[论文解读] An Intelligent Call Admission Control Decision Mechanism for Wireless Networks

H. S. Ramesh Babu, Gowrishankar Gowrishankar+1 more|arXiv (Cornell University)|Apr 26, 2010

Wireless Communication Networks Research参考文献 18被引用 6

一句话总结

本文提出了一种基于循环径向基函数网络（RRBFN）的模糊神经呼叫准入控制（FNCAC）方案，用于在异构下一代无线网络（NGWN）中智能管理呼叫准入。通过整合模糊逻辑以实现语言决策，结合神经网络实现自适应学习，FNCAC模型在三种业务类别（语音、交互式和背景）中均能降低呼叫阻塞概率，同时保持最优的资源利用率。

ABSTRACT

The Call admission control (CAC) is one of the Radio Resource Management (RRM) techniques plays instrumental role in ensuring the desired Quality of Service (QoS) to the users working on different applications which have diversified nature of QoS requirements. This paper proposes a fuzzy neural approach for call admission control in a 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 (RRBFN) which have better learning and adaptability that can be used to develop the intelligent system to handle the incoming traffic in the heterogeneous network environment. The proposed FNCAC can achieve reduced call blocking probability keeping the resource utilisation at an optimal level. In the proposed algorithm we have considered three classes of traffic having different QoS requirements. We have considered the heterogeneous network environment which can effectively handle this traffic. The traffic classes taken for the study are Conversational traffic, Interactive traffic and back ground traffic which are with varied QoS parameters. The paper also presents the analytical model for the CAC .The paper compares the call blocking probabilities for all the three types of traffic in both the models. The simulation results indicate that compared to Fuzzy logic based CAC, Conventional CAC, The simulation results are optimistic and indicates that the proposed FNCAC algorithm performs better where the call blocking probability is minimal when compared to other two methods.

研究动机与目标

• 解决在具有多样化业务需求的异构无线网络中维持服务质量（QoS）的挑战。
• 降低不同应用具有不同QoS需求的多类别业务环境中呼叫阻塞概率。
• 开发一种能够根据网络条件和业务负载动态适应的智能呼叫准入控制机制。
• 将模糊逻辑的可解释性与神经网络的学习能力相结合，以提升CAC中的决策能力。
• 评估所提出的FNCAC模型在阻塞概率和资源利用率方面相对于传统CAC和基于模糊逻辑的CAC方法的性能。

提出的方法

• FNCAC模型采用循环径向基函数网络（RRBFN）作为核心学习架构，以在时变网络环境中实现动态适应和增强的学习能力。
• 系统结合模糊逻辑，基于延迟、抖动和带宽等QoS参数进行基于规则的决策，同时利用神经网络训练来优化控制决策。
• 对三种业务类别——语音、交互式和背景——进行建模，其QoS需求各不相同，其参数被用作FNCAC决策引擎的输入。
• 呼叫准入决策基于对当前网络负载、资源可用性和业务类别优先级的混合评估，结合语言规则和RRBFN提供的自适应权重。
• 建立了呼叫准入控制的分析模型，以数学方式表示决策逻辑和性能指标。
• 通过仿真将系统与传统CAC和基于模糊逻辑的CAC进行对比，评估其在呼叫阻塞概率方面的性能。

实验结果

研究问题

• RQ1 所提出的FNCAC模型在不同业务类别中与传统CAC和基于模糊逻辑的CAC相比，其呼叫阻塞概率如何？
• RQ2 模糊逻辑与神经网络的集成在多类别异构无线网络中在提升资源利用率和QoS方面能实现多大程度的改善？
• RQ3 基于RRBFN的架构能否有效适应动态业务条件，并在多类别环境中保持低阻塞率？
• RQ4 与现有方法相比，FNCAC在最小化高优先级语音业务的阻塞概率方面具有多大的性能提升？
• RQ5 在不同网络负载条件下，FNCAC模型如何在资源效率和QoS保障之间实现平衡？

主要发现

• 所提出的FNCAC方案在呼叫阻塞概率方面显著低于传统CAC和基于模糊逻辑的CAC方法。
• 在RRBFN框架中集成模糊逻辑与神经网络，可实现更好的适应性和学习能力，从而在动态业务条件下提升决策质量。
• 该模型在有效根据QoS需求对业务类别进行优先级排序的同时，保持了最优的资源利用率。
• 仿真结果表明，FNCAC模型优于现有方法，特别是在降低语音和交互式业务类别的阻塞率方面表现突出。
• 分析模型证实了FNCAC方法在混合业务类型的异构网络环境中具备稳定性和可扩展性。