异构网络切换管理的主动决策

### 异构网络切换管理的主动决策 #### 1 引言 科技的飞速发展让人类生活得以极大满足，物联网设备就是典型代表。这些设备通过无线连接，内置传感器以保持联网，而稳定连接对于设备管理至关重要。5G技术的出现，让物联网设备有了更强大的支持，像在线游戏、虚拟现实应用、自动驾驶汽车等都依赖于5G。 相较于前代移动技术，5G速度更快、能耗更低，还具备更优的安全特性和更广泛的设备连接能力。随着移动用户数量的不断增加，未来5G中的小基站数量将超过4G。在4G与5G网络切换时，5G切换（HO）是关键环节，它能让设备从4G LTE网络无缝切换到5G网络，以实现最佳速度和性能。 然而，用户的移动性给网络连接的稳定性带来了挑战，因此HO管理成为研究的重点。但目前一些方法存在产生无效切换的问题，频繁不必要的切换可能导致连接管理的数据流量过大。同时，基于信号强度的切换机制可能会做出错误决策，因为4G和5G的信号强度范围可能相同，但5G的数据速率更高。传统的网络选择方法在评估不同小区时耗时较长，测量间隙（MG）频繁出现，这可能会限制当前小区在测量期间的连接管理能力。因此，需要一种方法来缩短测量间隙，提高HO管理效率。 #### 2 研究目标与贡献 - **研究目标** - 多数国家为实现技术发展正计划升级到5G，而HO管理对于电信系统的连续、无中断通信至关重要。早期基于新权重的网络评估方案存在不必要的HO管理问题。由于网络技术的特性，每个小区的性能（如数据速度）会波动，基于新权重的HO执行可能会引发不必要的切换。MG是传统方法的问题，而5G需要耗时最少的方案。本研究的目标是减少不必要的切换尝试次数（HOA），并将切换失败率（HOF）降至最低。 - **贡献** - 现有的网络选择方法常需测量间隙来评估小区性能，这会导致连接质量下降。本文提出了一种结合机器学习概念的新HO管理方法。该方法通过将计算能力引入网络，靠近终端用户，从而降低延迟。建议并设计了基于用户历史数据集的HO过程，采用最大适配的预测机制评估小区，这需要收集数据集来启动HO过程。同时，引入了数据收集技术来保存小区历史。主动决策（PDM）概念是该方法的核心理论，适用于同构和异构网络。 #### 3 相关工作 | 方法 | 优点 | 缺点 | | ---- | ---- | ---- | | XGBoost | 预测性HO管理应用于MG问题，执行速度快、准确性高，切换成功率达100% | - | | 基于多网络环境的神经网络方法 | 考虑多种网络环境，以网络下载速率为目标选择合适小区 | 使用新权重确定网络下载速率和MG选择小区，可能选择到最差连接 | | 机器学习方法 | 适用于5G、6G等，可管理多种HO过程 | - | | 循环神经网络（RNN）结合长短期记忆模块（LSTM） | 预测接入点接收信号强度，用于VANET中的HO过程 | - | | 蚁群优化（ACO） | 用于HO管理，考虑自适应信息素蒸发 | 网络选择过程实现复杂，可能选择中等质量连接的小区 | | MADM方法 | 吸收MG完