邻近即服务--粗略翻译---待完善

文章目录

• 邻近即服务，用于通过蜂窝网络辅助移动设备到设备的访问增强用例
• 总结：
• 1 介绍
• 2 相关介绍
• 3 系统模型
• A.一个PAAS系统的例子
• B. 问题公式化
• C.系统讨论
• 4 选择助手政策
• A.效用函数设计
• B.选择帮助者的政策
• 5 实验设置
• A.运动模型
• B .参数设置
• 6 实验设计
• A.因素和响应的选择
• B.确定四个因素的级别
• C.数据分析

邻近即服务，用于通过蜂窝网络辅助移动设备到设备的访问增强用例

摘要----设备到设备(D2D)通信不是把用户设备当作终端，而是作为网络(助手)的一部分来提供服务。我们提出了一个通用的框架，即邻近即服务(PaaS)，阐明了帮助者选择问题，并设计和证明了一种启发式的帮助者选择策略，即基于临近的接触(CAP)，用来提高服务的连通性和连续性。实验设计(DOE)是一种严谨地设计和实施实验，并最大限度地从实验中获得信息的统计方法。我们应用DOE来探究四个输入(因子)和四个度量(响应)之间的关系(解析表达式)。由于不同因素的回归水平不同，进行了统一的四水平全因子实验和三次多元回归分析。提供了多个回归方程来估计不同的贡献以及因素之间的相互作用。结果表明:传输范围和用户密度占主导地位且单调递增，但传输范围应受到干扰和能效的限制。在得到因子与响应之间的清楚的近似表达式后，得到关键因子的最优值。提出了一种求解多目标优化问题的方法(约束法)，并通过迭代得到了帕累托最优因子集。迭代的波动较小，可以根据特定场景(不同用户密度的城市中心或乡村)选择具体的解决方案。优化的方法论为运营商的设计规则提供了依据，有助于找到最佳的网络解决方案。

索引词----设备到设备,移动计算，实验设计。

总结：

本文报告了我们如何构建PaaS系统和CAP策略，并展示了我们如何进行DOE和进一步的调查，以揭示系统的输入(因素)和输出(响应)之间的关系。通过机会式D2D中继，进一步揭示了服务容忍度、分配的助手数量、每个助手支持的并发设备数量和传输范围这四个因素对PaaS的影响。这项工作有助于将DOE引入移动计算和D2D领域。通过精确的接近形式多元回归方程，可以很容易地预测这四个因素在一定范围内的任何变化的影响。

通过多重近似回归方程，我们发现两个因素(传输范围和选择的助手号码)对性能有显著的影响。由于服务需求和设备的能力不受服务运营商的控制，传输范围和用户密度是最重要的指标。总有一个特定的传输范围值，它适合特定的用户密度。例如，在城市中心，一个小范围就足够了，而一个长的传输范围可能会干扰近端单元。在农村地区，传输范围需要很长，并且可以很长。

未来，在考虑到服务发现的能源效率情况下，我们的工作将侧重于在实际场景中测试大量的设备。

1 介绍

近年来，各种设备的爆炸式增长以及各种业务需求，给现有的网络基础设施[1]带来了数量级的数据流量增长、无所不在的覆盖以及难以置信的业务需求多样性等诸多挑战。

人们普遍认为，增加网络容量和丰富服务提供是未来网络的主要特点。大量多输入多输出(MIMO)、毫米波(mmWave)、非正交多址(NOMA)、飞蜂窝网(femtocell)和异构网络(HetNets)等技术在文献中得到了广泛的研究和部分应用。

与其他技术相比，设备到设备(D2D)是更便宜的解决方案，支持移动设备之间的直接通信，而不必在数据传输中涉及蜂窝链路。由于移动电话的开发特性，具有如此强大资源的用户设备(UE)将能够通过D2D扮演一个具有吸引力的角色，即邻近的服务提供者，而不仅仅是请求者。在这里，我们定义了术语“邻近即服务”(PaaS)来表示D2D协作框架，而UEs分别充当服务提供者和请求者。

目前，针对不同邻近服务的用例探索正在进行中，包括蜂窝流量卸载、机会众包、移动增强现实、移动众包、计算卸载、目标营销，甚至区块链应用。

我们提出了一个近端服务用例，通过这个用例，一些(适当选择的)问题，命名为助手，有资格根据请求为其他问题(作为服务请求者)提供服务。所开发的关键技术包括系统模型的设计、人类移动的适当知识、针对特定服务需求的高能效D2D处理(在数量有限的请求者中，助手可以同时服务)以及潜在的安全问题(选择的助手数量有限)等。

我们进一步通过实验设计(DOE)进行实验和数据分析，全面探究关键因素对D2D启用的PaaS案例的根本影响。

在本文中，我们完成了以下工作：

1. 探索人的流动性，以便为PaaS确定一定数量的合适的助手(根据需要帮助的人)。我们制定了助手的选择问题，并提出了基于临近的接触(CAP)策略，该策略利用富有成效的接触历史信息，如接触时间、接触频率和会议间隔时间，以捕捉人的流动性来选择助手。
2. 应用DOE确定各因素水平，进行全因子设计实验。经过四个独立的单次回归分析四个因素和四个响应，在这些回归线中最高的顺序被认为是三次的，这适合于四层阶乘设计。因此，所有因素设置为4个级别(包括虚拟级别)，每个组合设置5个重复。
3. 得到了四种响应的多项式多元回归方程，并给出了回归曲线与仿真结果的比较。由全因子实验导出的多项式回归方程(解析表达式)能较好地拟合结果，便于在因子范围内进行优化。通过四个因素的不同维度、尺度和单位，比较了四个因素对四个响应的影响。结果表明，传输范围和用户密度是主要的单调递增因素。
4. 在四多项式多元回归方程的基础上，完成了非线性多目标优化。解决该多目标优化问题的关键是将其转化为单目标问题。难点在于四个输出具有不同的维度、尺度和单位，因此完成的是约束优化迭代，而不是一个加权和的单一目标优化。

2 相关介绍

以往的D2D研究主要集中在如何为配对的UEs认知地分配频谱或能量，以获得高吞吐量和低干扰。

本文的核心是能源效率的优化问题。这些论文的进展增加了考虑(组合)其他约束(或目标)的复杂性。常见的约束包括同信道干扰、有限的电池容量，不同的目标(或约束)包括频谱效率、QoS和传输功率。

D2D通信可以使用各种空中接口(带内衬底D2D、带内覆盖D2D、网络辅助带外D2D和自主带外D2D)。带内衬底意味着D2D网络和蜂窝网络使用相同的许可频谱。带内覆盖意味着D2D网络和蜂窝网络使用不同的许可频率，这意味着移动网络运营商(MNOs)需要为D2D通信分配专用频率。带外意味着D2D网络在未经授权的波段工作，比如蓝牙和无线直连。如果基础设施集中控制传输，它是网络辅助带外D2D;否则，它是自主带外D2D。表1对此进行了详细的比较。

表1，不同d2d空中接口的比较

特征	带内衬底D2D	带内覆盖D2D	网络辅助带外D2D	自主带外D2D
专用D2D架构	是	是	是	否

由于许可波段属于MNOs，两种带内D2D空中接口都是网络辅助的。在本文中，我们着重研究了移动性对D2D的影响，从而使空中界面是透明的。因此，本文不考虑带内衬底D2D中的干扰问题。PaaS可以用不同的计算复杂度应用于干扰场景。

利用人力移动性提高网络性能和探索近端服务也很重要。

在[22]文中，采用随机几何方法建立了具有移动性的系统模型，并将社会信任作为约束条件之一进行辅助选择。另一个约束是传输条件，将其表示为D2D成功概率。由于优化问题是非凸的，因此导出了一种特殊的无偏优化缓存策略，并提出了一种数值搜索算法来获得一般情况下的全局最优解。提出了一种满足Karush-Kuhn-Tucker 条件的迭代算法。

由于D2D通信的机会性，长时间或者频繁的中断或延迟是不可避免的，特别是在多跳情况下。其中，基于端到端的多跳路径从源到目的地，不能总是建立由于间歇链路。延迟容忍网络(DTN)[23]和移动社交网络(例如，[13]内容分流和移动众包[7])领域的研究人员提出了许多方法来评估使用中继改进消息传递的潜力。

然而，在5G时代，无论人们生活在哪里，网络设施几乎无处不在。因此，大多数D2D通信可能只依赖于单跳网络。不可避免的是，由于人的自私本性和潜在的安全问题，并不是所有的UEs都愿意充当PaaS的助手。从经营者的角度来看，选择最少数量的助手来提供令人满意的服务也是符合成本效益的。毕竟，运营商不希望失去控制权。在[8]中，基站选择助手来卸载计算任务。[8]中参数的采集过程与本文效用函数的生成过程相对应。在本文中，助手的选择是基于流动性的规律性。而在[8]中，助手的选择是基于助手的计算资源和应用程序的优先约束任务图。

同时考虑移动性的不确定性和资源的可用性是复杂的。在[24]中，采用Lyapunov优化方法，构建了一个网络辅助的D2D计算卸载协作框架D2D雾化[24]，该框架具有激励机制和资源可用性预测。由于节点是静态的，而元胞链路在该时间框架内是稳定的，因此通过在时间框架中引入粒度来简化移动问题。网络(通信)资源和计算资源也被联合制定。该算法同时考虑了任务执行和通信能耗，取得了较好的任务执行效率。

几个PaaS系统已经被提出，主要解决如何实现服务质量(QoS)感知性能[6]，[7]，[9]，[11]通过适当的助手选择。相反，我们建议CAP通过广泛的努力探索人手的流动性和由助手自己运行的通道处理，提供普遍存在的(高服务成功率)和高质量的体验(QoE)等服务(例如，中断时间和频率)。

在无线网络范式下，影响实验性能的因素很多，性能评价也有很多角度。例如，Vadde[25]等人考虑了三个测量的五个因素，这就不适合使用一次一个因素的实验方法(控制变量法)。

DOE[14]是一种统计和科学的实验方法，可以严格和经济地进行实验，并提取许多控制因素(输入)和许多响应(输出)之间关系的完整信息。在D2D模式下，DOE为科学设计实验、分析数据、优化系统性能提供了一种方法。

3 系统模型

在本文中，我们考虑一个具有一定数量基站(BSs)的系统，扮演服务提供者角色的UEs，称为助手，以及通过D2D通信向助手请求服务的UEs，称为请求者。假定帮助者愿意帮助其他请求者访问网络，并充当具有无线回程链路的移动接入点或移动微小区[26]。

整个通信过程有两跳点：第一跳是请求者和助手之间的通信； 第二跳是助手与BS之间的通信。假定助手与基站之间的连接稳定。 但是，成对的助手和请求者之间的机会性联系不可避免地导致服务中断。

假定请求者以相同的请求访问持续时间($T_{RAD}$TRAD​，如半小时)确定地生成访问请求(例如，每分钟生成一次访问请求)。访问请求需要在一段时间内送达，称为访问容忍度($T_{AT}$TAT​，例如2小时)。$T_{RAD}$TRAD​和$T_{AT}$TAT​构成了系统的服务需求，该需求是本文PaaS四个输出的基础。使用$T_{RAD}$TRAD​和$T_{AT}$TAT​可以方便地评价PaaS的连续性和中断特性。

$T_{RAD}$TRAD​和$T_{AT}$TAT​也可以作为潜在应用需求的参数。如果我们考虑物联网[18]的情况，D2D网络中的设备作为一个机器类型网关，它可以进行数据聚合，并且是机器类型设备(MTDs)和BS之间的桥梁。可能有一些应用程序需要监视来自MTDs(请求者)的$T_{RAD}$TRAD​中的$T_{AT}$TAT​信息。在$T_{AT}$TAT​期间，MTDs产生的信息应立即发送至基站。

A.一个PAAS系统的例子

假设PaaS系统中有三个助手、一个请求者和一个基站，如图1所示。

图1所示。D2D中继的处理。

图中PaaS过程的时间片段从访问请求开始($T_{start }= 0$Tstart​=0)开始，到访问请求的访问容忍度($T_{AT}$TAT​)结束。时间$T_1$T1​, $T_2$T2​和$T_4$T4​显示了CAP详细过程。

1. 在$T_1$T1​时，一个请求者®生成一个$T_{RAD}$TRAD​(半小时)和$T_{AT}$TAT​(两小时)的访问请求。R运行D2D空中接口，通过一个相关的移动应用程序定期向附近的设备广播访问请求(ARs)。如图1所示，当助手1 ($H_1$H1​)接收AR并将AR中继到基站时，基站根据从它们的接触历史中获得的度量(效用)为R安排并选择适当的助手 ($H_1$H1​和$H_2$H2​)。
2. 在$T_2$T2​时，所有的UEs移动到不同的位置，如图1(b)所示。$H_1$H1​帮助请求者®访问网络，持续时间为$D_1$D1​ ($D_1$D1​ <$T_{RAD}$TRAD​)。但是$H_1$H1​会离开R。
3. 在$T_4$T4​时，如图1©所示，在$T_{AT}$TAT​范围内,$H_2$H2​在$T_3$T3​时开始帮助R，在$T_4$T4​时结束服务($D_1$D1​ + $D_2$D2​= $T_{RAD}$TRAD​)。

系统被假定为基于一对多的D2D，这意味着帮助程序可以与几个请求程序连接，但请求程序只能与一个帮助程序通信。

B. 问题公式化

由于并非所有的助手都将被分配帮助向某个请求者提供访问服务的角色，因此我们将研究如何最优地选择一组(具有一定数量的)助手。对辅助选择问题进行准确的数学描述是第一步。表2给出了问题公式的符号。

$H_i$Hi​与$R_j$Rj​的接触关系在任何时候都可以接触或不接触:

表2。问题公式化的符号列表。

C.系统讨论

由于UEs的移动性不是先验知识，所以方程(1)的信息在实验前是未知的。没有这些信息，就很难估计访问请求的结果。如果ARj1(第一个访问请求)完成，也很难估计服务完成时间。请求者一次只能有一个访问请求，这意味着ARj2只能在ARj1完成之后生成。换句话说，完成的访问请求越多，生成的访问请求就越多。因此，访问请求的总数(SAR)也是未知的。

而且，当Rj暂时隔离时，ARjk与Rj很难完成，

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WZqT9qSD-1593152848216)(C:\Users\ihua\Desktop\5.png)]这种情况也是不可预测的。

基于节点移动不可预测带来的复杂性，下一节提出启发式策略。这个新政策可以了解联系历史信息，并选择最好的一组助手。如果并发设备的数量大于K, 助手还可以根据运行时间T ela jk提高请求程序的优先级。

4 选择助手政策

该策略的思想是从接触历史中了解移动性的规律，然后为每个助手和请求者对派生一个实用程序。这些实用程序是对请求者的适当助手进行排序的分数。

A.效用函数设计

图2详细说明了帮助器和请求者之间的联系历史。T (Ci,j=1；i,j) 为Hi和Tj第一次接触的时刻。开会时间如图2所示

图2，接触史说明。

表3，策略符号列表。

Ci, j=2,对于 T (Ci,j) i,j" D(Ci,j"1) i,j表示相遇间隙，即破坏持续时间。注意Ci,j只能在新接触发生时测量。

例如，系统中有一个请求者®和两个助手(H1和H2)。H1与R频繁接触，接触持续时间更长，中断持续时间更短。H2很少接触R，接触持续时间较短，中断持续时间较长。很容易知道H1对r来说是更好的选择，而且T (Ci,j=1) Hi,Rj也暗示了Rj连接到网络的速度有多快。基于此，可以得到经验效用函数:

从成功率和连续性来看，一个具有较大效用价值的助手有潜力提供高质量的服务。因此Ui j应该倒过来，如：

请注意，该实用程序在联系人开始时进行了更新。当接触中断时记录接触时间，在接触开始时记录相遇时间，类似于Ci,j，如算法1所示。

算法1更新工具

帮助程序和请求程序之间的规律性(关系)被量化为实用程序。其规律性意味着稳定性，并且从发生在时间窗口(UAi,j)的接触中获得的规律性比仅从最新接触者(Ui,j)获得的规律性更稳定。UAi,j被每个连接的指数移动平均(EMA)更新，如下所示

1:如果Rj和Hi之间的联系是开始的

2: Hi和Rj更新联系Ci,j的号码

3: Hi和Rj更新会议时间Ti,j

4: Hi和Rj更新工具Ui,j

5: Hi向基站报告信息

6:结束

7:如果Rj和Hi之间的联系结束了

8: Hi和Rj更新联系时长

9: Hi向基站报告信息

10:结束

助手选择策略的目标是根据移动模型的规律性为请求者找到最好的助手。帮助程序和请求程序之间的规律性(关系)被量化为实用程序。其规律性意味着稳定性，并且从发生在时间窗口(UAi,j)的接触中获得的规律性比仅从最新接触者(Ui,j)获得的规律性更稳定。UAi,j通过指数移动平均(EMA)更新每个连接，如下图所示:

---

B.选择帮助者的政策

助手选择是根据效用函数中最近更新的工具对助手进行排序，选择最优集合。如图3所示，请求者生成一个间隔AR。当请求者联系助手1时，助手1更新助手1和请求者之间的联系人计数(Ci,j)、会议时间(Ti,j)和实用程序值(Ui,j)。助手1将AR转发给基站，基站根据从效用函数导出的效用对所有的助手进行排序，最好的M个助手将被选为一个集合(SHARjk)。请注意，帮助程序只能同时为有限数量的请求者提供服务。如果BSs为这个帮助器安排了太多设备，那么将根据T ela jk(运行时间)选择最紧急的请求程序来服务。助手1属于这个集合，因此助手1开始向请求者提供访问增强服务。联系结束后，更新的持续时间信息发送到基站进行效用计算。在访问容忍度(服务过期)或满足请求的访问持续时间(完成)后，请求者开始在间隔后生成另一个AR。

在之前的工作[12]中已经证明了CAP政策的有效性。

5 实验设置

A.运动模型

这里的评估是基于机会网络仿真器(1)[27]中的中型赫尔辛基城市场景，如图4所示。考虑到运动的规律性，我们在此地图上部署了4种类型的点，即兴趣点（POI）。 例如，区域4中的节点将通过基于地图的最短路径移动模式（Dijkstra s算法）随机移动到22个点之一。

图4.带有POI的赫尔辛基中型城市场景。

如表4所示，有四组请求者和四组助手在四个区域中具有不同的概率。 例如，第一个组（Re1）的请求者在Area-1中花费大部分时间，而第2组（Re2）和第3组（Re3）的请求者分别在Area-2和Area-3中花费更多时间。 同样，一百个助手也以四个移动模式在四个POI中移动。 我们假设系统中所有用户的移动速度在0.5 1.5 m / s的范围内变化，这是正常人的行走速度范围。

B .参数设置

D2D通信可以使用各种空中接口(带内衬底D2D、带内覆盖D2D、带外网络辅助D2D[28]、[29]和带外自主D2D)。本文将D2D空中接口简化为传输距离。带内D2D空中接口(LTE-Direct)的最大传输距离被设计为500 m[30]，这是因为专用的带内D2D技术可以使用自己的频段，适用于较长的传输距离而不受干扰。然而，考虑到阴影损耗、多路径效应和电池寿命限制等因素，城市地区手机采用的LTE-Direct传输范围无法达到500 m。因此，本文将D2D的最大传输范围设为150m[12]。

100个请求者在10800s预热时间后生成网络访问请求，这样基站就可以了解移动性的规律。在不丧失通用性的情况下，假定请求程序是繁忙的，这意味着它们在成功访问服务之后的间隔为60 s之后或在TAT(访问容错)之后生成新请求。假设所有请求需要1800秒(半小时)的访问时间。模拟时间设置为57600 s(16小时)

6 实验设计

A.因素和响应的选择

四种实验反应为:总帮助者通路持续时间(R1)、成功率(R2)、中断持续时间(R3)、中断次数(R4);四个因素是:访问容忍度(A)，选择的助手数量(B)，助手访问限制©，传输范围(D)。

1）实验响应

[12]成功率不能作为评估系统连接性的唯一手段，因为被满足的请求者总是会生成更多的访问请求，从而带来更多的访问请求。访问请求的增加可能导致未完成的访问请求的增加。

因此，本文通过两个响应来评估系统的连通性特征:成功率和总助手访问持续时间(一个助手的平均总服务时间)。服务时间不等于帮助者与请求者之间的总联系时间，超载的帮助者无法在与请求者联系时提供服务;而没有访问请求的请求者在联系助手时也不需要服务。

对于中断，我们感兴趣的是两个响应:1)中断的数量:每个访问服务中断的平均数量;2)中断持续时间:每次访问请求的平均持续时间。

2)实验因素

对于实验因素，由于映射的大小是固定的，设备的数量会影响节点密度(节点密度)。因此，选择的助手的数量决定了请求者的联系机会。此外，请求程序的数量决定了帮助程序的负载。如果帮助程序超载(并发请求程序超过帮助程序访问限制)，服务的机会也会受到影响。在这项工作中，请求者的数量是固定的，选择的帮助者的数量作为一个实验因素。

本文关注连接性(服务、联系和中断)的性能。因此，带宽或吞吐量不被直接考虑为输入因素。一个助手可以服务的并发请求者的数量(助手访问限制)是另一种形式的带宽。此外，传输范围直接决定了节点之间的连通性。

一般来说，网络的连通性一直是网络研究的目标，而网络的性能总是基于服务需求。服务本身也会影响性能。例如，网络可以提供传输控制协议(TCP)和用户数据报协议(UDP)等服务。对于UDP，数据包的长度会影响实验结果;对于TCP[31]，设置TCP慢启动(用于有线网络中的拥塞控制)可以影响任何无线网络场景中的性能。在本文的PaaS系统中，帮助者和请求者之间的联系取决于瞬态局部节点密度和传输范围。服务需求框架设计为访问容忍度和请求访问持续时间两部分，其中请求访问持续时间是固定的，访问容忍度是实验的影响因素之一。

B.确定四个因素的级别

在设计因子之前，必须确定每个因子和响应对的级别。广泛的初步单因素实验进行了四个因素和四个反应使用控制变量的方法。对于每个实验，为了得到响应的趋势和回归方程，因子被设置为多个层次(实验点)。

一般情况下，两级阶乘设计是针对线性趋势的;三层阶乘设计是二次趋势;四层阶乘设计是针对三次趋势，等等。

如表5所示，不同因子和响应对(A、B、C、D组合和R1、R2、R3、R4组合)的水平不同，说明实验需要完善的分数因子设计。此外，C因素的水平还没有确定，因为C从1跳跃到2，但随后，趋势开始波动。可能的原因是其他因素的设置，这是控制变量法的缺点，并通过因子设计消除。C的影响可能不明显，除非它与其他因素相互作用。由于模拟成本不高，我们将所有的因素和响应对水平统一为4(使用虚拟水平适当)，以便很容易进行全因子实验。

全因子设计需要遍历所有因素的组合。对于一个响应，有256种组合，因为四个因素分别有四个级别。在这里，我们将每个组合的重复次数设置为5，因此每个响应的总运行次数为1280(4个响应的5120次运行，1280乘4)。

对于每个响应，有两个回归方程:编码回归方程和实际回归方程。实际回归方程可以根据一定的一组因子值得到实际回归值(预测响应)。但是，不同因子的系数并不能说明因子的重要性，因为因子代表不同的量的维度。编码回归方程的系数可以通过比较响应随水平变化的变化来反映不同因素的重要性。

C.数据分析

本文实验的目的是找出输入(因子)与输出(响应)之间的关系。DOE的优点是它可以用最少的实验重复次数获得系统的全部信息。描述两两因素与响应之间关系的数学表达式(近似形式的回归方程)是实验结果的精确和最终形式。

经过充分的阶乘实验，得到了近似回归方程。由于回归方程太长，如式(11)所示，下页底部是实际R1回归方程的例子，故近形回归方程如表6所示。有四种响应的回归方程。对于每个响应，有两个回归方程:编码回归方程和实际回归方程。

经过充分的阶乘实验，得到了近似回归方程。由于回归方程太长，如式(11)所示，下页底部是实际R1回归方程的例子，故近形回归方程如表6所示。有四种响应的回归方程。对于每个响应，有两个回归方程:编码回归方程和实际回归方程。实际回归方程为“实际”，可用于绘制回归线，可用于优化。

从编码回归方程的系数可以得出，因子D比R1、R3和R4的其他因子至少重要一个数量级。对于R2(成功率)，A(访问容忍度)与服务完成直接相关，因为更多的容忍度时间意味着更多的机会来满足所请求的持续时间。对于R4, D是唯一重要的因素(两个数量级)。对于R1和R3, B是第二个重要的因素。

根据实际回归方程，绘制出4个因素和4个响应的回归线，并与图5中的实验结果进行对比。虽然实际的方程是由多元回归分析得出的，但回归线只能通过改变一个因素，而其他三个因素是固定的。图5因子的默认固定值如表7所示。

R2为成功率，大于1的值没有意义，但回归线必然会产生这样的结果。通过图5中的回归线和偏导证明了B和D对所有响应的显性和单调性。

多的容忍度时间意味着更多的机会来满足所请求的持续时间。对于R4, D是唯一重要的因素(两个数量级)。对于R1和R3, B是第二个重要的因素。

根据实际回归方程，绘制出4个因素和4个响应的回归线，并与图5中的实验结果进行对比。虽然实际的方程是由多元回归分析得出的，但回归线只能通过改变一个因素，而其他三个因素是固定的。图5因子的默认固定值如表7所示。

R2为成功率，大于1的值没有意义，但回归线必然会产生这样的结果。通过图5中的回归线和偏导证明了B和D对所有响应的显性和单调性。

总体而言，各响应的R-Square [14] (R2)均较高(接近1)，说明回归线拟合实验结果较好，结果与回归线的相似性验证了这一点。回归线的拟合效果好并不是因为预测因子(因子)的数量和过拟合，因为调整后的R-Square[14]和预测的R-Square[14]与R2基本相同。并对实际方程绘制的回归线趋势与编码方程的系数进行了相互验证。