自组织网络资源论文范文

1用户行为挖掘

用户行为在一定程度上体现了用户的需求，基于对当前用户行为的分析与研究，可预测用户在未来一段时间内的行为，提前预知潜在的通信需求和规律，主动地完成无线资源配置。用户行为分为两种：一种是表示用户与用户之间关系的静态用户行为，另一种是用户动态行为。静态用户行为挖掘，注重用户组织关系的预测，而动态用户行为挖掘则注重用户轨迹的分析。

1.1静态用户关系预测

静态用户关系预测是指通过研究非直接关联的两个用户之间的相似性，估计这两个用户发生关联的可能性。目前基于复杂网络的链路预测模型可以有效地实现静态用户关系的预测。链路预测模型如图1所示。用户之间存在着串联的关系链，被称为复杂网络中的拓扑路径，用户之间发生联系的可能性取决于拓扑路径对用户之间相似性的传递能力。基于复杂网络的链路预测方法是通过研究用户端点之间拓扑路径对相似性传递的影响来实现预测模型的构建。如果两个端点之间信息传递的能力越强，那么这两个端点越相似，未来两个端点发生直接关联的可能性就越大。为了数值化表示相似性，预测模型通过对拓扑路径的研究来估计端点之间的相似性S，S值越大两个端点发生连接的可能性越大。根据拓扑路径长度，链路预测算法可以分为：局部路径相似性算法，例如公共邻居算法(CN)、阿达米克阿达算法(AA)、资源分配算法(RA)；全局路径相似性算法，如凯茨算法(Katz)；半局部路径相似性算法，如本地路径(LP)、本地随机游走(LRW)、叠加随机游走(SRW)[9]。各算法的预测准确性可用受试者工作特征曲线下面积（AUC）度量指标进行衡量。虽然基于全局路径相似性的算法具有较好的预测准确性，但是复杂度高，实用性差。因此本文将重点讨论局部路径相似性算法和半局部路径相似性算法。通过对网络模型的研究，进一步提出优化算法，并在有代表性的几个实际网络上进行验证。代表性网络包括：美国航空网USAir、美国国家电网PG、蛋白质作用网Yeast、网络科学家合作网络NS、爵士乐手合作网Jazz、新陈代谢网络CE、脸书好友网络Slavko、电子邮电网络E-mail、传染病网络Infec、欧洲合作网ES、UC大学社交网络UcSocial、生物链网络FW和Small&Griffith以及Descendants引文网。

1.1.1局部路径相似性算法基于局部路径相似性算法仅研究长度为2的拓扑路径。研究两个端点公共邻居的属性，依据“朋友的朋友就是朋友”的原则，公共邻居越多则通过共同好友传递相似性的能力就越强，两个端点越相似。但是传统关系预测算法在不同用户关系网中缺乏适应性，尤其是对用户弱关系性能的差异呈现出较低的敏感性。因此本文在AA和RA算法的基础上，构建增强弱关系的预测模型，以实现更好的预测性能。将OAA和ORA算法在5个代表性网络中进行AUC性能仿真验证，结果如图2和表1所示。从仿真结果可以看出并非所有网络都在β=-1时取得最优。但通过调整β，可以准确地找到适合每个网络的最优β。在多数网络下OAA和ORA算法预测准确性优于传统的局部相似性算法CN、AA和RA。

1.1.2半局部路径相似性算法传统的基于半局部路径相似性算法在降低算法复杂度的同时具有较高的预测准确性。然而，传统半局部路径相似性算法忽略了不同路径组成节点的差异性，而且忽略了路径端点影响力中存在冗余影响力的问题。（1）路径异构性问题的研究在传统半局部路径相似算法中，路径被建模成一条路由线路，两个端点之间的相似性取决于它们之间的路径条数。实际上，路径是由不同属性的节点组成的，应该在路径建模时考虑路径中间节点的属性，给予信息传输能力强的路径更高的权重。据此本文提出了在不同网络中突出路径中小度节点作用，削弱大度节点作用的SignificantPath算法（有意义路径算法，简称SP算法）[11]。设q表示任意一条连接节点x和y的路径，M(q)表示路径q去除端点之外所有中间节点组成的集合，vi表示路径q的任意一个中间节点，ki表示节点vi的度值，P2(vx,vy)和P3(vx,vy)分别表示端点x和y之间长度是2和3的路径集，α∈[0,1]是路径长度的惩罚因子，β是节点度惩罚因子。可以看出，不论α取何值，AUC均在β<0时达到最优，并且最优曲线对应的α远小于1。SP算法突出了较短路径和强信息传递能力的路径，并且相比于传统算法，SP算法的预测准确性在大多数网络中都有明显的改进。（2）控制端点冗余影响力问题的研究传统算法在研究端点影响力对端点相似性的作用时，忽略了端点影响力实际存在的冗余问题。冗余影响力不利于准确发现节点的相似性，因此需要研究如何控制端点冗余影响力。研究方法主要有两种：通过惩罚无贡献冗余影响力增强预测的准确性和通过抽取有效影响力建模端点之间相似性。（a）通过惩罚无贡献冗余影响力增强预测准确性无贡献关系惩罚(NRP)算法[12]是通过惩罚大冗余影响力突出小冗余影响力以增强预测准确性。首先建模单条路径连通性，设vi表示路径中间节点，|E|表示网络连边集中的连边数，t表示所研究的最长路径长度，P(vi+1|vi)表示从节点vi到vi+1的转移概率，C(x,y)|jl表示长度为l的第j条路径中间节点总转移概率。为了验证NRP算法的性能，本文在9个真实网络中进行了NRP的AUC性能实验以及与传统算法的比较实验，结果如图4和表3所示。可以看出最优值出现在β<1，即β-1<0，说明对无贡献大度进行惩罚可以明显改善预测准确性；相反取值β>0时性能会急剧下降，表明突出无贡献关系会降低预测准确性，并且NRP算法明显优于传统算法。说明通过惩罚端点无贡献关系即冗余影响力，可以极大改善链路预测的准确性。（b）通过抽取有效影响力建模端点之间相似性端点吸引节点与之发生关联主要依靠有效影响力。因此端点影响力建模可以采取直接抽取有效影响力的方式，如联合考虑有效影响力和强信息传播能力建模有效路径（EP）算法[13]。通过添加指数参数控制不同网络下路径信息传输能力的差异性，使算法具有适应性并且突出强信息传播路径，即取最优值β>1。则长度为l的所有路径对于信息传播能力的影响为：接着将可达对端的路径条数建模为有效影响力。设|Pathslxy|表示在端点X和y之间长度为l的路径个数，进一步结合长度为2到t的路径总信息传输能力，得到端点X和y之间总的相似性预测模型为：由于存在较长路径贡献小而代价大的问题，而对节点相似性贡献最多的路径长度是2和3，因此仅考虑长度为2和3的路径可以取得较好的预测效果。为了验证EP算法的预测准确性，本文利用15个网络仿真了不同β取值对预测准确性AUC的影响以及EP与传统算法性能的比较，如图5和表4所示。可以看出最优值出现在β>1的位置，并且EP算法AUC准确性要明显高于其他算法。综上说明通过考虑有效影响力和强信息传输能力可以有效增强链路预测的准确性。

1.2动态用户行为分析

除了静态人类组织关系行为外，人类移动行为的研究和预测对无线资源调度和分配也非常重要。目前对人类移动行为的研究和预测主要基于统计学和信息技术展开，分析结论表明[14]：人类活动包含两类，其一是时间和空间上的周期性活动，其二是同社交关系相关的随机跳跃活动。近距离活动多体现出时间和空间的周期重复特性，同社交关系关联不大。远距离活动受社交关系影响比较明显。研究表明社交关系可以解释10%～30%的人类活动，而周期性模式可以解释50%～70%的人类活动。依据从签到网站和移动终端获得的数据，研究者们绘制出了关于人群的行为模式。图6是在某城市中某一时刻人群在家中和工作单位的空间位置分布图以及一天中人们在家和工作单位的时间分布图，从图中可以看出明显的聚集性。图7显示的是在某城市中，从中午到午夜时刻，人群移动模式随时间变化的关系，可以看出具有明显的周期规律性，白天向工作地点聚集，夜晚向家的方向聚集。图7人们行为的移动模式和聚集趋势（图中的x和y轴数值是与最远距离的归一化相对值）除了在地理和空间位置维度表现出周期性短距离的人群移动行为外，还有受社交关系影响的非周期性长距离行为。人们有时候会因为探亲访友产生出一些非规律性的行为，这些行为大多是由社交关系引起的。根据人们移动行为模式规律建立模型，预测未来人们发生行为的时间和空间位置是非常有意义以及可行的。研究者们提出了许多方法，具有代表性的是根据人们行为的周期性进行预测的周期性移动行为模型periodicmobilitymodel，周期移动模型（PMM）和进一步考虑了社交关系的社交周期移动模型（PSMM）[14]。利用对人类行为的预测来预测未来人群聚集发生的时间和空间位置，并引导无线通信资源的分配，能够极大地提升资源的利用率和用户满意度。

2用户行为驱动的网络资源配置

由用户构建的社交网络与实际通信设备部署网络之间并非一一对应的关系，因此在获取和预测用户行为特征之后需要结合实际应用场景，选取合适的预测特征和数据完成实际通信设备网络部署的资源优化配置。

2.1基于小区负载的覆盖容量自优化对所提取的用户行为特征加以利用将有助于提升网络整体的承载能力。因此，可利用对个体用户时间、空间行为的周期性、区域性特征的分析及预测，获取群体用户在一定时间、空间范围的聚集行为。而群体用户的空间聚集行为将直接决定各小区的负载情况，然后基站便可结合各小区负载的差异性进行覆盖与容量的自优化调整。如图8所示，基站可通过对天线配置、发射功率等射频参数进行联合调整的方式，将潜在的业务轻载小区的无线资源通过射频参数调整的方式投射到业务热点区域，使网络资源对用户周期性、区域性业务需求具有灵活的空间流性匹配能力，动态完成对不同区域、不同需求的用户的流性适配，达到提升网络覆盖容量综合性能的目的。覆盖容量的优化过程需要考虑射频参数的调整对覆盖及容量性能的诸多方面影响。比如较小的天线仰角会扩大本小区覆盖范围而提升边缘用户的性能，但同时也会对邻区用户带来更大的干扰并影响邻区容量。因此，对覆盖容量的联合优化需要兼顾覆盖性能与容量性能、本小区性能与邻区性能的折衷。考虑到射频参数的调整与所达到的覆盖容量联合性能没有直接的映射关系，因此覆盖容量的联合优化更倾向于采用机器学习等人工智能方式。根据邻区潜在负载差异及覆盖容量综合性能情况完成对射频参数的自优化调整，并通过对优化经验的归纳总结，提升基站的自主优化决策能力。所实现的网络SINR分布性能及覆盖容量综合性能优化效果如图9、图10所示[15]。经过自优化，各小区的射频参数会由于负载的差异而有所不同，重载小区的覆盖范围较小，其边缘用户将移至覆盖范围扩大了的轻载小区接受服务。并且，基于小区负载的覆盖容量自优化方案性能相较于未考虑负载差异的优化方法得到了有效提升。

2.2基于设备直通协作多播的数据分发策略蜂窝网络所产生的大部分流量是流行内容的下载，例如视频、音频或移动应用程序。鉴于大多数用户行为具有这种共性下载的特点，如果基站把这种具有相同业务请求的用户数据卸载到设备直通（D2D）网络，那么就可以有效缓解蜂窝网络基础设施的负担，提高频谱效率以及用户满意度，并在一定程度上解决无线通信系统频谱资源匮乏的问题。由于大多数用户行为具有共性以及流动性，并且用户间的社交关系也体现出了用户间的协同意愿，那么把用户之间相同的数据请求通过基站多播方式实现数据分发，就可以极大的提高整个系统的资源利用率。由于D2D协作多播系统是由独立的蜂窝用户组成，用户间的连接关系时断时续。而在现实生活中，人们的社交关系相对稳定，因此利用数据挖掘获得的用户社交关系可帮助蜂窝网络建立可靠的D2D传输链路，如图11所示。D2D协作多播网络容量增益如图12所示，该图比较了传统蜂窝数据分发与不同多播半径情况下的平均网络容量累计分布函数（CDF）曲线。由图可知，D2D协作多播算法所达到的网络容量要优于传统蜂窝数据分发算法，并且随着多播半径R逐渐减小，D2D簇内多播速率增加。

2.3个性用户业务服务资源配置在通过预测获取用户个性化特征之后可以根据提取出的潜在业务发起位置及业务需求等个性化特征进行资源的提前预配置。图13所示，用户（UE）经常由A出发到B，并在B点被动的接收一定量的数据（例如B为展览馆，UE为一个管理员，需要接收一定的解说信息，而解说信息会定期更新）。由于UE经常往返于A和B，在网络侧长期的历史信息搜集统计中，可以通过用户关系预测得出UE从A到B之间最常接入的基站集合。根据UE在这些基站中所上报的信道质量历史信道信息，可以预测出UE在经过这些基站时的平均信息速率。同时根据UE的导航信息，可以获知UE在从A到B中所需的平均时间。由于B点接收信息较大，如果等用户A到达B点再更新信息的话，会带来较多的等待时延。为此，一种新的解决思路是利用上述预测信息，让UE在B点需要的数据，在预测的中途基站中进行预传输，从而达到提升用户体验质量的效果。具体分析如下。与传统的资源分配相比，基于预测的资源分配可以有效缓解B点处的通信业务压力。提前配置考虑了节能、基站负载等因素，极大的优化了网络的整体性能。同时这种预测提前通信也大大减少了用户等待时间，提升了用户体验质量。

3结束语

本文从用户行为对网络的驱动特性出发，提出了通过将用户行为作为自组织网络资源管理考虑的因素来弥补当前网络不足的方法。文章对动态和静态用户行为特征的提取进行了分析，选取了典型的自组织网络资源分配场景，给出了这些场景下应用用户群体行为特征和个性行为特征进行网络资源优化配置的方法。然而由于用户行为的复杂特性，当前对用户行为的挖掘还比较粗糙。同时由于人类的社交网络与自组织网络的物理资源网络并非一一对应的关系，在利用用户行为特征进行网络资源配置时需要根据具体的场景，选取合适的用户行为分析模型，提取相应的关键参数，从而实现对网络资源的高效配置。

作者：刘自强任晨珊田辉单位：北京邮电大学信息与通信工程学院