Wi-Fi网络评分机制01_BubbleFunScorer_wifi评分机制公式-优快云博客

这个评分器比较简单，其主要考虑因素就是RSSI。我们直接先上代码再分析

private ScoredCandidate scoreCandidate(Candidate candidate) {
    final int rssi = candidate.getScanRssi();
    final int rssiEntryThreshold = mScoringParams.getEntryRssi(candidate.getFrequency());

    double score = shapeFunction(rssi) - shapeFunction(rssiEntryThreshold);

    // If we are below the entry threshold, make the score more negative
    if (score < 0.0) score *= 2.0;

    // The gain is approximately the derivative of shapeFunction at the given rssi
    // This is used to estimate the error
    double gain = shapeFunction(rssi + 0.5)
                - shapeFunction(rssi - 0.5);

    // Prefer 5GHz/6GHz when all are strong, but at the fringes, 2.4 might be better
    // Typically the entry rssi is lower for the 2.4 band, which provides the fringe boost
    if (ScanResult.is24GHz(candidate.getFrequency())) {
        score *= LOW_BAND_FACTOR; /* LOW_BAND_FACTOR = 0.25 */
        gain *= LOW_BAND_FACTOR;
    }

    // A recently selected network gets a large boost
    score += candidate.getLastSelectionWeight() * LAST_SELECTION_BOOST;

    // Hysteresis to prefer staying on the current network.
    if (candidate.isCurrentNetwork()) {
        score += CURRENT_NETWORK_BOOST;
    }

    if (!candidate.isOpenNetwork()) {
        score += SECURITY_AWARD;
    }

    return new ScoredCandidate(score, TYPICAL_SCAN_RSSI_STD * gain,
                               USE_USER_CONNECT_CHOICE, candidate);
}

下面是对上面代码的详细分析

初始打分: 先通过shapeFunction()对rssi进行初始打分。这里shapeFunction()是一个单调递增的指数类函数。
弱信号惩罚: 如果 score 小于0（表示信号比入口阈值Entry Rssi更弱），则会将其乘以2 进一步惩罚
增益估算: 增益近似为给定 rssi 处 shapeFunction() 的导数。这用于估计误差。
频段偏好: 由于5G/6G速率更快，干扰更小，所以更偏向于5G。但是弱信号时，2.4G表现更好。由于2.4G 的Entry rssi更低，所以可以理解为此时2.4G 的分数会更高。2.4G时 score 和 gain 都乘以LOW_BAND_FACTOR = 0.25
最新选择奖励: getLastSelectionWeight()对于最近一次选择的网络，根据时间差计算出权重，给与最高250分的奖励。

这里的最近一次是有限制的，由ScoringParams的lastSelectionMinutes指定，默认是480min，也就是8H.

权重的计算方法WifiNetworkSelector.calculateLastSelectionWeight()，算法也很简单。

假设上次被选择的时间为 t1, 当前时间t2，lastSelectionMinutes默认480min

那么最终计算出的权重是

if t2 - t1 > 480min:

return 0;

else

return 1 - (t2-t1)/(480*60*1000)

所以，距离时间越长分数就越低。

当前网络奖励: 如果当前已连接，加CURRENT_NETWORK_BOOST = 22分。尽量保证当前连接，避免频繁或者不必要的切换。
安全性奖励: 非open网络，加SECURITY_AWARD = 44分。

最后我们来看看shapeFunction()的实现。

private static double unscaledShapeFunction(double rssi) {
    return -Math.exp(-rssi * BELS_PER_DECIBEL);
}
private static final double BELS_PER_DECIBEL = 0.1;

private static final double RESCALE_FACTOR = 100.0 / (
        unscaledShapeFunction(0.0) - unscaledShapeFunction(-85.0));
private static double shapeFunction(double rssi) {
    return unscaledShapeFunction(rssi) * RESCALE_FACTOR;
}

实际上它将rssi转换成了一个以自然常数e为底的指数函数，从下面的函数图形可以看出，它是一个单调递增的函数，在rssi小于-60的时候，函数上升的特别快，从-60开始，逐渐平缓，大于-40时，几乎不会有太大增长。

最后的函数如下
$\frac{100}{1-e^{8.5} } \times \frac{1}{e^{0.1x} }$
RESCALE_FACTOR = 100.0 / (unscaledShapeFunction(0.0) - unscaledShapeFunction(-85.0))是为了对图像进行缩放让有意义的点落在较为合理的区间。