một thuật toán điều khiển mượn kênh cân bằng tải động mạng di động tế...
DESCRIPTION
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011Một 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 networkThái Quang Vinh(1), Hà Mạnh Đào(2) Viện Công nghệ thông tin(IOIT) [email protected](1), [email protected](2) Tóm tắtTrong 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 điềTRANSCRIPT
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](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
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
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
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
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
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
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
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
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
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
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
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
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
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
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
Hội nghị toàn quốc về Điều khiển và Tự động hoá - VCCA-2011
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