[发明专利]基于局部加权线性回归的超密集网络负载均衡优化方法

摘要

本发明提供一种基于局部加权线性回归的超密集网络负载均衡优化方法，联合调整所有小站的代价偏置值，首先利用局部线性加权回归的方法从基站收集的每日的负载数据中拟合得到基站的负载曲线，为基于代价的分布式用户连接方法提供一个较优的迭代初始值，解决超密集异构网中的负载均衡问题。本发明采用对数函数作为效用函数，实现了资源在用户间分配的机会和公平的折衷，对于基站边缘和中间的用户分别实现了3.5倍和2倍的数据吞吐量增益。通过分布式的迭代更新每个基站的代价值，自动的均衡跨层和同层之间基站的负载，实现了低复杂度的负载均衡。通过局部线性加权回归方法设置初始值，并预测某个时刻接入基站的用户人数，大大降低迭代次数和计算复杂度。

主权项

一种基于局部加权线性回归的超密集网络负载均衡优化方法，其特征在于，包括如下步骤：步骤一，采集网络负载信息，收集基站用户接入数目，得到数据(xi,yi)，X＝(x1,x2,...xm)表示时间值矩阵，Y＝(y1,y2,...ym)表示其对应的用户连接数向量，建立用户接入数目和时间的关系，所述基站定期记录一次接入的用户数目；步骤二，用非线性回归的局部线性加权回归方法对接入的用户数目和时间的关系进行拟合，采用高斯核函数来作为局部线性加权回归的核函数，给需要预测时间点x的周围点xi∈X赋一个权重w(x,xi)：w(x,xi)=exp(-(x-xi)22k2)---(1)]]>上式中，k为控制参数；使用公式(1)对所有的xi∈X进行加权，得到一个只含对角元素的权重矩阵W＝(w11,w22,...,wmm)，使用最小均方误差来做线性回归，通过下式得到回归参数α：α＝(XTWX)‑1XTWY  (2)预测时刻x由局部加权线性回归得到的用户数目预测值y为：y＝αx  (3)对一天中不同时刻点做局部加权线性回归预测，得到接入人数随时间的变化曲线；步骤三，采集网络中的宏站数目Nm、小站数目Np；初始化参数：站点集合记为B＝{M,P}，其中，宏站集合小站集合总的基站数目NB；最大迭代次数tmax，迭代终止次数Tres，迭代更新步长δ＞0，初始化当前迭代次数t＝0，可以接受的最大误差ε，达到误差ε持续的迭代次数tres＝0；用局部线性加权回归的方法来预测当前时刻宏站内的用户数目NU；步骤四，初始化基站连接代价偏置集合μ(t)和每个基站的用户连接数目集合K(t)，索引t表示μ和K迭代更新的顺序，NB为基站数量，基站连接的用户数目满足0≤kj(t)≤NU；xij是一个二元变量，若为1表示用户i连接到基站j上，假设总共kj个用户连接到基站j上，为了最大化目标对数效应函数(4a)max{X,K}Σi,jxijlog(Rij)---(4a)]]>Σj∈Bxij=1,∀i∈U---(4b)]]>Σi∈Uxij=kj,∀j∈B---(4c)]]>Σj∈Bkj=NU---(4d)]]>xij∈{0,1},∀i∈U,∀j∈B---(4e)]]>每个用户被平均分到基站的1/kj的时频资源；Rij为如果用户i连接到基站j，基站提供的长期用户速率：Rij=cijkj---(5)]]>上式中，cij为基站可以提供给用户的瞬时最高速率，且cij=WBlog(1+PjgijΣk∈B,k≠jPkgik+σ2)---(6)]]>上式中，WB表示基站可用的带宽，Pj是基站j的传输功率，gij是用户i和基站j的信道增益，σ2是噪声功率；将原来的优化问题公式(4)表示为：max{X,K}Σi,jxijlog(cij)-Σjkjlog(kj)---(7a)]]>Σj∈Bxij=1,∀i∈U---(7b)]]>Σi∈Uxij=kj,∀j∈B---(7c)]]>Σj∈Bkj=NU---(7d)]]>xij∈{0,1},∀i∈U,∀j∈B---(7e)]]>步骤五，用拉格朗日对偶分解方法引入拉格朗日乘子v分别放松约束条件(7c)和(7d)，得到拉格朗日方程如下：L(X,K,μ,v)=Σi,jxijlog(cij)-Σjkjlog(kj)-Σjμj(Σixij-kj)-v(Σjkj-NU)---(8)]]>原问题的对偶问题为：minμ,vg(μ,v)=fx(μ)+hk(μ,v)---(9)]]>fx(μ)=maxXΣi,jxij(log(cij)-μj)s.t.Σjxij=1,i∈Uxij∈{0,1},∀i∈U,∀j∈B---(10)]]>hk(μ,v)=maxKΣjkj(μj-v-log(kj))+vNU---(11)]]>步骤六，拉格朗日乘子μ物理意义表示所有基站的代价偏置值集合,μj表示连接基站j的代价；对于子问题(10),每个用户测量所有基站的信道参数和基站广播的代价值μ(t)，由下式选择连接到当前最优的基站j*：j*＝argmax{log(cij)‑μj(t)}  (12)步骤七，对于子问题(11),对其求导使其导数为0，得到使子问题(11)最大化的最优值由公式(13)得到，通过下式更新集合K(t+1)：kj*(t+1)=e(μj(t)-v(t)-1)---(13)]]>步骤八，由步骤六和步骤七得到的子问题的最优解分别代入两个子问题(10)(11)中，然后再把得到的(10)(11)代入对偶问题(9)中，得到g(μ(t),ν(t))的封闭形式：g(μ(t),v(t))=Σimaxj(log(cij)-μj(t))+Σjeμj(t)-v(t)-1+v(t)NU---(14)]]>对于对偶问题(9)最小化g(μ(t),ν(t))的值，最优的v(t)值由下式得出：v(t+1)=log(Σjeμj(t)-1NU)---(15)]]>用公式(16)来更新μ(t)，每个基站更新K(t+1)和μ(t+1)值之后，基站广播新的μ(t+1)值进行迭代；μj(t+1)=μj(t)-δ(t)(kj(t)-Σixij(t)---(16)]]>步骤九，把更新后的μ(t+1),v(t+1)代入到(14)中计算出g(μ(t+1),v(t+1))，判断得到的函数值是否满足下式条件：|g(μ(t+1),ν(t+1))‑g(μ(t),ν(t))|＜ε  (17)如果满足条件(17)，则更新终止迭代次数tres＝tres+1，如果不满足条件(17)则重置tres＝0；步骤十，判断tres是否大于迭代终止次数，如果tres大于迭代终止次数Tres，则返回此时代价偏置集合μ(t)和最优的用户连接,执行第十二步；如果tres小于等于迭代终止次数Tres，则继续进行迭代，更新迭代次数t＝t+1；步骤十一，判断如果迭代次数t＜tmax，则继续执行步骤六到步骤十迭代更新，直到满足迭代终止条件，或者达到最大迭代次数tmax；步骤十二，在一天中不同时刻对基站用基于代价的分布式迭代方法进行负载均衡，记录下不同时刻基站的代价偏置集合μ值，用得到的不同时刻基站的代价偏置集合μ作为下一天相同时刻进行负载均衡迭代的迭代初始值。