超密集异构无线网络中基于SDN和网络聚类的切换判决算法

超密集异构无线网络中基于sdn和网络聚类的切换判决算法
技术领域
1.本发明属于移动通信领域，具体是超密集异构无线网络中基于sdn和网络聚类的切换判决算法。


背景技术：

2.随着5g基站的大量部署以及各种无线接入技术的运用，逐渐形成了超密集异构无线网络。然而，在城市商业区域、体育馆等场所中，时常会发生终端聚集的情况。由于切换的并发性，大量终端可能会选择同一个性能较好的网络作为目标网络，造成网络负载不均，甚至会引起网络拥塞，影响终端的服务质量。因此，在超密集异构无线网络中，当大量终端并发切换时，如何在实现网络负载均衡的同时提升终端的服务质量，成为当前研究的热点问题。
3.目前已有不少的文献致力于研究异构网络切换过程中的负载不均问题，并且都取得了一定的成效。文献[zhang q,xu x,zhang j,et al.dynamic load adjustments for small cells in heterogeneous ultra-dense networks[c].2020ieee wireless communications and networking conference(wcnc).ieee,2020.]采用q学习联合节能与负载均衡功能，通过动态调整基站间的业务负载来关闭一些冗余基站，节约能耗的同时实现重负载和轻负载基站之间的均衡。文献[tang c,chen x,chen y,et al.amdp-based network selection scheme in 5g ultra-dense network[c].2018ieee 24th international conference on parallel and distributed systems(icpads).singapore:ieee,2018:823-830.]考虑了不同业务类型对网络参数的偏好不同，终端会根据业务类型采用不同的评价标准来选择目标网络，从而将终端分散到不同的网络中，以此实现网络的负载均衡。文献[[马彬,钟世林,谢显中,陈鑫.考虑负载均衡和用户体验的垂直切换算法[j].电子与信息学报,2022,44(12):4218-4228.]引入了拥塞感知模型，并提出了一个融合自组织网络的网络架构，避免了因大量终端与基站直接相连引起服务质量的严重下降，一定程度上缓解了网络拥塞。
[0004]
上述文献大多通过切换迁移的方式一定程度上缓解了网络负载不均的问题。但在城市商业区域中，时常会发生终端聚集的情况，由于切换的并发性，可能会导致大量终端通过相同的切换判决算法得到同一个目标网络，造成目标网络出现聚集现象。为解决上述问题，本发明提出一种基于sdn和网络聚类的切换判决算法。该算法采用k-means和遗传算法对网络进行聚类，将地理位置相近且重叠覆盖区域面积大的网络划分为同一网络簇。然后系统为终端选择相关度最高的网络簇作为目标网络簇，以避免大量终端接入到同一网络造成拥塞，同时减少终端的候选网络数量，降低决策时延。此外，采用基于模糊层次分析法(fuzzy analytic hierarchy process,fahp)和熵权法的多属性决策算法，在目标网络簇中为终端选择效用值最高的网络作为目标网络并执行切换。同时，sdn控制器实时监测整个网络的负载状态，当网络负载异常时执行负载迁移算法均衡网络负载。


技术实现要素：

[0005]
发明旨在解决以上现有技术的问题。提出了一种超密集异构无线网络中基于sdn和网络聚类的切换判决算法。本发明的技术方案如下：
[0006]
一种超密集异构无线网络中基于sdn和网络聚类的切换判决方法，其特征在于，包括以下步骤：
[0007]
101、网络聚类：通过k-means算法和遗传算法对网络聚类，将地理位置相近且重叠覆盖区域面积大的网络划分为同一网络簇，网络聚类算法由sdn一级控制器集中控制实现；
[0008]
102、为终端选择目标网络：首先，系统根据终端与网络簇的相关度选择目标网络簇。然后，根据终端和簇内网络的可接入关系生成候选网络集，最后采用基于fahp和熵权法的多属性决策算法为终端选择效用值最高的网络作为目标网络；
[0009]
103、负载迁移：sdn一级控制器实时监测全局网络负载状态，当网络簇间负载异常时，则会执行簇间负载迁移算法，均衡网络簇间负载。sdn二级控制器实时监测网络簇内负载状态，当网络簇内的网络负载异常时，则会执行簇内负载迁移算法，均衡网络簇内负载。。
[0010]
本发明的优点及有益效果如下：
[0011]
1.本发明针对城市商业区域大量终端聚集导致网络负载不均和终端服务质量下降的问题，本发明提出一种基于sdn和网络聚类的切换判决算法。
[0012]
2.在步骤101中设计了一种基于k-means算法和遗传算法的网络聚类算法，将地理位置相近且重叠覆盖区域面积大的网络划分为同一网络簇。然后系统为终端选择相关度最高的网络簇作为目标网络簇，以避免大量终端接入到同一网络造成拥塞，同时减少终端的候选网络数量，降低决策时延。
[0013]
3.在步骤102中设计了基于模糊层次分析法和熵权法的多属性决策算法，在目标网络簇中为终端选择效用值最高的网络作为目标网络并执行切换。
[0014]
4.在步骤103中引入sdn来辅助切换，通过负载迁移算法均衡网络簇内和簇间负载，以实现全局网络的负载均衡，同时降低了信令开销和切换时延。
附图说明
[0015]
图1是本发明sdn的网络架构图；
[0016]
图2为本发明的算法流程图；
[0017]
图3为不同方法的平均负载率对比；
[0018]
图4为不同方法的负载率方差对比；
[0019]
图5为不同方法的阻塞率对比；
[0020]
图6为不同方法的总吞吐量对比；
[0021]
图7为不同方法的信令开销对比；
[0022]
图8为不同方法的时间开销对比；
具体实施方式
[0023]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
[0024]
本发明提出了一种超密集异构无线网络中基于sdn和网络聚类的切换判决算法，
针对针对大量终端聚集导致网络负载不均和终端服务质量下降的问题，该方法能够在均衡网络负载的前提下，减少信令开销，提高网络吞吐量，提升终端的服务质量。一种超密集异构无线网络中基于sdn和网络聚类的切换判决方法，其特征在于，包括以下步骤：
[0025]
101、网络聚类：通过k-means算法和遗传算法对网络聚类，将地理位置相近且重叠覆盖区域面积大的网络划分为同一网络簇，网络聚类算法由sdn一级控制器集中控制实现；
[0026]
102、为终端选择目标网络：首先，系统根据终端与网络簇的相关度选择目标网络簇。然后，根据终端和簇内网络的可接入关系生成候选网络集，最后采用基于fahp和熵权法的多属性决策算法为终端选择效用值最高的网络作为目标网络；
[0027]
103、负载迁移：sdn一级控制器实时监测全局网络负载状态，当网络簇间负载异常时，则会执行簇间负载迁移算法，均衡网络簇间负载。sdn二级控制器实时监测网络簇内负载状态，当网络簇内的网络负载异常时，则会执行簇内负载迁移算法，均衡网络簇内负载。。
[0028]
进一步的，所述步骤101网络聚类，具体包括：
[0029]
(1)生成初始种群；
[0030]
(2)计算种群中每个个体的适应度；
[0031]
(3)通过选择、交叉、变异、k-means聚类操作，产生新一代群体；
[0032]
(4)重复(2)、(3)，直至达到最大迭代次数；
[0033]
(5)计算最新一代群体的适应度，选择其最大适应度的个体作为k-means聚类的初始聚类中心，生成对应的网络簇。
[0034]
进一步的，所述步骤(1)生成初始种群，具体包括：
[0035]
为了获取全局最优解，初始种群完全随机生成。从网络样本中选取k个基站的坐标作为初始聚类中心点并对其进行浮点数编码。重复m次，直至获取初始种群，其中m为初始种群的大小。
[0036]
进一步的，所述步骤(2)计算种群中每个个体的适应度，具体包括：
[0037]
设计适应度函数。适应度用来衡量个体性能的优良程度，适应度函数的设计直接影响到最优解的寻找和算法收敛的速度。在超密集异构无线网络场景中，存在网络覆盖区域重叠，这是迁移算法实现的前提条件。因此，考虑用网络簇内的重叠区域的面积和来设计适应度函数，则适应度函数如下：
[0038][0039]
式(1)中，fi为第i个体的适应度，k为网络簇的个数，ej为网络簇j的重叠区域面积和，其计算公式如下：
[0040][0041]
式(2)中，cj为网络簇j的网络数量，s
i1,i2
为网络i1和网络的i2重叠区域面积。
[0042]
进一步的所述步骤(3)通过选择、交叉、变异、k-means聚类操作，产生新一代群体，具体包括：
[0043]
设计选择算子。采用轮盘赌法来选取个体，个体被选中的概率与其适应度值大小
直接相关，适应度值越高的个体，参与后代繁殖的概率越高。对于每个个体，其被选择的概率如下：
[0044][0045]
式(3)中，fi为个体i的适应度值，pi为个体i被选中的概率。
[0046]
设计交叉算子。遗传算法中的交叉操作，是指两个个体按照某种规则交换其部分染色体，已形成新的个体。对个体采用的是浮点数编码，因此采用算术交叉算子。假设两个个体x1、x2，其生成的新个体为x1′
、x2′
：
[0047][0048]
式(4)中η为(0,1)之间的随机数。
[0049]
设计变异算子。遗传算法中的变异操作是为了保持个体的多样性，防止遗传算法非成熟收敛。采用均匀变异算子，其基本思想为：从染色体变异位置的取值范围内随机选取一个值进行替换。
[0050]
x
″
＝u
min
+μ(u
max-u
min
) (5)
[0051]
式(4)中η为(0,1)之间的随机数。
[0052]
但是在遗传算法中固定交叉概率和变异概率常常会导致个体间的竞争减弱，同时会使遗传算法的收敛速度减慢，甚至会导致算法未成熟收敛，无法得出全局最优解。因此，考虑采用自适应的交叉概率和变异概率。
[0053]
将低适应度的个体直接进行交叉操作，而将高适应度个体以一定概率进行交叉操作。这样既保留了高适应度个体的特征，又将低适应度的个体进行交叉进化，进一步提高了算法的全局搜索能力。自适应交叉概率pc的公式为：
[0054][0055]
式(6)中，f
avg
为当前种群平均适用度值，f
max
为当前种群最大适应度值，f
′
为在交叉操作中两个个体中的较大适应度值。
[0056]
同理，将高于平均适应度的个体采取低概率变异，以此来保留高适应度个体的特征，低于平均适应度值得个体直接采取变异操作，使其高概率的被淘汰。自适应交叉概率pm的公式为：
[0057][0058]
由于k-means算法有较强的局部搜索能力，因此以变异操作后生成的新个体作为
初始网络聚类中心点，进行k-means聚类操作，计算新的聚类中心，并将其编码替换掉原本个体，以加快遗传算法的收敛速度。通过算法的不断迭代，最终得到最理想的网络划分，生成相应的网络簇。
[0059]
进一步的，所述步骤102为终端选择目标网络，具体包括：
[0060]
(1)根据终端与网络簇的相关度选择相关度最高的网络簇作为终端的目标网络簇；
[0061]
(2)采用fahp和熵权法分别计算主客观权重；
[0062]
(3)计算综合权重并选择目标网络。
[0063]
进一步的，所述步骤(1)根据终端与网络簇的相关度选择相关度最高的网络簇作为终端的目标网络簇，具体包括：
[0064]
将网络簇中终端可接入网络的数量定义为终端与网络簇的相关度，在t时刻，终端j与网络簇y的相关度o
y,j
(t)为：
[0065][0066]
式(8)中，cy为网络簇y的网络数量。
[0067][0068]
在t时刻终端与网络簇的相关度矩阵o(t)为：
[0069][0070]
式(9)中，k为网络环境中网络簇的个数。
[0071]
进一步的，所述步骤(2)采用fahp和熵权法分别计算主客观权重，具体包括：
[0072]
终端在选网时偏向于选择能满足其qos需求的接入点，因此选用可用带宽b、时延d、丢包率pl、rss和负载率l这五种qos属性来作为选网参数。现有对于权重求取的算法大多存在求解复杂或主观性过强的缺点。因此采用fahp和熵权法分别求取主、客观权重。算法流程如下。
[0073]
采用fahp计算主观权重。
[0074]
建立模糊一致矩阵。将可用带宽b、时延d、丢包率pl、rss和负载率l进行两两比较，采用表1所示的比较标度方法，来定量参数之间重要性的相对程度。
[0075]
表1比较度量表
[0076][0077]
最终得到模糊互补判断矩阵r：
[0078][0079]
计算权重向量。对模糊互补判断矩阵求解权重，其计算公式如下：
[0080][0081]
式(11)中，q为选网参数的个数，d为模糊判断矩阵的行数。
[0082]
将模糊判断矩阵代入求解得到主观权重向量：α＝(0.23,0.18,0.155,0.205,0.23)
[0083]
然后对模糊判断矩阵进行一致性检验，需对其进行模糊化处理，其公式如下：
[0084][0085]
得到模糊一致性矩阵w(w
i,j
)d×d。利用公式(14)对模糊判断矩阵进行一致性检验。
[0086][0087]
如果一致性检验指标(通常设为＝0.1)，则模糊判断矩阵通过一致性检验。反之，则需重新调整模糊判决矩阵，重复上述步骤，直至通过一致性检验。值越小表示模糊判决矩阵的一致性要求越高。
[0088]
将r、w代入公式(13)求得，ci(r,w)＝0.082，则证明模糊判决矩阵具有一致性，得到的主观权重是合理的。
[0089]
采用熵权法计算客观权重。
[0090]
分别将效益型指标(可用带宽)和成本型指标(时延、丢包率、rss和负载)标准化处理，然后计算各指标熵值，最后求得参数的客观权重向量β＝(β1,β2,...,βq)。
[0091]
进一步的，所述步骤(3)计算综合权重并选择目标网络，具体包括：
[0092]
通过上述fahp和熵权法分别得到主观权重向量α和客观权重向量β。为了使综合权重尽可能充分考虑主客观权重，而不偏重其中任意一项。采用如下公式计算综合权重：
[0093][0094]
式(14)中，ωi为参数i的综合权重，q为参数的个数。最后得到综合权重向量：ω＝[ω1,ω2,...,ωq]。
[0095]
根据上述得到的综合权重，计算网络效用值：
[0096][0097]
式(15)中，zj为参数j归一化后的值。在切换判决时，在终端的候选网络集合中选取效用值最大的网络作为其目标网络。
[0098]
进一步的，所述步骤103负载迁移，具体包括：
[0099]
(1)全局网络平局负载程度和网络簇内平均负载程度
[0100]
当网络的负载过高时，会导致时延和掉话率的增加，影响终端的体验质量。所以，本发明采用sdn控制器实时监测网络负载，根据网络实时负载状态执行相应的负载迁移算法，缓解网络拥塞程度。负载迁移算法分为网络簇内负载迁移算法和网络簇间负载迁移算法，其相关参数定义如下。
[0101]
本发明通过全局网络接入终端数量总和与最大可容纳终端总和的比值表示网络的平均负载程度。例如当前全局网络中有n个网络，ui为网络i当前接入的终端数，σi为网络i最大可容纳终端数，则全局网络的平均负载程度可表示为：
[0102][0103]
将全局网络聚类生成k个网络簇，网络簇j内的网络数量为cj，则网络簇j内的平均负载为：
[0104][0105]
(2)网络簇内负载负载迁移
[0106]
网络簇内负载迁移算法由sdn二级控制器控制实现，通过sdn可编程性的特性，使同一网络簇之间的接入点共享终端注册信息，减少了终端切换时的信令开销和切换时延。当网络簇中某一网络负载达到簇内负载阈值时，则说明该网络簇内负载异常，需进行簇内负载迁移，将部分终端迁移到簇内负载较低的网络中。为了终端在迁出时有更多的网络选择，尽可能保证其切换后的服务质量，本发明优先考虑迁出与该网络簇相关度较高的终端，
并且从候选网络中选择负载较低且效用值较高的网络作为该终端迁移的目标网络。其中，网络簇j内负载阈值ρ-thrj设置为网络簇j的平均负载加上偏移值θ1。即
[0107][0108]
(3)网络簇间负载迁移
[0109]
sdn一级控制器实时监测着整个网络环境，因此网络簇间负载迁移算法则由sdn一级控制器集中控制实现。当网络簇内的平均负载达到簇间迁移阈值时，则说明网路簇间负载异常。此时簇内负载迁移已不能解决其高负载的问题，需将终端迁移到相邻且平均负载较低的网络簇中。同簇内负载迁移算法一样，优先考虑迁出与目标网络簇相关度较高的终端，在目标网络簇中选择负载较低且效用值较高的网络作为终端迁移的目标网络。其中，网络簇间负载阈值ρ-thr
globle
设置为全局网络平均负载加上偏移值θ2。即
[0110][0111]
根据上述分析，本发明设计了图2所示的算法流程图。
[0112]
为了评估本发明所提算法的性能，利用matlab仿真工具模拟了的网络仿真场景。假设在该区域内，部署了3个宏基站、100个微基站和20个无线局域网(wlan)。其中3个5g宏基站对该区域实现了全覆盖，微基站和wlan都随机均匀分布在该区域内。此外，该区域还随机分布了3000个终端。本发明的网络场景如图1的数据平面所示，为了方便观察，其网络场景简化了5g宏基站、5g微基站、wlan和终端的数量。
[0113]
为了验证本发明所提算法能够有效缓解终端聚集而引起的负载不均的问题，所以在仿真中选取了平均负载率、负载方差、阻塞率、网络吞吐量和信令开销和时间开销来评估算法性能。为了进一步突出本发明的优越性，将发明所提算法与与文献[ali j,ahmad r w,maqsood t.,et al.network selection in heterogeneous access networks simultaneously satisfying user profile and qos[j].international journal of communication systems,2018,31(13):e3730-e3738.]中基于qos的垂直切换算法[19](qos-vho)和文献[aljeri n,boukerche a.load balancing and qos-aware network selection scheme in heterogeneous vehicular networks[c]//icc 2020-2020ieee international conference on communications(icc).dublin,ireland:ieee,2020:1-6.]中基于负载均衡和qos感知的垂直切换算法[20](lbqa)进行对比。
[0114]
图3为三种算法平均负载率与终端数量的变化曲线。平均负载率是当前接入网络的终端总和和非零负载率网络的额定容量总和的比值，其有效反映了终端在网络中的聚集情况。如图所示，随着终端数量的增加，三种算法的平均负载率都持续增加，但本发明提出的算法平均负载率最低。这是因为对比都是直接选取满意度最高的网络作为目标网络，造成大量终端接入到同一网络，引起该网络负载急剧上升。而本发明提出的算法通过对网络聚类分簇，让终端先根据相关度选择目标网络簇，再从目标网络簇中选择目标网络，将终端进行分流，一定程度上缓解了终端聚集于目标网络的现象。
[0115]
图4为三种算法负载率方差与终端数量的变化曲线。负载率方差是评价网络负载均衡的重要指标之一，其有效反映了终端在网络中均匀分布的程度。如图所示，随着终端数量的增加，三种算法的负载率方差都是先上升后下降。这是因为当终端数量较少的时候，网
络资源充足，终端可以选择效用值最高的网络作为目标网络，这会造成网络负载不均。随着终端数量的进一步增多，网络中的剩余可用资源逐渐减少，终端的可选网络变少，其分布逐渐变得均匀，负载率方差逐渐变小。三种算法中，本发明提出的算法负载率方差最低且变化差异较小，这是因为该算法通过网络聚类分簇，将终端分流，一定程度上缓解了网络负载不均的问题。此外，该算法还通过负载迁移算法均衡簇间及簇内的负载，较低了网络间负载的差异，从而实现负载均衡。
[0116]
图5为三种算法阻塞率与终端数量的变化曲线。其中，qos-vho算法的阻塞率最高，本发明提出算法的阻塞率最低。这是因为采用qos-vho作为选网算法终端会直接选取服务质量最高的网络作为目标网络，导致终端聚集并阻塞于目标网络。而在本发明提出的算法中，终端会根据相关度选择对应的网络簇，一定程度上缓解了终端聚集于目标网络的问题。此外，当某一网络或网络簇负载较高时，系统会立即通过负载迁移算法将部分终端迁移到其他网络中，避免了因网络资源不够而出现阻塞。
[0117]
图6为三种算法的网络总吞吐量与终端数量的变化曲线。在终端数量较少时，网络剩余可用资源充足，三种算法的网络总吞吐量相差不大。随着终端数量的不断增加，qos-vho算法的总吞吐量最低且基本保持不变，这是因为终端阻塞于服务质量最好的网络，导致部分终端无法获得带宽资源。虽然lbqa算法在网络选择时考虑了负载，但是由于大量终端并发执行切换，导致大量终端同时从源网络切换至新的目标网络，导致部分终端仍然因阻塞而无法获取带宽资源。因此，随着终端数量的增加，lbqa算法的吞吐量也基本保持不变。而本发明提出的算法，通过聚类划分网络簇，一定程度上避免了大量终端接入到同一目标网络。并通过负载迁移算法均衡网络负载，降低了网络阻塞率，从而提高了网络的总吞吐量。
[0118]
图7显示了随着终端数量增加时，三种切换算法的信令开销占总资源消耗的比值对比。当终端数量较少时，此时本发明提出的算法信令开销略高于其他对比算法，这是因为在对网络聚类分簇时产生了一定的信令开销。随着终端数量的不断增加，本发明提出算法的信令开销低于其他对比算法，产生这种现象的原因是系统在负载迁移阶段，大部分是簇间负载迁移。由于本发明采用sdn二级控制器管理网络簇内负载迁移，并且通过sdn可编程的特性，使同一网络簇内接入点共享终端注册信息，减少了切换时的信令开销。
[0119]
图8为三种算法的时间开销变化曲线。随着终端数量的增加，三种算法的时间开销也随之不断增加。但当终端数量较少时，本发明所提算法的时间开销略高于对比算法。这是因为在对网络聚类分簇时产生了一定的时间开销，并且其他两种对比算法在网络资源充足时，直接选择评分最高的网络接入，其时间开销较小。但当终端数量达至900左右时，qos-vho的时间开销则超过了本发明所提算法。这是因为此时网络资源变得较少，qos-vho算法中被阻塞的终端则会进行多次切换，造成算法的时间开销大幅增加。而本发明所提算法通过网络聚类分簇和负载迁移，一定程度上减少了终端因阻塞而引起的切换次数，并通过引入sdn来控制切换，一定程度上减少了切换时的时间开销。
[0120]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要
素的过程、方法、商品或者设备中还存在另外的相同要素。
[0121]
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

技术特征：
1.一种超密集异构无线网络中基于sdn和网络聚类的切换判决方法，其特征在于，包括以下步骤：101、网络聚类：通过k-means算法和遗传算法对网络聚类，将地理位置相近且重叠覆盖区域面积大的网络划分为同一网络簇，网络聚类算法由sdn一级控制器集中控制实现；102、为终端选择目标网络：首先，系统根据终端与网络簇的相关度选择目标网络簇。然后，根据终端和簇内网络的可接入关系生成候选网络集，最后采用基于fahp和熵权法的多属性决策算法为终端选择效用值最高的网络作为目标网络；103、负载迁移：sdn一级控制器实时监测全局网络负载状态，当网络簇间负载异常时，则会执行簇间负载迁移算法，均衡网络簇间负载。sdn二级控制器实时监测网络簇内负载状态，当网络簇内的网络负载异常时，则会执行簇内负载迁移算法，均衡网络簇内负载。。2.根据权利要求1所述的一种超密集异构无线网络中基于sdn和网络聚类的切换判决方法，其特征在于，所述步骤101网络聚类，具体包括：(1)生成初始种群；(2)计算种群中每个个体的适应度；(3)通过选择、交叉、变异、k-means聚类操作，产生新一代群体；(4)重复(2)、(3)，直至达到最大迭代次数；(5)计算最新一代群体的适应度，选择其最大适应度的个体作为k-means聚类的初始聚类中心，生成对应的网络簇。3.根据权利要求2所述的一种超密集异构无线网络中基于sdn和网络聚类的切换判决方法，其特征在于，所述步骤(1)生成初始种群，具体包括：为了获取全局最优解，初始种群完全随机生成。从网络样本中选取k个基站的坐标作为初始聚类中心点并对其进行浮点数编码。重复m次，直至获取初始种群，其中m为初始种群的大小。4.根据权利要求2所述的一种超密集异构无线网络中基于sdn和网络聚类的切换判决方法，其特征在于，所述步骤(2)计算种群中每个个体的适应度，具体包括：设计适应度函数。适应度用来衡量个体性能的优良程度，适应度函数的设计直接影响到最优解的寻找和算法收敛的速度。在超密集异构无线网络场景中，存在网络覆盖区域重叠，这是迁移算法实现的前提条件。因此，考虑用网络簇内的重叠区域的面积和来设计适应度函数，则适应度函数如下：式(1)中，f
i
为第i个体的适应度，k为网络簇的个数，e
j
为网络簇j的重叠区域面积和，其计算公式如下：式(2)中，c
j
为网络簇j的网络数量，s
i1,i2
为网络i1和网络的i2重叠区域面积。
5.根据权利要求2所述的一种超密集异构无线网络中基于sdn和网络聚类的切换判决方法，其特征在于，所述步骤(3)通过选择、交叉、变异、k-means聚类操作，产生新一代群体，具体包括：(1)设计选择算子。采用轮盘赌法来选取个体，个体被选中的概率与其适应度值大小直接相关，适应度值越高的个体，参与后代繁殖的概率越高。对于每个个体，其被选择的概率如下：式(3)中，f
i
为个体i的适应度值，p
i
为个体i被选中的概率。(2)设计交叉算子。遗传算法中的交叉操作，是指两个个体按照某种规则交换其部分染色体，已形成新的个体。对个体采用的是浮点数编码，因此采用算术交叉算子。假设两个个体x1、x2，其生成的新个体为x
′1、x
′2：式(4)中η为(0,1)之间的随机数。(3)设计变异算子。遗传算法中的变异操作是为了保持个体的多样性，防止遗传算法非成熟收敛。采用均匀变异算子，其基本思想为：从染色体变异位置的取值范围内随机选取一个值进行替换。x
″
＝u
min
+μ(u
max-u
min
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)式(4)中η为(0,1)之间的随机数。(4)但是在遗传算法中固定交叉概率和变异概率常常会导致个体间的竞争减弱，同时会使遗传算法的收敛速度减慢，甚至会导致算法未成熟收敛，无法得出全局最优解。因此，考虑采用自适应的交叉概率和变异概率。将低适应度的个体直接进行交叉操作，而将高适应度个体以一定概率进行交叉操作。这样既保留了高适应度个体的特征，又将低适应度的个体进行交叉进化，进一步提高了算法的全局搜索能力。自适应交叉概率p
c
的公式为：式(6)中，f
avg
为当前种群平均适用度值，f
max
为当前种群最大适应度值，f
′
为在交叉操作中两个个体中的较大适应度值。同理，将高于平均适应度的个体采取低概率变异，以此来保留高适应度个体的特征，低于平均适应度值得个体直接采取变异操作，使其高概率的被淘汰。自适应交叉概率p
m
的公式为：
(5)由于k-means算法有较强的局部搜索能力，因此以变异操作后生成的新个体作为初始网络聚类中心点，进行k-means聚类操作，计算新的聚类中心，并将其编码替换掉原本个体，以加快遗传算法的收敛速度。通过算法的不断迭代，最终得到最理想的网络划分，生成相应的网络簇。6.根据权利要求1所述的一种超密集异构无线网络中基于sdn和网络聚类的切换判决方法，其特征在于，所述步骤102为终端选择目标网络，具体包括：(1)根据终端与网络簇的相关度选择相关度最高的网络簇作为终端的目标网络簇；(2)采用fahp和熵权法分别计算主客观权重；(3)计算综合权重并选择目标网络。7.根据权利要求6所述的一种超密集异构无线网络中基于sdn和网络聚类的切换判决方法，其特征在于，所述步骤(1)根据终端与网络簇的相关度选择相关度最高的网络簇作为终端的目标网络簇，具体包括：将网络簇中终端可接入网络的数量定义为终端与网络簇的相关度，在t时刻，终端j与网络簇y的相关度o
y,j
(t)为：式(8)中，c
y
为网络簇y的网络数量。在t时刻终端与网络簇的相关度矩阵o(t)为：式(9)中，k为网络环境中网络簇的个数。8.根据权利要求6所述的一种超密集异构无线网络中基于sdn和网络聚类的切换判决方法，其特征在于，所述步骤(2)采用fahp和熵权法分别计算主客观权重，具体包括：终端在选网时偏向于选择能满足其qos需求的接入点，因此选用可用带宽b、时延d、丢包率pl、rss和负载率l这五种qos属性来作为选网参数。现有对于权重求取的算法大多存在求解复杂或主观性过强的缺点。因此采用fahp和熵权法分别求取主、客观权重。算法流程如下。1)采用fahp计算主观权重
建立模糊一致矩阵。将可用带宽b、时延d、丢包率pl、rss和负载率l进行两两比较，采用表1所示的比较标度方法，来定量参数之间重要性的相对程度。表1比较度量表最终得到模糊互补判断矩阵r：计算权重向量。对模糊互补判断矩阵求解权重，其计算公式如下：式(11)中，q为选网参数的个数，d为模糊判断矩阵的行数。将模糊判断矩阵代入求解得到主观权重向量：α＝(0.23,0.18,0.155,0.205,0.23)然后对模糊判断矩阵进行一致性检验，需对其进行模糊化处理，其公式如下：得到模糊一致性矩阵w(w
i,j
)
d
×
d
。利用公式(14)对模糊判断矩阵进行一致性检验。如果一致性检验指标(通常设为＝0.1)，则模糊判断矩阵通过一致性检验。反之，则需重新调整模糊判决矩阵，重复上述步骤，直至通过一致性检验。值越小表示模糊判决矩阵的一致性要求越高。将r、w代入公式(13)求得，ci(r,w)＝0.082，则证明模糊判决矩阵具有一致性，得到的主观权重是合理的。(2)采用熵权法计算客观权重分别将效益型指标(可用带宽)和成本型指标(时延、丢包率、rss和负载)标准化处理，然后计算各指标熵值，最后求得参数的客观权重向量β＝(β1,β2,...,β
q
)。9.根据权利要求6所述的一种超密集异构无线网络中基于sdn和网络聚类的切换判决方法，其特征在于，所述步骤(3)计算综合权重并选择目标网络，具体包括：
通过上述fahp和熵权法分别得到主观权重向量α和客观权重向量β。为了使综合权重尽可能充分考虑主客观权重，而不偏重其中任意一项。采用如下公式计算综合权重：式(14)中，ω
i
为参数i的综合权重，q为参数的个数。最后得到综合权重向量：ω＝[ω1,ω2,...,ω
q
]。根据上述得到的综合权重，计算网络效用值：式(15)中，z
j
为参数j归一化后的值。在切换判决时，在终端的候选网络集合中选取效用值最大的网络作为其目标网络。10.根据权利要求1所述的一种超密集异构无线网络中基于sdn和网络聚类的切换判决方法，其特征在于，所述步骤103负载迁移，具体包括：(1)全局网络平局负载程度和网络簇内平均负载程度当网络的负载过高时，会导致时延和掉话率的增加，影响终端的体验质量。所以，本发明采用sdn控制器实时监测网络负载，根据网络实时负载状态执行相应的负载迁移算法，缓解网络拥塞程度。负载迁移算法分为网络簇内负载迁移算法和网络簇间负载迁移算法，其相关参数定义如下。本发明通过全局网络接入终端数量总和与最大可容纳终端总和的比值表示网络的平均负载程度。例如当前全局网络中有n个网络，u
i
为网络i当前接入的终端数，σ
i
为网络i最大可容纳终端数，则全局网络的平均负载程度可表示为：将全局网络聚类生成k个网络簇，网络簇j内的网络数量为c
j
，则网络簇j内的平均负载为：2)网络簇内负载负载迁移网络簇内负载迁移算法由sdn二级控制器控制实现，通过sdn可编程性的特性，使同一网络簇之间的接入点共享终端注册信息，减少了终端切换时的信令开销和切换时延。当网
络簇中某一网络负载达到簇内负载阈值时，则说明该网络簇内负载异常，需进行簇内负载迁移，将部分终端迁移到簇内负载较低的网络中。为了终端在迁出时有更多的网络选择，尽可能保证其切换后的服务质量，本发明优先考虑迁出与该网络簇相关度较高的终端，并且从候选网络中选择负载较低且效用值较高的网络作为该终端迁移的目标网络。其中，网络簇j内负载阈值ρ-thr
j
设置为网络簇j的平均负载加上偏移值θ1。即(3)网络簇间负载迁移sdn一级控制器实时监测着整个网络环境，因此网络簇间负载迁移算法则由sdn一级控制器集中控制实现。当网络簇内的平均负载达到簇间迁移阈值时，则说明网路簇间负载异常。此时簇内负载迁移已不能解决其高负载的问题，需将终端迁移到相邻且平均负载较低的网络簇中。同簇内负载迁移算法一样，优先考虑迁出与目标网络簇相关度较高的终端，在目标网络簇中选择负载较低且效用值较高的网络作为终端迁移的目标网络。其中，网络簇间负载阈值ρ-thr
globle
设置为全局网络平均负载加上偏移值θ2。即

技术总结
本发明请求保护一种超密集异构无线网络中基于SDN和网络聚类的切换判决算法，属于移动通信领域。针对大量终端聚集导致网络负载不均和终端服务质量下降的问题，提出一种基于SDN和网络聚类的切换判决算法。首先，采用K-means算法和遗传算法将网络聚类，划分网络簇，然后为终端选择相关度最高的网络簇作为目标网络簇。其次，采用基于模糊层次分析法和熵权法的多属性决策算法，在目标网络簇中为终端选择效用值最高的网络作为目标网络并执行切换。同时，SDN控制器实时监测整个网络的负载状态，当网络负载异常时执行负载迁移算法均衡网络负载。仿真实验表明，本方法能够在均衡网络负载的前提下，提高网络吞吐量，提升终端的服务质量。质量。质量。


技术研发人员：马彬 杨桃 邓华维
受保护的技术使用者：重庆邮电大学
技术研发日：2022.12.27
技术公布日：2023/8/9