3 Đảm bảo an ninh và tính sẵn sàng của dịch vụ đáp ứng QoS
2.1 Các ký hiệu dùng trong bài toán mở rộng dung lượng mạng
Ký hiệu Ý nghĩa M Tập các trạm di động MS:M ={MSi,∀i= 1..m} N Tập các trạm cơ sở BTS:N =N1∪N2 ={BTSj, ∀j = 1..n} N1là tập các BTS đã có,N2 là tập các BTS tiềm năng P Tập các trạm điều khiển BSC:P =P1∪P2 ={BSCk,∀k= 1..p} P1là tập các BSC đã có,P2 là tập các BSC tiềm năng
Tj Tập các kiểu BTS có thể thiết lập choBTSj, ∀j ∈N S Tập các kiểu dịch vụ:s ={ 1 Nếu yêu cầu là thoại (Voice)
2 Nếu yêu cầu là dữ liệu (Data)
Nt Tập tất cả các BTS loạit: Nt =N1t∪N2t
Ds
i Yêu cầu dữ liệu kiểus từMSi,∀i∈M MaxBTS Capjt Dung lượng tối đa củaBTSj loại t,∀j ∈Nt MaxBSC Capk Dung lượng tối đa củaBSCk,∀k ∈P
dijt Khoảng cách giữaMSi tớiBTSj loạit ∀i ∈M,∀j ∈Nt MaxBTS Covjt Phạm vi phủ sóng tối đa củaBTSj loạit
cost connectjtk Chi phí kết nốiBTSj loại t đếnBSCk
cost installk Chi phí cài đặtBSCk,∀k ∈P2 cost upgradej Chi phí nâng cấp kênhBTSj,∀j ∈N1 cost setupjt Chi phí xây dựng và kết nốiBTSj,∀j∈N2
Các kết nối trong mạng phải thỏa mãn các ràng buộc sau:
(1) MỗiMSi sẽ được kết nối đến chính xác một trạmBTSj loại t
(2) CácMSiphải nằm trong vùng phủ sóng tối đa của cácBTSj (MaxBTS Covjt) (3) Có ít nhất một trạm cơ sở BTS loại t có thể tồn tại ở vị trí j
(4) NếuBTSj được kết nối tới BSCk thì BSCk phải được hoạt động.
(5) Các BTS phải có đủ dung lượng để đáp ứng tất cả yêu cầu loại s của các MS kết nối đến và các BSC phải có dung lượng cần thiết để đáp ứng tất cả các BTS được kết nối.
Các biến chỉ định được sử dụng để khởi tạo các kết nối như Hình 2.2(a) với:
αjt =
1 Nếu BTSj loại t được vận hành
0 Ngược lại
βjtk =
1 Nếu BTSj loại t được kết nối tới BSCk
0 Ngược lại
δk =
1 NếuBSCk được khởi tạo vận hành
0 Ngược lại
Để mở rộng dung lượng mạng và tăng lưu lượng mạng, chúng ta sử dụng các biết quyết định. Quá trình mở rộng được thể hiện trong Hình 2.2(b) với các thiết
bị tiềm năng (được thể hiện bằng màu đậm), trong đó:
Xijt =
1 Nếu MSi được kết nối đến BTSj
0 Ngược lại
Yjtk =
1 Nếu BTSj loại t được kết nối đến BSCk
0 Ngược lại
Zjt =
1 NếuBTSj loại t được vận hành
0 Ngược lại
Wk =
1 NếuBSCk được vận hành
0 Ngược lại
Định nghĩa 2.1 (Bài tốn mở rộng dung lượng mạng khơng dây-MRDL [12]).
Min n X j=1 p X k=1 X t∈Tj cost connectjtk(Yjtk−βjtk)+ X k∈P2 cost intallk(Wk−δk) + X j∈N1 cost upgradej X t∈Tj MaxBTS capjt(Zjt−αjt) +X j∈N2 X t∈Tj cost setupjtZjt (2.1) Thoả mãn các ràng buộc: n X j=1 X t∈Tj Xi jt = 1, ∀i = 1..m (2.2) dijXi jt 6MaxCovjtZjt,∀i = 1..m,j = 1..n,t ∈Tj (2.3) X t∈Tj Zjt 61, ∀j = 1..n (2.4) Zjt 6 p X k=1 Yjtk, ∀j = 1..n, t ∈Tj (2.5) Yjtk 6Wk, ∀k = 1..p, j = 1..n, t ∈Tj (2.6) m X i=1 2 X s=1 DisXi jt 6MaxBTS Capjt×Zjt, ∀j = 1..n, t ∈Tj (2.7)
n X
j=1 X
t∈Tj
Yjtk 6MaxBSC Capk×Wk, ∀k = 1..p (2.8) Xi jt ∈ {0,1}, Yjtk ∈ {0,1}, Zjt ∈ {0,1}, Wk ∈ {0,1}
∀i = 1..m,j = 1..n,k = 1..p,t ∈Tj (2.9)
2.1.2 Các nghiên cứu liên quan
Bài tốn TA thuộc lớpNP-khó nên khơng tồn tại thuật tốn thời gian đa thức có thể tìm nghiệm xấp xỉ với sai số tùy ý [41, 75]. Do đó, các hướng tiếp cận đều
trước đó đều dựa trên Heuristic [9, 29] để tìm nghiệm gần đúng trong thời gian
chấp nhận được. Thuật toán Greedy [18] dựa trên ý tưởng chọn Concentrator gần nhất còn đủ dung lượng đáp ứng cho mỗi Terminal. Để tìm phương án tối ưu tồn cục ta sẽ chọn phương án tốt nhất trong các phương án tối ưu cục bộ. Các Terminal được lựa chọn một cách ngẫu nhiên và gán cho Concentrator gần nhất (chi phí nhỏ nhất) cịn đủ dung lượng đáp ứng. Để giảm sự bùng nổ tổ hợp của thuật toán vét cạn, Abuali cùng cộng sự đã đề xuất thuật toán GA-Greedy [29] kết hợp giữa GA và Greedy. Các thuật toán di truyền cải tiến được đề xuất gồm: GENEsYs (Genetic Search), LibGA và GGA (Group Genetic Algorithm) [18], Hybrid I và Hybrid II, SA-Greedy, LB-Greedy [35] của S.S Sanz và cộng sự dựa trên tiếp cận Heuristic và SA cho bài toán TA. Năm 2010, Bernardino cùng cộng sự đã đề xuất thuật toán đàn ong cho bài toán TA [28].
Đối với bài toán đặt trạm điều khiển, chúng tơi đã đề xuất thuật tốn di truyền GA-BSC, nhóm bầy PSO-BSC, đàn kiến ACO-BSC1 và ACO-BSC2 tối ưu vị trí đặt các trạm điều khiển với các quy tắc heuristic hiệu quả trong [25, 64].
Thuật tốn GA-BSC tối ưu vị trí đặt các trạm điều khiển sử dụng đồ thị 2 phía G và thuật tốn tìm luồng cực đại Ford-Fulkerson với mỗi cá thể. Thuật tốn GA-BSC được mơ tả như sau:
Thuật tốn 2.1 GA-BSC đặt trạm điều khiển trong mạng khơng dây
Begin
Khởi tạo quần thể bằng cách sinh ngẫu nhiên các cá thể; GA-REPAIR(cá thể);
Đánh giá độ thích nghi với mỗi cá thể;
Repeat 1. Chọn các cá thể cha mẹ; 2. Kết hợp các cá thể cha mẹ; 3. Lai ghép giữa các cặp; 4. GA-REPAIR(các cá thể mới); 5. Xây dựng đồ thị 2 phíaG= (I,J,E);
6. Tìm luồng cực đại của đồ thịG: MAX-FLOW(G); 7. Đánh giá độ thích nghi của các cá thể mới; 8. Lựa chọn các cá thể cho thế hệ tiếp theo;
Until(Điều kiện dừng được thỏa mãn);
Ưu điểm của GA so với thuật tốn vét cạn là khơng phải sinh ra tất cả các hoán vị của chuỗi nhị phân, thay vào đó là sử dụng các phép tốn lai ghép, đột biến, chọn lọc để tạo ra các phương án mới. Với các cá thể thỏa mãn, việc lựa chọn chiến lược gán các trạm BTS cho BSC theo hướng tham lam không thực sự mang lại hiệu quả tối ưu nhất, cho dù cá thể đấy đang chứa những vị trí BSC tối ưu. Tuy nhiên, đây lại là nhược điểm bởi độ phức tạp tính tốn sẽ tăng lên khi thực hiện các phép tốn đó. Phương án cuối cùng của bài toán sẽ tiệm cận tới phương án tối ưu khi chúng ta tăng số lần lặp và kích thước quần thể. Tiếp đó, chúng tơi đã đề xuất thuật toán PSO-BSC với mỗi giải pháp là một phần tử (particle) được đặc trưng bởi 2 tham số: vị trí hiện tại present[] và vận tốc v[]. Mỗi phần tử có
một giá trị thích nghi (fitness value), được đánh giá bằng hàm đo độ thích nghi (fitness function). Tại thời điểm xuất phát, vị trí của mỗi cá thể trong bầy đàn được khởi tạo một cách ngẫu nhiên. Trong quá trình chuyển động, mỗi cá thể chịu ảnh hưởng bởi 2 thơng tin:
• pBest- vị trí tốt nhất mà phần tử đó đã đạt được trong q khứ;
• gBest- vị trí tốt nhất mà cả bầy đàn đã đạt được trong quá khứ. Thuật toán được mơ tả như sau:
Thuật tốn 2.2 PSO-BSC đặt trạm điều khiển trong mạng khơng dây
Begin
For eachnhóm bầy Khởi tạo nhóm bầy;
Endfor Do
For eachnhóm bầy PSO-Repair(nhóm bầy);
Tính giá trị thích nghi (fitness value);
If (fitness value > pBest)ThenpBest = fitness value;
If (pBest > gBest)ThengBest = pBest;
Endfor
For eachnhóm bầy
Tính vận tốcv[] =v[]+c1∗rand()∗(pbest[]−present[])+c2∗rand()∗(lbest[]−present[]);
Cập nhật vị trípresent[] =present[]+v[];
Endfor
While(Điều kiện dừng chưa thỏa mãn);
End
Ưu điểm của PSO-BSC so với GA-BSC là không dùng các phép lai ghép hay đột biến nên giảm được thời gian thực thi. Nhưng với các bài tốn lớn thì cấu trúc nhóm bầy lại khơng thực sự hiệu quả do thời gian tính tốn và cập nhật lại các vectơ vận tốc và vị trí cả các cá thể lớn. Vì vậy, chúng tơi đã tiếp tục đề xuất thuật toán đàn kiến để khắc phục nhược điểm trên. Mỗi con kiến được mã hóa bằng xâu nhị phân k = {x1,x2, ...xn} độ dài n với xi ∈ [0,1],i = 1..n và sử dụng hàm Ant-Repair để đảm bảo mỗi xâu k có đúng m bit 1 ứng với m trạm BSC. Thuật toán Ant-Repair được mơ tả như sau:
Thuật tốn 2.3 Ant-repair
Input:Con kiếnk={x1,x2, ...xn}cóp bit 1
Output:Con kiếnk={x1,x2, ...xn}có chính xác m bit 1
Begin
If p<m thenThêm (m−p)bit 1 bằng cách sinh ngẫu nhiên các vị trí;
elseChọn ngẫu nhiên(p−m)bit 1 loại bỏ khỏi xâu nhị phân;
End
Với mỗi con kiến có đúng m bit 1 biểu diễn cho m trạm BSC, tơi sẽ xây dựng đồ thị 2 phía G = (I,J,E) với I = {1,2, ...,m} là tập hợp các trạm BSC, J = {1,2, ...,n−m} là tập các BTS và E là tập các cạnh kết nối giữa BSC ri và BTSlj. Để tìm luồng cực đại của đồ thị G, tơi thêm vào 2 đỉnh nguồnS (Source) và đỉnh đích là D (Destination) với trọng số được xác định như Hình 2.3.
Hình 2.3: Đồ thị cấu trúc của bài tốn đặt trạm BSC
Trong đó, trọng số các cạnh được xác định như sau:
- Từ đỉnh S đến BSC ri là dung lượng của BSC ri: c(S,ri) = pi,(i = 1..m)
- Từ BSC ri đến BTS lj là yêu cầu của BTSlj: c(ri,lj) =wi.((i,j)∈E)
- Từ BTS lj đến D là dung lượng yêu cầu củalj: c(lj,D) =wj,(j = 1..n−m)
Từ cấu hình đó sẽ sinh ra các ma trận mùi Am×n ứng với mỗi con kiến k (m là số trạm BSC,n là số trạm BTS), các phần tử trong ma trận là một số thực thể hiện vị trí các con kiến di chuyển. Giả sử kiến k đã xây dựng xk ={x1,x2, ...,xi}
là mở rộng được, nó chọn đỉnh tiếp theoj thuộc tập các đỉnh lân cận với i để mở rộng thành xk+1 ={x1,x2, ...,xi,xj} với xác suất chuyển được tính bởi:
pijk = [τij] α [ηij]β P l∈Nk i [τij]α[ηij]β (2.10)
Với τij là nồng độ vết mùi trên đường đi từ li đến rj; α là hệ số điều chỉnh ảnh hưởng của τij; ηij là thông tin heuristic giúp đánh giá chính xác sự lựa chọn của con kiến khi quyết định đi từ ri qua lj; β là hệ số điều chỉnh ảnh hưởng của ηij; Nik là tập các đỉnh láng giềng mà con kiến k chưa đi qua khi ở vị trí lj. Q trình mở rộng tiếp tục cho tới khi kiến tìm được lời giải chấp nhận được.
Thơng tin heuristicηij định hướng q trình di chuyển của các con kiến cho nút đang xét được xác định dựa vào ước lượng sốli có thể kết nối đến rj đang xét. Ta nói li tương thích với rj nếu wi ≤pj và li nằm trong vùng phủ sóng của rj:
ηij =pj−X Rj
wi (2.11)
với Rj là tập các trạm BTS có thể kết nối đến BSC rj.
Trong q trình tìm đường, vết mùi trên mỗi cạnh sẽ được cập nhật lại do q trình bay hơi và tích lũy mùi khi các con kiến đi trên cạnh đó. Sau mỗi vịng lặp, vết mùi trên mỗi cạnh được cập nhật lại theo công thức sau:
τjnew =τjcurrent+∆τjk hay τi,j = (1−ρ)τi,j+ρ∆τi,j (2.12) với ∆τk
j = √ 1
(ri1−lj1)2+(ri2−lj2)2 là lượng mùi mà con kiếnk để lại trên cạnh(i,j),ρ
là hệ số bay hơi. Hàm mục tiêu đối với mỗi con kiến k được tính bởi:
fk = m X i=1 n−m X j=1 q (ri1−lj1)2+(ri2−lj2)2 (2.13)
Thuật tốn ACO-BSC1 khơng sử dụng tìm kiếm cục bộ được mơ tả như sau:
Thuật toán 2.4 ACO-BSC1-Đặt trạm điều khiển trong mạng không dây
Begin
Thiết lập tham số:
Hệ số điều chỉnhα, β. Kính thước đàn kiến:K. Số vịng lặp tối đa: NMax.
Khởi tạo:
Ant repair(k):∀k ∈K. Sinh ra ma trận mùi. Ghi nhận giá trị mùi ban đầux∗=k;i= 1.
Repeat
Fork = 1toK do
Tính hàm mục tiêu cho mỗi con kiếnk theo (2.13); Tính xác suất di chuyển của các con kiến theo (2.10);
If f(k)<f(x∗)then
Cập nhật giá trị mùi mới theo công thức (2.12); Ghi nhận giải pháp tốt hơnx∗=k.
Endif Endfor Untili>NMax;
End
Để tăng hiệu quả thuật toán ACO-BSC1, trong mỗi lần lặp chúng tơi kết hợp thuật tốn tìm kiếm cục bộ (Local Search) cho lời giải tìm được theo chiến lược cải tiến tốt hơn bằng cách tìm ra lân cận tốt nhất để hốn đổi vị trí giữa các BTS gọi là ACO-BSC2. Thuật tốn tìm kiếm cục bộ được mơ tả như sau:
Thuật tốn 2.5 Tìm kiếm cục bộ (Local-Search)
Begin
c1 = chọn ngẫu nhiên một BSC trong tập các BSC đã có; c2 = chọn ngẫu nhiên một BSC trong tập các BSC đã có;
S ={Lancani}là tập lân cận bằng cách hoán đổi một BTS giữa BSC c1 và BSCc2;
Phuongan =Lancan1;
For eachLancani ∈S do
If Hàm mục tiêu (Phuongan) < Hàm mục tiêu (Lancani)then
Phuongan =Lancani;
EndIf Endfor End
Có nhiều cách để xét các lân cận. Nếu sinh tồn bộ thì số lân cận cần tìm sẽ là n×(n−1)/2 (vì BTS đầu tiên sẽ có n−1 lân cận, BTS tiếp theo sẽ có n−2lân cận...). Nếu chỉ sinh các lân cận có thể gán BTS cho BSC thì ta có n×(n−1)lân cận. Trong cả hai cách tiếp cận trên, số lân cận phải xem xét đều rất lớn khin và m tăng. Trong thuật tốn này, tơi chỉ chọn ngẫu nhiên 2 lân cận c1 và c2 (tương ứng với 2 BSC được chọn ngẫu nhiên). Thuật tốn tìm kiếm cục bộ sẽ đánh giá hàm mục tiêu của hai BSC này bằng cách hoán đổi các BTS của hai BSC. Nếu việc hoán đổi các BTS đem lại hiệu quả tốt hơn thì kết quả đó được cập nhật lại vào tập phương án.
Một số nghiên cứu tương tự có thể kể đến là bài tốn định vị tập trung tổng đài trong mạng di động [10] nhằm tối ưu kết nối từ MS tới BTS bao gồm các liên kết vô tuyến hai chiều, kết nối từ BTS đến BSC được gọi là quá trình truyền dẫn, và kết nối từ BSC tới MSC. Đây là bài toán tối ưu nhiều ràng buộc và rất phức tạp thuộc lớp NP-Khó [10, 41, 62]. Vì vậy, đa số cách tiếp cận đều dựa trên
heuristic với các kiến trúc mạng đơn giản theo kiểu cây tập trung (Centralized Tree Topology) [61] như: thuật toán vét cạn của Glaber [41] sinh ra tất cả các ma trận kết nối để tìm chi phí nhỏ nhất, thuật tốn heuristic của Raisane [77] tìm kiếm dựa trên kiến trúc liên kết. Thuật tốn tham lam tối ưu vị trí các trạm BTS trong mạng di động tế bào và quản lý dung lượng mạng UMTS (Universal Mobile Telecommunication System), thuật tốn tìm kiếm Tabu, GA mở rộng dung lượng tối ưu phạm vi phủ sóng và cực tiểu số lượng các trạm truyền tải trong mạng tế bào [41, 65, 66]. Trong [54], các tác giả đã mơ hình bài tốn định vị các trạm cơ
sở trong mạng W-CDMA và thuật toán giải quyết dựa trên bài tốn tìm đường. Bài tốn quản lý và mở rộng dung lượng mạng 3G không cần tăng số lượng phân hệ BSS bằng chia tách tế bào được trình bày trong [40].
Bài tốn mở rộng dung lượng mạng khơng dây là bài tốn tối ưu đa mục tiêu, có nghĩa là tìm phương án tốt nhất thỏa mãn các ràng buộc để đạt được cực tiểu nhiều mục tiêu cùng một lúc, một phương án như vậy được gọi là phương án lý tưởng. Trong một bài toán tối ưu nhiều mục tiêu thường thì các mục tiêu xung đột với nhau nên việc cố gắng làm tăng giá trị cực tiểu một mục tiêu có thể sẽ làm giảm giá trị cực tiểu của các mục tiêu khác nên việc tồn tại phương án lý
tưởng là rất khó. Vì vậy cách tốt nhất là tìm một phương án nhằm thỏa mãn tất cả các yêu cầu các mục tiêu trong một mức độ chấp nhận được và phương án như thế gọi là phương án thỏa hiệp của các hàm mục tiêu. Đây là một bài tốn khó, có rất nhiều định nghĩa khác nhau đề cập đến phương án tối ưu như: Pareto, Borwein, Benson, Geoffrion, Kuhn-Tucker,. . . nhưng chưa có thuật tốn hiệu quả với thời gian đa thức [12, 75]. Trong [25], chúng tơi đã đề xuất thuật tốn GA cho
bài tốn mở rộng dung lượng mạng khơng dây dựa trên việc kết hợp hai quần thể thỏa mãn các ràng buộc (2.2)-(2.9) và được đánh giá độ thích nghị theo cơng thức