安全感知的云无线接入网络下的负载均衡资源优化方法

摘要

本发明公开了一种安全感知的云无线接入网络下的负载均衡资源优化方法，步骤为：收集系统分配的资源信息；使用区域平衡和传输平衡策略得到一个凸优化问题；超出负载均衡阈值时，使用自适应动态粒子群算法，在负载均衡的情况下对功率进行优化：初始化动态粒子群算法的参数，初始化粒子群空间，初始化群体；根据适应度函数计算群体中每个体的适应度；根据粒子群算法公式，更新当前个体的最优位置和群体的最优位置；得到每个粒子位移后的位置与速度；对知识空间进行交叉与变异；判断迭代收敛指标，若收敛则输出最优的个体，若没有则重复直到完成预设迭代次数为止。本发明是一个在系统负载不均衡的情况下，不改变网络架设，通过优化算法达到安全感知下的负载均衡和功率的优化的方法。

说明书

技术领域

本发明属于计算机网络技术领域，特别是一种云无线接入(C-RAN)网络中安全感知的负载均衡优化方法。

背景技术

轻型手持设备，平板以及其他媒体饥饿设备的扩散，连同无时无刻、每个地点都要连接无线网的巨大好处，这些都刺激了网络热点部署的发展。为了实现资源高效利用，并且不显著改变蜂窝网络的基础设施和用户终端，云无线接入网络(CRAN)就被用于解决移动服务供应商面临的挑战，比如频谱效率和能量的还原。如，文献1(Z.Zhu,P.Gupta,and et al.“Virtual base station pool:towards a wireless network cloud for radio accessnetworks.”in Proc.of the 8th ACM International Conference on ComputingFrontiers,2010.)所描述。基于CRAN的蜂窝网络可以实现基带信号在一个集中处理单元中集中处理，这就可以大大降低能耗。并且与分布式天线设备配合使用的远程无线射频头(RRH)可以提供更高的频谱效率。此外，基站虚拟化技术加使得基于CRAN的蜂窝网络能够处理程序以及动态资源优化，这就可以显著增加基础设施利用效率。特别的，CRAN可以解决非均匀分布的传输，因为聚集在基带集成单元池(BBU)有着负载均衡的功能。虽然RRH根据用户的变动动态改变，BBU服务可以仍然在相同的BBU池中进行，因为BBU池的覆盖远大于传统基站。

并且无线网络通信的安全要求也越来越被人重视。这之后提出了窃听者的概念。网络中的用户都有可能成为潜在的窃听者，因此确保保密率的方法被提出，也有通过限制延迟达到保密的方法。

管理蜂窝无线网一个关键挑战是利用可利用资源，比如无线电频谱和能量，从而在满足服务要求的情况下来获得最佳的投资回报。在蜂窝网络中，终端设备一般连接到一个最强提供最强信号的单元，但是没有考虑终端的负载。由于用户通常不均匀分布在蜂窝网络的服务区域。有些单元就会遭遇过重的负载，而他们相邻的单元缺有很轻的载荷。在单元件的负载不均衡是不可取的，因为其阻碍了网络充分利用其容量，并且阻碍了相同能量提供高质量服务的数量，而且降低了蜂窝网络的稳定性。怎样在BBU池之间运用负载均衡在业界还没有得到应用。

在细胞网络中的负载均衡已经在各个文章中广泛提及。细胞呼吸作为一种有前景的负载均衡方案，如文献2(Z.Niu,Y.Wu,J.Gong,and Z.Yang,“Cell zooming for cost-efficient green cellular networks,”IEEE Commun.Mag.,vol.48,no.11,pp.74-79,November 2010.)提出，并且在第二第三代蜂窝网络中被广泛研究。细胞呼吸的核心是调节每个单元在蜂窝系统中的覆盖面积，来自适应地满足随时间变化的流量变化。具体而言，重负载单元收缩覆盖区域，而轻负载单元扩大覆盖区域，轻负载单元就分担了重负载单元的用户接入服务。另外，近些年一些基于细胞呼吸的实现算法被提出，例如贪心算法、根据周围接入点(AP)负载调整覆盖范围的分布式方法。

然而这些方法在使用时造成了信令开销，如此就需要一种在C-RAN网络环境下的集中式负载均衡优化方法。

发明内容

本发明提供了一种蜂窝网络下安全感知的负载均衡技术，特别是用于C-RAN网络。在基本不改变网络基础设施的情况下，检测各个拥挤接入点(AP)的负载情况，若其公平值超出一定阈值，则运行负载均衡算法，设计新的服务区域，通过区域平衡以及传输平衡使得网络回到负载均衡的状态。

实现本发明目的的技术解决方案为：

一种安全感知的云无线接入网络下的负载均衡资源优化方法，包括以下步骤：

步骤1，收集系统分配的资源信息。

步骤2，通过步骤1收集的系统资源，对系统进行建模，使用区域平衡和传输平衡策略得到一个负载均衡优化模型。

步骤3，设置负载均衡阈值计算，超出负载均衡阈值时，使用自适应动态粒子群算法(PSO)，依据步骤2给出的负载均衡优化模型，对系统功率资源分配进行优化。

步骤3.1对系统进行阈值判断，若超出阈值范围，则运行负载均衡优化算法，否则不运行。

步骤3.2初始化动态粒子群算法的参数。并且初始化粒子群空间，初始化群体，对关于负载的二元参数进行初始位置和速度的初始化。

步骤3.3根据适应度函数计算群体中每个个体的适应度。

步骤3.4根据粒子群算法公式，更新当前个体的最优位置和群体的最优位置。

步骤3.5得到每个粒子位移后的位置与速度，并且对知识空间进行交叉与变异。

步骤3.6判断迭代收敛指标是否低于预设阈值，若收敛则输出最优的个体，若没有则转到步骤3.3直到完成预设迭代次数为止。

本发明与现有技术相比，其显著优点为：(1)在C-RAN中采用自适应动态粒子群算法进行资源和功率分配，满足功率优化需求；(2)适应函数使用负载均衡策略，使得系统在不增加设备和改变分布的情况下达到负载均衡。(3)使用传输率控制的方法达到安全感知的效果。(4)为C-RAN网络的功率高效分配与负载均衡提供技术上支持。

附图说明

图1为本发明拥塞控制下资源分配流程图。

图2为本发明所在云无线接入网络的接入方法。

图3为本发明自适应粒子群算法具体实施流程。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细说明。

结合图1，本发明是一种安全感知的云无线接入网络下的负载均衡资源优化方法，包括以下步骤：

步骤1，收集系统分配的资源信息。

步骤2，通过步骤1收集的系统资源，对系统进行建模，使用区域平衡和传输平衡策略得到一个负载均衡优化模型。

步骤3，设置负载均衡阈值计算，超出负载均衡阈值时，使用自适应动态粒子群算法(PSO)，依据步骤2给出的负载均衡优化模型，对系统功率资源分配进行优化。结合图3，具体步骤如下：

步骤3.1我们设定公平性指数φ，而这之中L_i表示细胞单元i的负载，n表示数量，很显然L_i在0到1之间。当公平指数下降到所定的阈值以下的时候，我们开始启动算法，使系统回到负载均衡的状态，并且使系统进行功率优化。

步骤3.2设定收敛的阈值为种群大小为N，资源块数为k，分网格数目为m*n，最大迭代次数为T，加速度因子为c1和c2。初始化群体X＝[X₁,X₂,...X_N]，每个X_i(x₁,x₂,...x_n*m)中的x表示为此网格服务的RRH。随机产生初始化群体和初始速度V＝[V₁,V₂,...V_N]。

步骤3.3利用每个满足公式(5)要求的个体X，通过公式(7)

$>W_{ij}=\underset{R_i}{\int \int }{B}_{node}*(2^{C_{node}/B_{node}}-1)/GdA$>

s.t.W_ij＞W_ij^min

求和计算总功率的相反数f(X)＝-K_t，作为本个体的适应度，这里功率低视为适应度高。

步骤3.4将个体历史最高适应度，也就是最低功率耗散记录在向量组pBest＝[pBest₁,pBest₂,…pBest_N]中，将本次最优位置记录为gBest(gBest₁,gBest₂,…gBest_k)。

步骤3.5根据公式

$>V_{ij}^{t+1}={\mathrm{\omega V}}_{ij}^t+c_1{r}_1({\mathrm{pBest}}_{ij}^t-X_{ij}^t)+c_2{r}_2({\mathrm{gBest}}_j^t-X_{ij}^t)---\left(8\right)$>

$>X_{ij}^{t+1}=X_{ij}^t+V_{ij}^{t+1}---\left(9\right)$>

对速度进行更新，并且通过运算得到新的种群位置。

其中i表示第i个个体，j表示每个个体的第j维，t表示迭代次数，ω表示加速度，r₁、r₂表示[0,1]之间的随机数，用于维护群体多样性。此后对知识空间20％个体进行交叉和变异。

步骤3.6

若有

那么就停止迭代，否则重复迭代直到到大T次。其中表示第t次迭代最优位置适应度，表示第t次迭代个体平均适应度。

实施实例

本发明采用动态粒子群算法，在系统负载不均衡的情况下，不改变网络架设，通过优化方法达到安全感知下的功率优化。具体为：

步骤1，收集系统分配的资源信息。

小区半径不大于200m，系统带宽2MHz，资源块数32，每块带宽62.5kHz，UE传输功率10dBm，RRH数目3，路径损耗指数4，热噪密度-174dBm/Hz，用户数目16。

步骤2，通过步骤1收集的系统资源，对系统进行建模，使用区域平衡和传输平衡策略得到一个负载均衡优化模型。

步骤3，设置负载均衡阈值计算，超出负载均衡阈值时，使用自适应动态粒子群算法(PSO)，依据步骤2给出的负载均衡优化模型，对系统功率资源分配进行优化。

首先，设置算法触发阈值φ＝0.65，对系统进行阈值判断，若超出阈值范围，则运行负载均衡优化算法，否则不运行。

其次，置收敛阈值为设置种群大小为N＝30，资源块数为k＝32，网格数3*8，最大迭代重复次数T＝1000，得到加速度因子c1＝c2＝1.49。初始化群体X＝[X₁,X₂,...X_N]，每个X_i(x₁,x₂,...x_n*m)中的x表示为此网格服务的RRH。随机产生初始化群体和初始速度V＝[V₁,V₂,...V_N]。设置交叉率和变异率分别为P_c＝0.9,P_m＝0.1。

然后，利用每个满足公式(5)要求的个体X，通过公式(7)求和计算总功率的相反数f(X)＝-K_t，作为本个体的适应度，这里功率低视为适应度高。

其次,根据粒子群算法公式，更新当前个体的最优位置和群体的最优位置。

再次，得到每个粒子位移后的位置与速度，并且对知识空间进行交叉与变异。

之后，计算是否满足收敛指标然后将所得知识空间较好的50％代替本次较差的一半。

最后，收敛或者达到循环次数T时，输出最优的个体X，以及最优适应度f(x)。

综上所述，本发明是一个在系统负载不均衡的情况下，不改变网络架设，通过优化算法达到安全感知下的负载均衡和功率的优化的方法。