CN117858166A - 基于最优多用户检测的数据聚合负载均衡方法和系统 - Google Patents

Abstract

本发明公开一种基于最优多用户检测的数据聚合负载均衡方法和系统，方法包括：在卫星星座中部署GT接收机；基于卫星星座构建信道模型，并采用MAC层中的随机访问机制；所述GT接收机接收来自多个中继节点的无线信号；基于信道模型计算GT接收机的接收信号的信噪比，过滤低于信噪比阈值的无线信号；采用最优多用户检测算法从过滤后的接收信号中重构出每个用户的信息；采用平行干扰消除技术消除重构出的每个用户的信息中来自其他用户的多址接入干扰；用K近邻分类器将消除多址接入干扰的多用户无线信号聚类后组成信号矩阵；对信号矩阵内的信号数据进行负载均衡。本发明增强信号的同时减少了由于多址接入造成的可能的信道阻塞，采用软负载技术使负载均衡。

Description

基于最优多用户检测的数据聚合负载均衡方法和系统

技术领域

本发明属于无线通信领域，具体涉及一种基于最优多用户检测的数据聚合负载均衡方法和系统。

背景技术

当今世界经济正在向经济一体化及知识经济方向发展，网络化、虚拟化、数字化、知识化正成为现代经济发展的重要特征，这使企业面临的经营环境日趋复杂多变。通常用传感器网络监视特定的物理环境，例如温度场或频谱活动。对应的数据业务特征由对应的物理环境或多条传输所决定。在传感器网络中会出现不同种类的稀疏性，从而，证明压缩感知可以得到应用。本专利描述了压缩感知在通信系统多址接入中的应用，并分析了压缩感知和CDMA多用户检测的相似性。许多多用户检测算法均可在压缩感知中找到各自的对照物。从而提高了压缩感知在通信系统多址接入中精准度不足的情况。

UAV：无人驾驶飞机简称“无人机”，英文缩写为“UAV”，是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，或者由车载计算机完全地或间歇地自主地操作。

Istio：Istio是一个由谷歌、IBM与Lyft共同开发的开源项目，旨在提供一种统一化的微服务连接、安全保障、管理与监控方式。

多址接入是多个用户给同一个接收机发送各自数据，而接收机需要识别并重构来自不同用户的数据。多址接入的示意图如图2所示。

正交多址接入包含时分多址接入、正交频分多址接入以及载波侦听多址接入。在时分多址接入中，每个发送机被分配一个时隙，并且只能在被分配时隙内发送数据。所以，来自不同发送机的信号在时间上被区分开来。正交频分多址接入与时分多址接入类似，两者的唯一区别是正交频分多址接入分配不同频带给不同发射机，并在频域区分发射端。载波侦听多址接入同样在时域区分不同发射端。但是，发射机没有固定的发射时隙。首先，发射端需侦听周边频谱环境，如果不存在其他通信链路，则发射端将发送自身数据；反之，它将回退一个随机时间段，之后再次侦听环境，直到将自身数据包发送出去。

正交多址接入很容易区分来自不同发射机的信号。该类多址接入的主要挑战是如何保证数据信道(时隙或频域信道)正交(例如如何确保多个发射机在时间上同步)以及多址接入或远程接入造成的信道衰落需增强信号。

正交多址接入需增强信号和消除干扰。

由于海量未知信号数据容易导致接收机过载从而导致崩溃产生灾难的问题，采用硬件负载均衡扩容成本较高。

发明内容

本发明针对现有技术中的不足，提供一种基于最优多用户检测的数据聚合负载均衡方法和系统。

为实现上述目的，本发明采用以下技术方案：

一种基于最优多用户检测的数据聚合负载均衡方法，包括：

在卫星星座中部署GT接收机，所述卫星星座的中继节点包括HFH和UAV；

基于卫星星座构建信道模型，所述信道模型具体为视距传输主导的空对地信道，并采用MAC层中的随机访问机制；

所述GT接收机接收来自多个中继节点的无线信号；基于信道模型计算GT接收机的接收信号的信噪比，过滤低于信噪比阈值的无线信号；

采用最优多用户检测算法从过滤后的接收信号中重构出每个用户的信息；

采用平行干扰消除技术消除重构出的每个用户的信息中来自其他用户的多址接入干扰；

用K近邻分类器将消除多址接入干扰的多用户无线信号进行聚类后组成信号矩阵；

对信号矩阵内的信号数据进行负载均衡。

为优化上述技术方案，采取的具体措施还包括：

进一步地，所述基于信道模型计算GT接收机的接收信号的信噪比的具体过程为：

计算GT接收机与中继节点之间的通信链路的信道功率增益，公式如下：

式中，g_j(r，β)表示GT接收机与第j个中继节点之间的通信链路的信道功率增益，r表示GT接收机的接收信号，β表示Gamma分布的小尺度衰落，β₀表示在参考距离为1米处的信道功率，H_j表示中继节点的高度；

利用GT接收机与中继节点之间的通信链路的信道功率增益g_j(r，β)基于下式计算GT接收机的接收信号的信噪比：

式中，SNR_j(β，r)表示GT接收机接收到来自第j个中继节点的接收信号的信噪比，W_j是第j个中继节点的传输功率，σ²是GT接收机的噪声功率。

进一步地，所述采用最优多用户检测算法从过滤后的接收信号中重构出每个用户的信息的具体过程为：

过滤后的接收信号写成向量形式为：

式中，表示过滤后的接收信号，S是由每个用户被分配的码字组成的矩阵，S＝(s₁，s₂，...，s_K)，s_K表示第K个用户被分配的码字，A是由每个用户的信道增益组成的对角矩阵，A＝diag(g₁，g₂，…，g_K)，g_K表示第K个用户的信道增益；b是待估计的从过滤后的接收信号中重构的信息符号，b＝{b_k}_{k＝1，2，…，K}，b_k是重构的第k个用户发送的信息符号；n是加性高斯白噪声；

采用的最优多用户检测算法具体为联合最优多用户检测，从过滤后的接收信号中重构用户发送的信息符号，用公式表达为：

式中，表示从过滤后的接收信号中重构出的用户发送的信息符号，表示加性高斯白噪声n的方差。

进一步地，所述采用平行干扰消除技术消除重构出的每个用户的信息中来自其他用户的多址接入干扰的具体过程为：

步骤0、初始化

步骤l、l<0<l_max，消除干扰并利用下式估计比特：

式中，表示第l次迭代估计的第k个用户发送的信息符号，s_k表示第k个用户被分配的码字，上标T表示转置，r表示GT接收机的接收信号，g_n表示第n个用户的信道增益，表示前一次迭代估计的第n个用户发送的信息符号；s_n表示第n个用户被分配的码字，l_max表示最大迭代次数。

进一步地，所述用K近邻分类器将消除多址接入干扰的多用户无线信号进行聚类后组成信号矩阵的具体过程为：

使用K近邻分类器识别消除多址接入干扰的多用户无线信号来自哪个用户，根据不同来源进行标记后组成信号矩阵，根据信号矩阵中不同业务及应用分类组成子信号矩阵，各子信号矩阵之间数据如果有关联也进行标记，统一生成矩阵标记。

进一步地，所述对信号矩阵内的信号数据进行负载均衡具体为：

利用Istio依据矩阵标记对信号矩阵内同一信号源内不同子信号之间的数据或同一信号源内相同子信号之间的数据进行负载均衡分发给接收机集群；

每台接收机集群映射一个sidecar服务，并调用RPC将sidecar服务里边的每一个验证请求下发到服务器端数据库里，完成负载均衡策略调度的同时也通过RPC将不同信号源数据存储到不同结构的数据库。

本发明还提出一种基于最优多用户检测的数据聚合负载均衡系统，包括：

过滤模块，用于基于信道模型计算GT接收机的接收信号的信噪比，过滤低于信噪比阈值的无线信号；

最优多用户检测模块，采用最优多用户检测算法从过滤后的接收信号中重构出每个用户的信息；

平行干扰消除模块，采用平行干扰消除技术消除重构出的每个用户的信息中来自其他用户的多址接入干扰；

信号聚类模块，用于利用K近邻分类器将消除多址接入干扰的多用户无线信号进行聚类后组成信号矩阵；

负载均衡模块，用于对信号矩阵内的信号数据进行负载均衡。

本发明的有益效果是：

本发明通过最优多用户检测和平行干扰消除技术，在增强信号的同时减少了由于多址接入造成的可能的信道阻塞。

本发明采用软负载技术在接收机部署后对无线信号进行负载均衡处理，从而解决接收机崩溃问题。

附图说明

图1为本发明提出的基于最优多用户检测的数据聚合负载均衡方法的流程图；

图2为多址接入示意图；

图3为信号矩阵示意图。

具体实施方式

现在结合附图对本发明作进一步详细的说明。

在一实施例中，本发明提出一种基于最优多用户检测的数据聚合负载均衡方法，该方法的整体流程如图1所示，包括：

在卫星星座中部署GT接收机，所述卫星星座的中继节点包括HFH和UAV；

基于卫星星座构建信道模型，所述信道模型具体为视距传输主导的空对地信道，并采用MAC层中的随机访问机制；

所述GT接收机接收来自多个中继节点的无线信号；基于信道模型计算GT接收机的接收信号的信噪比，具体过程为：

计算GT接收机与中继节点之间的通信链路的信道功率增益，公式如下：

式中，g_i(r，β)表示GT接收机与第j个中继节点之间的通信链路的信道功率增益，r表示GT接收机的接收信号，β表示Gamma分布的小尺度衰落，β₀表示在参考距离为1米处的信道功率，H_j表示中继节点的高度，是从GT到HFH或UAV的水平投影点的距离。信道模型中使用的信道是正交的。通过这种方式，信道之间也不会存在干扰，因此模型中不再考虑信道之间的干扰问题。

利用GT接收机与中继节点之间的通信链路的信道功率增益g_j(r，β)基于下式计算GT接收机的接收信号的信噪比：

式中，SNR_j(β，r)表示GT接收机接收到来自第j个中继节点的接收信号的信噪比，W_j是第j个中继节点的传输功率，σ²是GT接收机的噪声功率。

过滤低于信噪比阈值的无线信号。例如IEEE 802.11分布式协调功能协议。当HFH和UAV实现通信覆盖时，地面终端接收器的信噪比(Signal to Noise Ratio，SNR)必须大于阈值。

采用最优多用户检测算法从过滤后的接收信号中重构出每个用户的信息；具体过程为：

过滤后的接收信号写成向量形式为：

式中，表示过滤后的接收信号，S是由每个用户被分配的码字组成的矩阵，S＝(s₁，s₂，...，s_K)，s_K表示第K个用户被分配的码字，A是由每个用户的信道增益组成的对角矩阵，A＝diag(g₁，g₂，…，g_K)，g_K表示第K个用户的信道增益；b是待估计的从过滤后的接收信号中重构的信息符号，b＝{b_k}_{k＝1，2，…，K}，b_k是重构的第k个用户发送的信息符号；n是加性高斯白噪声；

采用的最优多用户检测算法具体为联合最优多用户检测，从过滤后的接收信号中重构用户发送的信息符号，用公式表达为：

式中，表示从过滤后的接收信号中重构出的用户发送的信息符号，表示加性高斯白噪声n的方差。

采用平行干扰消除(Parallel Interference Cancelation，PIC)技术消除重构出的每个用户的信息中来自其他用户的多址接入干扰；具体过程为：

步骤0、初始化

步骤l、l<0<l_max，消除干扰并利用下式估计比特：

式中，表示第l次迭代估计的第k个用户发送的信息符号，s_k表示第k个用户被分配的码字，上标T表示转置，r表示GT接收机的接收信号，g_n表示第n个用户的信道增益，表示前一次迭代估计的第n个用户发送的信息符号；s_n表示第n个用户被分配的码字，l_max表示最大迭代次数。

用K近邻分类器将消除多址接入干扰的多用户无线信号进行聚类后组成信号矩阵；具体过程为：

使用K近邻分类器识别消除多址接入干扰的多用户无线信号来自哪个用户，根据不同来源进行标记后组成信号矩阵，根据信号矩阵中不同业务及应用分类组成子信号矩阵，各子信号矩阵之间数据如果有关联也进行标记，统一生成矩阵标记。

K近邻分类器是一种比较简单的、基于实例的分类学习方法，不需要通过复杂的训练过程建立分类模型，既可以用于可分类属性，也可用于连续属性的分类。它已在欺诈检测、顾客响应预测和协同过滤(collaborative filtering)等领域得到应用。

K近邻分类器的基本思想是给定一个未确定类别的样本x，在样本空间搜索，找出与未确定类别样本距离最近的k个样本x_i（i＝1，2，…，k)，待分类的样本属于哪一类由k个近邻中的样本大多数所属的类别确定。从中可以看出，k最近邻分类主要的问题是确定合适的样本集、距离函数、组合函数和k值。对于多种类型的属性，距离函数可参照聚类分析中样本相似性的度量公式，而组合函数可以用简单无加权投票(voting)或加权投票的方法。在简单无加权投票中，每个近邻x_i对x分类的影响都被认为是相同的。通过对k个近邻x_i所属的类别计数，把x归为计数最多的类。

其中：n表示计数函数，如果x_i∈C_j，则η(x_i∈C_j)＝1，否则η(x_i∈C_j)＝0。

当所属分类计数相同时，为x随机选取一个类别。加权投票对每个计数加权。

其中：权值一般定义为w_i＝1/d(x，x_i)²，d(x，x_i)表示样本x与近邻x_i的距离。

K近邻分类器基于局部的数据进行预测，对噪声比较敏感。k值的选择与数据有关。过大的k值可以减小噪声的影响，但使未确定类别样本点的近邻样本数量很大，可能导致分类错误。而过小的k值可能导致投票失效或者受噪声影响。一个较好的k值可通过各种启发式技术来获取。

找出某样本的最近邻样本可能计算所有样本对之间的距离。为有效地发现最近邻，可以利用聚类算法对训样集进行类，如果两个的中心相距比较远，则对应簇中的样本一般不可能成为近邻。只要计算相邻簇的样本之间的距离即可寻找某样本的近邻。

对信号矩阵内的信号数据进行负载均衡。具体为：

利用Istio依据矩阵标记对信号矩阵内同一信号源内不同子信号之间的数据或同一信号源内相同子信号之间的数据进行负载均衡分发给接收机集群(接收机集群等于负载均衡集群)；

每台接收机集群映射一个sidecar服务，并调用RPC将sidecar服务里边的每一个验证请求下发到服务器端数据库里，完成负载均衡策略调度的同时也通过RPC将不同信号源数据存储到不同结构的数据库。

在另一实施例中，本发明提出一种与实施例一的方法相对应的基于最优多用户检测的数据聚合负载均衡系统，包括：

过滤模块，用于基于信道模型计算GT接收机的接收信号的信噪比，过滤低于信噪比阈值的无线信号；

最优多用户检测模块，采用最优多用户检测算法从过滤后的接收信号中重构出每个用户的信息；

平行干扰消除模块，采用平行干扰消除技术消除重构出的每个用户的信息中来自其他用户的多址接入干扰；

信号聚类模块，用于利用K近邻分类器将消除多址接入干扰的多用户无线信号进行聚类后组成信号矩阵；

负载均衡模块，用于对信号矩阵内的信号数据进行负载均衡。

系统中各模块的功能及功能的实现方法与实施例一完全一致。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.一种基于最优多用户检测的数据聚合负载均衡方法，其特征在于，包括：

在卫星星座中部署GT接收机，所述卫星星座的中继节点包括HFH和UAV；

基于卫星星座构建信道模型，所述信道模型具体为视距传输主导的空对地信道，并采用MAC层中的随机访问机制；

所述GT接收机接收来自多个中继节点的无线信号；基于信道模型计算GT接收机的接收信号的信噪比，过滤低于信噪比阈值的无线信号；

采用最优多用户检测算法从过滤后的接收信号中重构出每个用户的信息；

采用平行干扰消除技术消除重构出的每个用户的信息中来自其他用户的多址接入干扰；用K近邻分类器将消除多址接入干扰的多用户无线信号进行聚类后组成信号矩阵；

对信号矩阵内的信号数据进行负载均衡。

2.如权利要求1所述的基于最优多用户检测的数据聚合负载均衡方法，其特征在于，所述基于信道模型计算GT接收机的接收信号的信噪比的具体过程为：

计算GT接收机与中继节点之间的通信链路的信道功率增益，公式如下：

式中，g_j(r，β)表示GT接收机与第j个中继节点之间的通信链路的信道功率增益，r表示GT接收机的接收信号，β表示Gamma分布的小尺度衰落，β₀表示在参考距离为1米处的信道功率，H_j表示中继节点的高度；

利用GT接收机与中继节点之间的通信链路的信道功率增益g_j(r，β)基于下式计算GT接收机的接收信号的信噪比：

式中，SNR_j(β，r)表示GT接收机接收到来自第j个中继节点的接收信号的信噪比，W_j是第j个中继节点的传输功率，σ²是GT接收机的噪声功率。

3.如权利要求1所述的基于最优多用户检测的数据聚合负载均衡方法，其特征在于，所述采用最优多用户检测算法从过滤后的接收信号中重构出每个用户的信息的具体过程为：

过滤后的接收信号写成向量形式为：

式中，表示过滤后的接收信号，S是由每个用户被分配的码字组成的矩阵，S＝(s₁，s₂，…，s_K)，s_K表示第K个用户被分配的码字，A是由每个用户的信道增益组成的对角矩阵，A＝diag(g₁，g₂，…，g_K)，g_K表示第K个用户的信道增益；b是待估计的从过滤后的接收信号中重构的信息符号，b＝{b_k}_{k＝1,2,…,K}，b_k是重构的第k个用户发送的信息符号；n是加性高斯白噪声；

采用的最优多用户检测算法具体为联合最优多用户检测，从过滤后的接收信号中重构用户发送的信息符号，用公式表达为：

式中，表示从过滤后的接收信号中重构出的用户发送的信息符号，表示加性高斯白噪声n的方差。

4.如权利要求1所述的基于最优多用户检测的数据聚合负载均衡方法，其特征在于，所述采用平行干扰消除技术消除重构出的每个用户的信息中来自其他用户的多址接入干扰的具体过程为：

步骤0、初始化

步骤l、l<0<l_max，消除干扰并利用下式估计比特：

式中，表示第l次迭代估计的第k个用户发送的信息符号，s_k表示第k个用户被分配的码字，上标T表示转置，r表示GT接收机的接收信号，g_n表示第n个用户的信道增益,表示前一次迭代估计的第n个用户发送的信息符号；s_n表示第n个用户被分配的码字，l_max表示最大迭代次数。

5.如权利要求1所述的基于最优多用户检测的数据聚合负载均衡方法，其特征在于，所述用K近邻分类器将消除多址接入干扰的多用户无线信号进行聚类后组成信号矩阵的具体过程为：

使用K近邻分类器识别消除多址接入干扰的多用户无线信号来自哪个用户，根据不同来源进行标记后组成信号矩阵，根据信号矩阵中不同业务及应用分类组成子信号矩阵，各子信号矩阵之间数据如果有关联也进行标记，统一生成矩阵标记。

6.如权利要求5所述的基于最优多用户检测的数据聚合负载均衡方法，其特征在于，所述对信号矩阵内的信号数据进行负载均衡具体为：

利用Istio依据矩阵标记对信号矩阵内同一信号源内不同子信号之间的数据或同一信号源内相同子信号之间的数据进行负载均衡分发给接收机集群；

每台接收机集群映射一个sidecar服务，并调用RPC将sidecar服务里边的每一个验证请求下发到服务器端数据库里，完成负载均衡策略调度的同时也通过RPC将不同信号源数据存储到不同结构的数据库。

7.一种基于最优多用户检测的数据聚合负载均衡系统，其特征在于，包括：

过滤模块，用于基于信道模型计算GT接收机的接收信号的信噪比，过滤低于信噪比阈值的无线信号；

最优多用户检测模块，采用最优多用户检测算法从过滤后的接收信号中重构出每个用户的信息；

平行干扰消除模块，采用平行干扰消除技术消除重构出的每个用户的信息中来自其他用户的多址接入干扰；

信号聚类模块，用于利用K近邻分类器将消除多址接入干扰的多用户无线信号进行聚类后组成信号矩阵；

负载均衡模块，用于对信号矩阵内的信号数据进行负载均衡。