một thuật toán điều khiển mượn kênh cân bằng tải động mạng di động tế...

Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011

VCCA-2011

Một thuật toán điều khiển

mượn kênh cân bằng tải động mạng di động tế bào

A control algorithm channel borrowing

for dynamic load balancing cellular mobile network

Thái Quang Vinh(1)

, Hà Mạnh Đào(2)

Viện Công nghệ thông tin(IOIT)

[email protected](1)

, [email protected](2)

Tóm tắt Trong bài báo này, chúng tôi đề xuất thuật toán mượn

kênh để cân bằng tải động mạng di động tế bào với tập

luật được phát sinh tự động trên cơ sở sử dụng bộ điều

khiển mạng nơ ron mờ với phép đo subsethood để nâng

cao chất lượng của bộ điều khiển. Sau đó chúng tôi

thực hiện mô phỏng và so sánh kết quả với các phương

pháp truyền thống LBSB và Adapt. Kết quả mô phỏng

cho thấy thuật toán mới tốt hơn các thuật toán truyền

thống nhờ sử dụng mạng nơ ron mờ với ưu điểm của

phép đo subsethood.

Abstract In this paper, we proposed channel borrowing

algorithm for dynamic load balancing in cellular

mobile network with the set rules are generated

automatically based on the Neuro-fuzzy controller

using subsethood measurements to improve the quality

of the controller. We then perform simulations and

compare the results with traditional methods.

Simulation results show that new algorithms for better

performance traditional algorithms by the advantages

of measurements subsethood.

Ký hiệu μ Hàm liên thuộc mờ

{…} Tập các đại lượng Thuộc tập các đại lượng

Ai , Bi Ci Giá trị hàm liên thuộc mờ tập mờ i

x,y,z Các biến mờ

f(i)

Mạng đầu vào nút nơ ron

η Hăng số học

IL, OL Giá trị ngôn ngữ tập mờ đầu vào và ra

Rk Luật thứ k

σ, ck Tham số hàm Gauss

ω Trọng liên kết lớp điều kiện với lớp luật

ν Trọng liên kết lớp luật với lớp kết luận

ε Phép đó subsethood liên kết mờ

ξ Trọng liên kết lớp kết luật với lớp ra

E Hàm mục tiêu

τ Bước thời gian

Chữ viết tắt NFS Neuron-Fuzzy-Subsethood

MISO multi input – single output

FIFO Fist-In-Fist-Out

QoS Quality of Service

BS Base station

MSC Mobile switch Center

FCL Fuzzy Control Logic

BP Back Propagation

1. Giới thiệu Trong những năm gần đầy, sự phát triển số lượng thuê

bao mạng di động tế bào tăng lên nhanh chóng cùng

với nhu cầu sử dụng dịch vụ đa phương tiện, truy cập

internet … đòi hỏi cần số lượng kênh truyền thông

nhiều hơn cho một cuộc gọi của người sử dụng. Nhưng

do phổ tần số cấp cho mạng giới hạn nên việc quản lý

hiệu quả và chia sẻ kênh giữa các thuê bao trở thành

vấn đề cực kỳ quan trọng để tránh tắc nghẽn mạng và

đảm bảo cung cấp chất lượng dịch vụ(QoS) theo yêu

cầu[6,7,8,9,10,11,12,13,14,15,16,18,19,20,21,22].

Trong thực tế tải phân bố trong hệ thống mạng không

đều, biến đổi theo thời gian và biến đổi từ tế bào này

tới tế bào kia. Một số tế bào trở nên quá tải hay còn gọi

là tế bào nóng, trong khi một số tế bào khác thì tải nhẹ

hay còn gọi là tế bào lạnh. Để thực hiện cân bằng động

tải tế bào đã có nhiều thuật toán được đề xuất

[6,7,8,9,10,11,12,13,14,15,16,18,19,20,21,22,23,

24,25,26,27]. Trong đó các thuật toán dựa trên mượn

kênh từ các ô tế bào lạnh được sử dụng phổ biến. Một

vấn đề quan trọng để cân bằng động tải là phải thu thập

được thông tin về tải tế bào. Đây là một vấn đề phức

tạp và tốn nhiều thời gian. Các phương pháp mượn

kênh truyền thống thường phân biệt trạng thái tải của tế

bào bằng cách sử dụng các giá trị ngưỡng cố định để

phân biệt [5,6,7,8,9,10,11,12,13,14,22]. Một tế bào

được gọi là nóng nếu tỉ số của số các kênh cho phép

của một tế bào và tổng số kênh được cấp cho tế bào đó

là nhỏ hơn hoặc bằng giá trị ngưỡng, ngược lại gọi là tế

bào lạnh. Hạn chế của các thuật toán này là giá trị

ngưỡng cố định[23,26,27] có thể gây cho tế bào xuất

hiện một chuỗi thay đổi trạng thái tải bất thường khi tải

của tế bào đó dao động xung quanh giá trị ngưỡng.

Điều này gây cho hệ thống mất ổn định và truyền các

thông điệp không cần thiết mức độ cao. Trong thực tế

để giải quyết vấn đề các tế bào nóng biến đổi theo thời

835


VCCA-2011

gian bằng cách gia tăng độ rộng băng thông cho tế bào

từ đó tăng dung lượng hệ thống. Nhưng cách này

không hiệu quả đối với tải không cân bằng biến đổi

theo thời gian. Cách hiệu quả nhất giải quyết vấn đề

này là chuyển kênh từ tế bào có tải nhẹ(tế bào lạnh)

sang tế bào có tải nặng(tế bào nóng). Thông tin tải thu

được không những cho phép ước lượng tải lưu lượng

biến đổi theo thời gian mà còn cung cấp thông tin hữu

ích để ra quyết định cấp phát lại kênh cho hệ thống

mạng.

Xuất phát từ hạn chế của các thuật toán truyền thống

cũng như sự không rõ ràng, bất định của số cuộc gọi

yêu cầu, thời gian thực hiện cuộc gọi và số các thông

điệp overhead giữa BS và MSC, đòi hỏi cần phải có

một cơ chế dự báo phù hợp hơn, hiệu quả hơn. Từ đó

nhiều thuật toán mượn kênh thông minh đã được đề

xuất để cân bằng tải và khắc phục được hạn chế do sử

dụng giá trị ngưỡng[23,24,25,26,27]. Trong các thuật

toán đó phải kể đến thuật toán được đề xuất bởi Yao-

Tien Wang[23,26] đã đề xuất thuật toán mượn kênh sử

dụng bộ điều khiển logic mờ và bộ điều khiển mạng

nơ ron- mờ để thực hiện mượn kênh động và cân bằng

tải mạng di động tế bào. Nhưng các bộ điêu khiển này

có hạn chế là phụ thuộc nhiều vào tri thức chuyên gia,

tín hiệu đầu ra không “mịn”, số luật mờ nhiều và

không đánh giá được tác động của phần điều kiện lên

phần kết luận của các luật, cho nên hạn chế độ chính

xác tín hiệu đầu ra và ảnh hưởng đến quá trình, thời

gian huấn luyện mạng nơ ron –mờ sử dụng trong thuật

toán.

Để khắc phục hạn chế đó, chúng tôi sẽ đề xuất một

phương pháp điều khiển mượn kênh thông minh trên

cơ sở bộ điều khiển logic mờ, với tập mờ được xây

dựng trên cơ sở tập dữ liệu huấn luyện bằng mạng nơ

ron mờ sử dụng phép đo subsethood cho liên kết mờ để

tối ưu tập luật, và từ đó nâng cao chỉ số QoS của mạng

di động tế bào.

Nội dung bài báo được chúng tôi phân bố như sau:

Phần hai sẽ trình bày mô hình mạng di động tế bào, và

trình bày thiết kế thuật điều khiển mượn kênh mờ để

cân bằng động tải tế bào với mạng nơ ron mờ sử dụng

subsethood. Phần ba trình bày mô phỏng thuật toán

mới và đánh giá kết quả mô phỏng đó. Cuối cùng trong

phần bốn sẽ trình bày một số điểm kết luận của bài

báo.

2. Bộ điều khiển mượn kênh cân bằng tải

động mạng di động tế bào 2.1. Mô hình mạng di động tế bào

Mạng gồm một tập các tế bào hình lục giác[3,5]. Mỗi

tế bào được cung cấp một trạm cơ sở BS đặt ở trung

tâm. Hai tế bào có thể sử dụng cùng kênh nếu khoảng

cách địa lý giữa chúng tối thiểu là lớn hơn ngưỡng

Dmin. Ngược lại phiên truyền thông sẽ gây nhiễu cho

các kênh khác và được gọi là hiện tượng nhiễu kênh.

Một tập tế bào lân cận gây nhiễu cho Ci được định

nghĩa bởi INi thì INi={Cj |dist(Ci,Cj)<Dmin } với R là

bán kính tế bào, Dmin là khoảng cách sử dụng lại kênh

cực tiểu. Giả sử mạng di động phân hoạch thành một

số tập tế bào con phân biệt, G0, G1, ..., Gk-1. Tương tự,

tập tất cả các kênh cũng được phân hoạch thành K tập

con phân biệt: P0, P1, ..., Pk-1. Các kênh trong Pi (i=0,1,

...,k-1) là các kênh cơ bản của các tế bào trong Gi và là

kênh thứ cấp của các tế bào trong Gj(j≠i). Một kênh

yêu cầu một kênh thứ cấp chỉ khi không còn các kênh

cơ bản được phép nữa.

2.2. Thiết kế bộ điều khiển mượn kênh cân bằng tải

động.

Bộ điều khiển mượn kênh thông minh được đề xuất

(hình 2) gồm 4 khối thành phần: Bộ điều khiển logic

mờ, bộ xác lập chỉ thị trạng thái tải tế bào, khối thực

hiện quá trình mượn/cho mượn kênh và khối học tham

số sử dụng mạng nơ ron mờ với phép đo subsethood

mờ.

2.2.1. Thiết kế bộ điều khiển thông minh

Hạt nhân của bộ điều khiển thông minh để đưa ra quyết

định trạng thái tải tế bào là bộ điều khiển logic

mờ(FLC). Bộ điều khiển này thực hiện lập luận xấp xỉ

để đưa ra quyết định trạng thái tải tế bào, và số kênh

mượn/cho mượn sau khi giải mờ trên cơ sở tín hiệu đầu

vào là số kênh cho phép và thông tin tải lưu lượng của

tế bào. Bộ điều khiển logic mờ gồm 4 khối cơ bản:

Khối mờ hoá, khối cơ sở luật mờ, khối suy diễn mờ và

khối giải mờ. Trong đó tập luật mờ được phát sinh bởi

bộ điều khiển NFS.

Khối mờ hoá

Khối mờ hoá thực hiện chức năng mờ hoá để chuyển

giá trị đo thành giá trị ngôn ngữ. Mức độ liên thuộc

được biểu diễn bởi giá trị trong khoảng 0 và 1. Nói một

cách khác, tập mờ biểu diễn thông qua giá của tập mờ.

Giả sử tập mờ A là tập rõ ràng của tất cả x thuộc không

gian U sao cho ux(x)>0:

( ) | ( ) 0ASupp A x U u x .Các phép bù, giao

H. 1. a) Nhóm tế bào N=7

b)Mô hình phân hoạch mạng tế bào

836


VCCA-2011

và hợp mờ cũng được định nghĩa theo định nghĩa mờ

của Zadeh[3]. Áp dụng cơ sở lý thuyết mờ này và sử

dụng các kỹ thuật phân vùng dữ liệu vào kiểu lưới hoặc

FCM, chúng tôi thực hiện ánh xạ các tín hiệu rõ AC, TL

thành các tập mờ như sau: Giả sử tín hiệu đầu vào là số

kênh cho phép(AC) và tải lưu lượng(TL). Tín hiệu kênh

cho phép AC giả sử thuộc khoảng [cmin, cmax] và được

mờ hoá thành các tập mờ với giá trị biến ngôn ngữ như:

VeryCol(VC), Col(C), Moderate(M), Hot(H),

VeryHot(VH) (hình 3). Với 4[ , ]ox c c , hàm thuộc của

các tập mờ dạng Gauss được xác định như sau:

2 2( ) /( )j aj i ai

i

x cA e

(1)

Với ci là tâm của hàm liên thuộc,

0 1 2 3 4, , , ,ic c c c c c , j

iA là giá trị hàm liên thuộc

tập mờ i tương ứng giá trị đầu vào xaj,

, , , ,iA VC C M H VH . với x1 là tín hiệu đầu vào

AC. Tương tự với tín hiệu TL thuộc khoảng [bmin, bmax ]

và được mờ hoá thành các tập mờ Low(LL),

Mederate(ML), Heigh(HL)(hình 3). Hàm liên thuộc mờ

của các tập mờ này được xác định như sau: 2 2( ) / 2

( )j bj i bi

i

x bB e

(2)

Với 0 1 2, ,ib b b b , j

iB là giá trị hàm liên thuộc tập

mờ i tương ứng giá trị đầu vào xbj,

, ,iB LL LM LH .

Khối giải mờ

Khối giải mờ dùng phương pháp trọng tâm cho phép ánh

xạ giá trị biến ngôn ngữ đầu ra bộ điều khiển mờ thành

giá trị rõ ràng. Giả sử tín hiệu đầu ra là số kênh cho phép

mượn được xác định trong khoảng [-d, d]. Nếu qui ước số

kênh mà ô tế bào cho phép các ô tế bào lân cận mượn là

khoảng [-d,0] và số kênh mà ô tế bào hiện thời cần

mượn từ các ô tế bào lân cận là khoảng [0,+d] thì khối

giải mờ sẽ thực hiện ánh xạ giá trị mờ đầu ra vào khoảng

giá trị [-d,d]. Trong bộ điều khiển này chúng tôi định

nghĩa các tập mờ đầu ra thành phần lần lượt là các giá

trị ngôn ngữ như bảng 1. Với các giá trị biến ngôn ngữ

đầu ra:z= { NVL, NL, NM, NS, AZ, PS, PM, PL, PVL}

sử dụng hàm liên thuộc là hàm Gauss, quan hệ giữa đầu

ra mờ và khoảng giá trị giải mờ [-d, d]. Giá trị đầu ra bộ

giải mờ càng âm(NL) có nghĩa số kênh của tế bào có

khả năng cho các tế bào khác mượn càng nhiều. Ngược

lại, giá trị giải mờ càng dương(PL), có nghĩa tế bào cần

mượn số kênh càng nhiều. Còn giá trị bằng 0(AZ) tương

ứng không thực hiện mượn kênh với các tế bào lân cận.

Cơ sở luật mờ

Cơ sở luật mờ được đặc trưng bởi tập mờ IF-THEN thu

được mà trong đó phần điều kiện và phần kết luận là các

biến ngôn ngữ. Tập các luật mờ này đơn giản là thể hiện

quan hệ vào/ra của hệ thống. Dạng chung của luật điều

khiển mờ trong trường hợp MISO gồm 2 đầu vào một

đầu ra có dạng sau:

Ri: IF x is Ai AND y is Bi

THEN z is Ci i=1,2,...,n (3)

Với x, y, z là các biến ngôn ngữ biểu diễn các biến điều

khiển, còn Ai , Bi, Ci là các giá trị ngôn ngữ của các

H. 3. Hàm liên thuộc các tập mờ

đầu vào AC và TL

H. 2. Bộ điều khiển mượn kênh cân băng tải động

837


VCCA-2011

biến x, y, z tương ứng. Tập luật mờ này có thể thu được

sử dụng một trong 2 phương pháp:

Sử dụng tri thức chuyên gia

Phát sinh tập luật dựa vào tập dữ liệu huấn

luyện

Trong bộ điều khiển thông minh sử dụng, chúng tôi sử

dụng bộ điều khiển mạng nơ ron-mờ-

subsethood(NFS)[28,29,30] để phát sinh tập luật IF-

THEN mờ. NFS sử dụng liên kết mờ với phép đo

subsethood để đánh giá định lượng mức độ ảnh hưởng

của phần điều kiện lên phần kết luận của tập luật mờ để

cho phép thu được tập luật có chất lượng tốt hơn bộ

điều khiển nơ ron -mờ bình thường. Bộ điều khiển NFS

gồm 5 lớp(hình 5):

Lớp 1 là lớp vào (1)

i if x ,(1) (1)

i iy f ; lớp 2 là lớp

điều kiện: (2) (1) 2 2( ) /n n ni i i

i i iiIL IL IL

f x c ,

( 2) (1) 2 2( ) /(2)

n i n ni i iIL IL ILi i inii

f x c

ILx e e

, i=1,2,...N và ni

thuộc Ni , mỗi nút là một giá trị ngôn ngữ của biến vào;

lớp 3 là lớp luật: (3) (2)

,1

n ni ii i

N

k IL k ILi

f x

,

(3) 2 2( ) /(3) k kkf c

kx e

; lớp 4 là lớp biểu diễn phần kết

luận của luật Rk(ck,σk):(4) (3)

,( , )m mk kOL k OL

f x R ,

(4) (4) (4)

, , , , ,1 1

( ) / ( )m m m m m

K Kc

k OL k OL k OL k OL k OL kk k

x f f

, mỗi nút là một nhãn ngôn ngữ của biến ra và nó thực

hiện giải mờ. Lớp 5 là lớp đầu ra:

(5) (4)

1

m

M

m OLm

f x

,(5) (5)x y f .

Các nút lớp 2, 3 đều sử dụng hàm thành viên mờ dạng

Gauss. Điểm đặc biệt của mạng nơ ron mờ này so với

các mạng nơ ron mờ khác là nó sử dụng các liên kết

mờ đầy đủ giữa lớp luật và lớp mệnh đề kết luận. Các

liên kết mờ này thể hiện mức độ tác động của mỗi phần

điều kiện trong mỗi luật đến phần kết luận như thế nào.

Mỗi liên kết mờ cũng sử dụng hàm thành viên mờ dạng

Gauss và xác định mức độ giống nhau giữa nó với tập

mờ của luật Rk tương ứng bằng cách sử dụng phép đo

subsethood mờ ε(νOLm

,k, Rk) được định nghĩa[4]:

,

,

, ,

( )( , )

( ) ( ) ( )

m

m

m m

kOL k

kOL kk kOL k OL k

C RR

C C R C R

(4)

với ,

( , ) [0,1]mjj

kOL kR .

NFS sử dụng tín hiệu đầu vào x1 là AC được mờ hoá

thành các tập mờ IL1= {VH, H,M,C,VC}, x2 là TL được

mờ hoá thành các tập mờ OL2={LL, ML, HL}. Với dữ

liệu huấn luyện gồm dữ liệu {x, yd}, trong đó x=(AC,

TL)T, y

d là tín hiệu đầu ra mong muốn. ξm là trọng crisp

từ giá trị ngôn ngữ đầu ra OLm tới nút của lớp đầu ra.

2.2.3. Thuật cập nhật tham số cho các lớp NFS

Giả sử NFS được huấn luyện với cặp dữ liệu vào/ra

( ), ( )dx y và gọi y(τ) là tín hiệu đầu ra thực sự

ở bước thời gian τ, hàm mục tiêu E của mạng được định

nghĩa như sau:

21

( )2

dE y y (5)

Hàm mục tiêu E được NFS sử dụng để huấn luyện mạng

theo thuật truyền ngược BP, các tham số mạng NFS

được cập nhật đến giá trị tối ưu theo hàm mục tiêu sử

dụng thuật giảm gradient. Công thức cập nhật tham số

và trọng liên kết của các lớp tại bước τ thu được như

sau:

Lớp 5:

,( 1) ( ) ( ( ) / ( ))m

c

m m OL kE (6)

Lớp 4:

, ,,( 1) ( ) ( ( ) / ( ))m m mOL k OL kOL k

E (7)

, ,,( 1) ( ) ( ( ) / ( ))m m m

c c c

OL k OL kOL kE (8)

Lớp 3:

( 1) ( ) ( ( ) / ( ))k k kc c E c (9)

( 1) ( ) ( ( ) / ( ))k k kE (10)

Lớp 2:

, , ,( 1) ( ) ( ( ) / ( ))n n ni i i

i i ik IL k IL k ILE (11)

( 1) ( ) ( ( ) / ( ))n n ni i ii i iIL IL IL

c c E c (12)

H. 5. Cấu trúc mạng nơ ron mờ

sử dụng subsethood(NFS)

838


VCCA-2011

( 1) ( ) ( ( ) / ( ))n n ni i ii i iIL IL IL

E (13)

Với 0<η<1 là hằng số học.

Các biểu thức đạo hàm trong các công thức (6) đến (13)

được xác định như sau:

(4)

1

( ) m

Ml

OLlm l m

E E yd y x

y

(14)

(4) (4)

,

(4) (4)1, , ,

m m

m m m m m

MOL k OLl l

C C Cl l lOL k OL k OL kOL OL

x xE E y E y

y x y x

(15)

(4) (4)

(4) (4)1, , ,

. . . .m m

m m m m m

MOL OLl l

l l lOL k OL OL k OL OL k

x xE E y E y

y x y x

(16)

(4) (4)

,

(4) (4)1 ,

. .m m

m m

MOL OL k

mk kOL OL k

x fE E y

C y x f C

(17)

(4) (4)

,

(4) (4)1 ,

. .m m

m m

MOL OL k

mk kOL OL k

x fE E y

y x f

(18)

(4) (4)3 (3)

,

(4) (4) 3 (3)1 ,, ,

. . .m m

n m m ni ii i

MOL OL k k k

m k kOL OL kk IL k IL

x fE E y x f

y x f x f

(19)

(4)1

.n mii

M

m OLIL

yE E

y x

.

(4) (2) (2)(4)3 (3)

,

(4) 3 (3) (2) (2)1 1,

m n nm i ii i

m n n ni i ii i i

K NOL l IL ILOL l k

l kl lOL l IL IL IL

f x fx x f

f x f x f

(20)

(4) (4)3

,

(4) (4) 3 (3)1 1 ,

.m m

n m mii

M KOL OL l l

m l l lOL OL lIL

x f xE E y

C y x f x f

(2) (2)(3)

(2) (2)1

n ni ii i

n n ni i ii i i

KIL ILk

k IL IL IL

x ff

x f C

(21)

Sau khi thực hiện huấn luyện với mẫu, luật mờ thu được

có dạng:

Rj: IF x1 is 1

1

jIL

A and ... xi is jiIL

iA and xN is

jNIL

NA THEN y is yk with

j

Khối suy diễn mờ.

Trong hệ thống suy diễn mờ, tri thức liên quan đến bài

toán điều khiển đã cho được phát biểu dưới dạng thuật

ngữ của một tập luật suy diễn mờ. Quá trình suy diễn

mờ sử dụng các phép toán t-norms hoặc t-conorm.

Trong hệ thống suy diễn mờ của NFS sử dụng liên kết

mờ với phép đo subsethood thay vì sử dụng các phép

toán t-norms. Cụ thể với tập luật thu được ở phần cơ sở

luật trình bày trên, cơ chế suy diễn NFS có thể biểu diễn

dưới dạng cụ thể như sau:

Với: ( )ky biểu diễn sự giải mờ của giá trị ngôn ngữ

yk.

Từ đó chúng tôi đề xuất thuật huấn luyện phát sinh tập

luật mờ như sau:

step1: Khởi tạo các tham số hàm liên thuộc mờ đầu vào,

luật mờ R, hàm liên thuộc liên kết mờ và ξ, hăng số học

η, sai số cho phép E0.

step 2: Đặt dữ liệu vào/ra huấn luyện {x, yd } vào NFS

step 3: Thực lập luận mờ với tín hiệu đầu vào x bằng

cách sử dụng phương trình mạng đầu vào, tín hiệu đầu

ra các lớp 1->lớp 4 và sử dụng công thức (22) đối với

mỗi luật mờ và đầu ra của lập luận mờ sẽ được tính

toán.

step 4: Thực hiện công thức (14), (6) để điều chỉnh ξm.

step 5: Thực hiện lặp lại lập luận mờ từ bước 3

step 6: Thực hiện điều chỉnh các tham số hàm thuộc

liên kết mờ, luật R, hàm thuộc đầu vào theo các công

thức (15)-(21) và (7)-(13).

step 7: Hàm mực tiêu (5) được tính toán, quá trình lặp

lại từ step 3 đến step 6 cho đến khi E(τ)-E(τ-1) nhỏ hơn

giá trị ngưỡng yêu cầu E0.

839


VCCA-2011

2.3. Khối thực hiện quá trình mượn/cho mượn kênh

2.3.1. Xác định trật tự các ô lân cận mượn kênh

Khối này có nhiệm vụ nhận thông tin trạng thái tải của

ô hiện thời, thực hiện trao đổi thông tin với các ô lân

cận và ô đồng kênh để thu thập kênh cho phép, và cập

nhật vào ma trận chứa thông tin về các kênh sử dụng.

Sau đó nhận số kênh cho phép tính toán từ bộ giải mờ

để thực hiện mượn hoặc cho mượn kênh, tuỳ thuộc vào

chỉ thị của khối ra quyết định trạng thái tải tế bào và số

kênh tính toán được là dương hay âm. Để xác định tế

bào mượn kênh, khối này cũng sử dụng bộ tìm tế bào

mờ dựa trên chênh lệch tải với các tế bào lân cận Tr, tỉ

số tín hiệu /nhiễu SIR và cường độ tín hiệu nhận được

của người sử dụng cụ thể RSS. Các tín hiệu này cũng

được mờ hoá để từ đó xác định tế bào lân cận phù hợp

nhất để mượn kênh. Quá trình này lặp lại trong trường

hợp mượn nhiều kênh. Sau khi thực hiện xong nó cung

cấp thông tin số kênh cho phép tới bộ điều khiển logic

mờ và khối học tham số để thực hiện điều chỉnh tham số

hàm liên thuộc mờ và tập mờ.

2.3.2. Thực hiện cân bằng tải

Việc thực hiện cân bằng tải là cần thiết để phân bố lại

tài nguyên cấp phát cho các ô tế bào trong mạng di động

nhằm nâng cao QoS của toàn mạng khi tải lưu lượng

của mạng biến đổi theo thời gian. Ví dụ như mạng di

động trong một ngày đêm có thể phân bố tải lưu lượng

theo thời gian là khác nhau như: ban ngày tải lưu lượng

có thể cao điểm nhưng ban đêm có thể thấp hơn. Và

trong cùng một thời điểm, tải lưu lượng trong các ô tế

bào cũng khác nhau như trong thành phố có thể cao hơn

ở nông thông …Vấn đề cần phải đánh giá và thực hiện

phân bố lại tải để đảm bảo chất lượng dịch vụ của mạng

là cao nhất. Với bộ điều khiển thông minh đã đề xuất,

việc đánh giá trạng thái tải của tế bào và tính số kênh

cho phép mượn/cần mượn là thông số quan trọng để ra

quyết định phân bố lại tải tế bào bằng cách di chuyển số

kênh giữa các ô tế bào lạnh sang các ô tế bào nóng khi

giữa các tế bào này có sự chênh lệch về tải lưu lượng,

thậm chí là chênh lệch rất lớn. Từ bộ điều khiển mờ đề

xuất, sử dụng phương pháp giải mờ trọng tâm và công

thức (22) chúng ta xác định được số kênh cần mượn/cho

mượn giữa hai tế bào là:

Y=Y*- IN(c) (23)

Số kênh di chuyển cân bằng tải giới hạn theo biểu thức

sau[23,26]:

Số kênh =

min[Borrowing cell(Y), Lending cell(Y)] (24)

Sau khi các kênh di chuyển dùng để cấp phát lại, bộ

điều khiển NFS sẽ thực hiện điều chỉnh lại tập luật.

2.4. Thuật toán mượn và cân bằng tải động

3. Mô tả mạng di động mô phỏng Mạng di động tế bào được sử dụng trong mô phỏng gồm

190 ô tế bào hình dạng lục giác có bán kính là đơn vị.

Các tế bào này sẽ được xác định bởi 190 BS. Vị trí các

trạm cơ sở được xác định bởi toạ độ (x,y). Các thông tin

mạng được cất trong ma trận baseinfo kích cỡ 190x2. Ví

dụ baseinfo(5,1) và baseinfo(5,2) tương ứng với toạ độ

(x,y) của trạm cơ sở tế bào thứ 5. Mô phỏng thực

hiện:1)Tính toán các BS; 2)Xác định các tế bào lân cận

cho mỗi tế bào; 3) Khởi tạo gán kênh cho các tế

bào;4)Khởi tạo bộ điều khiển thông minh cho các tế bào

và xác lập trạng thái ban đầu

Trong mô phỏng chúng tôi tập trung vào các phép

đo:1)Đo xác suất khoá cuộc gọi;2)Đo xác suất bắt buộc

kết thúc cuộc gọi;3)Xác định số kênh rỗi của các tế bào.

Xác suất khoá cuộc gọi và xác suất kết thúc cuộc gọi bắt

buộc sẽ được định nghĩa như sau:

bl

blocknumP

callnum (2.1)

fc

forcenumP

callnum blocknum

(2.2)

với callnum, blocknum, forcenum là tổng số cuộc gọi, số

cuộc gọi bị khoá và số cuộc gọi bắt buộc kết thúc tương

ứng. Cấu trúc chương trình mô phỏng được thực hiện

trong khoảng thời gian timeend với bước thời gian là

timestep. Thông tin thực hiện trong mỗi vòng lặp được

cất trong ma trận userinfo gồm các thông tin sau:1)Toạ

độ (x,y) của người sử dụng;2)Suy giảm đường truyền

của người sử dụng được kết nối;3)Thông tin kết nối hay

H. 6. Thuật toán điều khiển mượn/khoá kênh cân bằng tải

840


VCCA-2011

không kết nối: 1->được kết nối, 0-> là không kết

nối;4)Thời gian kết thúc cuộc gọi;5)Số kênh kết nối

được cấp phát

Kết quả mô phỏng với môi trường Matlab:

Mô phỏng được thực hiện với nhóm compact N=19, số

kênh cấp phát cho mỗi ô là C=100 kênh tần số, bán kính

của ô là 1, tải lưu lượng từ 100 đến 2000 cuộc gọi/ giờ..

Hai tham số shift nhận giá trị 3 và 2, độ rộng vùng bóng

r trong mỗi ô tế bào nhằm xác định thuê bao rời ô là 0,8.

Khoảng thời gian xác định thuê bao rời ô là 10. Cuộc

gọi đến mỗi ô theo hàm phân phối Poisson với giá trị

trung bình λi đối với ô tế bào thứ i. Thời gian chờ cuộc

gọi giả sử là phân phối mũ với 1/µ của 500 giây. Trạm

BTS của mỗi ô sẽ nhận biết những ô nào là ô lận cận, ô

nào là cùng nhóm compact với nó hoặc những ô nào là

đồng kênh gần nhất. Kết quả thu được với thông số

kênh rỗi thể hiển như bảng 1, hình 6,7 và được so sánh

với phương pháp LBSB và thuật toán gán kênh thích

nghi của Yongbing Zhang.

4. Kết luận Bài báo đã đề xuất phương pháp điều khiển mượn kênh

mới để cân bằng tải trên cơ sở mạng nơ ron mờ với

phép đo subsethood cho mạng di động tế bào. Kết quả

mô phỏng thuật toán mới cho thấy thuật toán mới đã

khắc phục được hạn chế của các thuật toán truyền thống

là việc sử dụng ngưỡng trạng thái tải tế bào. Thuật toán

mới cũng thể hiện số kênh rỗi nhiều hơn, khả năng

mượn kênh để cân bằng tải sẽ tốt hơn, xác xuất khoá

cuộc gọi và dớt cuộc gọi thấp hơn so với phương pháp

sử dụng ngưỡng phân tách trạng thái tải tế bào.Đồng

thời thuật toán mới cũng thể hiện khả năng học, độ

chính xác tốt hơn, mềm dẻo hơn và tối ưu hơn so với

các thuật toán mượn/khoá kênh nơ ron, mờ

khác[23,24,25,26].

Tài liệu tham khảo

[1] Thai Quang Vinh, Ha Manh Dao, Ho Si Bang,

Decentralized stabilization of complex systems by

combination of conventional and fuzzy controls,

International Journal of Uncertaity, Fuzziness and

Knowledge-Base System. Vol 7, No. 4, 423-427,1999

[2] Cornelia-Ionela Badoi , Neeli Prasad ,Victor

Croitoru , Ramjee Prasad, 5G Based on Cognitive

Radio, Published online: 8 July 2010, ©Springer

Science+Business Media, LLC., 2010

[3] Zadeh, L. A., Fuzzy Algorithm Information and

Control, p.94-102, 1968.

[4] B. Kosko, Fuzzy entropy and conditioning,

Information Sciences, Vol. 40, No. 20, 1990.

[5] V. H. Mac Donald, Advanced Mobile Phone

Service: The Cellular Concept, The Bell System

Technical Journal, volume 58, number 1 (1979), pages

15-41, 1999

[6] Hà Mạnh Đào at al., Một số cải tiến đối với phương

pháp cấp phát kênh tần số mạng di động tế bào, Các

công trình nghiên cứu, phát triển và ứng dụng Công

nghệ thông tin và Truyền thông, Tạp chí Thông tin,

Khoa học Công nghệ của Bộ Thông tin và Truyền

thông, Tập V-1, số 1(21), 2009

[7] Hà Mạnh Đào et al, Cải tiến các thuật toán mượn và

khoá kênh tần số mạng di động tế bào, Tạp chí khoa học

và Công nghệ, Đại học Đà Nẵng, ISSN 1859-1531,

6(29), 2008

[8] Ha Manh Dao et. al, Improved Frequency Chnnel

Borrowing and Locking Algorithm in Cellular Mobile

Systems, The 11th

International Conference on

Advanced Communication Technology,IEEE,

Proceedings, Volume I, 2009.

[9]Ozan K. Tonguz, Member, IEEE, and Evs ¸en

Yanmaz, Member, IEEE, The Mathematical Theory of

H. 6. Số kênh rỗi của các tế bào sau mỗi lần chạy

H. 7. Số kênh có khả năng mượn sau mỗi lần chạy với

các thuật toán khác nhau

Bảng 1. Khả năng mượn kênh của các ô tế bào

841


VCCA-2011

Dynamic Load Balancing in Cellular Networks, IEEE

Transactions on mobile computing, Vol. 7,No. 12.

december 2008.

[10] I.Katzela and M.Naghshineh, Channel Asignment

Schemes for Cellular Mobile Telecommunication

Systems: A Comprehensive Survey, IEEE Personal

Communications Magazine, vol 3, No 2, pages 10-

31,1996.

[11] Sajal K.Das, Sanjoy K.Sen, Rajeev Jayaram, A

Dynamic Load Balancing Strategy for Channel

Assignment Using Selective Borrowing in Cellular

Mobile Environment, Wireless Networks, volume 3,

page 333-347, 1997

[12] Yongbing ZHANG, A New Adaptive Channel

Assignment Algorithm in Cellular Mobile Systems, Proc

32 nd Hawaii International Conference on System

Science 1999.

[13]. H. Jiang and S.S. Rappaport, CBWL: A new

channel assignment and sharing method for cellular

communication systems, IEEE Transactions on

Vehicular Technology, volume 43, number 2, papes

313-322, 1994

[[14] Zhang, Y., A new adaptive channel assignment

algorithm in cellular mobile systems, IEEE Systems

Sciences Conference, p.1-7, 1999.

[15] Karlsson, J. and Eklundh, B., A cellular mobile

telephone system with load sharing-an enhancement of

directed retry, IEEE Communications, pp.530-535,

1989.

[16] Mitra, S. and DasBit, S., A load balancing strategy

using dynamic channel assignment and channel

borrowing in cellular mobile environment, IEEE

Personal Wireless Communications, pp.278-282, 2000.

[17] 3rd Generation Partnership Project. Technical

Specification Group. Radio Access Network, Radio

Interface Protocol Architecture, TS25.301 v4.2.0. 202.

[18] Das, S. K., Sen, S. K. and Jayaram, R., A

structured channel borrowing scheme for dynamic load

balancing in cellular networks, IEEE Distributed

Computing Systems, pp.116-123, 1997.

[19] Kim, J., Lee, T. and Hwang, C. S., A dynamic

channel assignment scheme with two thresholds for load

balancing in cellular networks, IEEE Radio and

Wireless Conference, pp.141-145, 1999.

[20] T. Lee J. Kim and C. S. Hwang, A dynamic

channel assignment scheme with two thresholds for load

balancing in cellular networks, IEEE Radio and

Wireless Conference, pages 141-145, 1999.

[21] Kim, S. and Varshney, P. K., Adaptive Load

Balabcing with Preemption for Multimedia Cellular

Network, IEEE Wireless Communications and

Networking Conference, pp.1680-1684, 2003.

[22] Sen, S. K., Das, S. K. and Jayaram, R., A

structured channel borrowing scheme for dynamic load

balancing in cellular networks, IEEE Distributed

Computing Systems, p.116-123, 1997.

[23] Wang, Yao-Tien, A fuzzy-based dynamic channel

borrowing scheme for wireless cellular networks, IEEE

Vehicular Technology Conference, p.1517-1521, 2003.

[24] C.Y. Ngo and V.O.K. Li, Fixed Channel

Assignment in Cellular Radio Networks using A

Modified Genetic Algorithm, IEEE Transactions on

Vehicular Technology, vol. 47, no. 1, pp. 163-72,1998

[25] 1801 K.A. Smith, Genetic Algorithm for The

Channel Assignment Problem, in Global

Telecommunications Conference, GLOBECOM 1998,

vol. 4. pp. 2013-2018..,1998

[26] Yao-Tien Wang, Kuo-Ming Hung, A Genetic-

Fuzzy Controller for Load Balancing in Wireless

Cellular, Information and Management Sciences

Volume 18, Number 4, pp. 467-494, 2007.

[27] Nguyễn Xuân Quỳnh, Thái Quang Vinh, Hà Mạnh

Đào, Một phương pháp điều khiển mượn kênh tần số

thông minh trong mạng di động tế bào trên cơ sở hệ

mờ-nơ ron, Tạp chí Khoa học&Công nghệ, Trường đại

học Công nghiệp Hà Nội, ISSN 1859-3585, số 02, 2010.

[28] Song Hengjie, Miao Chunyan, Shen Zhiqi,Miao

Yuan, Bu-Sung Lee, A fuzzy neural network with fuzzy

impact grades, Neurocomputing 72, 3098–3122, 2009.

[29] Amit Mishra, Zaheeruddin, Design of Fuzzy Neural

Network for Function Approximation and

Classification, IAENG International Journal of

Computer Science, 37:4, IJCS_37_4_02, 2010.

[30] Zsolt Csaba Johanyak, Fuzzy Rule Interpolation

based on Subsethood Values, 978-1-4244-6588-0/101

©2010 IEEE.

842


VCCA-2011

PGS.TS Thái Quang Vinh

Chức danh học vị: Phó giáo sư, Tiến sỹ, Nghiên cứu

viên chính.

Nơi làm việc: Phòng Công nghệ Tự động hóa, Viện

Công nghệ thông tin, Viện KHCN VN, 18 Hoàng

Quốc Việt, Cầu Giấy, Hà Nội

Đào tạo:

1977 - Tốt nghiệp kỹ sư ngành Điều khiển tự động,

Đại học Bách khoa Ô-đét-xa, Ucraina

1991 – Tốt nghiệp Tiến sỹ ngành Điều khiển tự động

tại Trường Đại học Năng lượng Mát-xcơ-va, CHLB

Nga.

Các lĩnh vực nghiên cứu chính:

Ứng dụng các công nghệ cao trong đo lường và điều

khiẻn.

Hệ thống nhúng, Xử lý tín hiệu số.

Điều khiển các hệ thống phức hợp , điều khiển mờ và

mạng Nơ ron.

Một số kết quả chính:

Complex Systems by Combination of Conventional

and Fuzzy Controls, International Journal of

Uncertainty, Fuzziness and Knowledge-Based

Systems, Vol 7, No.4, 1999, pp. 423-428.

Decentralized Robust Fuzzy Sliding Mode Control

Design of Interconnected Uncertain System.

International Journal of Advanced Computational

Intelligence, 6(2002), No1,56-61.

A Novel Fast Noise Robust Vietnamese Speech

Recognition Applied for Robot Control. Proceedings

of the 10th International Conference on Control,

Automation, Robotics and Vision,

ICARCV2008,2008 ISBN:978-1-4244-2287-6,IEEE

Catalog No:CFP08532-CDR.

Ths. NCVC Hà Mạnh Đào

Nơi công tác: Viện công nghệ thông tin(VAST)

Đào tạo:Tốt nghiệp Đại học sư phạm Việt bắc, 1990;

Đào tạo tin học Đại học Sư phạm I Hà Nội, 1994;

Thạc sĩ:1986, P. Tự động hóa – Viện Vật lý, Viện

Khoa học và Công nghệ Việt Nam; NCS Viện Nghiên

cứu Điện tử , Tin học, Tự động hóa

Lĩnh vực nghiên cứu:Vi xử lý, vi điều khiển, nhúng,

PLC; Trí tuệ nhân tạo (Mạng nơ ron, logic mờ, GA,

EA); Đo và điều khiển thông minh; Xử lý tín hiệu, tín

hiệu mù; Wireless Network và ứng dụng trong đo,

điều khiển; Công nghệ ASIC, FPGA.

Lĩnh vực khác: Giảng dạy Đại học; Triển khai thực

tế.

843

một thuật toán điều khiển mượn kênh cân bằng tải động mạng di động tế...

Documents