[论文解读] A QoS Provisioning Recurrent Neural Network based Call Admission Control for beyond 3G Networks

H. S. Ramesh Babu, Gowrishankar Gowrishankar+1 more|arXiv (Cornell University)|Apr 20, 2010

Wireless Communication Networks Research参考文献 30被引用 10

一句话总结

本文提出了一种基于循环径向基函数网络的模糊神经呼叫准入控制（FNCAC）方案，用于在后3G网络中智能管理多业务流量。通过将模糊逻辑的决策能力与神经网络的学习能力相结合，FNCAC模型比现有方法更有效地降低呼叫阻塞概率，在异构无线环境中展现出更优的QoS保障能力。

ABSTRACT

The Call admission control (CAC) is one of the Radio Resource Management (RRM) techniques that plays influential role in ensuring the desired Quality of Service (QoS) to the users and applications in next generation networks. This paper proposes a fuzzy neural approach for making the call admission control decision in multi class traffic based Next Generation Wireless Networks (NGWN). The proposed Fuzzy Neural call admission control (FNCAC) scheme is an integrated CAC module that combines the linguistic control capabilities of the fuzzy logic controller and the learning capabilities of the neural networks. The model is based on recurrent radial basis function networks which have better learning and adaptability that can be used to develop intelligent system to handle the incoming traffic in an heterogeneous network environment. The simulation results are optimistic and indicates that the proposed FNCAC algorithm performs better than the other two methods and the call blocking probability is minimal when compared to other two methods.

研究动机与目标

• 为解决在后3G无线网络中异构多业务流量环境中维持服务质量（QoS）的挑战。
• 开发一种能够动态适应不同流量负载和用户需求的智能呼叫准入控制（CAC）机制。
• 将模糊逻辑的语言推理能力与神经网络的自适应学习能力相结合，以提升资源分配中的决策能力。
• 在下一代无线网络（NGWN）中降低呼叫阻塞概率，同时确保各类业务的QoS保障。

提出的方法

• FNCAC方案采用循环径向基函数（RBF）网络来建模动态流量行为，并支持实时自适应。
• 将模糊逻辑集成到神经网络框架中，用于解释QoS保障的语义规则，如带宽和时延要求。
• 系统采用混合架构，结合模糊推理与RBF网络学习，将输入的流量参数映射为准入决策。
• 循环结构能够实现对流量模式的时间建模，从而提高预测精度并增强对网络状态变化的响应能力。
• 通过历史流量数据对模型进行训练，以优化决策阈值并最小化阻塞概率。
• CAC决策基于聚合的QoS指标（包括带宽、时延和抖动）做出，以优先处理关键业务。

实验结果

研究问题

• RQ1 混合模糊-神经模型如何提升后3G网络多业务流量环境中的QoS保障能力？
• RQ2 使用循环RBF网络对CAC机制的自适应能力与学习性能有何影响？
• RQ3 FNCAC方案在呼叫阻塞概率与资源利用率方面与传统CAC方法相比如何？
• RQ4 模糊逻辑在动态、异构网络环境中能在多大程度上增强决策能力？
• RQ5 学习能力与语言推理的结合是否能降低CAC的复杂度，同时保持高水平的QoS？

主要发现

• 所提出的FNCAC算法在研究中评估的两种基准方法对比下，实现了更低的呼叫阻塞概率。
• 循环RBF网络结构相比静态模型具有更快的收敛速度和更强的流量负载波动适应能力。
• 模糊逻辑的集成通过引入关于QoS阈值和业务优先级的专家知识，显著增强了决策能力。
• 仿真结果证实，FNCAC模型在满足QoS要求的同时保持了更高的网络资源利用率。
• 系统在处理包括实时与非实时业务在内的混合业务类别时，表现出更优的鲁棒性与稳定性。
• 在阻塞性能与对动态网络条件的适应能力方面，FNCAC方法均优于传统CAC方案。