)線性回歸預(yù)測(cè)，得到接入人數(shù)隨時(shí)間的變化曲線；

步驟三，采集網(wǎng)絡(luò)中的宏站數(shù)目nm、小站數(shù)目np；

初始化參數(shù)：站點(diǎn)集合記為b＝{m,p}，其中，宏站集合小站集合總的基站數(shù)目nb；最大迭代次數(shù)tmax，迭代終止次數(shù)tres，迭代更新步長(zhǎng)δ＞0，初始化當(dāng)前迭代次數(shù)t＝0，可以接受的最大誤差ε，達(dá)到誤差ε持續(xù)的迭代次數(shù)tres＝0；

用局部線性加權(quán)回歸的方法來(lái)預(yù)測(cè)當(dāng)前時(shí)刻宏站內(nèi)的用戶數(shù)目nu；

步驟四，初始化基站連接代價(jià)偏置集合μ(t)和每個(gè)基站的用戶連接數(shù)目集合k(t)，索引t表示μ和k迭代更新的順序，nb為基站數(shù)量，基站連接的用戶數(shù)目滿足0≤kj(t)≤nu；xij是一個(gè)二元變量，若為1表示用戶i連接到基站j上，假設(shè)總共kj個(gè)用戶連接到基站j上，為了最大化目標(biāo)對(duì)數(shù)效應(yīng)函數(shù)(4a)

每個(gè)用戶被平均分到基站的1/kj的時(shí)頻資源；

rij為如果用戶i連接到基站j，基站提供的長(zhǎng)期用戶速率：

上式中，cij為基站可以提供給用戶的瞬時(shí)最高速率，且

上式中，wb表示基站可用的帶寬，pj是基站j的傳輸功率，gij是用戶i和基站j的信道增益，σ²是噪聲功率；

將原來(lái)的優(yōu)化問(wèn)題公式(4)表示為：

步驟五，用拉格朗日對(duì)偶分解方法引入拉格朗日乘子v分別放松約束條件(7c)和(7d)，得到拉格朗日方程如下：

原問(wèn)題的對(duì)偶問(wèn)題為：

步驟六，拉格朗日乘子μ物理意義表示所有基站的代價(jià)偏置值集合,μj表示連接基站j的代價(jià)；對(duì)于子問(wèn)題(10),每個(gè)用戶測(cè)量所有基站的信道參數(shù)和基站廣播的代價(jià)值μ(t)，由下式選擇連接到當(dāng)前最優(yōu)的基站j^*：

j^*＝argmax{log(cij)-μj(t)}(12)

步驟七，對(duì)于子問(wèn)題(11),對(duì)其求導(dǎo)使其導(dǎo)數(shù)為0，得到使子問(wèn)題(11)最大化的最優(yōu)值由公式(13)得到，通過(guò)下式更新集合k(t+1)：

步驟八，由步驟六和步驟七得到的子問(wèn)題的最優(yōu)解分別代入兩個(gè)子問(wèn)題(10)(11)中，然后再把得到的(10)(11)代入對(duì)偶問(wèn)題(9)中，得到g(μ(t),ν(t))的封閉形式：

對(duì)于對(duì)偶問(wèn)題(9)最小化g(μ(t),ν(t))的值，最優(yōu)的v(t)值由下式得出：

用公式(16)來(lái)更新μ(t)，每個(gè)基站更新k(t+1)和μ(t+1)值之后，基站廣播新的μ(t+1)值進(jìn)行迭代；

步驟九，把更新后的μ(t+1),v(t+1)代入到(14)中計(jì)算出g(μ(t+1),v(t+1))，判斷得到的函數(shù)值是否滿足下式條件：

|g(μ(t+1),ν(t+1))-g(μ(t),ν(t))|＜ε(17)

如果滿足條件(17)，則更新終止迭代次數(shù)tres＝tres+1，如果不滿足條件(17)則重置tres＝0；

步驟十，判斷tres是否大于迭代終止次數(shù)，如果tres大于迭代終止次數(shù)tres，則返回此時(shí)代價(jià)偏置集合μ(t)和最優(yōu)的用戶連接,執(zhí)行第十二步；如果tres小于等于迭代終止次數(shù)tres，則繼續(xù)進(jìn)行迭代，更新迭代次數(shù)t＝t+1；

步驟十一，判斷如果迭代次數(shù)t＜tmax，則繼續(xù)執(zhí)行步驟六到步驟十迭代更新，直到滿足迭代終止條件，或者達(dá)到最大迭代次數(shù)tmax；

步驟十二，在一天中不同時(shí)刻對(duì)基站用基于代價(jià)的分布式迭代方法進(jìn)行負(fù)載均衡，記錄下不同時(shí)刻基站的代價(jià)偏置集合μ值，用得到的不同時(shí)刻基站的代價(jià)偏置集合μ作為下一天相同時(shí)刻進(jìn)行負(fù)載均衡迭代的迭代初始值。

進(jìn)一步的，所述步驟一中收集的是每周5個(gè)工作日的基站用戶接入數(shù)目，基站每6分鐘記錄一次接入的用戶數(shù)目。

進(jìn)一步的，所述步驟三中，迭代更新步長(zhǎng)δ取值為0.03；可以接受的最大誤差ε取值為0.01。

進(jìn)一步的，所述步驟六中選擇時(shí)，如果有多個(gè)最大值，選擇任意一個(gè)。

與現(xiàn)有的技術(shù)相比，本發(fā)明具有如下有益效果：采用對(duì)數(shù)函數(shù)作為效用函數(shù)，類似于比例公平，實(shí)現(xiàn)了資源在用戶間分配的機(jī)會(huì)和公平的折衷，對(duì)于基站邊緣和中間的用戶分別實(shí)現(xiàn)了3.5倍和2倍的數(shù)據(jù)吞吐量增益。通過(guò)分布式的迭代更新每個(gè)基站的代價(jià)值，自動(dòng)的均衡跨層和同層之間基站的負(fù)載，實(shí)現(xiàn)了低復(fù)雜度的負(fù)載均衡。由于用戶的數(shù)目和用戶的分布情況滿足一定的統(tǒng)計(jì)規(guī)律性，所以通過(guò)局部線性加權(quán)回歸方法設(shè)置初始值，并預(yù)測(cè)某個(gè)時(shí)刻接入基站的用戶人數(shù)，大大降低迭代次數(shù)和計(jì)算復(fù)雜度，能夠有效解決用戶服務(wù)小區(qū)隨基站偏置調(diào)整變化帶來(lái)的基站偏置調(diào)整難題。進(jìn)一步得到的代價(jià)偏置集合μ是一個(gè)好的迭代初始值，可以進(jìn)一步顯著降低負(fù)載均衡迭代方法的迭代次數(shù)。本發(fā)明更加適應(yīng)快速?gòu)?fù)雜多變的實(shí)際情況，可以快速收斂到最優(yōu)值。

附圖說(shuō)明

圖1為本發(fā)明提供的基于局部加權(quán)線性回歸的超密集網(wǎng)絡(luò)負(fù)載均衡優(yōu)化方法流程圖。

具體實(shí)施方式

以下將結(jié)合具體實(shí)施例對(duì)本發(fā)明提供的技術(shù)方案進(jìn)行詳細(xì)說(shuō)明，應(yīng)理解下述具體實(shí)施方式僅用于說(shuō)明本發(fā)明而不用于限制本發(fā)明的范圍。

本發(fā)明提供的如基于局部加權(quán)線性回歸的超密集網(wǎng)絡(luò)負(fù)載均衡優(yōu)化方法如圖1所示，包括如下步驟：

步驟一：采集網(wǎng)絡(luò)負(fù)載信息，收集每周5個(gè)工作日的基站用戶接入數(shù)目，基站每6分鐘記錄一次接入的用戶數(shù)目。得到數(shù)據(jù)(xi,yi)，分別用x＝(x1,x2,...xm)表示時(shí)間值矩陣和y＝(y1,y2,...ym)表示其對(duì)應(yīng)的用戶連接數(shù)向量，建立用戶接入數(shù)目和時(shí)間的關(guān)系，以此來(lái)預(yù)測(cè)未來(lái)某個(gè)時(shí)刻用戶連接數(shù)。

步驟二：用非線性回歸的局部線性加權(quán)回歸方法對(duì)接入的用戶數(shù)目和時(shí)間的關(guān)系來(lái)進(jìn)行擬合。

可采用最常用的高斯核函數(shù)來(lái)作為局部線性加權(quán)回歸的核函數(shù)。通過(guò)高斯核函數(shù)(公式1)給需要預(yù)測(cè)時(shí)間點(diǎn)x的周圍點(diǎn)xi∈x賦一個(gè)權(quán)重w(x,xi)，由公式(1)可以看到，隨著采樣點(diǎn)和需要預(yù)測(cè)點(diǎn)的距離增加，權(quán)重將以指數(shù)級(jí)衰減，通過(guò)控制參數(shù)k的大小可以控制衰減的速度，k的值可由運(yùn)營(yíng)商根據(jù)網(wǎng)絡(luò)運(yùn)行情況自行確定。

局部線性加權(quán)回歸使用公式(1)對(duì)所有的xi∈x進(jìn)行加權(quán)，得到一個(gè)只含對(duì)角元素的權(quán)重矩陣w＝(w11,w22,...,wmm)，然后使用最小均方誤差來(lái)做線性回歸，回歸參數(shù)α用公式(2)來(lái)得到：

α＝(x^twx)^-1x^twy(2)

預(yù)測(cè)時(shí)刻x由局部加權(quán)線性回歸得到的用戶數(shù)目預(yù)測(cè)值y為

y＝αx(3)

對(duì)一天中不同時(shí)刻點(diǎn)做局部加權(quán)線性回歸預(yù)測(cè)，得到接入人數(shù)隨時(shí)間的變化曲線。

步驟三：采集網(wǎng)絡(luò)信息，初始化參數(shù)：采集網(wǎng)絡(luò)中的宏站數(shù)目nm、小站數(shù)目np；用局部線性加權(quán)回歸的方法來(lái)預(yù)測(cè)當(dāng)前時(shí)刻宏站內(nèi)的用戶數(shù)目nu。將站點(diǎn)集合記為b＝{m,p}，其中宏站集合小站集合總的基站數(shù)目為nb；最大迭代次數(shù)tmax，迭代終止次數(shù)tres，迭代更新步長(zhǎng)δ＞0,取值在0.03左右，可以視不同情況做細(xì)微調(diào)整；初始化當(dāng)前迭代次數(shù)t＝0，可以接受的最大誤差ε，取值在0.01左右，可以視不同情況調(diào)整精度，達(dá)到誤差ε持續(xù)的迭代次數(shù)tres＝0。

步驟四：初始化基站連接代價(jià)偏置集合μ(t)和每個(gè)基站的用戶連接數(shù)目集合k(t)，索引t表示μ和k迭代更新的順序?；具B接代價(jià)集合和基站用戶數(shù)目集合包含nb個(gè)基站的代價(jià)值和連接的用戶數(shù)，基站連接的用戶數(shù)目滿足0≤kj(t)≤nu。xij是一個(gè)二元變量，若為1表示用戶i連接到基站j上。假設(shè)總共kj個(gè)用戶連接到基站j上，為了最大化目標(biāo)對(duì)數(shù)效應(yīng)函數(shù)(4a)。

每個(gè)用戶應(yīng)該被平均分到基站的1/kj的時(shí)頻資源。如果用戶i連接到基站j，基站可以提供的長(zhǎng)期用戶速率為

其中，cij為基站可以提供給用戶的瞬時(shí)最高速率，且

上式中，wb表示基站可用的帶寬，pj是基站j的傳輸功率，gij是用戶i和基站j的信道增益(包括路徑損耗，陰影損耗和天線增益)，σ²是噪聲功率。這些參數(shù)可以通過(guò)信道估計(jì)得到。

原來(lái)的優(yōu)化問(wèn)題表示為：

步驟五：可以用拉格朗日對(duì)偶分解方法引入拉格朗日乘子μ＝{μ1，μ2，...，μnb},v分別放松約束條件(7c)和(7d)。得到拉格朗日方程：

原問(wèn)題的對(duì)偶問(wèn)題為：

步驟六：可以看出拉格朗日乘子μ在用戶和基站之間傳遞信息，物理意義表示所有基站的代價(jià)偏置值集合,例如μj表示連接基站j的代價(jià)。對(duì)于子問(wèn)題(10),每個(gè)用戶測(cè)量所有基站的信道參數(shù)和基站廣播的代價(jià)值μ(t)，由公式(12)選擇連接到當(dāng)前最優(yōu)的基站j^*，如果有多個(gè)最大值，選擇任意一個(gè)。

j^*＝argmax{log(cij)-μj(t)}(12)

步驟七：對(duì)于子問(wèn)題(11),對(duì)其求導(dǎo)使其導(dǎo)數(shù)為0，可以得到使子問(wèn)題(11)最大化的最優(yōu)值由公式(13)得到，更新集合k(t+1)。

步驟八：由第六第七步得到的子問(wèn)題的最優(yōu)解分別代入兩個(gè)子問(wèn)題(10)(11)中，然后再把得到的(10)(11)代入對(duì)偶問(wèn)題(9)中，可以得到g(μ(t),ν(t))的封閉形式：

對(duì)于對(duì)偶問(wèn)題(9)最小化g(μ(t),ν(t))的值，從g(μ(t),ν(t))的封閉形式可以得到，如果首先固定μ(t)，則函數(shù)g(·)是v(t)的可微凸函數(shù)，最優(yōu)的v(t)值可以由

然而函數(shù)g(·)不是μ(t)的可微函數(shù)，所以要用次梯度下降法(16)來(lái)更新μ(t)，每個(gè)基站更新k(t+1)和μ(t+1)值之后，基站廣播新的μ(t+1)值進(jìn)行迭代。

步驟九：把更新后的μ(t+1),v(t+1)代入到(14)中計(jì)算出g(μ(t+1),v(t+1))，判斷得到的函數(shù)值是否滿足條件(17)：

|g(μ(t+1),ν(t+1))-g(μ(t),ν(t))|＜ε(17)

如果滿足條件(17)，則更新終止迭代次數(shù)tres＝tres+1，如果不滿足條件(17)則重置tres＝0。

步驟十：判斷tres是否大于迭代終止次數(shù)，如果tres大于迭代終止次數(shù)tres，則返回此時(shí)代價(jià)偏置集合μ(t)和最優(yōu)的用戶連接,執(zhí)行第十二步。如果tres小于等于迭代終止次數(shù)tres，則繼續(xù)進(jìn)行迭代，更新迭代次數(shù)t＝t+1。

步驟十一：判斷如果迭代次數(shù)t＜tmax，則繼續(xù)執(zhí)行第六到第十步迭代更新，直到滿足迭代終止條件，或者達(dá)到最大迭代次數(shù)tmax。

步驟十二：在一天中不同時(shí)刻對(duì)基站用基于代價(jià)的分布式迭代方法進(jìn)行負(fù)載均衡。記錄下不同時(shí)刻基站的代價(jià)偏置集合μ值，用得到的不同時(shí)刻基站的代價(jià)偏置集合μ作為下一天相同時(shí)刻進(jìn)行負(fù)載均衡迭代的迭代初始值。

本發(fā)明采用對(duì)數(shù)函數(shù)作為效用函數(shù)，類似于比例公平，實(shí)現(xiàn)了資源在用戶間分配的機(jī)會(huì)和公平的折衷，對(duì)于基站邊緣和中間的用戶分別實(shí)現(xiàn)了3.5倍和2倍的數(shù)據(jù)吞吐量增益。通過(guò)分布式的迭代更新每個(gè)基站的代價(jià)值，自動(dòng)的均衡跨層和同層之間基站的負(fù)載，實(shí)現(xiàn)了低復(fù)雜度的負(fù)載均衡。由于用戶的數(shù)目和用戶的分布情況滿足一定的統(tǒng)計(jì)規(guī)律性，所以通過(guò)局部線性加權(quán)回歸方法預(yù)測(cè)某個(gè)時(shí)刻接入基站的用戶人數(shù)，進(jìn)一步得到的代價(jià)偏置集合μ是一個(gè)好的迭代初始值，可以進(jìn)一步顯著降低負(fù)載均衡迭代方法的迭代次數(shù)。更加適應(yīng)快速?gòu)?fù)雜多變的實(shí)際情況，可以快速收斂到最優(yōu)值。

本發(fā)明方案所公開(kāi)的技術(shù)手段不僅限于上述實(shí)施方式所公開(kāi)的技術(shù)手段，還包括由以上技術(shù)特征任意組合所組成的技術(shù)方案。應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明原理的前提下，還可以做出若干改進(jìn)和潤(rùn)飾，這些改進(jìn)和潤(rùn)飾也視為本發(fā)明的保護(hù)范圍。