通过对MN的移动习惯进行形式化分析和解释性论证,针对切换时延、数据分组连续性和切换花费等关键问题,提出使用机器学习算法进行切换行为预测的智能辅助方案。为了降低MAG和LMA的负担,采用面向网络的移动管理模式引入智能辅助切换代理。利用802.21MIH的事件服务、命令的服务和信息服务,完成媒体无关的分布式训练样例搜集,支持训练数据的动态反馈和静态导入。将IHA有机地结合到PMIPv6网络中,设计功能单元部署和信息交互流程。当MN发生切换时,几乎不破坏上行数据的连续性,只需要新MAG和原MAG之间进行简单的交互来完成航程数据的传输。利用MN两次切换间隔时间进行预测,MAG和LMA及时做好切换准备,维护准备切换实体表。采用数据驱动双向隧道模式,减少控制信令开销。对切换行为的成功预测为缓存分配与分组排队、路由优化和资源预留的执行增加有效时间。使用BP人工神经网络来进行切换行为预测,设计神经网络的输入输出参数,给出网络结构。采用多种BP算法比较择优的方式训练神经网络。通过MATLAB人工神经网络工具箱对不同算法的仿真发现多种训练算法存在的必要性。对NS2软件进行扩展,使其满足PMIPv6和IAH的仿真要求。仿真实验结果表明当访问网络中规则移动行为占较大比例时,IAH能够有效减少切换延时、提高IP连续性,同时能够在一定程度上减少控制信令花费。