自組織網(wǎng)絡(luò)資源論文范文

本站小編為你精心準(zhǔn)備了自組織網(wǎng)絡(luò)資源論文參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

1用戶行為挖掘

用戶行為在一定程度上體現(xiàn)了用戶的需求，基于對當(dāng)前用戶行為的分析與研究，可預(yù)測用戶在未來一段時(shí)間內(nèi)的行為，提前預(yù)知潛在的通信需求和規(guī)律，主動(dòng)地完成無線資源配置。用戶行為分為兩種：一種是表示用戶與用戶之間關(guān)系的靜態(tài)用戶行為，另一種是用戶動(dòng)態(tài)行為。靜態(tài)用戶行為挖掘，注重用戶組織關(guān)系的預(yù)測，而動(dòng)態(tài)用戶行為挖掘則注重用戶軌跡的分析。

1.1靜態(tài)用戶關(guān)系預(yù)測

靜態(tài)用戶關(guān)系預(yù)測是指通過研究非直接關(guān)聯(lián)的兩個(gè)用戶之間的相似性，估計(jì)這兩個(gè)用戶發(fā)生關(guān)聯(lián)的可能性。目前基于復(fù)雜網(wǎng)絡(luò)的鏈路預(yù)測模型可以有效地實(shí)現(xiàn)靜態(tài)用戶關(guān)系的預(yù)測。鏈路預(yù)測模型如圖1所示。用戶之間存在著串聯(lián)的關(guān)系鏈，被稱為復(fù)雜網(wǎng)絡(luò)中的拓?fù)渎窂剑脩糁g發(fā)生聯(lián)系的可能性取決于拓?fù)渎窂綄τ脩糁g相似性的傳遞能力。基于復(fù)雜網(wǎng)絡(luò)的鏈路預(yù)測方法是通過研究用戶端點(diǎn)之間拓?fù)渎窂綄ο嗨菩詡鬟f的影響來實(shí)現(xiàn)預(yù)測模型的構(gòu)建。如果兩個(gè)端點(diǎn)之間信息傳遞的能力越強(qiáng)，那么這兩個(gè)端點(diǎn)越相似，未來兩個(gè)端點(diǎn)發(fā)生直接關(guān)聯(lián)的可能性就越大。為了數(shù)值化表示相似性，預(yù)測模型通過對拓?fù)渎窂降难芯縼砉烙?jì)端點(diǎn)之間的相似性S，S值越大兩個(gè)端點(diǎn)發(fā)生連接的可能性越大。根據(jù)拓?fù)渎窂介L度，鏈路預(yù)測算法可以分為：局部路徑相似性算法，例如公共鄰居算法(CN)、阿達(dá)米克阿達(dá)算法(AA)、資源分配算法(RA)；全局路徑相似性算法，如凱茨算法(Katz)；半局部路徑相似性算法，如本地路徑(LP)、本地隨機(jī)游走(LRW)、疊加隨機(jī)游走(SRW)[9]。各算法的預(yù)測準(zhǔn)確性可用受試者工作特征曲線下面積（AUC）度量指標(biāo)進(jìn)行衡量。雖然基于全局路徑相似性的算法具有較好的預(yù)測準(zhǔn)確性，但是復(fù)雜度高，實(shí)用性差。因此本文將重點(diǎn)討論局部路徑相似性算法和半局部路徑相似性算法。通過對網(wǎng)絡(luò)模型的研究，進(jìn)一步提出優(yōu)化算法，并在有代表性的幾個(gè)實(shí)際網(wǎng)絡(luò)上進(jìn)行驗(yàn)證。代表性網(wǎng)絡(luò)包括：美國航空網(wǎng)USAir、美國國家電網(wǎng)PG、蛋白質(zhì)作用網(wǎng)Yeast、網(wǎng)絡(luò)科學(xué)家合作網(wǎng)絡(luò)NS、爵士樂手合作網(wǎng)Jazz、新陳代謝網(wǎng)絡(luò)CE、臉書好友網(wǎng)絡(luò)Slavko、電子郵電網(wǎng)絡(luò)E-mail、傳染病網(wǎng)絡(luò)Infec、歐洲合作網(wǎng)ES、UC大學(xué)社交網(wǎng)絡(luò)UcSocial、生物鏈網(wǎng)絡(luò)FW和Small&Griffith以及Descendants引文網(wǎng)。

1.1.1局部路徑相似性算法基于局部路徑相似性算法僅研究長度為2的拓?fù)渎窂健Ｑ芯績蓚€(gè)端點(diǎn)公共鄰居的屬性，依據(jù)“朋友的朋友就是朋友”的原則，公共鄰居越多則通過共同好友傳遞相似性的能力就越強(qiáng)，兩個(gè)端點(diǎn)越相似。但是傳統(tǒng)關(guān)系預(yù)測算法在不同用戶關(guān)系網(wǎng)中缺乏適應(yīng)性，尤其是對用戶弱關(guān)系性能的差異呈現(xiàn)出較低的敏感性。因此本文在AA和RA算法的基礎(chǔ)上，構(gòu)建增強(qiáng)弱關(guān)系的預(yù)測模型，以實(shí)現(xiàn)更好的預(yù)測性能。將OAA和ORA算法在5個(gè)代表性網(wǎng)絡(luò)中進(jìn)行AUC性能仿真驗(yàn)證，結(jié)果如圖2和表1所示。從仿真結(jié)果可以看出并非所有網(wǎng)絡(luò)都在β=-1時(shí)取得最優(yōu)。但通過調(diào)整β，可以準(zhǔn)確地找到適合每個(gè)網(wǎng)絡(luò)的最優(yōu)β。在多數(shù)網(wǎng)絡(luò)下OAA和ORA算法預(yù)測準(zhǔn)確性優(yōu)于傳統(tǒng)的局部相似性算法CN、AA和RA。

1.1.2半局部路徑相似性算法傳統(tǒng)的基于半局部路徑相似性算法在降低算法復(fù)雜度的同時(shí)具有較高的預(yù)測準(zhǔn)確性。然而，傳統(tǒng)半局部路徑相似性算法忽略了不同路徑組成節(jié)點(diǎn)的差異性，而且忽略了路徑端點(diǎn)影響力中存在冗余影響力的問題。（1）路徑異構(gòu)性問題的研究在傳統(tǒng)半局部路徑相似算法中，路徑被建模成一條路由線路，兩個(gè)端點(diǎn)之間的相似性取決于它們之間的路徑條數(shù)。實(shí)際上，路徑是由不同屬性的節(jié)點(diǎn)組成的，應(yīng)該在路徑建模時(shí)考慮路徑中間節(jié)點(diǎn)的屬性，給予信息傳輸能力強(qiáng)的路徑更高的權(quán)重。據(jù)此本文提出了在不同網(wǎng)絡(luò)中突出路徑中小度節(jié)點(diǎn)作用，削弱大度節(jié)點(diǎn)作用的SignificantPath算法（有意義路徑算法，簡稱SP算法）[11]。設(shè)q表示任意一條連接節(jié)點(diǎn)x和y的路徑，M(q)表示路徑q去除端點(diǎn)之外所有中間節(jié)點(diǎn)組成的集合，vi表示路徑q的任意一個(gè)中間節(jié)點(diǎn)，ki表示節(jié)點(diǎn)vi的度值，P2(vx,vy)和P3(vx,vy)分別表示端點(diǎn)x和y之間長度是2和3的路徑集，α∈[0,1]是路徑長度的懲罰因子，β是節(jié)點(diǎn)度懲罰因子。可以看出，不論α取何值，AUC均在β<0時(shí)達(dá)到最優(yōu)，并且最優(yōu)曲線對應(yīng)的α遠(yuǎn)小于1。SP算法突出了較短路徑和強(qiáng)信息傳遞能力的路徑，并且相比于傳統(tǒng)算法，SP算法的預(yù)測準(zhǔn)確性在大多數(shù)網(wǎng)絡(luò)中都有明顯的改進(jìn)。（2）控制端點(diǎn)冗余影響力問題的研究傳統(tǒng)算法在研究端點(diǎn)影響力對端點(diǎn)相似性的作用時(shí)，忽略了端點(diǎn)影響力實(shí)際存在的冗余問題。冗余影響力不利于準(zhǔn)確發(fā)現(xiàn)節(jié)點(diǎn)的相似性，因此需要研究如何控制端點(diǎn)冗余影響力。研究方法主要有兩種：通過懲罰無貢獻(xiàn)冗余影響力增強(qiáng)預(yù)測的準(zhǔn)確性和通過抽取有效影響力建模端點(diǎn)之間相似性。（a）通過懲罰無貢獻(xiàn)冗余影響力增強(qiáng)預(yù)測準(zhǔn)確性無貢獻(xiàn)關(guān)系懲罰(NRP)算法[12]是通過懲罰大冗余影響力突出小冗余影響力以增強(qiáng)預(yù)測準(zhǔn)確性。首先建模單條路徑連通性，設(shè)vi表示路徑中間節(jié)點(diǎn)，|E|表示網(wǎng)絡(luò)連邊集中的連邊數(shù)，t表示所研究的最長路徑長度，P(vi+1|vi)表示從節(jié)點(diǎn)vi到vi+1的轉(zhuǎn)移概率，C(x,y)|jl表示長度為l的第j條路徑中間節(jié)點(diǎn)總轉(zhuǎn)移概率。為了驗(yàn)證NRP算法的性能，本文在9個(gè)真實(shí)網(wǎng)絡(luò)中進(jìn)行了NRP的AUC性能實(shí)驗(yàn)以及與傳統(tǒng)算法的比較實(shí)驗(yàn)，結(jié)果如圖4和表3所示。可以看出最優(yōu)值出現(xiàn)在β<1，即β-1<0，說明對無貢獻(xiàn)大度進(jìn)行懲罰可以明顯改善預(yù)測準(zhǔn)確性；相反取值β>0時(shí)性能會(huì)急劇下降，表明突出無貢獻(xiàn)關(guān)系會(huì)降低預(yù)測準(zhǔn)確性，并且NRP算法明顯優(yōu)于傳統(tǒng)算法。說明通過懲罰端點(diǎn)無貢獻(xiàn)關(guān)系即冗余影響力，可以極大改善鏈路預(yù)測的準(zhǔn)確性。（b）通過抽取有效影響力建模端點(diǎn)之間相似性端點(diǎn)吸引節(jié)點(diǎn)與之發(fā)生關(guān)聯(lián)主要依靠有效影響力。因此端點(diǎn)影響力建模可以采取直接抽取有效影響力的方式，如聯(lián)合考慮有效影響力和強(qiáng)信息傳播能力建模有效路徑（EP）算法[13]。通過添加指數(shù)參數(shù)控制不同網(wǎng)絡(luò)下路徑信息傳輸能力的差異性，使算法具有適應(yīng)性并且突出強(qiáng)信息傳播路徑，即取最優(yōu)值β>1。則長度為l的所有路徑對于信息傳播能力的影響為：接著將可達(dá)對端的路徑條數(shù)建模為有效影響力。設(shè)|Pathslxy|表示在端點(diǎn)X和y之間長度為l的路徑個(gè)數(shù)，進(jìn)一步結(jié)合長度為2到t的路徑總信息傳輸能力，得到端點(diǎn)X和y之間總的相似性預(yù)測模型為：由于存在較長路徑貢獻(xiàn)小而代價(jià)大的問題，而對節(jié)點(diǎn)相似性貢獻(xiàn)最多的路徑長度是2和3，因此僅考慮長度為2和3的路徑可以取得較好的預(yù)測效果。為了驗(yàn)證EP算法的預(yù)測準(zhǔn)確性，本文利用15個(gè)網(wǎng)絡(luò)仿真了不同β取值對預(yù)測準(zhǔn)確性AUC的影響以及EP與傳統(tǒng)算法性能的比較，如圖5和表4所示。可以看出最優(yōu)值出現(xiàn)在β>1的位置，并且EP算法AUC準(zhǔn)確性要明顯高于其他算法。綜上說明通過考慮有效影響力和強(qiáng)信息傳輸能力可以有效增強(qiáng)鏈路預(yù)測的準(zhǔn)確性。

1.2動(dòng)態(tài)用戶行為分析

除了靜態(tài)人類組織關(guān)系行為外，人類移動(dòng)行為的研究和預(yù)測對無線資源調(diào)度和分配也非常重要。目前對人類移動(dòng)行為的研究和預(yù)測主要基于統(tǒng)計(jì)學(xué)和信息技術(shù)展開，分析結(jié)論表明[14]：人類活動(dòng)包含兩類，其一是時(shí)間和空間上的周期性活動(dòng)，其二是同社交關(guān)系相關(guān)的隨機(jī)跳躍活動(dòng)。近距離活動(dòng)多體現(xiàn)出時(shí)間和空間的周期重復(fù)特性，同社交關(guān)系關(guān)聯(lián)不大。遠(yuǎn)距離活動(dòng)受社交關(guān)系影響比較明顯。研究表明社交關(guān)系可以解釋10%～30%的人類活動(dòng)，而周期性模式可以解釋50%～70%的人類活動(dòng)。依據(jù)從簽到網(wǎng)站和移動(dòng)終端獲得的數(shù)據(jù)，研究者們繪制出了關(guān)于人群的行為模式。圖6是在某城市中某一時(shí)刻人群在家中和工作單位的空間位置分布圖以及一天中人們在家和工作單位的時(shí)間分布圖，從圖中可以看出明顯的聚集性。圖7顯示的是在某城市中，從中午到午夜時(shí)刻，人群移動(dòng)模式隨時(shí)間變化的關(guān)系，可以看出具有明顯的周期規(guī)律性，白天向工作地點(diǎn)聚集，夜晚向家的方向聚集。圖7人們行為的移動(dòng)模式和聚集趨勢（圖中的x和y軸數(shù)值是與最遠(yuǎn)距離的歸一化相對值）除了在地理和空間位置維度表現(xiàn)出周期性短距離的人群移動(dòng)行為外，還有受社交關(guān)系影響的非周期性長距離行為。人們有時(shí)候會(huì)因?yàn)樘接H訪友產(chǎn)生出一些非規(guī)律性的行為，這些行為大多是由社交關(guān)系引起的。根據(jù)人們移動(dòng)行為模式規(guī)律建立模型，預(yù)測未來人們發(fā)生行為的時(shí)間和空間位置是非常有意義以及可行的。研究者們提出了許多方法，具有代表性的是根據(jù)人們行為的周期性進(jìn)行預(yù)測的周期性移動(dòng)行為模型periodicmobilitymodel，周期移動(dòng)模型（PMM）和進(jìn)一步考慮了社交關(guān)系的社交周期移動(dòng)模型（PSMM）[14]。利用對人類行為的預(yù)測來預(yù)測未來人群聚集發(fā)生的時(shí)間和空間位置，并引導(dǎo)無線通信資源的分配，能夠極大地提升資源的利用率和用戶滿意度。

2用戶行為驅(qū)動(dòng)的網(wǎng)絡(luò)資源配置

由用戶構(gòu)建的社交網(wǎng)絡(luò)與實(shí)際通信設(shè)備部署網(wǎng)絡(luò)之間并非一一對應(yīng)的關(guān)系，因此在獲取和預(yù)測用戶行為特征之后需要結(jié)合實(shí)際應(yīng)用場景，選取合適的預(yù)測特征和數(shù)據(jù)完成實(shí)際通信設(shè)備網(wǎng)絡(luò)部署的資源優(yōu)化配置。

2.1基于小區(qū)負(fù)載的覆蓋容量自優(yōu)化對所提取的用戶行為特征加以利用將有助于提升網(wǎng)絡(luò)整體的承載能力。因此，可利用對個(gè)體用戶時(shí)間、空間行為的周期性、區(qū)域性特征的分析及預(yù)測，獲取群體用戶在一定時(shí)間、空間范圍的聚集行為。而群體用戶的空間聚集行為將直接決定各小區(qū)的負(fù)載情況，然后基站便可結(jié)合各小區(qū)負(fù)載的差異性進(jìn)行覆蓋與容量的自優(yōu)化調(diào)整。如圖8所示，基站可通過對天線配置、發(fā)射功率等射頻參數(shù)進(jìn)行聯(lián)合調(diào)整的方式，將潛在的業(yè)務(wù)輕載小區(qū)的無線資源通過射頻參數(shù)調(diào)整的方式投射到業(yè)務(wù)熱點(diǎn)區(qū)域，使網(wǎng)絡(luò)資源對用戶周期性、區(qū)域性業(yè)務(wù)需求具有靈活的空間流性匹配能力，動(dòng)態(tài)完成對不同區(qū)域、不同需求的用戶的流性適配，達(dá)到提升網(wǎng)絡(luò)覆蓋容量綜合性能的目的。覆蓋容量的優(yōu)化過程需要考慮射頻參數(shù)的調(diào)整對覆蓋及容量性能的諸多方面影響。比如較小的天線仰角會(huì)擴(kuò)大本小區(qū)覆蓋范圍而提升邊緣用戶的性能，但同時(shí)也會(huì)對鄰區(qū)用戶帶來更大的干擾并影響鄰區(qū)容量。因此，對覆蓋容量的聯(lián)合優(yōu)化需要兼顧覆蓋性能與容量性能、本小區(qū)性能與鄰區(qū)性能的折衷。考慮到射頻參數(shù)的調(diào)整與所達(dá)到的覆蓋容量聯(lián)合性能沒有直接的映射關(guān)系，因此覆蓋容量的聯(lián)合優(yōu)化更傾向于采用機(jī)器學(xué)習(xí)等人工智能方式。根據(jù)鄰區(qū)潛在負(fù)載差異及覆蓋容量綜合性能情況完成對射頻參數(shù)的自優(yōu)化調(diào)整，并通過對優(yōu)化經(jīng)驗(yàn)的歸納總結(jié)，提升基站的自主優(yōu)化決策能力。所實(shí)現(xiàn)的網(wǎng)絡(luò)SINR分布性能及覆蓋容量綜合性能優(yōu)化效果如圖9、圖10所示[15]。經(jīng)過自優(yōu)化，各小區(qū)的射頻參數(shù)會(huì)由于負(fù)載的差異而有所不同，重載小區(qū)的覆蓋范圍較小，其邊緣用戶將移至覆蓋范圍擴(kuò)大了的輕載小區(qū)接受服務(wù)。并且，基于小區(qū)負(fù)載的覆蓋容量自優(yōu)化方案性能相較于未考慮負(fù)載差異的優(yōu)化方法得到了有效提升。

2.2基于設(shè)備直通協(xié)作多播的數(shù)據(jù)分發(fā)策略蜂窩網(wǎng)絡(luò)所產(chǎn)生的大部分流量是流行內(nèi)容的下載，例如視頻、音頻或移動(dòng)應(yīng)用程序。鑒于大多數(shù)用戶行為具有這種共性下載的特點(diǎn)，如果基站把這種具有相同業(yè)務(wù)請求的用戶數(shù)據(jù)卸載到設(shè)備直通（D2D）網(wǎng)絡(luò)，那么就可以有效緩解蜂窩網(wǎng)絡(luò)基礎(chǔ)設(shè)施的負(fù)擔(dān)，提高頻譜效率以及用戶滿意度，并在一定程度上解決無線通信系統(tǒng)頻譜資源匱乏的問題。由于大多數(shù)用戶行為具有共性以及流動(dòng)性，并且用戶間的社交關(guān)系也體現(xiàn)出了用戶間的協(xié)同意愿，那么把用戶之間相同的數(shù)據(jù)請求通過基站多播方式實(shí)現(xiàn)數(shù)據(jù)分發(fā)，就可以極大的提高整個(gè)系統(tǒng)的資源利用率。由于D2D協(xié)作多播系統(tǒng)是由獨(dú)立的蜂窩用戶組成，用戶間的連接關(guān)系時(shí)斷時(shí)續(xù)。而在現(xiàn)實(shí)生活中，人們的社交關(guān)系相對穩(wěn)定，因此利用數(shù)據(jù)挖掘獲得的用戶社交關(guān)系可幫助蜂窩網(wǎng)絡(luò)建立可靠的D2D傳輸鏈路，如圖11所示。D2D協(xié)作多播網(wǎng)絡(luò)容量增益如圖12所示，該圖比較了傳統(tǒng)蜂窩數(shù)據(jù)分發(fā)與不同多播半徑情況下的平均網(wǎng)絡(luò)容量累計(jì)分布函數(shù)（CDF）曲線。由圖可知，D2D協(xié)作多播算法所達(dá)到的網(wǎng)絡(luò)容量要優(yōu)于傳統(tǒng)蜂窩數(shù)據(jù)分發(fā)算法，并且隨著多播半徑R逐漸減小，D2D簇內(nèi)多播速率增加。

2.3個(gè)性用戶業(yè)務(wù)服務(wù)資源配置在通過預(yù)測獲取用戶個(gè)性化特征之后可以根據(jù)提取出的潛在業(yè)務(wù)發(fā)起位置及業(yè)務(wù)需求等個(gè)性化特征進(jìn)行資源的提前預(yù)配置。圖13所示，用戶（UE）經(jīng)常由A出發(fā)到B，并在B點(diǎn)被動(dòng)的接收一定量的數(shù)據(jù)（例如B為展覽館，UE為一個(gè)管理員，需要接收一定的解說信息，而解說信息會(huì)定期更新）。由于UE經(jīng)常往返于A和B，在網(wǎng)絡(luò)側(cè)長期的歷史信息搜集統(tǒng)計(jì)中，可以通過用戶關(guān)系預(yù)測得出UE從A到B之間最常接入的基站集合。根據(jù)UE在這些基站中所上報(bào)的信道質(zhì)量歷史信道信息，可以預(yù)測出UE在經(jīng)過這些基站時(shí)的平均信息速率。同時(shí)根據(jù)UE的導(dǎo)航信息，可以獲知UE在從A到B中所需的平均時(shí)間。由于B點(diǎn)接收信息較大，如果等用戶A到達(dá)B點(diǎn)再更新信息的話，會(huì)帶來較多的等待時(shí)延。為此，一種新的解決思路是利用上述預(yù)測信息，讓UE在B點(diǎn)需要的數(shù)據(jù)，在預(yù)測的中途基站中進(jìn)行預(yù)傳輸，從而達(dá)到提升用戶體驗(yàn)質(zhì)量的效果。具體分析如下。與傳統(tǒng)的資源分配相比，基于預(yù)測的資源分配可以有效緩解B點(diǎn)處的通信業(yè)務(wù)壓力。提前配置考慮了節(jié)能、基站負(fù)載等因素，極大的優(yōu)化了網(wǎng)絡(luò)的整體性能。同時(shí)這種預(yù)測提前通信也大大減少了用戶等待時(shí)間，提升了用戶體驗(yàn)質(zhì)量。

3結(jié)束語

本文從用戶行為對網(wǎng)絡(luò)的驅(qū)動(dòng)特性出發(fā)，提出了通過將用戶行為作為自組織網(wǎng)絡(luò)資源管理考慮的因素來彌補(bǔ)當(dāng)前網(wǎng)絡(luò)不足的方法。文章對動(dòng)態(tài)和靜態(tài)用戶行為特征的提取進(jìn)行了分析，選取了典型的自組織網(wǎng)絡(luò)資源分配場景，給出了這些場景下應(yīng)用用戶群體行為特征和個(gè)性行為特征進(jìn)行網(wǎng)絡(luò)資源優(yōu)化配置的方法。然而由于用戶行為的復(fù)雜特性，當(dāng)前對用戶行為的挖掘還比較粗糙。同時(shí)由于人類的社交網(wǎng)絡(luò)與自組織網(wǎng)絡(luò)的物理資源網(wǎng)絡(luò)并非一一對應(yīng)的關(guān)系，在利用用戶行為特征進(jìn)行網(wǎng)絡(luò)資源配置時(shí)需要根據(jù)具體的場景，選取合適的用戶行為分析模型，提取相應(yīng)的關(guān)鍵參數(shù)，從而實(shí)現(xiàn)對網(wǎng)絡(luò)資源的高效配置。

作者：劉自強(qiáng)任晨珊田輝單位：北京郵電大學(xué)信息與通信工程學(xué)院