一种异构网络中基于网络流量时空动态变化的负载均衡方法

摘要

本发明公开了一种异构网络中基于网络流量时空动态变化的负载均衡方法，属于无线移动网络领域。该方法适用于分层异构无线网络中网络流量随时空变化的场景，在该场景中当用户与基站进行数据传输时，分别计算每个用户与每个基站间的数据传输速率，利用网络中所有用户的数据传输速率之和，计算网络的平均数据速率；进而计算每个基站的负载，构建方差形式的负载因子

说明书

技术领域

本发明属于无线移动网络领域，具体是一种异构网络中基于网络流量时空动态变化的负载均衡方法。

背景技术

随着近十年来现代移动通信技术的迅速发展，无线蜂窝网中的数据流量也得到迅猛的增长。这种流量的增长不仅增大了无线蜂窝网中的流量负载，同时还在时间和空间两个维度上呈现出了动态变化的特性。

数据流量在时空分布上的变化特性在不同的场景中并不相同，而这种特性很有可能导致系统中的负载不均衡，从而降低网络的能量效率、用户的服务质量，造成资源的浪费。

例如，在一个商场区域，早晨的人流量一般不会很大，而且都集中于地下一层的超市。随着时间的流逝，到了中午，商场中的人流量越来越大，并且大多集中于楼上的饮食区域。由于这种变化的特点，网络中的数据流量负载在时间和空间两个维度上可能是不均匀的，由此可能导致用户设备在基站间的频繁切换，并且带来吞吐量和用户体验下降等诸多问题；

现有技术中，能量效率低下也是一个待解决的重要问题。如文献1：D.H.Hagos andR.Kapitza,在LTE网络中以性能为中心的负载均衡策略的研究，第六届WMNC，2013.4，pp.1-10提供了一种将移动数据流量从蜂窝网络切换到WiFi网络中的策略以获得额外的网络容量，提升网络性能。该策略提出了一种基于负载的信噪比门限算法，来控制切换到WiFi网络中的数据流量。但是，由于大部分WiFi网络具有加密的功能，要真正通过WiFi来进行负载均衡在实际操作中还比较困难；文献2：K.Yang,P.Wang,X.Hong,and X.Zhang,异构网络中关于CRE的联合上下行链路网络性能分析，2015IEEE第26届PIMRC会议，2015.8，pp.1659–1663分别分析了在使用CRE技术的分层异构网络中的上下行链路传输性能，并且推导出了CRE偏置值和传输功率，来最大化传输成功概率和能量效率；但是，要获得最优的CRE偏置值，计算复杂度非常高。文献3：M.Wildemeersch,T.Q.S.Quek,C.H.Slump,and A.Rabbachin，认知小小区网络中的能效优化和均衡，IEEE通信议事录，2013.9，pp.4016–4029提出了一种分析框架，来分析认知网络中能耗和数据流量负载的权衡问题，并将该框架应用于认知小小区接入点的能耗设计和实际操作。但是，没有针对流量负载随时空变化的情况进行分析。

针对负载不均衡问题的研究成果也有很多，例如切换至邻小区，用户调度和基站开关等方法，而数据流量预测技术也是一种有效的解决负载不均衡问题的手段。文献4：C.Vlachos and V.Friderikos，优化的D2D小区连接和负载均衡，国际通信会议,2015,6，pp.5441–5447.提出了一种可以预先下载用户文件的资源分配算法，该算法首先对用户移动轨迹进行预测，进而获得用户需求的文件从而减小最大的传输完成时间。但是，没有考虑到流量随时空变化的场景下算法的适用性。

发明内容

本发明针对于分层异构网络场景中，具有时空变化特性的数据流量负载不均衡的问题，提出了一种基于网络流量时空动态变化的负载均衡方法。该算法利用场景中数据流量分布的时空特性，使得小小区基站SBS(small cell base station)能够在流量负载发生变化时自适应地调节自身的开关状态，进入基站SBS休眠或工作模式；并利用流量负载的方差形式来表示负载因子，去衡量网络中流量负载的均衡情况，通过设定最小化该负载因子为优化目标，建模转换成一个非线性整数规划问题，通过启发式算法解决，得到最终的负载均衡方案。仿真结果显示，和一般的负载均衡算法相比，该算法可以有效的均衡网络负载，同时极大地节约网络能耗。

具体步骤如下：

步骤一、构建宏基站，小小区基站SBS以及用户之间的两层异构网络仿真场景；

小小区基站SBS共N个，均匀分布在宏基站的覆盖范围内；用集合{SBS₁,SBS₂,…,SBS_j,…,SBS_N}表示。

用户随机分布在仿真场景中，集合为UA＝{u₁,u₂,…,u_i,…,u_A}；

任意一个用户只能由一个基站提供服务，且只能占用一个子载波频率；子载波频率集合为W＝{w₁,w₂,…,w_l,…,w_L}。

步骤二、针对用户u_i与基站SBS_j进行数据传输时，分别计算该用户与该基站之间的数据传输速率

首先，计算从用户u_i和基站SBS_j连接占用子载波w_l的信干噪比

公式如下：

其中表示基站SBS_j的使用状态；如果则表示SBS_j是打开状态，并且使用子载波频率w_l与用户u_i进行数据传输，否则表示SBS_j是休眠状态。p_j表示基站SBS_j的发射功率；|h_ij|²表示从基站SBS_j到用户u_i的信道增益；σ²是热噪声；

然后，根据香农定理，利用传输信干噪比计算用户u_i到基站SBS_j的数据速率

公式如下：

B表示占用的带宽；

步骤三、针对用户u_i，分别计算该用户到N个基站的所有数据速率之和

步骤四、计算每个用户分别到N个基站的数据速率之和

步骤五、利用网络中所有用户的数据传输速率之和，计算整个网络的平均数据速率

参数ρ_j表示基站SBS_j的开关状态，当基站SBS_j是打开状态时，ρ_j＝1；否则，ρ_j＝0。

步骤六、针对基站SBS_j，利用所有用户与该基站的数据传输速率，结合基站SBS_j的使用状态，计算基站SBS_j的负载d_j；

步骤七、利用每个基站的流量负载计算方差表示负载因子

步骤八、优化负载因子的最小值，以此衡量网络中流量负载的均衡情况；

优化是通过建模转换成一个非线性整数规划问题；

具体过程如下：

C2:P_j≤P_max,j∈N

C1表示每个用户同一时刻最多只能占用一个基站的一条子载波；

C2表示每个基站的发射功率不能超过最大发射功率P_max；

C3表示每个基站的使用状态只能为打开或休眠中的一种；

步骤九、当负载因子为最小值时，通过启发式算法得到各基站SBS的休眠状态或工作状态，实现基于网络流量时空动态变化的负载均衡。

本发明的优点在于：

1)、一种异构网络中基于网络流量时空动态变化的负载均衡方法，根据仿真结果可以看出，在负载随时空动态变化的情况下，该方法成功的对系统负载进行均衡，提高了系统能效和资源利用率，降低了运营成本，有很好的适用性。

2)、一种异构网络中基于网络流量时空动态变化的负载均衡方法，本方法在负载均衡策略中，引入了小区基站开关的思想，根据网络负载压力的不同，基站能够自主地选择开关状态，调整SBS的运行模式；在均衡网络负载的同时，提高了网络的能量效率。

3)、一种异构网络中基于网络流量时空动态变化的负载均衡方法，为了描述每个SBS上的负载差异，提出了一个用数学中的方差形式来表达的负载因子来衡量网络中流量负载的均衡情况,更简单明了。

4)、一种异构网络中基于网络流量时空动态变化的负载均衡方法，仿真结果显示，SBS能够自主的选择开关模式，和经典的负载均衡算法相比，本算法的均衡负载能力更优，并且能量效率也更高。

附图说明

图1是本发明一种异构网络中基于网络流量时空动态变化的负载均衡方法流程图；

图2是本发明t1时刻的基站和用户分布示意图；

图3是本发明t2时刻的基站和用户分布示意图；

图4a是本发明t1时刻的热点区域的位置分布图；

图4b是本发明t2时刻的热点区域的位置分布图；

图5是本发明三种算法下随着时间变化SBS上的流量负载方差对比图；

图6是本发明与经典LB算法在不同时刻网络的总体能耗对比图；

图7a是本发明每10分钟10个用户进入该区域时的网络吞吐量；

图7b是本发明每10分钟20个用户进入该区域时的网络吞吐量。

具体实施方式

下面将结合附图和实施例对本发明做进一步的详细说明。

本发明一种基于网络流量时空动态变化的负载均衡方法，应用于分层异构网络场景，在所述分层异构网络场景中具有时空变化特性的用户流量分布，流量负载不均衡的问题很有可能发生。为了应对这种场景中的负载不均衡问题，提出了一种高能效的负载均衡算法，该算法能够自主地调整SBS的运行模式，使得任意一个基站能够在流量负载发生变化时自适应地调节自身的开关状态。为了描述每个SBS上的负载差异，本发明还提出了一个负载因子，该负载因子最终用数学中的方差形式来表达。为了提高系统的能量效率，同时算法中还加入了SBS开关的机制，SBS能够自主的选择开关模式，仿真结果显示，和经典的负载均衡算法相比，本算法的均衡负载能力更优，并且能量效率也更高。

当有用户到达某区域时，数据流量也被带到了网络中，因此网络中SBS上的负载也发生了变化，同时SBS会调整自己的运行模式决定是否要切换开关状态。如果总体流量负载在增加，那么有些SBS需要被打开来分担一些负载。同理，如果有些用户离开了该区域，则某些SBS可能不再需要打开而转为关闭状态。因此，SBS的不同运行模式将会直接影响到网络中负载的分布，本发明用流量负载方差因子用于衡量网络流量负载的均衡情况，而选择合适的算法来最小化该负载因子就是本发明的目标；在保证原有用户的速率要求下，通过遗传算法完成资负载均衡，提高系统能效。

如图1所示，具体步骤如下：

步骤一、构建宏基站，小小区基站SBS以及用户之间的两层异构网络仿真场景；

小小区基站SBS共N个，均匀分布在宏基站的覆盖范围内；用集合{SBS₁,SBS₂,…,SBS_j,…,SBS_N}表示。

用户随机分布在仿真场景中，集合为UA＝{u₁,u₂,…,u_i,…,u_A}；

任意一个用户只能由一个基站提供服务，且只能占用一个子载波频率；子载波频率集合为W＝{w₁,w₂,…,w_l,…,w_L}。

步骤二、针对用户u_i与基站SBS_j进行数据传输时，分别计算该用户与该基站之间的数据传输速率

首先，计算从用户u_i和基站SBS_j连接占用子载波w_l的信干噪比

公式如下：

其中表示基站SBS_j的使用状态；如果则表示SBS_j是打开状态，并且使用子载波频率w_l与用户u_i进行数据传输，否则表示SBS_j是休眠状态。p_j表示基站SBS_j的发射功率；|h_ij|²表示从SBS_j到用户u_i的信道增益；σ²是热噪声；

分子表示用户u_i和基站SBS_j连接占用子载波频率w_l的信号强度；

然后，根据香农定理，利用传输信干噪比计算用户u_i到基站SBS_j的数据速率

公式如下：

B表示占用的带宽；

步骤三、针对用户u_i，分别计算该用户到N个基站的所有数据速率之和

步骤四、计算每个用户分别到N个基站的数据速率之和

步骤五、利用网络中所有用户的数据传输速率之和，计算整个网络的平均数据速率

参数ρ_j表示基站SBS_j的开关状态，当基站SBS_j是打开状态时，ρ_j＝1；否则，ρ_j＝0。

定义如下：

步骤六、针对基站SBS_j，利用所有用户与该基站的数据传输速率，结合基站SBS_j的使用状态，计算基站SBS_j的负载d_j；

本发明通过控制SBS开关状态来均衡系统负载，既可以将网络负载均衡在平均水平附近，同时也可以满足用户的服务质量需求。在一段时间内，某区域的用户数量和分布位置很可能会发生改变，因此，不同时刻在不同位置的SBS都会具有不同的运行模式。通过调整某些SBS的开关状态，每个SBS的负载都能够维持在均值附近，从而保证整个网络负载的均衡性。基站SBS_j上的负载可以表示如下：

步骤七、利用每个基站的流量负载计算方差表示负载因子

为了均衡网络的负载，每个SBS上的负载和均值的差值应该越小越好，这意味着整个网络的负载方差需要达到最小。在本发明中用一个负载因子来描述网络的负载方差：

步骤八、优化负载因子的最小值，以此衡量网络中流量负载的均衡情况；

优化是通过建模转换成一个非线性整数规划问题；

具体过程如下：

C2:P_j≤P_max,j∈N

C1表示每个用户同一时刻最多只能占用一个基站的一条子载波；

C2表示每个基站的发射功率不能超过SBS的最大发射功率P_max；

C3表示每个基站的使用状态只能为打开或休眠中的一种；

步骤九、当负载因子为最小值时，通过启发式算法得到各基站SBS的休眠状态或工作状态，实现基于网络流量时空动态变化的负载均衡。

基站SBS_j的负载很难在线性时间内获得一个最优解，因此，本发明基于遗传算法(Genetic>

由于该问题是一个NP-困难问题，这类问题通常很难获得最优解，所以我们通过GA获得了一个次优解。GA通过遗传操作，例如交叉、变异和选择，来对种群进行更新从而获得更加收敛的解。在每一次迭代的时候，GA能够获得一组候选解，并且根据目标函数来判断各组解的质量。本发明将每一种SBS的开关状态组合视为种群中的一个个体，初始种群是随机决定的。变异概率和交叉概率用于决定是否对这个个体进行变异和交叉操作。在每个个体的流量负载方差计算出来之后，选择方差更低的值记录下来，相应的这个个体就被视为是一个优秀的个体并进入新种群。在几次迭代之后，种群中的个体会趋于一致，这就是问题的解。

实施例：

仿真场景为一个宏基站的覆盖区域，其中有很多均匀分布的SBS，本实施例选取9个；仿真的参数如表1所示。另外，为了更好的评估算法的性能，仿真中还使用了以下对比算法：

传统通信方法：SBS没有自主切换开关状态的能力，并且系统中也没有使用负载均衡策略，在后文都用“基站全开”来表示。

经典负载均衡(Load-Balancing，LB)算法：负载过重的SBS将会选择一个潜在的轻负载的SBS来进行流量的卸载。

表1

参数取值载波频率2GHz系统带宽10MHzSBS的站间距40m热噪声-174dBm/Hz衰落模型(km)140.7+37.6log₁₀d最大发射功率30dBm用户分布3/4部署在热点区域

假设场景为一个两层异构网络，如图2和图3所示，其中左上方区域标记为区域1，然后剩下的区域按顺时针顺序依次标记为区域2，区域3和区域4；其中SBS均匀分布在一个宏基站的覆盖范围内。仿真开始有20个用户，随机分布在整个区域内，随着时间的流逝，越来越多的用户到达并且有一些用户集中分布的热点区域；如图4a和图4b所示，在不同的时刻，热点区域的位置也不相同，所以不仅仅是网络中用户的数量会发生变化，用户的空间分布同样也会变化。假设每十分钟最多有10个用户到达该区域，并且有3/4的与用户会分布在一个热点区域，剩余用户随机分布在剩下的区域。

在上述场景中从10分钟到80分钟，针对于三种算法分别仿真得到的流量负载方差曲线，如图5所示，为了符合用户服务质量的需求，SBS提供的数据吞吐量必须达到系统总数据的80％以上，剩下的流量将会移交给宏基站。从结果中可以看到虽然用户的数量和分布都在随时间发生变化，但是本发明提出的算法可以过调整SBS的开关状态，使得系统流量负载方差最小，从而使得各基站上的流量负载稳定在一个值附近，实现负载均衡。

本发明与经典LB算法中网络总体的能耗曲线图，如图6所示，在仿真中我们只考虑了SBS的发射功率，来如，如果SBS_j是打开的，那么能耗就是P_j，否则能耗就为0。在经典的LB算法中，SBS总是处于打开的状态，则系统总能耗是一定的。但是在本发明提出的算法中，SBS的运行模式各不相同，不同时刻用户的分布也不同，所以，当某些SBS关闭时，其实是为系统节约了一大部分能量。

使用本发明算法和经典LB算法时的网络数据吞吐量对比图，如图7a所示，每10分钟10个用户进入该区域时，从结果中可以看到，随时时间流逝数据吞吐量也在增长，原因是系统中的用户数量在增长。如图7b所示，每10分钟20个用户进入该区域时的网络吞吐量，从结果中可以看到，随时时间流逝数据吞吐量也在增长，原因是系统中的用户数量在增长。

从图中可以看出，这两种算法的吞吐量差距并不明显，甚至经典LB算法更高一些。主要原因是本发明提出的算法会关掉一些不必要的基站，从而损失了一部分的吞吐量，但其实这部分的吞吐量被移交给宏基站处理，所以对于算法的性能并不会有所影响。

本发明在异构网络中，分析了时空变化导致的流量分布不均匀特性，并根据此特性设计了一种自组织的高能效负载均衡策略，该问题被建模为一个非线性整数优化问题，并最终用遗传算法求解。同时该策略引入了基站开关技术，在均衡网络负载，提高资源利用率的同时，降低了系统能耗。