利用數(shù)據(jù)挖掘的網(wǎng)絡(luò)智能感知與自適應(yīng)優(yōu)化

摘要：文章提出了一種利用數(shù)據(jù)挖掘的自適應(yīng)優(yōu)化方法。該方法將自優(yōu)化問(wèn)題與數(shù)據(jù)挖掘技術(shù)相結(jié)合，利用數(shù)據(jù)挖掘技術(shù)對(duì)海量數(shù)據(jù)進(jìn)行處理，找出表示其中內(nèi)在規(guī)律的知識(shí)，利用這些知識(shí)進(jìn)行網(wǎng)絡(luò)自適應(yīng)優(yōu)化。文章以通話業(yè)務(wù)時(shí)長(zhǎng)預(yù)測(cè)分析為例進(jìn)行分析，結(jié)果表明利用數(shù)據(jù)挖掘進(jìn)行業(yè)務(wù)預(yù)測(cè)的精度高于傳統(tǒng)的統(tǒng)計(jì)分析方法，論文分析在C-RAN架構(gòu)下利用數(shù)據(jù)挖掘?qū)W(wǎng)絡(luò)狀態(tài)進(jìn)行預(yù)測(cè)是可行的。

關(guān)鍵詞：自優(yōu)化；數(shù)據(jù)挖掘；C-RAN架構(gòu)網(wǎng)絡(luò)；基帶資源池

Abstract：In this paper， we propose a self-optimization method based on data mining. With this method， mass data can be processed and laws can be found for self-optimization. We analyze call service prediction and show that using data mining to predict services is more accurate than using statistical methods to predict services. We present data mining technology that can be used for network prediction in a C-RAN architecture.

Key words：self-optimization； data mining； C-RAN networks； baseband resource pool

自組織（Self-organizing）一詞來(lái)自于物理學(xué)中，指的是這樣的一類(lèi)物理現(xiàn)象：系統(tǒng)無(wú)需外界指令，而能自行組織，自行創(chuàng)生，自行演化。根據(jù)物理學(xué)家的研究成果，系統(tǒng)演化的動(dòng)力是系統(tǒng)中各個(gè)個(gè)體之間通過(guò)競(jìng)爭(zhēng)，使得個(gè)體與個(gè)體存在協(xié)同性，從而使系統(tǒng)表現(xiàn)出一個(gè)或幾個(gè)趨勢(shì)。也就是說(shuō)，是系統(tǒng)中的不同個(gè)體之間的相互作用，形成了整體的一種規(guī)律的表現(xiàn)[1]。

在文獻(xiàn)[2]中，Christian Prehofer和Christian Bettstetter首先將自組織的概念引入到通信網(wǎng)絡(luò)中，通過(guò)通信網(wǎng)絡(luò)中的個(gè)體感知網(wǎng)絡(luò)中可以感知的環(huán)境，并且對(duì)環(huán)境進(jìn)行自適應(yīng)的調(diào)整，以這種網(wǎng)絡(luò)中單個(gè)實(shí)體的行為來(lái)實(shí)現(xiàn)網(wǎng)絡(luò)的整體優(yōu)化。在該文獻(xiàn)中還闡述了自組織網(wǎng)絡(luò)應(yīng)該具有自配置、自優(yōu)化和自愈合3個(gè)功能，其后，學(xué)術(shù)界多從這3個(gè)方面開(kāi)展自組織網(wǎng)絡(luò)的研究。

網(wǎng)絡(luò)自優(yōu)化問(wèn)題顯然是自組織網(wǎng)絡(luò)中的一個(gè)重要的方面，是指網(wǎng)絡(luò)設(shè)備在網(wǎng)絡(luò)的運(yùn)行過(guò)程中，自適應(yīng)地調(diào)整自身的參數(shù)或者相關(guān)的資源管理策略，以達(dá)到提高網(wǎng)絡(luò)性能的目的。自優(yōu)化技術(shù)對(duì)于節(jié)省優(yōu)化人員工作，降低網(wǎng)絡(luò)的運(yùn)營(yíng)維護(hù)成本具有重要的意義。

目前已經(jīng)有網(wǎng)絡(luò)的自優(yōu)化方法的相關(guān)研究，比如在文獻(xiàn)[3]中已經(jīng)指出，自組織網(wǎng)絡(luò)中的自優(yōu)化內(nèi)容可以是容量、無(wú)線網(wǎng)絡(luò)的覆蓋優(yōu)化，并且給出了無(wú)線網(wǎng)絡(luò)中容量與小區(qū)覆蓋的自組織優(yōu)化流程。它包括3個(gè)步驟：容量和覆蓋問(wèn)題檢測(cè)、做出參數(shù)調(diào)整決策、調(diào)整決策的執(zhí)行。其中容量和覆蓋問(wèn)題檢測(cè)是檢測(cè)網(wǎng)絡(luò)狀態(tài)，而參數(shù)調(diào)整決策則是通過(guò)一定的算法來(lái)對(duì)參數(shù)調(diào)整方案進(jìn)行求解，調(diào)整決策執(zhí)行包括功率發(fā)射參數(shù)、小區(qū)重選優(yōu)先級(jí)以及天線下傾角以及天線俯仰角等參數(shù)的優(yōu)化；在文獻(xiàn)[3]中還指出了自組織移動(dòng)健壯優(yōu)化，包括切換管理與負(fù)載均衡的優(yōu)化，指出從接入策略的角度可以實(shí)現(xiàn)快速移動(dòng)、慢速移動(dòng)用戶的區(qū)別對(duì)待，從而使得網(wǎng)絡(luò)資源利用更加優(yōu)化。

上述提出的這些自組織優(yōu)化具很高的價(jià)值，然而在演進(jìn)型基站（eNodeB）中，單純地通過(guò)一個(gè)小區(qū)中的數(shù)據(jù)來(lái)進(jìn)行優(yōu)化顯然是不足的。比如，針對(duì)移動(dòng)用戶的覆蓋與容量自組織優(yōu)化，不僅需要鄰居小區(qū)列表，而且需要鄰居小區(qū)的覆蓋情況信息；再比如切換與負(fù)載問(wèn)題中，單純地從一個(gè)小區(qū)的信息來(lái)進(jìn)行優(yōu)化，顯然不能夠?qū)K端的移動(dòng)性進(jìn)行預(yù)測(cè)，小區(qū)之間的負(fù)載均衡也會(huì)因此而性能不夠理想，這就需要不同小區(qū)之間信息的相互交互，但是這樣就會(huì)增加網(wǎng)絡(luò)開(kāi)銷(xiāo)。

1 數(shù)據(jù)挖掘技術(shù)相關(guān)背景

1.1 數(shù)據(jù)挖掘技術(shù)

最近這些年來(lái)，隨著科學(xué)技術(shù)和信息技術(shù)的發(fā)展，人們所接觸到的信息量種類(lèi)越來(lái)越多，信息量越來(lái)越大。而這些海量的信息中雖然蘊(yùn)含著我們所想知道的一些知識(shí)，但是需要對(duì)這些數(shù)據(jù)進(jìn)行處理，將所需要的知識(shí)挖掘出來(lái)，這就是數(shù)據(jù)挖掘的產(chǎn)生背景與目的。

數(shù)據(jù)挖掘是通過(guò)仔細(xì)分析大量數(shù)據(jù)來(lái)揭示其中有意義的新關(guān)系新趨勢(shì)的過(guò)程，從大量的數(shù)據(jù)中提取其中人們所關(guān)心的一些潛在的信息知識(shí)的過(guò)程。該研究領(lǐng)域是一門(mén)將人工智能、數(shù)據(jù)庫(kù)技術(shù)、統(tǒng)計(jì)學(xué)、機(jī)器學(xué)習(xí)和模式識(shí)別等多個(gè)領(lǐng)域相互融合的技術(shù)，自20世紀(jì)80年代產(chǎn)生以來(lái)受到多個(gè)學(xué)科的研究人員關(guān)注。

數(shù)據(jù)挖掘的主要任務(wù)是發(fā)現(xiàn)隱藏在數(shù)據(jù)中的模式，從而發(fā)現(xiàn)這些模式中的一些內(nèi)在的規(guī)律和趨勢(shì)。這些數(shù)據(jù)可能是不完全的、有噪聲的、模糊的，但是一定是大量的數(shù)據(jù)。數(shù)據(jù)挖掘的流程和方法如圖1所示[4]。

圖1中數(shù)據(jù)挖掘可以分為3個(gè)階段：數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘、知識(shí)存儲(chǔ)。數(shù)據(jù)預(yù)處理是指將原始的數(shù)據(jù)處理成為便于挖掘的數(shù)據(jù)等操作；數(shù)據(jù)挖掘是指從預(yù)處理的數(shù)據(jù)中發(fā)現(xiàn)其中的內(nèi)在聯(lián)系和特征，形成知識(shí)；知識(shí)存儲(chǔ)是將挖掘出來(lái)的知識(shí)進(jìn)行存儲(chǔ)以便于利用，具體的相關(guān)內(nèi)容請(qǐng)查閱數(shù)據(jù)挖掘的專(zhuān)業(yè)文獻(xiàn)。

目前，數(shù)據(jù)挖掘技術(shù)通過(guò)一段時(shí)間的發(fā)展取得了一定的成果，在分類(lèi)預(yù)測(cè)模型方法上面，已經(jīng)有諸如決策樹(shù)方法、神經(jīng)網(wǎng)絡(luò)方法、規(guī)則歸納方法、支持向量機(jī)方法、貝葉斯方法、回歸分析方法、K-最近鄰方法、組合學(xué)習(xí)方法等。這表明數(shù)據(jù)挖掘技術(shù)已發(fā)展到了一定的水平，對(duì)大規(guī)模數(shù)據(jù)處理和預(yù)測(cè)已經(jīng)具有了較好的基礎(chǔ)。

1.2 C-RAN架構(gòu)及其特點(diǎn)

在文獻(xiàn)[4]中提出了一種新型的綠色節(jié)能無(wú)線接入網(wǎng)架構(gòu)——C-RAN架構(gòu)，并且中國(guó)也啟動(dòng)了針對(duì)該架構(gòu)的國(guó)家科技重大專(zhuān)項(xiàng)，目前中國(guó)多家大型的移動(dòng)通信企業(yè)，如中興通訊、華為、大唐都投入到該項(xiàng)目的研發(fā)中。無(wú)線接入網(wǎng)（RAN）架構(gòu)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示[5]。

在該網(wǎng)絡(luò)架構(gòu)下，基帶資源池以云計(jì)算的模式對(duì)多個(gè)小區(qū)進(jìn)行資源管理，從而可以較大地降低運(yùn)營(yíng)成本。由于網(wǎng)絡(luò)狀態(tài)信息較為集中，在提高網(wǎng)絡(luò)智能化等方面具有很好的優(yōu)勢(shì)。

在C-RAN架構(gòu)下的無(wú)線接入網(wǎng)絡(luò)具有如下特點(diǎn)：

（1）數(shù)據(jù)量龐大

在C-RAN架構(gòu)下，很顯然一個(gè)基帶資源池是需要處理一個(gè)較大區(qū)域網(wǎng)絡(luò)基帶資源業(yè)務(wù)，而這個(gè)區(qū)域的所有小區(qū)的基帶資源都存儲(chǔ)在這個(gè)基帶資源池中，這些數(shù)據(jù)的量與所覆蓋的小區(qū)數(shù)量是大致呈線性增長(zhǎng)的。如果用最優(yōu)化的方法進(jìn)行分析處理，則計(jì)算量會(huì)隨著數(shù)據(jù)量的增加而呈現(xiàn)快速增加，這對(duì)于實(shí)現(xiàn)來(lái)說(shuō)帶來(lái)了很大的困難。

（2）數(shù)據(jù)更加豐富

由于在網(wǎng)絡(luò)中會(huì)采用虛擬基站集群處理一個(gè)較大區(qū)域的網(wǎng)絡(luò)業(yè)務(wù)，與單一小區(qū)分別處理和數(shù)據(jù)存儲(chǔ)相比較，其中所蘊(yùn)含的信息更加豐富，比如由于運(yùn)動(dòng)所引起的移動(dòng)終端切換，在原服務(wù)小區(qū)可以對(duì)目標(biāo)小區(qū)的資源優(yōu)化提供相應(yīng)的信息，從而使得目標(biāo)小區(qū)能夠更好地進(jìn)行資源優(yōu)化管理。正是由于這種構(gòu)架下處理和存儲(chǔ)網(wǎng)絡(luò)的多個(gè)小區(qū)的網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)，所蘊(yùn)含的有用的信息資源更加豐富，為實(shí)現(xiàn)多個(gè)小區(qū)之間相互協(xié)調(diào)的自適應(yīng)優(yōu)化提供了可能。

（3）小區(qū)間的數(shù)據(jù)不再需要交互

由于C-RAN架構(gòu)下虛擬基站集群處理和存儲(chǔ)的是各個(gè)小區(qū)的數(shù)據(jù)，采用的云計(jì)算的模式來(lái)進(jìn)行處理的，換句話說(shuō)其中的數(shù)據(jù)包含了多個(gè)小區(qū)的數(shù)據(jù)，因此在多個(gè)小區(qū)相互協(xié)調(diào)優(yōu)化的過(guò)程中，不需要小區(qū)之間頻繁的相互更新網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)信息。自組織的目的是通過(guò)小區(qū)對(duì)周?chē)h(huán)境（臨近小區(qū)）的監(jiān)測(cè)來(lái)調(diào)整自身策略，從而實(shí)現(xiàn)網(wǎng)絡(luò)優(yōu)化，而這就需要小區(qū)不斷監(jiān)測(cè)與查詢周?chē)^(qū)的網(wǎng)絡(luò)狀態(tài)。在C-RAN架構(gòu)網(wǎng)絡(luò)中，因?yàn)樗械臄?shù)據(jù)都存儲(chǔ)在虛擬基站集群當(dāng)中，因此不需要通過(guò)小區(qū)之間相互通信就能感知網(wǎng)絡(luò)情況，可以節(jié)約大量的資源。

2 C-RAN架構(gòu)下的自優(yōu)化

2.1 C-RAN架構(gòu)下的自適應(yīng)網(wǎng)絡(luò)優(yōu)化

在C-RAN架構(gòu)下，因?yàn)閿?shù)據(jù)都集中在虛擬基站集群部分，因此數(shù)據(jù)挖掘也針對(duì)虛擬基站集群中所存儲(chǔ)的數(shù)據(jù)進(jìn)行挖掘。其結(jié)構(gòu)示意圖如圖3所示。

圖3中數(shù)據(jù)預(yù)處理是指對(duì)所記錄的網(wǎng)絡(luò)狀態(tài)的數(shù)據(jù)、歷史數(shù)據(jù)等進(jìn)行一個(gè)處理，是把原來(lái)不是數(shù)值化表示的參數(shù)進(jìn)行數(shù)值化描述，并且對(duì)所有的參數(shù)都進(jìn)行一定的映射，這樣做的目的是避免參數(shù)之間存在數(shù)量級(jí)別上的過(guò)大差距，避免在挖掘過(guò)程中出現(xiàn)某些參數(shù)被其他數(shù)量級(jí)過(guò)大的參數(shù)吞掉而不起作用。

數(shù)據(jù)挖掘過(guò)程就是指根據(jù)數(shù)據(jù)挖掘的相關(guān)方法，將這些數(shù)據(jù)的特征發(fā)現(xiàn)出來(lái)，以數(shù)學(xué)的形式表達(dá)參數(shù)之間的內(nèi)在關(guān)系。

知識(shí)庫(kù)是將通過(guò)數(shù)據(jù)挖掘出來(lái)的參數(shù)特征集中存儲(chǔ)。使后續(xù)網(wǎng)絡(luò)自適應(yīng)優(yōu)化能直接使用。

自適應(yīng)的網(wǎng)絡(luò)優(yōu)化是指通過(guò)對(duì)網(wǎng)絡(luò)狀態(tài)參數(shù)的監(jiān)控，通過(guò)已經(jīng)觀測(cè)到的某些參數(shù)，根據(jù)知識(shí)庫(kù)中的參數(shù)特征知識(shí)來(lái)進(jìn)行網(wǎng)絡(luò)狀態(tài)預(yù)測(cè)，并且根據(jù)預(yù)測(cè)結(jié)果來(lái)進(jìn)行網(wǎng)絡(luò)的優(yōu)化和資源調(diào)度。利用上述方法可以實(shí)現(xiàn)網(wǎng)絡(luò)的實(shí)時(shí)的、自適應(yīng)的網(wǎng)絡(luò)優(yōu)化。

2.2 C-RAN構(gòu)架下網(wǎng)絡(luò)狀態(tài)感知與

預(yù)測(cè)

為了驗(yàn)證數(shù)據(jù)挖掘方法對(duì)數(shù)據(jù)中知識(shí)挖掘的感知與預(yù)測(cè)的準(zhǔn)確性，我們對(duì)某城市中若干個(gè)小區(qū)的業(yè)務(wù)進(jìn)行了分析驗(yàn)證。這些數(shù)據(jù)中，每條記錄包含話務(wù)時(shí)間、接通方式、通話類(lèi)型（局間/局內(nèi)）、建立延遲、指配請(qǐng)求時(shí)延、指配完成時(shí)延等11個(gè)參數(shù)進(jìn)行數(shù)據(jù)挖掘。挖掘方法采用的是運(yùn)用K-means聚類(lèi)算法進(jìn)行聚類(lèi)方法，通過(guò)對(duì)數(shù)據(jù)分類(lèi)從而實(shí)現(xiàn)數(shù)據(jù)特征提取，并根據(jù)所得到的數(shù)據(jù)特征知識(shí)對(duì)另外的通話時(shí)間長(zhǎng)度進(jìn)行預(yù)測(cè)。由于C-RAN架構(gòu)網(wǎng)絡(luò)還沒(méi)有建立，不能使用真正的C-RAN架構(gòu)下的無(wú)線網(wǎng)絡(luò)數(shù)據(jù)進(jìn)行驗(yàn)證，而是采用了若干個(gè)相鄰小區(qū)的業(yè)務(wù)進(jìn)行分析驗(yàn)證。由于條件限制，所采用的小區(qū)數(shù)量較少，所采用的記錄也嚴(yán)重存在數(shù)量不足，只對(duì)3 000多條記錄進(jìn)行了挖掘，而且暫時(shí)沒(méi)有實(shí)現(xiàn)自適應(yīng)地挖掘與預(yù)測(cè)。實(shí)現(xiàn)過(guò)程概括如下：

（1）首先數(shù)據(jù)進(jìn)行歸一化處理，將數(shù)據(jù)規(guī)約到0與1，消除不同屬性之間的不同量綱對(duì)結(jié)果產(chǎn)生的影響。

（2）根據(jù)K≤ n 的結(jié)論可以確定K值的范圍，得出歸一化后的數(shù)據(jù)通過(guò)上述K-means優(yōu)化算法保證代價(jià)函數(shù)在此范圍內(nèi)取值最小，計(jì)算出最優(yōu)K值。

（3）根據(jù)所得K值，運(yùn)用K-means聚類(lèi)算法分出K類(lèi)，同時(shí)概括各類(lèi)的特征。

（4）根據(jù)各類(lèi)的特征對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)，對(duì)于抑制某些參數(shù)而尚不知道通話時(shí)間參量的數(shù)據(jù)，根據(jù)已知的參數(shù)，按照數(shù)據(jù)挖掘出的各個(gè)類(lèi)的特征進(jìn)行歸類(lèi)，利用所屬類(lèi)的特征來(lái)對(duì)該業(yè)務(wù)的通話時(shí)間進(jìn)行預(yù)測(cè)。預(yù)測(cè)結(jié)果如圖4所示。

圖4中橫坐標(biāo)指的是我們用于數(shù)據(jù)挖掘的記錄數(shù)量，縱坐標(biāo)是對(duì)一些業(yè)務(wù)的通話長(zhǎng)度進(jìn)行預(yù)測(cè)的平均誤差，其中聚類(lèi)精度指的是以統(tǒng)計(jì)的方式得到的預(yù)測(cè)平均誤差情況，統(tǒng)計(jì)精度指的是以數(shù)據(jù)挖掘方式得到的誤差情況。從圖中可以看出對(duì)于多個(gè)小區(qū)聯(lián)合的數(shù)據(jù)挖掘預(yù)測(cè)方法所產(chǎn)生的誤差，明顯低于用統(tǒng)計(jì)的方法得到的預(yù)測(cè)誤差，這表明數(shù)據(jù)挖掘?qū)W(wǎng)絡(luò)的業(yè)務(wù)預(yù)測(cè)比統(tǒng)計(jì)預(yù)測(cè)方法更加準(zhǔn)確。這說(shuō)明利用數(shù)據(jù)挖掘是進(jìn)行業(yè)務(wù)特征的預(yù)測(cè)是比較準(zhǔn)確的。

同時(shí)圖中也存在著一些平均誤差的波動(dòng)情況，這是由于用來(lái)進(jìn)行數(shù)據(jù)挖掘的業(yè)務(wù)記錄數(shù)量較小造成的。

另外一方面，由于此次分析驗(yàn)證采用的業(yè)務(wù)量數(shù)據(jù)太少，不能對(duì)網(wǎng)絡(luò)中終端的切換性能、負(fù)載均衡等方面的預(yù)測(cè)與優(yōu)化進(jìn)行性能分析。

3 結(jié)束語(yǔ)

網(wǎng)絡(luò)的自組織技術(shù)中自優(yōu)化技術(shù)是其中的關(guān)鍵技術(shù)之一，針對(duì)C-RAN架構(gòu)的無(wú)線通信網(wǎng)絡(luò)特點(diǎn)進(jìn)行分析，得出在C-RAN架構(gòu)的無(wú)線網(wǎng)絡(luò)下，由于采用的是云計(jì)算分析模式，其中存儲(chǔ)著多個(gè)小區(qū)的網(wǎng)絡(luò)狀態(tài)信息，數(shù)據(jù)量非常巨大，而且其中也蘊(yùn)含著表征小區(qū)內(nèi)部、小區(qū)之間相互聯(lián)系的一些知識(shí)信息。針對(duì)這個(gè)特點(diǎn)，提出在C-RAN網(wǎng)絡(luò)架構(gòu)下將自優(yōu)化問(wèn)題與數(shù)據(jù)挖掘技術(shù)相結(jié)合，利用數(shù)據(jù)挖掘技術(shù)對(duì)海量數(shù)據(jù)進(jìn)行挖掘，找出表示其中內(nèi)在規(guī)律的知識(shí)，網(wǎng)絡(luò)利用這些知識(shí)進(jìn)行自適應(yīng)優(yōu)化。本文僅僅是對(duì)網(wǎng)絡(luò)中的通信業(yè)務(wù)時(shí)長(zhǎng)進(jìn)行了分析，而在實(shí)際的C-RAN架構(gòu)網(wǎng)絡(luò)中，在虛擬基站集群的模式下，網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)更加龐大、更加復(fù)雜，對(duì)基帶信號(hào)等進(jìn)行數(shù)據(jù)挖掘?qū)⒏訌?fù)雜，也可能會(huì)有更有意義的知識(shí)被挖掘出來(lái)。

然而目前的殊絕挖掘雖然具有較為完備的技術(shù)，但是這些技術(shù)在C-RAN構(gòu)架無(wú)線網(wǎng)絡(luò)下進(jìn)行應(yīng)用，仍然是需要進(jìn)一步研究的關(guān)鍵技術(shù)之一；另外一方面，C-RAN構(gòu)架無(wú)線網(wǎng)絡(luò)的狀態(tài)數(shù)據(jù)是動(dòng)態(tài)變化的，如何實(shí)現(xiàn)動(dòng)態(tài)的自適應(yīng)的挖掘，以及如何對(duì)所挖掘的知識(shí)進(jìn)行應(yīng)用也是很有意義的研究?jī)?nèi)容。

參考文獻(xiàn)

[1] 哈肯 H. 協(xié)同學(xué)， 引論： 物理學(xué)、化學(xué)和生物學(xué)中的非平衡相變和自組織 [M]. 徐錫申， 陳式剛， 陳雅深， 等， 譯. 北京： 原子能出版社， 1984.

[2] PREHOFER C， BETTSTETTER C. Self-organization in communication networks： Principles and design paradigms [J]. Communications Magazine， 2005，43（7）：78-85.

[3] 張軍， 張平. IMT_Advanced系統(tǒng)中的自組織網(wǎng)絡(luò)技術(shù) [J]. 中興通訊技術(shù)， 2011，17（5）：1-4.

[4] 朱明. 數(shù)據(jù)挖掘 [M]. 合肥：中國(guó)科學(xué)技術(shù)大學(xué)出版社， 2002.

[5] 王曉云， 黃宇紅， 崔春風(fēng)， 等. C-RAN：面向綠色的未來(lái)無(wú)線接入網(wǎng)演進(jìn) [J]. 中國(guó)通信， 2010（3）：107-112.

收稿日期：2012-11-05

作者簡(jiǎn)介

劉占軍，重慶郵電大學(xué)在讀博士研究生，重慶郵電大學(xué)副教授、碩士生導(dǎo)師；主要研究方向無(wú)線接入網(wǎng)絡(luò)。

陳前斌，重慶郵電大學(xué)教授，博士研究生導(dǎo)師；主要研究方向?yàn)槎嗝襟w傳輸技術(shù)、下一代網(wǎng)絡(luò)技術(shù)。