通常，MAC子层决定哪些接入方式将会应用到通信中。换句话说，它决定了如何通过无线链路来进行通信，例如哪种全双工或哪种多址接入将会被应用。MAC任务包括对现有的和最新呼叫质量的监督。

呼叫准入控制（Call Admission Control，CAC）政策通过决定传入的连接请求是接受还是拒绝来保护超负荷网络。在第三代移动通信系统中，容量不是固定的并且它的变化取决于干扰的变化，因此，系统中CAC的设计有两个主要的相关问题:

1）制定一个有效的CAC门限来保证多种服务类型的总体QoS。

2）实现最大限度的资源利用率。

CAC真正运行在两个不同的级别中:第一个级别为“数据包级别”性能，像封包遗失、延迟抖动或平均延迟，第二个级别在不同的通信业务类型中允许系统容量被共享，并且/或者通过保留它们一部分资源来保护切换连接。几个研究人员已经通过静态和动态的优化处理和共享方案解决此问题，此方案与静态或自适应资源储备相关。

尽管CAC算法定义了一个有效的准入政策，但是定义这个准入政策必须要考虑到各种参数。此外，干扰电平、剩余容量、总发射功率门限值、过载率和一些其他准则也应用于CAC。然而，这些方案都被限制在特定的无线系统和有限的准入政策中。

文献［HeVa02］中提出一种能力分析，此分析允许设CAC门限值。此分析结合了WCDMA反向链接，在WCDMA中需要考虑实时和非实时服务下的发射数据包。一个集中需求分配算法在数据包丢失和延迟限制的情况下，可以应用数据包级别来提供QoS。时间变化条件下的无线信道性能通过考虑特定信道的调度算法来评估。这个由数据包级别提供有用信息得出的结果可以导致容量约束。另一方面，与独立通信类相关联的延迟限制已包括到上文提及的系统中，以便可以建议一个更加准确的CAC门限值。

参考文献［AKKC02］对基于SIR的CAC算法的性能进行了研究。仿真模型考虑了3种不同的服务类型（语音、视频、环球信息网）。MT的移动性和切换功能也被模拟出来。作者假定了理想的功率控制条件。扩展分析经过允许调查系统性能中几个参数影响的计算机仿真，这几个参数由每个服务和软切换失败的阻塞率和呼叫丢失率测量出来。这些被考虑的输入参数是:用户速率，每个服务器所提供的负载量、每个服务器的SIR门限值、用于CAC分析的参数。

文献［SAGR03］提出了一种对3G中RRM进行策略评估的方法，这种方法尤其适用于准入控制。GSM/UMTS的密集型合作允许提取真实的传播损失、真实GSM网络的移动模式和用户分布，并且将这个有用信息应用于3G仿真器中。所得出的结果与不同条件下的测量和基于统计的准入控制算法进行比较，评估测量误差、不连续的通信资源和多速率传输的影响。

用于解决CAC问题的智能技术有4种基本方法:

1）马尔可夫判决过程。马尔可夫被描述为一个概率方程系统。泊松过程是一个同构的马氏过程，这个马氏过程可以用Kolmogor微分方程系统来解决。它的解决方案代表了稳态概率向量，此向量能够得到新的呼叫阻塞概率和/或软切换呼叫漏码概率。正如参考文献［DoGo02］，［DDMW03］所提到的，这个方法对于解决以门限为方向的CAC是有用的。有着CBR服务类型和有限的时段数量的移动网络阈值优化可以通过简单的一维（1D）马尔可夫模型模拟出来。模型复杂度根据可利用的时段数量的增长而增长，此外其复杂度还取决于个别服务类型的时段需求。该模型的维数也随CBR类型数量的增长而增长。结果表明，该模型可以简单地扩展任意时段的数量和任意CBR类型数量。(www.daowen.com)

2）神经网络。在大多数情况下一些学习算法可以应用于对文献中神经元参数的确定上。然而学习算法也有一些缺点。它们要么运算速度很快但是只导致本地区为最佳（例如梯度法），要么很精确但是运算速度非常慢（例如模拟退火）。在我们的例子中提出了一种用于参数设置的直接方法来避免上述提到的缺点。

3）遗传算法。人工智能技术希望它们逼真的自我复制能力同学习和控制环境的适应能力一样。在这些技术之中，遗传算法（Genetic Algorithm，GA）已经应用于广大的种类繁多的优化问题中，包括数值优化和组合优化问题，以及无线系统的呼叫准入控制。它们的平行搜索和快速区分能力可以从其他决策和优化算法中区分它们自己。为了解决呼叫准入问题，几个基于GA的方法已经根据一些特定的无线网络架构所提出。每个地方政策都代表了一个GA术语并且这个政策是与准入和拒绝决策相关联的比特集合，此决策根据每个地方系统新的呼叫建立和切换请求所决定。每组地方政策（集合）最初是随机选择的。每个集合体中的政策都会通过正确训练方式的进化策略所评估。在参考文献［Dobo02］中一个简单地拥有15个信道并且每个信元都被建模这样的蜂窝网络代表了一个GA术语，此网络应用一个典型的拥有两个父母的后代遗传算法，此算法用在每个地方政策中，并且此网络是与准入和拒绝决策相关联的比特集合，此决策根据每个地方系统新的呼叫建立和切换请求所决定。4种CAC算法通过比较上文提出的CAC遗传算法进行评价:

CACⅠ:没有阈值的算法，并且它应用在当存在免费信道时，地方和切换呼叫就会被接受这样的地方。

CACⅡ:有固定阈值的算法，如果所有信道的阈值都被占满，那么这个算法也许只切换有利的呼叫。

CACⅢ:一个简单的有着固定训练方式值的CAC遗传算法。

CACⅣ:一个简单的CAC遗传算法，在算法中所有地区会通过全体呼叫阻塞率来评估。

结果列于表9.2。

表9.2 CAC算法的阻塞率

4）模糊逻辑。这种类型的算法用一个模糊控制器来调整变换通信参数中呼叫预阻塞负载值。模糊控制器用模糊联想记忆（Fuzzy Associative Memory，FAM）来维持所需的QoS。通过提供所需的QoS水平，此算法也增加了信道利用率。