[发明专利]一种基于机器学习的AP自适应优化选择方法

说明书

本发明公开了一种基于机器学习的AP自适应优化选择方法，方法应用于移动设备与AP建立WIFI连接及车联网自适应网络切换的过程中，方法包括：收集当前环境中的连接设备数据，建立训练数据集，特征集，确定阈值；根据数据集及ID3算法确认是否为单结树；若非单结树，则分割子集构建子结点生成树；递归调用，直至生成完整的决策树，以将AP分类为FAST集和SLOW集，选择FAST集中最快的AP建立连接；本发明根据机器学习模型对AP接入点进行选择以缩短连接时间，减少WIFI连接设置时间成本。

技术领域

本发明涉及通信技术和车联网自适应切换领域，尤其涉及一种基于机器学习的AP自适应优化选择方法。

背景技术

近年来，由于智能设备的爆炸性增长，无线数据流量呈指数上升趋势。在这些无线网络中，802.11无线局域网(WiFi)已成为当今无线业务的主要部分。在过去十年中，已部署超过10亿个WiFiAP(接入点)以提供无线连接。即使用户使用支持3G/4G蜂窝网络的智能设备，也可以使用今天随处可见的WiFi热点。

然而，WiFi网络中的网络性能和用户体验仍然不尽如人意：根据对城市地区使用WiFi网络的500多万用户的测量研究，多达45％的移动设备无法与相应的AP建立WiFi连接，成功的WiFi连接的15％(5％)连接建立时间成本超过5秒(10秒)。以前关于WiFi网络的测量研究已经集中在一般用户体验度量(例如，WiFi网络中经历的带宽和延迟)上，很少关注WiFi连接建立过程的性能。从受控环境中的安卓智能手机中收集数据，发现大量连接建立时间成本的损失主要是由于DHCP数据包丢失造成的。实际上，室外WiFi连接建立过程的性能仍然未知，并且缺乏更大规模的彻底调查。有很多研究专注于WiFi性能测量,旨在估计某些AP-Client链路的可用吞吐量并探讨AP方面的延迟。但是，基于现阶段的研究，迫切需要注意连接建立时间成本度量，因为高连接失败率已经影响了用户体验。

同时在车联网领域同时存在网络连接切换的问题，现有技术下，移动终端设备在网络内移动时，移动设备将连接到各种AP，切换过程中导致服务质量的显著波动和可能的长连接中断，其中信号功率不足以支持数据速率：这些通常包括各种生活场景如电梯和楼梯，尤其体现在车联网领域中。当用户到达网络盲点时，连接中断。显然，移动终端设备上的数据流将特别受到临时连接损失的影响，并且被用户视为主要问题。

目前关于连接建立及自适应切换过程的研究很少。涉及连接建立过程的大多数当前研究都是关于WiFi切换机制：即旨在减少切换延迟。现有技术中出现了各种解决方案来缓解这些问题，以接收关于即将到来的连接丢失的信息，比如设备本身的丢失预测或对播放器的适当干预。但所有预期策略的关键要素是适当的信道条件的长期预测，其时间尺度远大于小规模衰落。对于预测，大多数现有方法基于特定的信道模型或广泛而详细的信道地图。显然，这两种方法可能不足以确保数据流需求。

发明内容

本发明的主要目的在于解决现有技术中存在的问题，提供一种基于机器学习的AP自适应选择优化方法，具体技术方案如下：

一种基于机器学习的AP自适应优化选择方法，所述方法包括步骤：

步骤1，收集当前环境中的连接设备数据，建立训练数据集，特征集，确定阈值；

步骤2，根据数据集及ID3算法确认是否为单结树；

设有k个类C_k(k＝1,2,3，K)，若训练数据集中所有实例属于同一类C_k，则决策树为单结点树，并将类C_k作为该结点的类标记，返回决策树；若特征集为空集，则决策树为单结点树，并将训练数据集中实例数最大的类C_k作为该结点的类标记，返回决策树；否则，按算法ID3计算特征集中各特征对训练数据集的信息增益，选择信息增益最大的特征Ag；如果Ag的信息增益小于阈值ε，则置决策树为单结点树，并将训练数据集中实例数最大的类C_k作为该节点的类标记，返回决策树；