异构无线网络选择面临来自终端应用程序服务质量(QoS)需求多样性、无线网络环境异构性和动态性以及群体终端并发性资源竞争等方面的挑战。例如,在异构车联网应用场景中,车载终端上不同的应用对车路通信的需求互不相同^[1]:在车联网安全应用方面,车辆安全信息的传输要求无线网络具备低时延、高可靠的通信性能;在交通管控方面,车载终端需要将车辆的实时状态信息(如尾气排放量、燃油消耗量等)传输到后台数据中心,以供在线诊断分析,这要求通信网络能为实时数据提供高数据速率、充足带宽的传输性能;在非安全应用方面,诸如在线视频播放、语音传输、网页浏览或者收发E-mail等实时或非实时的车载信息娱乐应用对网络的QoS需求也互不相同^[2]。另一方面,随着移动终端在无线网络信号覆盖区域的流进与流出,网络可用带宽随着用户数量的变化而动态变化,同时,网络QoS特性也会因为部署环境的扰动而动态改变。由此,异构无线网络的动态特性增加了网络选择的复杂性。此外,在移动终端比较密集的情况下,终端上大量的应用程序并发性地访问网络资源,引起激烈的无线资源竞争现象,这给无线网络资源的管理、分配带来困难。

文献[3, 4]的研究指出,网络系统与生物系统具有许多相似特征:系统规模复杂且巨大,系统要素动态演变,环境资源有限且资源竞争十分激烈等;生物体对动态变化的生存环境具有自学习、自调控机制,对外界环境扰动具有较好的自适应性和鲁棒性。生物启发式的网络选择决策方法是一种崭新而十分重要的研究思路,本文通过数值实验对比分析该方法与基于效用函数的方法^{[5, 6, 7, 8]},从保障群体终端全局QoS满意度、网络资源分配的全局公平性和效益角度,说明了细胞吸引子选择的生物启发机制在网络选择中的应用优势和潜力。

大自然中的生物机制在解决复杂的网络工程问题以及设计新型网络技术等方面表现出巨大的应用潜力,生物启发式理论及其模型已成为人工智能领域新的研究热点,并已经在路由优化、拓扑控制和拥塞控制等方向取得重要进展^{[3, 4]}。生物启发式方法是网络技术研究的重要途径。发表在《Science》和《Nature》等学术期刊上的研究成果表明^{[9, 10, 11]},在生存环境动态变化以及环境噪声、基因表达噪声干扰情况下,微生物细胞可以通过改变自身的基因表达行为,调控蛋白质的合成与分解,并利用蛋白质作为催化媒介,通过酶促反应调节物质代谢等活动,从而使细胞自身适应新的生存环境。

在上述研究基础上,Kashiwagi等^[12]以大肠杆菌为对象,利用动力系统刻画细胞在不同的稳定遗传程序之间切换、适应环境变化的行为,提出带噪声扰动的细胞吸引子选择模型,并通过实际观测与模型的数值实验,揭示细胞根据动态环境条件改变基因表达和调控物质代谢的生物机制。他们采用绿色荧光蛋白和红色荧光蛋白研究大肠杆菌细胞体内基因调控网络的动态行为,分析了细胞体内部2个相互抑制操纵子之间的“双稳态切换”现象。针对细胞活跃度A的计算,采用典型的细胞生长模型,将A与表示操纵子转录生成的2种信使核糖核酸(messenger Ribonucleic Acid,mRNA)浓度的变量m_i(i=1,2)联系起来,定义如下^[13]:

细胞吸引子选择模型是一种噪声驱动下非线性的动力系统,其利用状态变量m_i(i=1,2)来表示受基因表达调控的细胞代谢表型(如mRNA浓度或蛋白质水平)。为了将代谢表型与细胞的生长联系起来,模型中引入细胞活跃度A的概念,A的增加或减少将影响动力系统吸引子的选择行为。细胞吸引子选择机制的主要过程为:当动态环境的改变引起细胞活跃度A降低时(例如,生存环境中细胞生长所需的物质含量减小,当前基因调控下的代谢模式不再适合变化后的物质条件),吸引子稳定性降低;当系统状态受到严重的随机扰动时,吸引子的稳定性被打破,系统随机切换到其他吸引子状态。当细胞基因表达较好地适应新的环境条件,促进细胞生长,细胞活跃度A开始增加,系统状态所处的吸引子稳定性变大,系统稳定在该高稳定性的吸引子状态。无论细胞初始的基因表达如何,细胞基因表达过程在外部和内部噪声干扰下,动态趋向于具有高稳定性的吸引子状态,而该吸引子所对应的基因表达模式和细胞代谢表型能够使细胞更好地在变化的环境中适应并生存下来。

细胞吸引子选择模型作为一种新型的生物启发式计算模型,已被成功应用于网络拓扑控制算法^[14]、保障QoS的鲁棒路由算法^{[15, 16]}、自适应多径路由算法^[17]、错误容忍网络的覆盖控制^[18]和机器人控制^[19]的研究中。这些研究成果表明,细胞吸引子选择机制在优化、控制和决策方面具备有效性以及传统方法无法比拟的自适应性和鲁棒性。通过设计合理的数理模型,将具体问题的解映射为细胞吸引子选择模型的系统状态,并将动态变化的条件以及解的量化性能与细胞活跃度关联起来,可为研究动态环境下的优化、控制和决策问题提供一种新框架^{[20, 21]}。

文献[22]将细胞吸引子选择模型应用于网络资源分配中。针对移动终端上不同应用程序的网络接入问题,假设移动终端具备多个网络接口且终端可以同时接入多个不同类型的无线网络,本文采用终端控制方式(Mobile Control Handover,MCH),将每一个移动终端视为一个细胞体,基于细胞吸引子选择模型设计一种面向多终端、多应用程序的分布式无线网络选择方法。设异构无线网络环境中每个移动终端可用的无线网络数量为M,且存在运行的网络应用程序数量为N,则针对终端上某一个应用程序的状态向量记为m_i:

将细胞吸引子选择模型从二维状态空间推广到多维状态空间,建立细胞吸引子选择模型为

在细胞吸引子选择模型式(3)中,细胞活跃度表征参数α是决策的核心参数之一,该参数作为网络选择决策的反馈输入,用以表征决策解的综合优化性能。为了保障移动终端的QoS效益,文献[22]以移动终端QoS满意度作为决策因素,采用Sigmoid型的效用函数、加权平均方法以及迟滞函数模型将移动终端QoS满意度映射到参数α上。在细胞活跃度参数α的驱动下,求解细胞吸引子选择模型式(3)得到平衡解的状态向量,最终以状态向量中最大分量对应的网络作为目标网络j_i^*,即

上述方法仅从用户个体的角度展开建模分析,本文所设计的动力系统模型式(3)主要针对终端个体上多个应用的选网问题,这种分布式的网络选择缺乏移动终端之间的信息交互,无线资源分配的公平性主要通过移动终端自由竞争来实现,不能有效、可靠地保障资源全局分配的公平性和全局使用效益。

针对异构无线网络资源分配和群体终端的网络选择,本文从群体终端的全局QoS满意度、异构无线网络的资源分配全局公平性和效益3个角度出发,提出一种基于细胞吸引子选择模型的群体终端网络选择方法。假设移动终端i(1≤i≤N)在异构无线网络环境中的可用网络总数为W,其决策状态向量为

根据细胞吸引子选择机制,建立如下动力系统决策模型:

本文采用类似于式(4)的计算结构表示syn(α)和deg(α):

为了将群体终端的全局QoS满意度、网络资源分配效益和全局公平性映射到参数α,首先建立全局QoS满意度、网络资源分配全局公平性和效益的计算模型。

假设具备多模式通信能力的移动终端在每一个时刻只能接入一个无线网络,利用该网络为终端上多个应用提供服务。记接入无线网络j的移动终端构成集合MTSet_j,所有移动终端构成集合MT,无线环境中网络构成集合NetSet。采用文献[23]计算移动终端与无线网络关联性的方法,计算移动终端个体i(i∈MTSet_j)的QoS满意度,记为QoS_i。进一步,群体终端的全局QoS满意度效用函数为

设移动终端i总的带宽需求上限指标为MTUpB_i,无线网络j的总带宽容量为Ca_j,则全局带宽资源效用函数为

假设移动终端i总的带宽需求下限为MTLowB_i,其所接入的无线网络j提供给集合MTSet_j中移动终端的可用带宽为currentNetB_j(i∈MTSet_j),采用文献[24]提出的资源分配公平指数计算公式计算参数FI:

在参数FI的基础上,采用如式(11)所示的效用函数结构,计算全局带宽资源分配公平性指标量化值:

在式(8)、式(9)和式(11)的基础上,采用文献[16]给出的微分方程模型,将参数Gqos、Gub和GFI映射到综合参数α:

参数α作为模型式(6)的反馈信息,使动力系统的平衡解能够动态地根据变化决策信息进行调整。利用α驱动求解模型式(6)得到平衡状态向量,从而可以得到目标网络j_i^*。

基于细胞吸引子选择模型的网络选择决策框架如图 1所示。

图 1 基于细胞吸引子选择模型的网络选择决策框架 Fig. 1 Network selection architecture based on cell attractor selection model

图选项

本文以车联网应用作为背景,主要考虑由DSRC(采用IEEE 802.11p标准)、WiFi(采用IEEE 802.11g标准)和Cellular(采用CDMA标准)3种无线网络构成的网络环境;用于实现网络选择决策的因素主要为QoS特性参数,具体包括可用带宽、时延和丢包率。在仿真实验中,设置的QoS特性参数如表 1所示。通过设计数值实验,以Hasswa等提出的基于效用函数的决策方法^{[5, 6, 7]}作为比较对象,对比分析生物启发式决策方法与传统决策方法的不同。

本文考虑3种应用:语音业务、视频业务和数据流业务。这3种应用对网络的QoS需求指标如表 2所示。根据表 2随机产生每一个终端的应用,且每一个车载终端上运行的应用数量不超过3个。

设算法仿真迭代的步长为dt,表 3给出了基于细胞吸引子选择模型涉及的参数设置。此外,基于效用函数的决策方法涉及的可用带宽、时延和丢包率3个决策因素权重分别设置为0.4、0.3和0.3。

采用文献[23]给出的方法,得到仿真过程中移动终端带宽效用指标、时延效用指标以及丢包率效用指标。此外,为了进行对比分析,采用3种量化指标。

1) 群体终端全局QoS满意度指标。

2) 网络资源分配效益指标^[23]。

3) 网络资源分配全局公平性指标。可由Jain等^[24]的资源分配公平性公式计算得到

图 2给出了该移动终端不同决策指标的仿真变化情况。可知,决策方法在带宽效用、时延效用和丢包率效用3个方面的总体水平优于基于效用函数的方法。

图 2 移动终端网络选择决策指标对比分析 Fig. 2 Comparison analysis of mobile terminal network selection decision index

图选项

图 3从群体终端全局QoS满意度、网络资源分配效益和全局公平性的角度给出了2种决策方法的对比结果。可知,2种方法的指标随着时间的推移而呈增长趋势,这是由于在仿真过程中移动终端不断驶出网络覆盖区域,网络环境中移动终端总数逐渐减少,资源竞争程度逐渐减弱。此外,图 3中结果说明,基于细胞吸引子选择模型的网络选择决策方法虽然不能保证移动终端在每一个决策时刻都能接入最优的目标网络,但从全局效益的角度和整个仿真过程来看,采用细胞吸引子选择机制的决策方法能够更好地保障群体终端和网络的全局利益,体现了生物启发式机制在网络选择决策中的应用优势。

图 3 群体终端与网络全局指标对比分析 Fig. 3 Comparison analysis of swarm terminals and global network index

图选项

计算生物学领域的研究成果已充分揭示了细胞吸引子选择机制对动态环境的自适应特性,且已有的生物启发式研究成果体现了该生物机制在网络技术中的应用潜力。本文以异构车联网为应用背景,基于细胞吸引子选择机制提出一种面向群体终端的网络选择决策方法。下一步将设计更为复杂的异构无线网络选择实验,研究该生物启发式机制在不同异构无线网络环境中的适用性。