馮義磊，唐震洲

(溫州大學(xué)計算機與人工智能學(xué)院，浙江溫州 325035)

為了應(yīng)對未來爆炸性的移動數(shù)據(jù)流量的增長、海量的設(shè)備連接、不斷涌現(xiàn)的各類新業(yè)務(wù)和應(yīng)用場景，第五代移動通信系統(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，也對頻譜資源提出了更高的要求，但是申請新的頻譜資源是極其昂貴的．免授權(quán)頻段LTE技術(shù)（LTE-U）的提出可以用來緩解頻譜資源不足的問題，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的引入將會對這些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）和先聽后說（LBT）機制的授權(quán)頻譜輔助接入技術(shù)（Licensed Assisted Access，LAA）的概念①參見：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中的隨機退避機制．由于競爭窗口的大小對隨機退避的性能具有關(guān)鍵性作用，近幾年來，很多工作圍繞著競爭窗口的優(yōu)化而展開．文獻[1]中，提出了一種通過馬爾科夫鏈和比安奇模型[2]相結(jié)合的數(shù)學(xué)模型來尋找蜂窩基站最優(yōu)的固定的競爭窗口（Contention Window，CW）大小的方法，而固定的CW可能會造成在同一時刻有更多的LAA 基站接入信道，并且當(dāng)網(wǎng)絡(luò)發(fā)生沖突時，固定的CW無法有效緩解網(wǎng)絡(luò)沖突的情況．文獻[3]中，提出了一種基于LBT的競爭窗口大小的自適應(yīng)算法，該算法采用了一種感知的LAA基站（eNodeB，eNB）方案，通過比較兩個退避（退避窗口）周期之間的繁忙時隙的比率來調(diào)整CW的大小，但CW的更新僅僅是通過eNB的感知而沒有考慮來自UE的反饋，這可能會造成隱藏節(jié)點的問題．文獻[4]中，提出了一種改進的LBT算法，它是根據(jù)相鄰節(jié)點之間交換的信息來調(diào)整LAA中的CW大小的，但這需要LAA節(jié)點之間的信息交換和傳輸額外的信令．

上述工作的競爭窗口調(diào)整，均是在沖突已經(jīng)發(fā)生的情況下才進行的，而事實上，此時的網(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)一個傳輸機會（Transmission Opportunity，TXOP）的第一個子幀的混合自動重傳請求（Hybrid automatic repeat request，HARQ）確認(rèn)中至少有80%是NACK（Negative ACK）時，才會將競爭窗口增加到下一個等級①參見：3GPP. Evolved Universal Terrestrial Radio Access (E-UTRA); Physical Layer Procedures (Release 15) [R].3GPP, 2018. 下文出現(xiàn)的3GPP均可參見此注釋．．在這種情況下，已經(jīng)有大量的信道資源被浪費了．基于這方面的考慮，假如我們能夠提前預(yù)測下一個TXOP第一個子幀的NACK是否會達到甚至超過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TXOP中的網(wǎng)絡(luò)沖突情況．

為此，本文提出了一種基于機器學(xué)習(xí)的競爭窗口自適應(yīng)調(diào)整機制．具體而言：首先，下一個TOXP第一個子幀的NACK占比是否會大于80%，這顯然是一個二分類問題，考慮到LightGBM算法[5]在分類問題中的優(yōu)異性能，本文引入LightGBM算法，根據(jù)對以往NACK占比的觀察，來對這個分類問題進行判斷；然后，根據(jù)判斷結(jié)果來干預(yù)下一個TXOP的競爭窗口．本文將其和其他5種常用的分類算法（決策樹[6]、AdaBoost[7]、梯度提升策樹GBDT[8]、隨機森林[9]和XGBoost[10]）進行了比較，實驗結(jié)果表明，LightGBM能夠獲得最優(yōu)的性能．基于LightGBM的競爭窗口自適應(yīng)調(diào)整機制能夠?qū)AA/Wi-Fi混合系統(tǒng)的吞吐量提升21.27%．文獻[11]中也采用了類似的思想，基于前向反饋神經(jīng)網(wǎng)絡(luò)（Feed Forward Neural Network，F(xiàn)FNN）提出了一種基于競爭窗口自適應(yīng)方案,該方案利用FFNN來預(yù)測后續(xù)TXOP的NACK數(shù)量從而提前干預(yù)競爭窗口的大小，然而，其預(yù)測準(zhǔn)確率只能達到85%．相比較而言，本文所提出的分類模型能夠達到91.6%的準(zhǔn)確率和0.98的AUC值（Area Under Curve）．在文獻[11]中，通過預(yù)測TXOP中最后4個子幀反饋的NACK數(shù)量并結(jié)合前面4個子幀反饋的NACK數(shù)量和Wi-Fi監(jiān)視器收集到的信噪比來自適應(yīng)地調(diào)整競爭窗口的值，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)測模型．在文獻[11]中是通過Wi-Fi監(jiān)視器收集Wi-Fi信號的信噪比，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)整競爭窗口的值，這就需要額外對Wi-Fi設(shè)備進行改動．而本文所采用的方法是：用預(yù)測到的下一個TXOP中第一個子幀反饋的NACK數(shù)量占比是否達到80%來自適應(yīng)地預(yù)調(diào)整競爭窗口的值，該方法僅需在現(xiàn)有LAA機制上增加一個預(yù)測模塊，對Wi-Fi設(shè)備的軟硬件不需改動．

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，包含數(shù)據(jù)描述、數(shù)據(jù)的預(yù)處理、預(yù)測模型等，介紹本文提出的競爭窗口自適應(yīng)預(yù)調(diào)整機制，并給出結(jié)果分析，包含系統(tǒng)模型的參數(shù)設(shè)置、預(yù)測模型的結(jié)果對比、實時預(yù)測的結(jié)果等．

1 系統(tǒng)模型

本文考慮一個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，以及Wi-Fi接入點（Access Point，AP）和Wi-Fi UE．

Wi-Fi節(jié)點采用分布式協(xié)調(diào)功能（Distributed Coordination Function，DCF）機制[2]進行信道接入．一個Wi-Fi節(jié)點想要發(fā)送數(shù)據(jù)之前將會檢測信道是否空閑，如果信道空閑，仍然需要等待分布式幀間間隙（Distributed Inter-frame Spacing，DIFS）的時間長度，若是在DIFS時間后信道仍然是空閑的，那么節(jié)點將會立即傳輸數(shù)據(jù)，否則，節(jié)點將會執(zhí)行退避過程，當(dāng)退避窗口的值為0時，節(jié)點立即發(fā)送數(shù)據(jù)，如果發(fā)送數(shù)據(jù)失敗將會使競爭窗口的值增加一倍．

LAA節(jié)點采用的LBT機制①參見：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eNB想要在下行鏈路上傳輸數(shù)據(jù)，首先需要監(jiān)測信道，直到信道持續(xù)空閑達到Tf+mp?Tsl，其中，Tf=16μs ，Tsl為一個時隙的持續(xù)時間，為9μs，而mp的取值取決于接入優(yōu)先級，詳見本頁注釋①參見：3GPP. Evolved Universal Terrestrial Radio Access (E-UTRA); Physical Layer Procedures (Release 15) [R].3GPP, 2018.．然后開始隨機退避，每經(jīng)過一個空閑時隙時間Tsl，隨機退避計數(shù)器的值就會減1，直到0為止，此時，eNB立刻啟動數(shù)據(jù)發(fā)送，隨機退避計數(shù)器的初始值為[0,CW]L內(nèi)的一個隨機整數(shù)．競爭到信道之后，eNB獲得一個TXOP來傳輸數(shù)據(jù)，即在TXOP時間內(nèi)可以不停地發(fā)送數(shù)據(jù)而不用去爭搶信道．

LAA采用HARQ機制進行數(shù)據(jù)傳輸．當(dāng)接收端收到的數(shù)據(jù)錯誤，并且不能通過前向糾錯（Forward Error Correction，F(xiàn)EC）解析出正確的數(shù)據(jù)包時，將會向發(fā)送端發(fā)送NACK，請求發(fā)送端重傳錯誤的數(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)送端至少有兩個節(jié)點同時發(fā)送數(shù)據(jù)時，將會產(chǎn)生沖突，接收端收到錯誤的數(shù)據(jù)包，然后接收端將會向發(fā)送端發(fā)送NACK請求重傳出錯的數(shù)據(jù)包；另外一種情況是，由于鏈路原因造成的數(shù)據(jù)包錯誤，并且接收端不能通過FEC糾正出正確的數(shù)據(jù)包，這時也會向發(fā)送端發(fā)送NACK．由于沖突發(fā)送的NACK，將會在TXOP的第一個子幀反饋時一起發(fā)送給發(fā)送端；由于鏈路原因發(fā)送的NACK，將會在TXOP的每一個子幀的反饋中發(fā)送給發(fā)送端．因此，TXOP的第一個子幀反饋的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，首先會根據(jù)信道接入優(yōu)先級p∈ { 1,2,3,4}設(shè)置CW的初始值為 CWmin,p（在該優(yōu)先級下的最小CW值）．在LAA網(wǎng)絡(luò)中，我們選擇LBT機制為Ca（tCategory，Cat）3LBT①參見：3GPP. Evolved Universal Terrestrial Radio Access (E-UTRA); Physical Layer Procedures (Release 15) [R].3GPP, 2018.，對應(yīng)的優(yōu)先級p為3，其中Tmcot,p=8ms ，也就是TXOP為8 ms．如果是在TXOP的第一個子幀的HARQ反饋為NACK的數(shù)量占比至少為80%時，將會在p優(yōu)先級的LBT機制中增加CW到下一個更高的值，否則，把CW的值設(shè)為p優(yōu)先級條件下的最小CW值．當(dāng)CW為p優(yōu)先級下最大的CW值時，傳輸k次后將會設(shè)置為CW的最小值，其中k∈{1,2,3,…,8}．

事實上，當(dāng)TXOP的第一個子幀的HARQ反饋為NACK的數(shù)量占比達到80%時，網(wǎng)絡(luò)擁擠情況已經(jīng)很嚴(yán)重了．若是能夠提前預(yù)測到在下一個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

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的場景，因此我們選擇ns-3①參見：http://code.nsnam.org/. 下文出現(xiàn)的ns-3均可參見此注釋．中的laa-wifi-coexistence模塊中的LAA與Wi-Fi共存網(wǎng)絡(luò)室內(nèi)場景作為我們的仿真場景．在LAA與Wi-Fi混合網(wǎng)絡(luò)中，每個網(wǎng)絡(luò)各有8個基站，每個基站下隨機分布著20個用戶終端，分別設(shè)定20s和15s的仿真時間，用于產(chǎn)生訓(xùn)練集和測試集中所需要的數(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，將會輸出這些數(shù)據(jù)列：CW更新時的時間、基站的編號、更新前的CW、更新后的CW，退避窗口更新時的時間、基站的編號、更新前的退避窗口、更新后的退避窗口，每一個子幀的時間、基站的編號、NACK占比等．

2.2 數(shù)據(jù)的預(yù)處理

我們想要預(yù)測的是下一個TXOP中的第一個子幀的反饋為NACK的數(shù)量占比是否超過80%，由于NACK的產(chǎn)生只能通過LAA網(wǎng)絡(luò)的HARQ反饋產(chǎn)生，并且NACK的數(shù)量與上一個CW、當(dāng)前CW、上一個退避窗口和當(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基站所有站點的上一個CW、當(dāng)前CW、上一個退避窗口和當(dāng)前退避窗口的值，標(biāo)簽列為下一個TXOP中的第一個子幀反饋為NACK的數(shù)量是否超過80%，若是超過設(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個樣本、測試集共有1 536個樣本．在訓(xùn)練集中，正例有301個，占比11.86%，負(fù)例有2 237個，占比88.14%；在測試集中，正例有208個，占比13.54%，負(fù)例有1 328個，占比86.46%．其中每個樣本共有32個特征和1個標(biāo)簽，32個特征是指8個LAA eNB的上一個CW的值、當(dāng)前CW的值、上一個退避窗口的值、當(dāng)前退避窗口的值．

2.3 預(yù)測模型

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

LightGBM算法流程如下．

當(dāng)數(shù)據(jù)量較大時，采用GOSS技術(shù)對樣本進行采樣，對于梯度越小的樣本則賦予越小的權(quán)重．對于稀疏的高維數(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個維度．

對于二元分類GBDT，采用類似于邏輯回歸的對數(shù)似然損失函數(shù)，損失函數(shù)L為：

1）初始化弱分類器．弱分類器為：

其中c為擬合值．

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

a）對樣本i=1,2,… ,m，其中Y∈ {0,1}，計算負(fù)梯度，

b）對特征值構(gòu)建直方圖，計算各個切分點的增益，尋找最優(yōu)分割點，利用(Xi,rti)(i=1,2,…,m)，采用Leaf-wise的樹生長策略，生成一顆CART分類樹，得到第t顆分類樹，其對應(yīng)的葉子節(jié)點區(qū)域為Rtj，j=1,2, …,J，其中，分類樹的最大深度為7，J為分類樹t的葉子節(jié)點的個數(shù)，J=150；

c）對葉子區(qū)域j=1,2, …,J，計算最佳殘差擬合值，

由于（4）式比較難優(yōu)化，使用如下近似值代替，

d）更新強學(xué)習(xí)器，

3）得到強學(xué)習(xí)器f(X)的表達式：

3 競爭窗口自適應(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，我們想要通過預(yù)測下一個TXOP的第一個子幀的HARQ反饋中是否至少有80%的NACK來預(yù)測下一個TXOP網(wǎng)絡(luò)中是否發(fā)生沖突，若預(yù)測出發(fā)生沖突，我們將會再次調(diào)整CW，使CW增加至下一個更高的值．

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CW、當(dāng)前CW、上一個退避窗口的值和當(dāng)前退避窗口的值．為了能夠預(yù)測到下一個TXOP的第一個子幀的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的第一個子幀反饋后進行的，所以我們在該時刻后進行特征提取然后進行預(yù)測．此外，還需確定哪一個子幀是TXOP的第一個子幀．經(jīng)過分析，我們知道在一個TXOP中每一個子幀的反饋時間相差1 ms，因此，第一個子幀的反饋就是當(dāng)前子幀的反饋時間與上一個子幀的反饋時間差值大于1 ms時的當(dāng)前子幀反饋．在確定第一個子幀的反饋后，將會開始特征的提?。?/p>

3.2 模型預(yù)測

在實時預(yù)測階段，為了在競爭窗口自適應(yīng)預(yù)調(diào)整機制之前完成預(yù)測，我們縮短了模型預(yù)測的時間．在系統(tǒng)模型之外進行模型訓(xùn)練，把訓(xùn)練好的模型和模型所需的各個參數(shù)保存到一個文件中．在進行預(yù)測時，把保存的訓(xùn)練模型和提取出來的特征代入到預(yù)測函數(shù)中進行預(yù)測，根據(jù)預(yù)測結(jié)果進行閾值劃分，大于閾值的設(shè)為1，反之設(shè)為0．通過這種方式，模型預(yù)測階段就可以省去訓(xùn)練模型的時間了．

3.3 競爭窗口自適應(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)送的第一個子幀的反饋為NACK的數(shù)量占比至少為80%之后，但事實上，當(dāng)達到CW更新條件時，網(wǎng)絡(luò)的擁塞情況已經(jīng)很嚴(yán)重了．減輕網(wǎng)絡(luò)的擁塞情況，可以通過在合適的時間減少合適的站點發(fā)送數(shù)據(jù)來實現(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，只有當(dāng)退避窗口的值為0時，站點才能發(fā)送數(shù)據(jù)，但是退避窗口的取值是在[0,CWp- 1]中隨機選擇的，在不改變現(xiàn)有的退避機制情況下，不可能通過直接改變退避窗口的值來進一步減少站點發(fā)送數(shù)據(jù)的機會．若是能提前預(yù)測到下一個TXOP中網(wǎng)絡(luò)的擁塞情況較為嚴(yán)重時，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的值到下一個更高的值，這樣退避窗口在更新時就有更大的概率選取較大的退避窗口的值了，從而達到降低站點發(fā)送數(shù)據(jù)的概率，進而實現(xiàn)減輕網(wǎng)絡(luò)擁塞的目標(biāo)．經(jīng)過上述分析，為了緩解網(wǎng)絡(luò)沖突，我們提出了競爭窗口預(yù)調(diào)整機制，該機制指的是在當(dāng)前TXOP中預(yù)測下一個TXOP是否發(fā)生較為嚴(yán)重的沖突，若是發(fā)生，將會在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

對于系統(tǒng)模型的仿真，我們選用ns-3代碼庫中的名稱為laa/ns-3-lbt的代碼作為異構(gòu)網(wǎng)絡(luò)的仿真代碼，因為在該代碼中含有LAA與Wi-Fi共存網(wǎng)絡(luò)場景模塊．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)場景進行室內(nèi)異構(gòu)網(wǎng)絡(luò)的仿真實驗．如圖1所示，我們采用了一種室內(nèi)模擬場景來仿真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120 m × 50 m的無墻建筑中．這個方案是基于文獻[12]中提出的室內(nèi)場景進行評估研究的，但是放置在圖1中的基站位置更接近真實的場景，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得到更多的NACK數(shù)量來更好地預(yù)測在下一個TXOP中的第一個子幀的HARQ反饋中是否有80%的NACK．在本次仿真實驗中，LAA和Wi-Fi網(wǎng)絡(luò)中各有8個固定位置的基站，每個基站周圍配置20個UEs和STAs（Station，STA），UEs和STAs的初始位置是隨機灑落在建筑物中的，在數(shù)據(jù)傳輸過程中采用二維平面隨機游走的移動模型來更新位置信息．

圖1 LAA與Wi-Fi室內(nèi)模擬場景

對于傳播模型，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)先級為Cat 3，TXOP的長度為8 ms．當(dāng)數(shù)據(jù)傳輸時，選擇用戶數(shù)據(jù)報協(xié)議（User Datagram Protocol，UDP）傳輸協(xié)議．

4.2 預(yù)測模型結(jié)果對比

各種預(yù)測模型的性能指標(biāo)見表1，接受者操作特性（Receiver Operating Characteristic，ROC）曲線見圖2．

表1 預(yù)測模型的性能指標(biāo)

圖2 預(yù)測模型的ROC曲線

圖2包含了決策樹、AdaBoost、GBDT、隨機森林、XGBoost和LightGBM等6種預(yù)測模型的ROC曲線，這6種機器學(xué)習(xí)算法均采用網(wǎng)格搜索法以尋找最優(yōu)的參數(shù)來實現(xiàn)關(guān)鍵參數(shù)的設(shè)置．表1表示的是6種預(yù)測模型的性能評價指標(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）的值最小時所對應(yīng)的閾值作為類別劃分的標(biāo)準(zhǔn)，根據(jù)該閾值可以得到表1中的性能評價指標(biāo)．表1中決策樹算法和隨機森林算法的準(zhǔn)確率實際為0.264和0.304，由于分類算法的準(zhǔn)確率不會低于0.5，所以我們考慮更換預(yù)測輸出的符號，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相對于XGBoost的模型訓(xùn)練時間短、占用內(nèi)存小的優(yōu)點，我們選取了LightGBM作為系統(tǒng)模型的預(yù)測算法．

4.3 實時預(yù)測的結(jié)果

以上已將LightGBM、XGBoost等6種預(yù)測模型進行了對比，最終確定將LightGBM帶入到LAA與Wi-Fi共存網(wǎng)絡(luò)中進行實時預(yù)測，然后根據(jù)預(yù)測的結(jié)果進行競爭窗口自適應(yīng)預(yù)調(diào)整．由于我們的系統(tǒng)模型是采用C++編寫的，因此LightGBM采用同樣的編程語言加入到系統(tǒng)模型中．在進行實時預(yù)測之前先訓(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)省實時預(yù)測時預(yù)測模型的訓(xùn)練時間，降低時間復(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應(yīng)的吞吐量．如圖3所示，第一組實驗共有200個閾值，閾值間隔為0.005，通過比較不同閾值所對應(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，所對應(yīng)的吞吐量最大，于是進行第二組實驗，在閾值為0.46的基礎(chǔ)上再進行更小的閾值劃分，在0.46左右的區(qū)間進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，所對應(yīng)的吞吐量最大，這時就不再進行閾值劃分了，一方面因為0.001的閾值間隔已經(jīng)包含足夠小的閾值了，另一方面是因為就算再進行閾值劃分，對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描述了采用競爭窗口預(yù)調(diào)整機制時，將LightGBM預(yù)測模型代入到系統(tǒng)模型后的性能指標(biāo)．不使用競爭窗口自適應(yīng)預(yù)調(diào)整機制時，LAA與Wi-Fi異構(gòu)網(wǎng)絡(luò)的吞吐量為54.826 M/bps，加入機制后，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種機器學(xué)習(xí)算法進行預(yù)測，LightGBM算法的準(zhǔn)確率和AUC值最高．考慮到CW的調(diào)整與實際的網(wǎng)絡(luò)沖突不完全符合，本文提出了基于LightGBM算法的競爭窗口自適應(yīng)預(yù)調(diào)整機制，采用該機制后LAA/Wi-Fi混合網(wǎng)絡(luò)的吞吐量提升了21.266%．