馮義磊，唐震洲

(溫州大學(xué)計(jì)算機(jī)與人工智能學(xué)院，浙江溫州 325035)

為了應(yīng)對(duì)未來(lái)爆炸性的移動(dòng)數(shù)據(jù)流量的增長(zhǎng)、海量的設(shè)備連接、不斷涌現(xiàn)的各類(lèi)新業(yè)務(wù)和應(yīng)用場(chǎng)景，第五代移動(dòng)通信系統(tǒng)（5G）呼之欲出．5G系統(tǒng)在為用戶提供更高性能服務(wù)的同時(shí)，也對(duì)頻譜資源提出了更高的要求，但是申請(qǐng)新的頻譜資源是極其昂貴的．免授權(quán)頻段LTE技術(shù)（LTE-U）的提出可以用來(lái)緩解頻譜資源不足的問(wèn)題，該技術(shù)的主要思想就是將LTE部署至5G Hz免授權(quán)頻段，充分利用免授權(quán)頻段來(lái)拓展LTE的工作頻譜．但是，5G Hz免授權(quán)頻段已經(jīng)部署著大量Wi-Fi網(wǎng)絡(luò)，LTE-U的引入將會(huì)對(duì)這些Wi-Fi網(wǎng)絡(luò)產(chǎn)生干擾．為了能和Wi-Fi網(wǎng)絡(luò)公平友好共存，在Rel-13 3GPP中提出了基于載波聚合結(jié)構(gòu)（CA）和先聽(tīng)后說(shuō)（LBT）機(jī)制的授權(quán)頻譜輔助接入技術(shù)（Licensed Assisted Access，LAA）的概念①參見(jiàn)：3GPP. Study on Licensed-assisted Access to Unlicensed Spectrum [R]. 3GPP, 2015.．

LAA和Wi-Fi共存網(wǎng)絡(luò)的性能在很大程度上取決于LBT中的隨機(jī)退避機(jī)制．由于競(jìng)爭(zhēng)窗口的大小對(duì)隨機(jī)退避的性能具有關(guān)鍵性作用，近幾年來(lái)，很多工作圍繞著競(jìng)爭(zhēng)窗口的優(yōu)化而展開(kāi)．文獻(xiàn)[1]中，提出了一種通過(guò)馬爾科夫鏈和比安奇模型[2]相結(jié)合的數(shù)學(xué)模型來(lái)尋找蜂窩基站最優(yōu)的固定的競(jìng)爭(zhēng)窗口（Contention Window，CW）大小的方法，而固定的CW可能會(huì)造成在同一時(shí)刻有更多的LAA 基站接入信道，并且當(dāng)網(wǎng)絡(luò)發(fā)生沖突時(shí)，固定的CW無(wú)法有效緩解網(wǎng)絡(luò)沖突的情況．文獻(xiàn)[3]中，提出了一種基于LBT的競(jìng)爭(zhēng)窗口大小的自適應(yīng)算法，該算法采用了一種感知的LAA基站（eNodeB，eNB）方案，通過(guò)比較兩個(gè)退避（退避窗口）周期之間的繁忙時(shí)隙的比率來(lái)調(diào)整CW的大小，但CW的更新僅僅是通過(guò)eNB的感知而沒(méi)有考慮來(lái)自UE的反饋，這可能會(huì)造成隱藏節(jié)點(diǎn)的問(wèn)題．文獻(xiàn)[4]中，提出了一種改進(jìn)的LBT算法，它是根據(jù)相鄰節(jié)點(diǎn)之間交換的信息來(lái)調(diào)整LAA中的CW大小的，但這需要LAA節(jié)點(diǎn)之間的信息交換和傳輸額外的信令．

上述工作的競(jìng)爭(zhēng)窗口調(diào)整，均是在沖突已經(jīng)發(fā)生的情況下才進(jìn)行的，而事實(shí)上，此時(shí)的網(wǎng)絡(luò)沖突已經(jīng)相當(dāng)嚴(yán)重了．根據(jù)相關(guān)規(guī)定，當(dāng)一個(gè)傳輸機(jī)會(huì)（Transmission Opportunity，TXOP）的第一個(gè)子幀的混合自動(dòng)重傳請(qǐng)求（Hybrid automatic repeat request，HARQ）確認(rèn)中至少有80%是NACK（Negative ACK）時(shí)，才會(huì)將競(jìng)爭(zhēng)窗口增加到下一個(gè)等級(jí)①參見(jiàn)：3GPP. Evolved Universal Terrestrial Radio Access (E-UTRA); Physical Layer Procedures (Release 15) [R].3GPP, 2018. 下文出現(xiàn)的3GPP均可參見(jiàn)此注釋?zhuān)谶@種情況下，已經(jīng)有大量的信道資源被浪費(fèi)了．基于這方面的考慮，假如我們能夠提前預(yù)測(cè)下一個(gè)TXOP第一個(gè)子幀的NACK是否會(huì)達(dá)到甚至超過(guò)80%，那么就可以提前調(diào)整網(wǎng)絡(luò)中的某些參數(shù)，以此減少下一個(gè)TXOP中的網(wǎng)絡(luò)沖突情況．

為此，本文提出了一種基于機(jī)器學(xué)習(xí)的競(jìng)爭(zhēng)窗口自適應(yīng)調(diào)整機(jī)制．具體而言：首先，下一個(gè)TOXP第一個(gè)子幀的NACK占比是否會(huì)大于80%，這顯然是一個(gè)二分類(lèi)問(wèn)題，考慮到LightGBM算法[5]在分類(lèi)問(wèn)題中的優(yōu)異性能，本文引入LightGBM算法，根據(jù)對(duì)以往NACK占比的觀察，來(lái)對(duì)這個(gè)分類(lèi)問(wèn)題進(jìn)行判斷；然后，根據(jù)判斷結(jié)果來(lái)干預(yù)下一個(gè)TXOP的競(jìng)爭(zhēng)窗口．本文將其和其他5種常用的分類(lèi)算法（決策樹(shù)[6]、AdaBoost[7]、梯度提升策樹(shù)GBDT[8]、隨機(jī)森林[9]和XGBoost[10]）進(jìn)行了比較，實(shí)驗(yàn)結(jié)果表明，LightGBM能夠獲得最優(yōu)的性能．基于LightGBM的競(jìng)爭(zhēng)窗口自適應(yīng)調(diào)整機(jī)制能夠?qū)AA/Wi-Fi混合系統(tǒng)的吞吐量提升21.27%．文獻(xiàn)[11]中也采用了類(lèi)似的思想，基于前向反饋神經(jīng)網(wǎng)絡(luò)（Feed Forward Neural Network，F(xiàn)FNN）提出了一種基于競(jìng)爭(zhēng)窗口自適應(yīng)方案,該方案利用FFNN來(lái)預(yù)測(cè)后續(xù)TXOP的NACK數(shù)量從而提前干預(yù)競(jìng)爭(zhēng)窗口的大小，然而，其預(yù)測(cè)準(zhǔn)確率只能達(dá)到85%．相比較而言，本文所提出的分類(lèi)模型能夠達(dá)到91.6%的準(zhǔn)確率和0.98的AUC值（Area Under Curve）．在文獻(xiàn)[11]中，通過(guò)預(yù)測(cè)TXOP中最后4個(gè)子幀反饋的NACK數(shù)量并結(jié)合前面4個(gè)子幀反饋的NACK數(shù)量和Wi-Fi監(jiān)視器收集到的信噪比來(lái)自適應(yīng)地調(diào)整競(jìng)爭(zhēng)窗口的值，這與3GPP標(biāo)準(zhǔn)中的不一致．根據(jù)3GPP標(biāo)準(zhǔn)，TXOP的第一個(gè)子幀反饋的NACK數(shù)量代表了網(wǎng)絡(luò)沖突情況．本文正是遵循3GPP的標(biāo)準(zhǔn)提出的預(yù)測(cè)模型．在文獻(xiàn)[11]中是通過(guò)Wi-Fi監(jiān)視器收集Wi-Fi信號(hào)的信噪比，把該信噪比傳給LAA基站，然后基站根據(jù)信噪比自適應(yīng)地調(diào)整競(jìng)爭(zhēng)窗口的值，這就需要額外對(duì)Wi-Fi設(shè)備進(jìn)行改動(dòng)．而本文所采用的方法是：用預(yù)測(cè)到的下一個(gè)TXOP中第一個(gè)子幀反饋的NACK數(shù)量占比是否達(dá)到80%來(lái)自適應(yīng)地預(yù)調(diào)整競(jìng)爭(zhēng)窗口的值，該方法僅需在現(xiàn)有LAA機(jī)制上增加一個(gè)預(yù)測(cè)模塊，對(duì)Wi-Fi設(shè)備的軟硬件不需改動(dòng)．

下面將介紹LAA與Wi-Fi異構(gòu)網(wǎng)絡(luò)的系統(tǒng)模型，介紹NACK占比預(yù)測(cè)，包含數(shù)據(jù)描述、數(shù)據(jù)的預(yù)處理、預(yù)測(cè)模型等，介紹本文提出的競(jìng)爭(zhēng)窗口自適應(yīng)預(yù)調(diào)整機(jī)制，并給出結(jié)果分析，包含系統(tǒng)模型的參數(shù)設(shè)置、預(yù)測(cè)模型的結(jié)果對(duì)比、實(shí)時(shí)預(yù)測(cè)的結(jié)果等．

1 系統(tǒng)模型

本文考慮一個(gè)LAA與Wi-Fi的混合網(wǎng)絡(luò)，網(wǎng)絡(luò)中包含LAA eNB和LAA UE（User Equipment）等LAA節(jié)點(diǎn)，以及Wi-Fi接入點(diǎn)（Access Point，AP）和Wi-Fi UE．

Wi-Fi節(jié)點(diǎn)采用分布式協(xié)調(diào)功能（Distributed Coordination Function，DCF）機(jī)制[2]進(jìn)行信道接入．一個(gè)Wi-Fi節(jié)點(diǎn)想要發(fā)送數(shù)據(jù)之前將會(huì)檢測(cè)信道是否空閑，如果信道空閑，仍然需要等待分布式幀間間隙（Distributed Inter-frame Spacing，DIFS）的時(shí)間長(zhǎng)度，若是在DIFS時(shí)間后信道仍然是空閑的，那么節(jié)點(diǎn)將會(huì)立即傳輸數(shù)據(jù)，否則，節(jié)點(diǎn)將會(huì)執(zhí)行退避過(guò)程，當(dāng)退避窗口的值為0時(shí)，節(jié)點(diǎn)立即發(fā)送數(shù)據(jù)，如果發(fā)送數(shù)據(jù)失敗將會(huì)使競(jìng)爭(zhēng)窗口的值增加一倍．

LAA節(jié)點(diǎn)采用的LBT機(jī)制①參見(jiàn)：3GPP. Evolved Universal Terrestrial Radio Access (E-UTRA); Physical Layer Procedures (Release 15) [R].3GPP, 2018.接入信道．同樣在LAA網(wǎng)絡(luò)中，一個(gè)eNB想要在下行鏈路上傳輸數(shù)據(jù)，首先需要監(jiān)測(cè)信道，直到信道持續(xù)空閑達(dá)到Tf+mp?Tsl，其中，Tf=16μs ，Tsl為一個(gè)時(shí)隙的持續(xù)時(shí)間，為9μs，而mp的取值取決于接入優(yōu)先級(jí)，詳見(jiàn)本頁(yè)注釋①參見(jiàn)：3GPP. Evolved Universal Terrestrial Radio Access (E-UTRA); Physical Layer Procedures (Release 15) [R].3GPP, 2018.．然后開(kāi)始隨機(jī)退避，每經(jīng)過(guò)一個(gè)空閑時(shí)隙時(shí)間Tsl，隨機(jī)退避計(jì)數(shù)器的值就會(huì)減1，直到0為止，此時(shí)，eNB立刻啟動(dòng)數(shù)據(jù)發(fā)送，隨機(jī)退避計(jì)數(shù)器的初始值為[0,CW]L內(nèi)的一個(gè)隨機(jī)整數(shù)．競(jìng)爭(zhēng)到信道之后，eNB獲得一個(gè)TXOP來(lái)傳輸數(shù)據(jù)，即在TXOP時(shí)間內(nèi)可以不停地發(fā)送數(shù)據(jù)而不用去爭(zhēng)搶信道．

LAA采用HARQ機(jī)制進(jìn)行數(shù)據(jù)傳輸．當(dāng)接收端收到的數(shù)據(jù)錯(cuò)誤，并且不能通過(guò)前向糾錯(cuò)（Forward Error Correction，F(xiàn)EC）解析出正確的數(shù)據(jù)包時(shí)，將會(huì)向發(fā)送端發(fā)送NACK，請(qǐng)求發(fā)送端重傳錯(cuò)誤的數(shù)據(jù)包．接收端發(fā)送NACK的情況有兩種：一種是由于網(wǎng)絡(luò)沖突發(fā)送NACK，當(dāng)發(fā)送端至少有兩個(gè)節(jié)點(diǎn)同時(shí)發(fā)送數(shù)據(jù)時(shí)，將會(huì)產(chǎn)生沖突，接收端收到錯(cuò)誤的數(shù)據(jù)包，然后接收端將會(huì)向發(fā)送端發(fā)送NACK請(qǐng)求重傳出錯(cuò)的數(shù)據(jù)包；另外一種情況是，由于鏈路原因造成的數(shù)據(jù)包錯(cuò)誤，并且接收端不能通過(guò)FEC糾正出正確的數(shù)據(jù)包，這時(shí)也會(huì)向發(fā)送端發(fā)送NACK．由于沖突發(fā)送的NACK，將會(huì)在TXOP的第一個(gè)子幀反饋時(shí)一起發(fā)送給發(fā)送端；由于鏈路原因發(fā)送的NACK，將會(huì)在TXOP的每一個(gè)子幀的反饋中發(fā)送給發(fā)送端．因此，TXOP的第一個(gè)子幀反饋的NACK情況從側(cè)面反映了網(wǎng)絡(luò)的沖突情況．

在3GPP官方文檔中，CW調(diào)整機(jī)制如下．基站如果想要在物理下行共享信道（Physical Downlink Shared Channel，PDSCH）上傳輸數(shù)據(jù)時(shí)，首先會(huì)根據(jù)信道接入優(yōu)先級(jí)p∈ { 1,2,3,4}設(shè)置CW的初始值為 CWmin,p（在該優(yōu)先級(jí)下的最小CW值）．在LAA網(wǎng)絡(luò)中，我們選擇LBT機(jī)制為Ca（tCategory，Cat）3LBT①參見(jiàn)：3GPP. Evolved Universal Terrestrial Radio Access (E-UTRA); Physical Layer Procedures (Release 15) [R].3GPP, 2018.，對(duì)應(yīng)的優(yōu)先級(jí)p為3，其中Tmcot,p=8ms ，也就是TXOP為8 ms．如果是在TXOP的第一個(gè)子幀的HARQ反饋為NACK的數(shù)量占比至少為80%時(shí)，將會(huì)在p優(yōu)先級(jí)的LBT機(jī)制中增加CW到下一個(gè)更高的值，否則，把CW的值設(shè)為p優(yōu)先級(jí)條件下的最小CW值．當(dāng)CW為p優(yōu)先級(jí)下最大的CW值時(shí)，傳輸k次后將會(huì)設(shè)置為CW的最小值，其中k∈{1,2,3,…,8}．

事實(shí)上，當(dāng)TXOP的第一個(gè)子幀的HARQ反饋為NACK的數(shù)量占比達(dá)到80%時(shí)，網(wǎng)絡(luò)擁擠情況已經(jīng)很?chē)?yán)重了．若是能夠提前預(yù)測(cè)到在下一個(gè)TXOP中的網(wǎng)絡(luò)擁擠情況，那么我們就可以調(diào)整某些參數(shù)，讓網(wǎng)絡(luò)擁擠情況減弱．

2 NACK占比預(yù)測(cè)

2.1 數(shù)據(jù)描述

由于本文的系統(tǒng)模型是關(guān)于LAA與Wi-Fi共存的異構(gòu)網(wǎng)絡(luò)的，數(shù)據(jù)的傳輸需要盡量接近真實(shí)的場(chǎng)景，因此我們選擇ns-3①參見(jiàn)：http://code.nsnam.org/. 下文出現(xiàn)的ns-3均可參見(jiàn)此注釋?zhuān)械膌aa-wifi-coexistence模塊中的LAA與Wi-Fi共存網(wǎng)絡(luò)室內(nèi)場(chǎng)景作為我們的仿真場(chǎng)景．在LAA與Wi-Fi混合網(wǎng)絡(luò)中，每個(gè)網(wǎng)絡(luò)各有8個(gè)基站，每個(gè)基站下隨機(jī)分布著20個(gè)用戶終端，分別設(shè)定20s和15s的仿真時(shí)間，用于產(chǎn)生訓(xùn)練集和測(cè)試集中所需要的數(shù)據(jù)．?dāng)?shù)據(jù)集中的特征與標(biāo)簽的組成與基站的CW、退避窗口和NACK占比有關(guān)，因此當(dāng)仿真結(jié)束，將會(huì)輸出這些數(shù)據(jù)列：CW更新時(shí)的時(shí)間、基站的編號(hào)、更新前的CW、更新后的CW，退避窗口更新時(shí)的時(shí)間、基站的編號(hào)、更新前的退避窗口、更新后的退避窗口，每一個(gè)子幀的時(shí)間、基站的編號(hào)、NACK占比等．

2.2 數(shù)據(jù)的預(yù)處理

我們想要預(yù)測(cè)的是下一個(gè)TXOP中的第一個(gè)子幀的反饋為NACK的數(shù)量占比是否超過(guò)80%，由于NACK的產(chǎn)生只能通過(guò)LAA網(wǎng)絡(luò)的HARQ反饋產(chǎn)生，并且NACK的數(shù)量與上一個(gè)CW、當(dāng)前CW、上一個(gè)退避窗口和當(dāng)前退避窗口的值息息相關(guān)，因此，數(shù)據(jù)集中的特征列為當(dāng)前TXOP中LAA基站所有站點(diǎn)的上一個(gè)CW、當(dāng)前CW、上一個(gè)退避窗口和當(dāng)前退避窗口的值，標(biāo)簽列為下一個(gè)TXOP中的第一個(gè)子幀反饋為NACK的數(shù)量是否超過(guò)80%，若是超過(guò)設(shè)置為1，反之，設(shè)置為0．

數(shù)據(jù)預(yù)處理之后，得到訓(xùn)練集共有2 538個(gè)樣本、測(cè)試集共有1 536個(gè)樣本．在訓(xùn)練集中，正例有301個(gè)，占比11.86%，負(fù)例有2 237個(gè)，占比88.14%；在測(cè)試集中，正例有208個(gè)，占比13.54%，負(fù)例有1 328個(gè)，占比86.46%．其中每個(gè)樣本共有32個(gè)特征和1個(gè)標(biāo)簽，32個(gè)特征是指8個(gè)LAA eNB的上一個(gè)CW的值、當(dāng)前CW的值、上一個(gè)退避窗口的值、當(dāng)前退避窗口的值．

2.3 預(yù)測(cè)模型

為了解決特征維數(shù)高、數(shù)據(jù)量大的問(wèn)題，微軟于2017年提出了基于梯度單邊采樣技術(shù)（Gradientbased One-Side Sampling，GOSS）和獨(dú)立特征合并技術(shù)（Exclusive Feature Bundling，EFB）的LightGBM[5]．LightGBM是一種輕量級(jí)的梯度提升樹(shù)（Gradient Boosting Decision Tree，GBDT）算法，它在原有的GBDT算法的基礎(chǔ)上，主要運(yùn)用了GOSS、EEB、基于直方圖的排序算法、葉子生長(zhǎng)（Leaf-wise）樹(shù)生長(zhǎng)策略等優(yōu)化算法．

LightGBM算法流程如下．

當(dāng)數(shù)據(jù)量較大時(shí)，采用GOSS技術(shù)對(duì)樣本進(jìn)行采樣，對(duì)于梯度越小的樣本則賦予越小的權(quán)重．對(duì)于稀疏的高維數(shù)據(jù)，很多特征是互斥的，采用EFB的優(yōu)化策略，將這些互斥特征合并為#bundle個(gè)維度．

對(duì)于二元分類(lèi)GBDT，采用類(lèi)似于邏輯回歸的對(duì)數(shù)似然損失函數(shù)，損失函數(shù)L為：

1）初始化弱分類(lèi)器．弱分類(lèi)器為：

其中c為擬合值．

2）對(duì)最大的迭代次數(shù)t=1,2,… ,T（其中最大迭代次數(shù)T=1 000）有：

a）對(duì)樣本i=1,2,… ,m，其中Y∈ {0,1}，計(jì)算負(fù)梯度，

b）對(duì)特征值構(gòu)建直方圖，計(jì)算各個(gè)切分點(diǎn)的增益，尋找最優(yōu)分割點(diǎn)，利用(Xi,rti)(i=1,2,…,m)，采用Leaf-wise的樹(shù)生長(zhǎng)策略，生成一顆CART分類(lèi)樹(shù)，得到第t顆分類(lèi)樹(shù)，其對(duì)應(yīng)的葉子節(jié)點(diǎn)區(qū)域?yàn)镽tj，j=1,2, …,J，其中，分類(lèi)樹(shù)的最大深度為7，J為分類(lèi)樹(shù)t的葉子節(jié)點(diǎn)的個(gè)數(shù)，J=150；

c）對(duì)葉子區(qū)域j=1,2, …,J，計(jì)算最佳殘差擬合值，

由于（4）式比較難優(yōu)化，使用如下近似值代替，

d）更新強(qiáng)學(xué)習(xí)器，

3）得到強(qiáng)學(xué)習(xí)器f(X)的表達(dá)式：

3 競(jìng)爭(zhēng)窗口自適應(yīng)預(yù)調(diào)整

為了減弱LAA和Wi-Fi共存網(wǎng)絡(luò)的沖突情況，我們想要通過(guò)預(yù)測(cè)下一個(gè)TXOP的第一個(gè)子幀的HARQ反饋中是否至少有80%的NACK來(lái)預(yù)測(cè)下一個(gè)TXOP網(wǎng)絡(luò)中是否發(fā)生沖突，若預(yù)測(cè)出發(fā)生沖突，我們將會(huì)再次調(diào)整CW，使CW增加至下一個(gè)更高的值．

3.1 特征提取

根據(jù)以上介紹可知，我們需要提取的特征是LAA所有eNB的上一個(gè)CW、當(dāng)前CW、上一個(gè)退避窗口的值和當(dāng)前退避窗口的值．為了能夠預(yù)測(cè)到下一個(gè)TXOP的第一個(gè)子幀的HARQ反饋是否至少有80%的NACK，需要在當(dāng)前TXOP中CW更新之后進(jìn)行特征提?。捎谠诋?dāng)前TXOP中CW的更新是在收到當(dāng)前TXOP的第一個(gè)子幀反饋后進(jìn)行的，所以我們?cè)谠摃r(shí)刻后進(jìn)行特征提取然后進(jìn)行預(yù)測(cè)．此外，還需確定哪一個(gè)子幀是TXOP的第一個(gè)子幀．經(jīng)過(guò)分析，我們知道在一個(gè)TXOP中每一個(gè)子幀的反饋時(shí)間相差1 ms，因此，第一個(gè)子幀的反饋就是當(dāng)前子幀的反饋時(shí)間與上一個(gè)子幀的反饋時(shí)間差值大于1 ms時(shí)的當(dāng)前子幀反饋．在確定第一個(gè)子幀的反饋后，將會(huì)開(kāi)始特征的提?。?/p>

3.2 模型預(yù)測(cè)

在實(shí)時(shí)預(yù)測(cè)階段，為了在競(jìng)爭(zhēng)窗口自適應(yīng)預(yù)調(diào)整機(jī)制之前完成預(yù)測(cè)，我們縮短了模型預(yù)測(cè)的時(shí)間．在系統(tǒng)模型之外進(jìn)行模型訓(xùn)練，把訓(xùn)練好的模型和模型所需的各個(gè)參數(shù)保存到一個(gè)文件中．在進(jìn)行預(yù)測(cè)時(shí)，把保存的訓(xùn)練模型和提取出來(lái)的特征代入到預(yù)測(cè)函數(shù)中進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果進(jìn)行閾值劃分，大于閾值的設(shè)為1，反之設(shè)為0．通過(guò)這種方式，模型預(yù)測(cè)階段就可以省去訓(xùn)練模型的時(shí)間了．

3.3 競(jìng)爭(zhēng)窗口自適應(yīng)預(yù)調(diào)整

在3GPP官方文檔中，CW的更新是在基站接收到當(dāng)前TXOP所發(fā)送的第一個(gè)子幀的反饋為NACK的數(shù)量占比至少為80%之后，但事實(shí)上，當(dāng)達(dá)到CW更新條件時(shí)，網(wǎng)絡(luò)的擁塞情況已經(jīng)很?chē)?yán)重了．減輕網(wǎng)絡(luò)的擁塞情況，可以通過(guò)在合適的時(shí)間減少合適的站點(diǎn)發(fā)送數(shù)據(jù)來(lái)實(shí)現(xiàn)，這樣既可減輕網(wǎng)絡(luò)擁塞情況又能保證網(wǎng)絡(luò)吞吐量提升．正如我們所知道的，在退避階段時(shí)，只有當(dāng)退避窗口的值為0時(shí)，站點(diǎn)才能發(fā)送數(shù)據(jù)，但是退避窗口的取值是在[0,CWp- 1]中隨機(jī)選擇的，在不改變現(xiàn)有的退避機(jī)制情況下，不可能通過(guò)直接改變退避窗口的值來(lái)進(jìn)一步減少站點(diǎn)發(fā)送數(shù)據(jù)的機(jī)會(huì)．若是能提前預(yù)測(cè)到下一個(gè)TXOP中網(wǎng)絡(luò)的擁塞情況較為嚴(yán)重時(shí)，那么就可以在CW更新之后并且退避窗口更新之前再次調(diào)整CW的值到下一個(gè)更高的值，這樣退避窗口在更新時(shí)就有更大的概率選取較大的退避窗口的值了，從而達(dá)到降低站點(diǎn)發(fā)送數(shù)據(jù)的概率，進(jìn)而實(shí)現(xiàn)減輕網(wǎng)絡(luò)擁塞的目標(biāo)．經(jīng)過(guò)上述分析，為了緩解網(wǎng)絡(luò)沖突，我們提出了競(jìng)爭(zhēng)窗口預(yù)調(diào)整機(jī)制，該機(jī)制指的是在當(dāng)前TXOP中預(yù)測(cè)下一個(gè)TXOP是否發(fā)生較為嚴(yán)重的沖突，若是發(fā)生，將會(huì)在CW更新之后并且退避窗口更新之前再次調(diào)整CW的值到下一個(gè)更高的CW值．

4 結(jié)果分析

4.1 系統(tǒng)模型參數(shù)設(shè)置

對(duì)于系統(tǒng)模型的仿真，我們選用ns-3代碼庫(kù)中的名稱為laa/ns-3-lbt的代碼作為異構(gòu)網(wǎng)絡(luò)的仿真代碼，因?yàn)樵谠摯a中含有LAA與Wi-Fi共存網(wǎng)絡(luò)場(chǎng)景模塊．在該代碼中本文選擇laa-wifi-coexistence模塊中的LAA與Wi-Fi共存網(wǎng)絡(luò)室內(nèi)場(chǎng)景進(jìn)行室內(nèi)異構(gòu)網(wǎng)絡(luò)的仿真實(shí)驗(yàn)．如圖1所示，我們采用了一種室內(nèi)模擬場(chǎng)景來(lái)仿真LAA與Wi-Fi共存的異構(gòu)網(wǎng)絡(luò)，其中基站和用戶終端放置在一個(gè)120 m × 50 m的無(wú)墻建筑中．這個(gè)方案是基于文獻(xiàn)[12]中提出的室內(nèi)場(chǎng)景進(jìn)行評(píng)估研究的，但是放置在圖1中的基站位置更接近真實(shí)的場(chǎng)景，而且不同網(wǎng)絡(luò)基站的交叉放置增加了LAA eNB和Wi-Fi AP之間的干擾，這將有助于我們通過(guò)得到更多的NACK數(shù)量來(lái)更好地預(yù)測(cè)在下一個(gè)TXOP中的第一個(gè)子幀的HARQ反饋中是否有80%的NACK．在本次仿真實(shí)驗(yàn)中，LAA和Wi-Fi網(wǎng)絡(luò)中各有8個(gè)固定位置的基站，每個(gè)基站周?chē)渲?0個(gè)UEs和STAs（Station，STA），UEs和STAs的初始位置是隨機(jī)灑落在建筑物中的，在數(shù)據(jù)傳輸過(guò)程中采用二維平面隨機(jī)游走的移動(dòng)模型來(lái)更新位置信息．

圖1 LAA與Wi-Fi室內(nèi)模擬場(chǎng)景

對(duì)于傳播模型，我們選擇由3GPP提出的文件傳輸協(xié)議（File Transfer Protocol，F(xiàn)TP）1模型，F(xiàn)TP 1模型中的λ設(shè)為2.5．選擇LBT的優(yōu)先級(jí)為Cat 3，TXOP的長(zhǎng)度為8 ms．當(dāng)數(shù)據(jù)傳輸時(shí)，選擇用戶數(shù)據(jù)報(bào)協(xié)議（User Datagram Protocol，UDP）傳輸協(xié)議．

4.2 預(yù)測(cè)模型結(jié)果對(duì)比

各種預(yù)測(cè)模型的性能指標(biāo)見(jiàn)表1，接受者操作特性（Receiver Operating Characteristic，ROC）曲線見(jiàn)圖2．

表1 預(yù)測(cè)模型的性能指標(biāo)

圖2 預(yù)測(cè)模型的ROC曲線

圖2包含了決策樹(shù)、AdaBoost、GBDT、隨機(jī)森林、XGBoost和LightGBM等6種預(yù)測(cè)模型的ROC曲線，這6種機(jī)器學(xué)習(xí)算法均采用網(wǎng)格搜索法以尋找最優(yōu)的參數(shù)來(lái)實(shí)現(xiàn)關(guān)鍵參數(shù)的設(shè)置．表1表示的是6種預(yù)測(cè)模型的性能評(píng)價(jià)指標(biāo)的數(shù)值．從圖2可以看出，XGBoost和LightGBM的ROC曲線包含的區(qū)域較大．在圖2中，我們選取真正例率（True Positive Rate，TPR）的值最大和假正例率（False Positive Rate，F(xiàn)PR）的值最小時(shí)所對(duì)應(yīng)的閾值作為類(lèi)別劃分的標(biāo)準(zhǔn)，根據(jù)該閾值可以得到表1中的性能評(píng)價(jià)指標(biāo)．表1中決策樹(shù)算法和隨機(jī)森林算法的準(zhǔn)確率實(shí)際為0.264和0.304，由于分類(lèi)算法的準(zhǔn)確率不會(huì)低于0.5，所以我們考慮更換預(yù)測(cè)輸出的符號(hào)，從而得到表1中的兩種算法的準(zhǔn)確率．從表1可以看出，LightGBM的AUC值最大，但是和XGBoost的差別不大，考慮到LightGBM相對(duì)于XGBoost的模型訓(xùn)練時(shí)間短、占用內(nèi)存小的優(yōu)點(diǎn)，我們選取了LightGBM作為系統(tǒng)模型的預(yù)測(cè)算法．

4.3 實(shí)時(shí)預(yù)測(cè)的結(jié)果

以上已將LightGBM、XGBoost等6種預(yù)測(cè)模型進(jìn)行了對(duì)比，最終確定將LightGBM帶入到LAA與Wi-Fi共存網(wǎng)絡(luò)中進(jìn)行實(shí)時(shí)預(yù)測(cè)，然后根據(jù)預(yù)測(cè)的結(jié)果進(jìn)行競(jìng)爭(zhēng)窗口自適應(yīng)預(yù)調(diào)整．由于我們的系統(tǒng)模型是采用C++編寫(xiě)的，因此LightGBM采用同樣的編程語(yǔ)言加入到系統(tǒng)模型中．在進(jìn)行實(shí)時(shí)預(yù)測(cè)之前先訓(xùn)練好需要帶入到系統(tǒng)模型中的算法模型，這樣可以節(jié)省實(shí)時(shí)預(yù)測(cè)時(shí)預(yù)測(cè)模型的訓(xùn)練時(shí)間，降低時(shí)間復(fù)雜度．圖3表示的是把LightGBM訓(xùn)練模型帶入到系統(tǒng)模型后的不同閾值所對(duì)應(yīng)的吞吐量．如圖3所示，第一組實(shí)驗(yàn)共有200個(gè)閾值，閾值間隔為0.005，通過(guò)比較不同閾值所對(duì)應(yīng)的LAA與Wi-Fi異構(gòu)網(wǎng)絡(luò)的吞吐量，可以發(fā)現(xiàn)當(dāng)閾值為0.46時(shí)，所對(duì)應(yīng)的吞吐量最大，于是進(jìn)行第二組實(shí)驗(yàn)，在閾值為0.46的基礎(chǔ)上再進(jìn)行更小的閾值劃分，在0.46左右的區(qū)間進(jìn)行閾值劃分的間隔為0.001，最終我們發(fā)現(xiàn)當(dāng)閾值為0.464時(shí)，所對(duì)應(yīng)的吞吐量最大，這時(shí)就不再進(jìn)行閾值劃分了，一方面因?yàn)?.001的閾值間隔已經(jīng)包含足夠小的閾值了，另一方面是因?yàn)榫退阍龠M(jìn)行閾值劃分，對(duì)LAA與Wi-Fi異構(gòu)網(wǎng)絡(luò)的吞吐量的提升的影響也是微乎其微．

圖3 LAA與Wi-Fi混合網(wǎng)絡(luò)的吞吐量

表2描述了采用競(jìng)爭(zhēng)窗口預(yù)調(diào)整機(jī)制時(shí)，將LightGBM預(yù)測(cè)模型代入到系統(tǒng)模型后的性能指標(biāo)．不使用競(jìng)爭(zhēng)窗口自適應(yīng)預(yù)調(diào)整機(jī)制時(shí)，LAA與Wi-Fi異構(gòu)網(wǎng)絡(luò)的吞吐量為54.826 M/bps，加入機(jī)制后，最大吞吐量為66.485 M/bps，吞吐量提升了21.266%．

表2 LightGBM預(yù)測(cè)模型代入到系統(tǒng)模型后的性能指標(biāo)

5 總 結(jié)

LAA與Wi-Fi混合網(wǎng)絡(luò)模型產(chǎn)生的數(shù)據(jù)采用LightGBM等6種機(jī)器學(xué)習(xí)算法進(jìn)行預(yù)測(cè)，LightGBM算法的準(zhǔn)確率和AUC值最高．考慮到CW的調(diào)整與實(shí)際的網(wǎng)絡(luò)沖突不完全符合，本文提出了基于LightGBM算法的競(jìng)爭(zhēng)窗口自適應(yīng)預(yù)調(diào)整機(jī)制，采用該機(jī)制后LAA/Wi-Fi混合網(wǎng)絡(luò)的吞吐量提升了21.266%．