基于用戶個(gè)性化需求的網(wǎng)絡(luò)接入選擇算法

馬 彬，李江帆，謝顯中

(1.重慶郵電大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，重慶 400065；2.重慶郵電大學(xué) 重慶市計(jì)算機(jī)網(wǎng)絡(luò)與通信技術(shù)重點(diǎn)實(shí)驗(yàn)室，重慶 400065)

0 引 言

隨著社會(huì)的不斷進(jìn)步和通信技術(shù)的高速發(fā)展， 人類跨入無處不在的移動(dòng)互聯(lián)、互通時(shí)代、智能終 端、無線局域網(wǎng)、車聯(lián)網(wǎng)、移動(dòng)支付等一系列信息化技術(shù)給人們生活帶來了更加優(yōu)質(zhì)便捷的體驗(yàn)。無線通信技術(shù)已經(jīng)發(fā)展成為具有不同的帶寬、調(diào)制方式和覆蓋范圍的異構(gòu)無線網(wǎng)絡(luò)[1]。

異構(gòu)各種類型無線網(wǎng)絡(luò)而成的異構(gòu)無線網(wǎng)絡(luò)，共同為用戶提供無處不在的無縫漫游、透明的服務(wù)。然而每個(gè)用戶對(duì)網(wǎng)絡(luò)需求存在差異，導(dǎo)致網(wǎng)絡(luò)接入選擇算法在平衡網(wǎng)絡(luò)服務(wù)質(zhì)量和用戶個(gè)性化需求方面，天然存在一些問題，這個(gè)問題也成為業(yè)界關(guān)注的熱點(diǎn)問題之一。

當(dāng)前提供用戶個(gè)性化需求的網(wǎng)絡(luò)接入選擇方法中，可以按用戶個(gè)性化需求的考慮程度劃分為兩類：一類從用戶角度，獲取對(duì)成本、吞吐量有需求的部分用戶的偏好，根據(jù)偏好進(jìn)行網(wǎng)絡(luò)選擇。文獻(xiàn)[2]提出一種成本感知網(wǎng)絡(luò)切換決策算法，使用戶通過較低的成本獲取低成本型網(wǎng)絡(luò)服務(wù)；文獻(xiàn)[3]通過非合作博弈的方法，研究其存在的均衡、收斂時(shí)間、效率和實(shí)用性，從而選出最佳接入網(wǎng)絡(luò)，目的是最大化其自身的吞吐量；文獻(xiàn)[4]以用戶為中心，利用用戶的偏好來調(diào)節(jié)模糊神經(jīng)網(wǎng)絡(luò)算法的規(guī)則，從而選取用戶最合適的網(wǎng)絡(luò)；另一類，考慮用戶偏好的同時(shí)，也考慮一部分網(wǎng)絡(luò)服務(wù)質(zhì)量，進(jìn)行適當(dāng)?shù)恼壑?。文獻(xiàn)[5]提出一種捕獲用戶偏好的分析模型，然后以用戶偏好、服務(wù)質(zhì)量、連接成本為參數(shù)，組成一個(gè)效用函數(shù)進(jìn)行網(wǎng)絡(luò)選擇決策；文獻(xiàn)[6]提出一種用于異構(gòu)無線網(wǎng)絡(luò)中的雙向匹配算法，該算法分別以網(wǎng)絡(luò)為中心和以用戶為中心設(shè)立各自的評(píng)估模型，然后通過一對(duì)多雙向匹配模型求得最優(yōu)匹配解，從而得到最優(yōu)網(wǎng)絡(luò)選擇；文獻(xiàn)[7]提出的方法，考慮到用戶偏好、網(wǎng)絡(luò)狀況、服務(wù)質(zhì)量和能耗的要求，歸一化后，構(gòu)建效用函數(shù)，進(jìn)行網(wǎng)絡(luò)決策；文獻(xiàn)[8]提出的方法，考慮了候選網(wǎng)絡(luò)的用戶偏好和異構(gòu)網(wǎng)絡(luò)的實(shí)際情況，結(jié)合了模糊層次分析法、熵值法和逼近理想解3種典型的多屬性決策方法。

第一類僅考慮用戶側(cè)，沒有考慮網(wǎng)絡(luò)性能，導(dǎo)致效率太低；而第二類通過用戶的偏好與網(wǎng)絡(luò)的服務(wù)質(zhì)量相結(jié)合的方法，時(shí)間復(fù)雜度高，權(quán)重的確定也有待商榷，且這類方法的用戶偏好設(shè)置不夠客觀，不能表達(dá)用戶的真實(shí)需求。上述研究雖然都考慮了用戶的一些需求，但并未很好地刻畫用戶的個(gè)性化需求和滿意度，而引入心理曲線函數(shù)和雷達(dá)圖分析法，能更好表達(dá)用戶滿意度，從而在復(fù)雜度較低的同時(shí)，極大提高了算法的用戶滿意度。于是本文提出一種基于用戶個(gè)性化需求的網(wǎng)絡(luò)接入選擇算法。該算法一方面基于模糊層次分析法得到用戶對(duì)各網(wǎng)絡(luò)屬性的收益，引入了心理曲線函數(shù)，從而建立一個(gè)用戶滿意度模型；另一方面，考慮到更合理的表達(dá)用戶對(duì)各網(wǎng)絡(luò)屬性的滿意度綜合值，本文結(jié)合改進(jìn)的雷達(dá)圖分析法，選取綜合值最大的網(wǎng)絡(luò)接入。本文的主要貢獻(xiàn)總結(jié)如下。

1)引入心理曲線函數(shù)，考慮用戶的期望收益和候選網(wǎng)絡(luò)的當(dāng)前收益，構(gòu)建了一個(gè)更加客觀的用戶滿意度模型；

2)引入基于生長曲線函數(shù)優(yōu)化的雷達(dá)圖分析法，構(gòu)建一個(gè)最佳接入網(wǎng)絡(luò)選擇方法，在保證服務(wù)質(zhì)量的同時(shí)，極大地滿足了用戶的個(gè)性化需求。

1 優(yōu)化用戶個(gè)性化需求的網(wǎng)絡(luò)接入選擇算法

首先，根據(jù)對(duì)現(xiàn)有研究工作的分析和本文對(duì)用戶個(gè)性化需求的剖析，選取了價(jià)格、帶寬、接收信號(hào)強(qiáng)度、負(fù)載率、誤碼率、阻塞率6個(gè)參數(shù)作為滿意度模型的構(gòu)建參數(shù)。并把上述參數(shù)劃分為成本、系統(tǒng)性能、穩(wěn)定性三大類評(píng)估屬性，其中，價(jià)格屬于成本屬性，接收信號(hào)強(qiáng)度、帶寬屬于系統(tǒng)性能屬性，誤碼率、阻塞率、負(fù)載率屬于穩(wěn)定性屬性。其次，對(duì)上述6個(gè)參數(shù)進(jìn)行歸一化，使用模糊層次分析法，構(gòu)建系統(tǒng)性能和穩(wěn)定性兩大類屬性中，各參數(shù)的權(quán)重，根據(jù)歷史數(shù)據(jù)和當(dāng)前候選網(wǎng)絡(luò)的實(shí)時(shí)數(shù)據(jù)，分別計(jì)算三大類屬性的期望收益和當(dāng)前收益，并引入心理曲線函數(shù)，進(jìn)而構(gòu)建一個(gè)用戶滿意度模型分別評(píng)價(jià)三大類屬性的滿意度；最后，引入基于生長曲線函數(shù)優(yōu)化的雷達(dá)圖分析法，來綜合三大類屬性的用戶滿意度，進(jìn)而選擇最大綜合值的候選網(wǎng)絡(luò)進(jìn)行接入。網(wǎng)絡(luò)接入選擇過程如圖1。

圖1 網(wǎng)絡(luò)接入選擇過程Fig.1 Network access selection process

2 用戶滿意度模型

2.1 用戶滿意度的模型構(gòu)建

用戶滿意度是對(duì)用戶滿足情況的評(píng)價(jià)，是產(chǎn)品與用戶個(gè)性化需求匹配度的評(píng)價(jià)。對(duì)于本文而言，用戶滿意度是候選網(wǎng)絡(luò)與用戶個(gè)性化需求的匹配程度的描述。用戶滿意度是一個(gè)可變的動(dòng)態(tài)目標(biāo)。當(dāng)前對(duì)用戶滿意度的刻畫，有用戶服務(wù)滿足度法[2]、滿意度函數(shù)(satisfaction degree function，SDF)法[9]等多種方法。本文為更好度量用戶的滿意程度，引入心理曲線函數(shù)[10]。心理曲線函數(shù)是基于用戶的期望收益和當(dāng)前收益，采用函數(shù)的方式對(duì)用戶滿意度進(jìn)行刻畫的一種定量方法，可表示為

(1)

(1)式中：β為用戶滿意度；α為期望收益；γ為當(dāng)前收益。

本文基于心理曲線函數(shù)，提出了結(jié)合用戶在三大類屬性上的期望收益和當(dāng)前收益，抽象出用戶對(duì)候選網(wǎng)絡(luò)集中網(wǎng)絡(luò)的三大類屬性的滿意度模型。

1)成本滿意度。

(2)

2)系統(tǒng)性能和穩(wěn)定性滿意度。

(3)

(2)—(3)式中：upc為成本pc的期望收益；oi,pc為第i個(gè)候選網(wǎng)絡(luò)的成本pc的當(dāng)前收益；ussi,pc為第i個(gè)候選網(wǎng)絡(luò)的成本pc的滿意度。

2.2 用戶收益計(jì)算方法

本文涉及的收益包括2方面：①用戶的期望收益，是通過用戶的歷史接入數(shù)據(jù)計(jì)算得出，包括歷史情況中用戶獲取到各網(wǎng)絡(luò)的成本、接收信號(hào)強(qiáng)度、帶寬、誤碼率、阻塞率、負(fù)載率以及當(dāng)時(shí)用戶接入的網(wǎng)絡(luò)信息；②當(dāng)前收益，是用戶可接入候選網(wǎng)絡(luò)的實(shí)時(shí)采集數(shù)據(jù)計(jì)算得出。但是2種收益的計(jì)算過程均相同，本文重點(diǎn)分析用戶當(dāng)前收益的計(jì)算。

2.2.1 數(shù)據(jù)的歸一化

為解決不同無線網(wǎng)絡(luò)中各參數(shù)取值范圍和單位的差異性，本文對(duì)上述6個(gè)參數(shù)分別進(jìn)行歸一化處理。而無線網(wǎng)絡(luò)的參數(shù)可以分為效益型和成本型，其中，成本型屬性越小越好，如價(jià)格、誤碼率、阻塞率、負(fù)載率；效益型屬性越大越好，如接收信號(hào)強(qiáng)度、帶寬。

1)成本型。

(4)

2)效益型。

(5)

對(duì)每個(gè)網(wǎng)絡(luò)的6個(gè)參數(shù)歸一化值分別進(jìn)行排序可得集合

(6)

(6)式中，k表示為網(wǎng)絡(luò)數(shù)量。

2.2.2 計(jì)算當(dāng)前收益

系統(tǒng)性能屬性由接收信號(hào)強(qiáng)度(received signal strength，RSS)、帶寬B構(gòu)成，穩(wěn)定性屬性由誤碼率D、阻塞率Z、負(fù)載率F構(gòu)成。為了更準(zhǔn)確地體現(xiàn)系統(tǒng)性能和穩(wěn)定性的值，本文采用不同的權(quán)重來體現(xiàn)各參數(shù)在各屬性中的重要程度。

大多數(shù)求取權(quán)重的多屬性決策算法比較復(fù)雜，結(jié)果不夠準(zhǔn)確，無法描述參數(shù)的模糊性等不確定性，然而模糊層次分析法計(jì)算簡單，采用該算法所得的權(quán)重能夠更貼合地表達(dá)用戶的個(gè)性化需求。于是本文引用模糊層次分析法[11]，分別計(jì)算接收信號(hào)強(qiáng)度、帶寬在系統(tǒng)性能內(nèi)的權(quán)重和誤碼率、阻塞率、負(fù)載率在穩(wěn)定性內(nèi)的權(quán)重。具體權(quán)重求取過程如下。

1)層次結(jié)構(gòu)圖構(gòu)建。層次結(jié)構(gòu)圖如圖2，將目標(biāo)問題層次化，總的可以分為目標(biāo)層、準(zhǔn)則層以及方案層。目標(biāo)層即為系統(tǒng)性能和穩(wěn)定性的用戶收益；準(zhǔn)則層即為影響系統(tǒng)性能和穩(wěn)定性的各判決因素；方案層即為各候選網(wǎng)絡(luò)中各參數(shù)的歸一化值。

圖2 層次結(jié)構(gòu)圖Fig.2 Hierarchy diagram

2)模糊互補(bǔ)判斷矩陣。采用通用的模糊判斷矩陣計(jì)算方法，將準(zhǔn)則層中的5個(gè)參數(shù)分成2個(gè)組，分別構(gòu)建矩陣表達(dá)對(duì)目標(biāo)層中系統(tǒng)性能和穩(wěn)定性的重要性。通過兩大屬性各自參數(shù)間兩兩比較，分析得到定量的標(biāo)度值rab(rab表示第a行第b列的數(shù)值)，從而分別得到模糊互補(bǔ)判斷矩陣R=(rab)n×n，代入兩大屬性得到相對(duì)應(yīng)的系統(tǒng)性能和穩(wěn)定性的模糊互補(bǔ)判斷矩Rsp和Rst，其中，rab的具體取值方法為0.1～0.9標(biāo)度法，如表1。

表1 0.1～0.9標(biāo)度法Tab.1 0.1～0.9 scale method

本文根據(jù)以上標(biāo)度法獲得的Rsp和Rst分別表示為

RSSB

(7)

DZF

(8)

3)權(quán)向量計(jì)算。本文使用求解模糊互補(bǔ)判斷矩陣權(quán)重的通用公式得到各參數(shù)權(quán)重，表示為

(9)

把矩陣(7)，(8)式分別代入(9)式求得系統(tǒng)性能和穩(wěn)定性的權(quán)重向量分別為

RSSB

(10)

DZF

(11)

(10)—(11)式中：wsp為系統(tǒng)性能sp的權(quán)重向量；wst為穩(wěn)定性st的權(quán)重向量。因此，系統(tǒng)性能sp中RSS，B的權(quán)重分別為0.45，0.55。穩(wěn)定性st中D，Z，F(xiàn)的權(quán)重分別為0.434，0.358，0.208。

4)模糊矩陣R=(rab)n×n的一致性檢驗(yàn)。由(9)式得到的權(quán)重值是否合理,還應(yīng)該進(jìn)行比較判斷的一致性檢驗(yàn)。為驗(yàn)證模糊矩陣R=(rab)n×n的一致性，首先構(gòu)建矩陣R的特征矩陣W*=(wab)n×n，即W*為wab的n行n列矩陣，其中wab為

(12)

(12)式中，wab表示第a行第b列的權(quán)重。

本文用模糊判斷矩陣的相容性來檢驗(yàn)其一致性原則的方法。當(dāng)偏移一致性過大時(shí)，表明此時(shí)將權(quán)向量的計(jì)算結(jié)果作為決策依據(jù)是不可靠的。矩陣的相容性為

(13)

如果相容性值I(R,W*)≤T，那么認(rèn)定一致性符合標(biāo)準(zhǔn)，否則需要對(duì)矩陣R=(rab)n×n進(jìn)行調(diào)整，重新求權(quán)，通常設(shè)定相容性指標(biāo)臨界值T=0.1。

(14)

(15)

由此可知，系統(tǒng)性能和穩(wěn)定性的模糊判決矩陣都具有一致性，權(quán)重值結(jié)果完全合理。

(16)

(17)

(18)

2.2.3 期望收益的獲取

設(shè)從歷史數(shù)據(jù)中得到用戶j在面臨m次網(wǎng)絡(luò)重疊時(shí)，m組參數(shù)數(shù)據(jù)及用戶選擇網(wǎng)絡(luò)的結(jié)果。m組數(shù)據(jù)代入2.2.2節(jié)公式，得到用戶j在歷史數(shù)據(jù)中，m組用戶選擇網(wǎng)絡(luò)的成本、系統(tǒng)性能、穩(wěn)定性的綜合值集合，即

(19)

(19)式中，q分別為三大屬性。但是歷史數(shù)據(jù)中m次重疊網(wǎng)絡(luò)下用戶選擇各屬性的數(shù)值可能有少部分?jǐn)?shù)據(jù)失真，于是本文把h次重疊網(wǎng)絡(luò)情況得到的各屬性綜合值求平均值，即

(20)

3 基于改進(jìn)雷達(dá)圖分析法的網(wǎng)絡(luò)尋優(yōu)

3.1 基于改進(jìn)雷達(dá)圖分析法的網(wǎng)絡(luò)尋優(yōu)

為了綜合評(píng)估用戶的滿意度，本文引入雷達(dá)圖分析法。雷達(dá)圖分析法是為得到綜合價(jià)值評(píng)估的一種評(píng)價(jià)方法。封閉圖形的面積是各信息的一個(gè)多元函數(shù)，因此，面積可以體現(xiàn)多元數(shù)據(jù)的綜合特征。面積愈大，表示該評(píng)價(jià)對(duì)象的總體優(yōu)勢(shì)愈大，其競(jìng)爭力就愈強(qiáng)；面積愈小，表示其總體優(yōu)勢(shì)愈小，競(jìng)爭力也就愈弱。

一個(gè)正七邊的七階雷達(dá)圖如圖3，從圓心出發(fā)，畫射線1～7為評(píng)價(jià)指標(biāo)，淺色正七邊形網(wǎng)表示可視化刻度線，射線上的數(shù)值表示歸一化的各項(xiàng)指標(biāo)的刻度值，數(shù)值為[0，100]。不規(guī)則七邊形的面積與各指標(biāo)數(shù)值最大時(shí)所圍成正七邊形面積的比值，表示為綜合價(jià)值。

圖3 七階雷達(dá)圖Fig.3 Seventh-order radar diagram

圖4 滿意度雷達(dá)圖Fig.4 Radar diagram of satisfaction

由于成本、系統(tǒng)性能、穩(wěn)定性滿意度的實(shí)際數(shù)值所圍成的三角形面積，隨著各屬性滿意度值的增加，呈先慢后快的遞增曲線A，在一般的多評(píng)價(jià)指標(biāo)線性增長情況下，綜合值也是線性增長，而在本文中，因?yàn)槿切蔚拿娣e為指數(shù)增長，所以綜合滿意度呈先慢后快的增長趨勢(shì)，不能準(zhǔn)確表達(dá)結(jié)果。為了保證綜合滿意度增長的公平性，需保證綜合滿意度呈線性增長，即曲線函數(shù)M，于是本文引入生長曲線函數(shù)N。在使用雷達(dá)圖分析法運(yùn)算后，再把得到的結(jié)果代入生長曲線函數(shù)從而得到線性增長的綜合值，即總滿意度。函數(shù)曲線見圖5。

圖5 函數(shù)曲線圖Fig.5 Curve of the function

(21)

(21)式中，ω1是正三角形的中心角，ω1=120°，為了保證公平性，本文引入生長曲線函數(shù)的通用公式，對(duì)面積S1進(jìn)行面積線性增長的處理，得到線性處理后的面積為

S2=g×ab×S1+e

(22)

(22)式中：g=1；a=-0.01；b=1；e=1。

最大正三角形的面積為

(23)

(23)式中：ω2為正三角形的內(nèi)角，ω2=60°；r為最大正三角形的邊長。

于是，面積S2和總面積Sz的比值為

(24)

(24)式中，ossi表示用戶對(duì)候選網(wǎng)絡(luò)i的總滿意度。

3.2 最優(yōu)網(wǎng)絡(luò)選擇

本文通過歷史數(shù)據(jù)獲得用戶對(duì)成本、系統(tǒng)性能、穩(wěn)定性的期望收益，并通過對(duì)當(dāng)前候選網(wǎng)絡(luò)的數(shù)據(jù)計(jì)算，獲得候選網(wǎng)絡(luò)成本、系統(tǒng)性能、穩(wěn)定性的當(dāng)前收益。代入用戶滿意度模型中，可獲得用戶j對(duì)第i個(gè)候選網(wǎng)絡(luò)的總滿意度集合OSSj，選取用戶j的候選網(wǎng)絡(luò)集合中滿意度最大的網(wǎng)絡(luò)接入?？倽M意度集合表示為

(25)

(25)式中，m為候選網(wǎng)絡(luò)數(shù)量。

由于歷史數(shù)據(jù)中每個(gè)用戶對(duì)成本、系統(tǒng)性能、穩(wěn)定性的期望收益不同，本算法選擇候選網(wǎng)絡(luò)中每個(gè)用戶最滿意的網(wǎng)絡(luò)，以滿足用戶的個(gè)性化需求。

4 實(shí)驗(yàn)結(jié)果及分析

4.1 仿真環(huán)境及參數(shù)設(shè)置

實(shí)驗(yàn)仿真環(huán)境由m個(gè)無線網(wǎng)絡(luò)和k個(gè)終端用戶構(gòu)成。本文構(gòu)建了一個(gè)異構(gòu)無線網(wǎng)絡(luò)仿真場(chǎng)景，其中包含1個(gè)4G網(wǎng)絡(luò)，2個(gè)WiMAX網(wǎng)絡(luò)，3個(gè)WLAN網(wǎng)絡(luò)，如圖6。各網(wǎng)絡(luò)的網(wǎng)絡(luò)覆蓋半徑分別為11，5，1 km，網(wǎng)絡(luò)與用戶的位置通過一個(gè)二維坐標(biāo)(x，y)給出，其中，E為坐標(biāo)原點(diǎn)，射線EG為x軸，4G網(wǎng)絡(luò)的基站坐標(biāo)分別位于[75,75]；WiMAX網(wǎng)絡(luò)的基站坐標(biāo)WiMAX1為[55,75]，WiMAX2為[95,65]；WLAN網(wǎng)絡(luò)的基站坐標(biāo)WLAN1為[70,65]，WLAN2為[82,62]，WLAN3為[77,56]。

圖6 異構(gòu)無線網(wǎng)絡(luò)系統(tǒng)模型Fig.6 Heterogeneous wireless network system model

假設(shè)用戶終端皆從E(0,60)點(diǎn)出發(fā)，以最大速度5 m/s移動(dòng)至G(150,60)點(diǎn)。干擾接收信號(hào)強(qiáng)度服從VM(x)=-130+ε(x) dBm，ε(x)服從參數(shù)為(0,10)的高斯隨機(jī)分布。各網(wǎng)絡(luò)的仿真參數(shù)設(shè)置如表2，異構(gòu)無線網(wǎng)絡(luò)系統(tǒng)模型見圖6。

表2 網(wǎng)絡(luò)仿真參數(shù)設(shè)置Tab.2 Network simulation parameter settings

實(shí)驗(yàn)中對(duì)比了本文的基于用戶個(gè)性化需求的網(wǎng)絡(luò)選擇接入算法(network access selection algorithm based on user requirements，UR-NAS)分別與基于模糊層次分析法的網(wǎng)絡(luò)選擇接入算法[12](utility based non-linear fuzzy AHP optimization model for network selection in heterogeneous wireless networks，F(xiàn)AHP-NAS)和基于效用函數(shù)的網(wǎng)絡(luò)選擇接入算法[13](joint multi-criteria utility-based network selection approach for vehicle-to-infrastructure networking， Utility-NAS)。本文分別從用戶滿意度、用戶切換情況和負(fù)載率3個(gè)維度，設(shè)計(jì)了3組實(shí)驗(yàn)，分析了本文算法的綜合性能。通過實(shí)驗(yàn)仿真證明，滿足了用戶個(gè)性化需求，在保證了系統(tǒng)負(fù)載均衡的同時(shí)，降低了乒乓效應(yīng)。

4.2 用戶滿意度分析

平均用戶滿意度對(duì)比如圖7,可以看出，3個(gè)算法的平均用戶滿意度曲線變化規(guī)律基本一致，3個(gè)算法均在用戶數(shù)小于10時(shí)出現(xiàn)大幅的波動(dòng)，其余隨著用戶數(shù)的增加曲線基本持平，最后，本文算法和FAHP-NAS算法的曲線趨于重合，但本文所提算法相較另外2個(gè)算法的滿意度均要略高一些。

圖7 平均用戶滿意度對(duì)比Fig.7 Comparison of average user satisfaction

用戶數(shù)小于10時(shí)，歷史樣本數(shù)據(jù)太少，導(dǎo)致對(duì)用戶期望收益的計(jì)算存在很大的不確定性，從而導(dǎo)致滿意度不穩(wěn)定，但是隨著用戶數(shù)的增加，滿意度趨于穩(wěn)定；Utility-NAS和FAHP-NAS算法更多的是考慮網(wǎng)絡(luò)性能，造成選擇網(wǎng)絡(luò)的結(jié)果比較接近，用戶滿意度也就比較接近，所以在用戶增加的過程中出現(xiàn)多次重合；本文算法和FAHP-NAS算法在最后用戶飽和的時(shí)候，由于避開了負(fù)載較高的網(wǎng)絡(luò)，對(duì)網(wǎng)絡(luò)選擇的結(jié)果趨于一致，導(dǎo)致用戶滿意度趨于重合。本文的UR-NAS算法在3種算法中平均用戶滿意度最高，這是由于本文的算法不但保證了網(wǎng)絡(luò)服務(wù)質(zhì)量，而且還滿足了用戶個(gè)性化需求，從而提高了用戶滿意度。該仿真結(jié)果說明本文提出的算法更能滿足用戶的個(gè)性化需求。

4.3 切換次數(shù)和乒乓效應(yīng)分析

平均切換次數(shù)對(duì)比如圖8，分別采用不同的算法實(shí)驗(yàn)仿真50次，平均每個(gè)用戶的切換次數(shù)，在FAHP-NAS算法下切換了10.82次，在Utility-NAS算法下是8.40次，而本文提出的UR-NAS算法是6.20次。在仿真中，每次仿真時(shí)用戶的需求值設(shè)定是不同的，導(dǎo)致一部分情況下各算法的平均切換次數(shù)相同，但是在大部分情況下，F(xiàn)AHP-NAS算法的平均切換次數(shù)比Utility-NAS和UR-NAS算法高，而UR-NAS算法的平均切換次數(shù)最低，Utility-NAS算法的平均切換次數(shù)則趨于兩者之間。

圖8 平均切換次數(shù)對(duì)比Fig.8 Comparison of average switching times

圖9顯示隨著用戶在仿真場(chǎng)景中的移動(dòng)，累計(jì)切換次數(shù)的變化，圖9中，在仿真場(chǎng)景5 000 m之前，F(xiàn)AHP-NAS算法和Utility-NAS算法累計(jì)切換次數(shù)相同，都增加了1次，本文的UR-NAS算法增加了0次，但是在5 000～10 000 m，UR-NAS算法增加了2次，而FAHP-NAS算法增加了11次，Utility-NAS算法增加了7次，10 000 m之后，沒有發(fā)生變化。這是由于在5 000～10 000 m中，網(wǎng)絡(luò)場(chǎng)景復(fù)雜，本文提出的UR-NAS算法是選取滿足用戶個(gè)性化需求的網(wǎng)絡(luò)即可，而FAHP-NAS算法和Utility-NAS算法一旦遇到比接入網(wǎng)絡(luò)更好的其他網(wǎng)絡(luò)，就會(huì)選擇立馬切換，所以本文的UR-NAS算法切換次數(shù)相對(duì)于FAHP-NAS算法和Utility-NAS算法較少。這一現(xiàn)象充分說明本文提出的算法有效地降低了用戶不必要的切換次數(shù)。

圖9 累計(jì)切換次數(shù)對(duì)比Fig.9 Comparison of cumulative switching times

圖10顯示3種算法隨著仿真次數(shù)的增加，乒乓切換率的對(duì)比，乒乓切換率是用戶在相鄰小區(qū)之間短時(shí)間發(fā)生切換的次數(shù)與運(yùn)動(dòng)過程中的總切換次數(shù)的比值?？煽闯鲈?0次的仿真中，Utility-NAS算法的平均乒乓切換率為17%，F(xiàn)AHP-NAS算法的平均乒乓切換率為6%，而本文提出的UR-NAS算法的平均乒乓切換率為2%。由于用戶個(gè)性化需求在每次仿真中都是不同的，所以少數(shù)情況下各算法的乒乓切換率相同，但是在大部分情況下，本文算法乒乓切換率最低，F(xiàn)AHP-NAS算法次之，Utility-NAS算法最高。這是由于本文UR-NAS算法的思想是網(wǎng)絡(luò)能夠滿足用戶的最低要求即可，不會(huì)出現(xiàn)當(dāng)另外一個(gè)網(wǎng)絡(luò)比接入網(wǎng)絡(luò)稍好就立即進(jìn)行切換，通過仿真結(jié)果，說明本文提出的UR-NAS算法有效降低了乒乓效應(yīng)。

圖10 乒乓切換率對(duì)比Fig.10 Comparison of ping-pong switching rate

4.4 負(fù)載率分析

圖11對(duì)比了在用戶數(shù)量增多的趨勢(shì)下，3種算法的平均負(fù)載率，平均負(fù)載率是描述當(dāng)前用戶連接數(shù)量與各網(wǎng)絡(luò)可連接總用戶數(shù)量的平均比值?？梢钥吹剑S著用戶數(shù)量的增加，3種算法的平均負(fù)載率不斷增加，直到達(dá)到網(wǎng)絡(luò)負(fù)載極限時(shí)，負(fù)載率達(dá)到100%。從圖11可知，在用戶數(shù)量達(dá)到30之前，UR-NAS算法、FAHP-NAS算法的平均負(fù)載率基本一致，Utility-NAS算法平均負(fù)載率略低，在用戶數(shù)量個(gè)數(shù)從30增加到65時(shí)，UR-NAS算法的平均負(fù)載率略高于FAHP-NAS算法和Utility-NAS算法，這是由于在候選網(wǎng)絡(luò)較多時(shí)，本文算法選取網(wǎng)絡(luò)的標(biāo)準(zhǔn)為滿足用戶個(gè)性化需求的網(wǎng)絡(luò)，從而導(dǎo)致平均負(fù)載較高；用戶數(shù)量從65增加到85時(shí)，UR-NAS算法、Utility-NAS算法的平均負(fù)載率基本一致，F(xiàn)AHP-NAS算法的平均負(fù)載率略低。UR-NAS算法、FAHP-NAS算法和Utility-NAS算法的平均負(fù)載率在用戶的增加過程中波動(dòng)很小，說明UR-NAS算法的負(fù)載均衡程度和其他2種算法基本相同，即UR-NAS算法達(dá)到了負(fù)載均衡。

圖11 平均負(fù)載率對(duì)比Fig.11 Comparison of average load rate

5 總 結(jié)

本文提出了一種基于用戶個(gè)性化需求的網(wǎng)絡(luò)接入選擇算法。在文中設(shè)定一種用戶滿意度模型來評(píng)價(jià)用戶對(duì)通過算法選擇出來的各網(wǎng)絡(luò)屬性的滿意程度，然后通過基于生長曲線函數(shù)優(yōu)化的雷達(dá)圖分析法來得到候選網(wǎng)絡(luò)滿意度的綜合值。仿真實(shí)驗(yàn)結(jié)果表明，本文提出的算法及用戶滿意度模型滿足了用戶的個(gè)性化需求，提高了網(wǎng)絡(luò)服務(wù)質(zhì)量，在保證了負(fù)載均衡的同時(shí)，有效地降低了乒乓效應(yīng)。