CN105611574A - 一种基于缓存的超密集网络下联合动态接入和子载波分配的方法 - Google Patents

Abstract

本发明公开了一种基于缓存的超密集网络下联合动态接入和子载波分配的方法，具体步骤如下：首先多个用户同时发送请求信息给所有接入点，寻找缓存内容；然后各个接入点判断是否存在当前用户K请求的缓存内容，满足用户K的所有接入点将各自的属性参量传送给本地控制，本地控制将最佳接入点分配给用户K；否则，用户K直接向远端服务器发送请求，获取内容；远端服务器根据用户请求信息，利用流行度分析，完成缓存更新；最后每个用户与各自的接入点匹配后，进行子载波分配，使用户与接入点之间进行通信。优点在于：综合多个因素完成接入选择，实现资源管理效率的提升和子载波的动态分配，使得频谱利用率显著提升。

Description

一种基于缓存的超密集网络下联合动态接入和子载波分配的方法

技术领域

本发明属于组网及资源分配技术领域，具体是指一种基于缓存的超密集网络下联合动态接入和子载波分配的方法。

背景技术

超密集网络是5G的有力候选技术，超密集组网技术通过增加基站部署密度，可实现频率复用效率的巨大提升，极大地提高***容量，满足5G千倍容量增长需求。然而，愈发密集的网络部署使得网络拓扑更加复杂，现有的内容分发机制在实现图片、音频、视频等海量信息传送的同时，存在大量的内容重复传输，对频谱资源等造成了极大地浪费。针对这个问题，将缓存技术引入超密集网络，通过在接入点或者核心网进行内容缓存，可以减少冗余数据传输，有效降低回程链路消耗和网络时延，从而提高了频谱利用效率和能效利用率。

在基于缓存的密集网络下，文献1：在回程链路受限的密集无线网络中基于物理层缓存的吞吐量增益优化方法，提出了一种基于回程链路受限的新型缓存无线网络架构，并且在该架构下提出了物理层缓存方案以提高***吞吐量，但是该方案仅考虑回程链路等因素，并显示结果与基站缓存容量大小是相关的。

文献2：在异构网络中联合路由和内容缓存优化的方法，采用联合路由选择和缓存分配的方案进行资源分配优化，该方案下所考虑的问题单一，没有考虑频效、能效等资源利用率问题。

在超密集的场景下，现有技术没有考虑接入点的负载均衡，进行接入点的动态选择。此外，没有考虑频谱效率的优化，对子载波等资源进行分配优化。

发明内容

本发明针对现有技术中不能高效地利用接入点的存储资源为用户提供服务，频谱和能效资源有效利用率不能实现最大化，提出了一种基于缓存的超密集网络下联合动态接入和子载波分配的方法，

具体步骤如下：

步骤一、多个用户用广播方式发送请求信息给所有接入点，寻找缓存内容；

请求信息是指缓存内容；用户数量为O个；

步骤二、将用户K作为当前用户，各个接入点判断是否存在当前用户请求的缓存内容，如果某个接入点空闲且存在该缓存内容，该接入点反馈1给用户K，进入步骤三；否则反馈0；进入步骤四；

1≤K≤O；

步骤三、满足用户K的所有接入点将各自的属性参量传送给本地控制，本地控制将最佳接入点分配给用户K；

满足用户K的所有接入点为m个；每个接入点的属性参量均包括缓存容量、时延和信噪比等，共n个属性；

具体步骤如下：

步骤301、根据用户K的请求信息，针对每个候选接入点，本地控制对n个属性参量中每两个属性参量之间的相对重要性进行一一比较，得到决策矩阵M：

本地控制将每个候选接入点的各个属性参量之间的相对重要性进行比较，得到该候选接入点的决策矩阵M：

其中a_ij代表接入点中属性参量i与属性参量j的相对重要性比较值；

$a_{ij}>0;a_{ij}=\frac{1}{a_{ji}};a_{ii}=1;$

步骤302、对决策矩阵M进行归一化，得到标准化后的决策矩阵B：

其中b_ij代表接入点中对比较值a_ij归一化后的值；

步骤303、对决策矩阵B的一致性进行校验，判断决策矩阵是否有效，如果有效，进行步骤304，否则返回步骤302；

一致性比率CR定义如下：

其中，CI表示不一致性指标：λ_max是决策矩阵B的最大特征值，n是决策矩阵B中属性参量的个数，RI是已知的平均随机一致性指标；

当CR＜0.1时，认为决策矩阵B具有可接受的一致性，否则重新构造决策矩阵B。

步骤304、获取决策矩阵B中n个属性参量综合产生的的权重向量ω；

ω＝(ω₁,ω₂,...ω_j,...,ω_n)

ω_j为第j个属性参量的权重；

步骤305、针对m个候选接入点，生成所有属性参量的状态矩阵S；

状态矩阵S为m行n列，每一行代表每个接入点的n个属性参量；

其中，s_mn表示第m个接入点对应第n个属性参量的值。

步骤306、将权重向量ω与状态矩阵S相乘得到加权决策矩阵Q：

步骤307、根据加权决策矩阵Q，确定最佳接入方案Q_best和最差接入方案Q_worst，

Q_best＝(ω₁·s_1best,ω₂·s_2best,...ω_j·s_jbest,...,ω_n·s_nbest)

Q_worst＝(ω₁·s_1worst,ω₂·s_2worst,...ω_j·s_jworst,...,ω_n·s_nworst)

s_jbest表示所有m个接入点的第j个属性参量中最佳值；s_jworst表示所有m个接入点的第j个属性参量中最差值；

步骤308、针对某个接入点l，分别计算候选接入方案x_lj与最佳接入方案Q_best的欧氏距离，和候选接入方案x_lj与最差接入方案Q_worst的欧氏距离；

候选接入方案x_lj与最佳接入方案Q_best的欧氏距离为Q_lbest，具体是指候选接入方案x_lj的每个属性参量与该属性最优值s_jbest的欧式距离，如下：

$Q_{lbest}=\sqrt{\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_j{(x_{lj}-s_{jbest})}^2}$

候选接入方案x_lj与最差接入方案Q_worst的欧氏距离为Q_lworst，具体是指候选接入方案x_lj的每个属性参量与该属性最差值s_jworst的欧式距离，如下：

$Q_{lworst}=\sqrt{\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_j{(x_{lj}-s_{jworst})}^2}$

步骤309、针对某个接入点l，计算候选方案x_lj与最佳方案之间的偏好值P_l。

公式如下：

$P_l=\frac{Q_{lworst}}{Q_{lbest}+Q_{lworst}}$

其中P_l代表的是用户K对于第l个接入点的偏好值。

步骤310、计算所有用户分别对于每个接入点的偏好值，并按序排列，生成用户选择矩阵R；

如下所示：

其中，P_mO代表第O个用户选择第m接入点的偏好值。每一行代表的所有O个用户选择每个相同接入点的偏好值；用户选择矩阵R的列表示每个用户选择各个不同接入点的偏好值；

步骤311、针对每个用户，本地控制将最大偏好值对应的接入点分配给该用户，并删除该用户和匹配的接入点，依次分配，直至所有用户都完成网络接入。

步骤四、用户K没有得到任何接入点的响应，则用户K直接向远端服务器发送请求，获取内容；远端服务器根据用户请求信息，利用流行度分析，完成缓存更新；

步骤五、每个用户与各自的接入点匹配后，进行子载波分配，使用户与接入点之间进行通信。

步骤501、初始化子载波集合和用户集合；

子载波集合为N＝{n'|n'＝1,2,...,N}，用户集合I＝{i'|i'＝1,2,...,I}，分配给用户i'的子载波索引X_i'＝φ。

步骤502、根据注水算法算出每个用户所对应每个子载波的发射功率和信道容量。

发射功率p_i',n'：

$p_{i^{\′},n^{\′}}=\frac{P_{tot}+\underset{n^{\′}=1}{\overset{N}{\Σ}}1/{\mathrm{\γ}}_{i^{\′},n^{\′}}}{N}-1/{\mathrm{\γ}}_{i^{\′},n^{\′}}$

p_i',n'表示对用户i'分配子载波n'的功率，P_tot表示最大发射功率；γ_i',n'表示对用户i'分配子载波n'的信噪比。

信道容量C_i',n'：

$C_{i^{\′},n^{\′}}=\frac{B}{N}{\log }_2(1+p_{i^{\′},n^{\′}}{\mathrm{\γ}}_{i^{\′},n^{\′}})$

B代表该***总带宽；

步骤503、针对子载波n'，分别计算每个用户下该子载波的信道容量，并进行降序排列选出最大值

子载波n'初始值为1；

表示为：

$C_{n^{\′}}^{\max }={\max }_{i^{\′}\∈I}\left\{C_{i^{\′},n^{\′}}\right\}$

步骤504、将子载波n'分配给最大信道容量值对应的用户，并将子载波n'从子载波集合N中移除，返回步骤503继续按序选取下一个子载波，直到将所有的子载波分配完。

步骤505、对分配后的子载波进行注水，根据子载波的发射功率p_i',n'计算***频谱利用效率；

***频谱利用效率最大化目标函数如下：

${\max }_{\{a_{i^{\′},n^{\′}},p_{i^{\′},n^{\′}}\}}\frac{C}{B}={\max }_{\left\{a_{i^{\′},n^{\′}},p_{i^{\′},n^{\′}}\right\}}\underset{i^{\′}=1}{\overset{I}{\Σ}}\underset{n^{\′}=1}{\overset{N}{\Σ}}{a}_{i^{\′},n^{\′}}{\log }_2(1+p_{i^{\′},n^{\′}}{\mathrm{\γ}}_{i^{\′},n^{\′}})$

要满足的条件为：

$\left\{\begin{array}{c}\underset{i^{\′}=1}{\overset{I}{\Σ}}\underset{n^{\′}=1}{\overset{N}{\Σ}}{a}_{i^{\′},n^{\′}}{p}_{i^{\′},n^{\′}}\≤P_{tot}\\ p_{i^{\′},n^{\′}}\≥0\\ \underset{i^{\′}}{\Σ}{a}_{i^{\′},n^{\′}}=1\end{array}\right.$

{a_i',n'}表示子载波分配集合，值为0或1，1表示将子载波n'分配给用户i'，0表示子载波n'没有分配给用户i'；

第一个约束条件表示总功率的限制条件，其中P_tot表示最大发射功率；第二个约束条件表示用户i'分配子载波n'的功率大于等于0；最后一个约束条件表示每一个子载波只能分配一次。

本发明的优点在于：

1)、一种基于缓存的超密集网络下联合动态接入和子载波分配的方法，根据仿真结果可以看出，该方法有效地提高了频谱利用效率，这一结果证明了该机制在密集场景下满足多种业务需求的可行性和适用性。

2)、一种基于缓存的超密集网络下联合动态接入和子载波分配的方法，可以综合多个因素完成接入选择，实现资源管理效率的提升。

3)、一种基于缓存的超密集网络下联合动态接入和子载波分配的方法，可以实现子载波的动态分配，使得频谱利用效率显著提升。。

附图说明

图1是本发明的***模型示意图；

图2是本发明的***模型架构框图；

图3是本发明基于缓存的超密集网络下联合动态接入和子载波分配的方法流程图；

图3a是本发明本地控制将最佳接入点分配给用户的流程图；

图3b是本发明每个用户与各自的接入点进行子载波分配的流程图；

图4是本发明多属性决策算法下4个用户的权重因子仿真示意图；

图5是本发明网络接入选择偏好排序仿真示意图；

图6是本发明频谱利用效率与用户个数关系图；

图7是本发明***频谱效率与信噪比关系图；

具体实施方式

下面将结合附图对本发明作进一步的详细说明。

如图1所示，超密集网络中采用远端服务器作为核心网，连接多个接入点，接入点根据内容流行度分析缓存一部分内容，每个用户分别连接一个接入点，如图2所示，接入点将各自的属性参量传送给本地控制，本地控制根据收到的用户请求信息和接入点属性参量，利用多属性决策矩阵为用户动态选择接入点，选择过程中，需要综合考虑接入点的各个属性，如缓存容量、时延、信噪比等进行多属性接入选择。完成动态接入过程后，在贪婪算法的基础上完成子载波分配，基于发送功率、频谱带宽以及缓存大小限制对AP和子载波进行选取，以最大化频谱效率为目标，完成子载波分配。

本发明首先根据用户请求信息，采用广播方式寻找缓存内容，反馈结果用S表示，若某个接入点空闲且存在该缓存内容，则记为S＝1，否则记为S＝0。接入点将自己的属性信息如缓存容量、时延、信噪比等，传送给本地控制。若用户没有得到任何接入点的响应，则直接向服务器端发送请求，获取内容，服务器端根据用户请求信息，利用流行度分析，完成缓存更新；若用户得到接入点响应，根据用户的内容和业务类型请求，进行层次性分析，选择最佳的接入点，由本地控制通知被选择的接入点提供服务，完成接入选择，更新接入选择集合Q。

根据接入选择结果，在已知信道状态信息的前提下，通过注水算法算出每个用户对应子载波的信道容量，在计算出的信道容量的基础上，对具有最好信道容量的子载波优先分配，然后进行迭代运算，最终完成子载波分配。

一种基于缓存的超密集网络下联合动态接入和子载波分配的方法，如图3所示，具体步骤如下：

步骤一、多个用户同时用广播方式发送请求信息给所有接入点，寻找缓存内容；

请求信息包括：缓存内容；用户数量为O个；

步骤二、将用户K作为当前用户，根据用户K的请求信息，各个接入点判断是否存在当前用户请求的缓存内容，如果某个接入点空闲且存在该缓存内容，该接入点反馈1给用户K，进入步骤三；否则反馈0；进入步骤四；

1≤K≤O；

步骤三、满足用户K的所有接入点将各自的属性参量传送给本地控制，本地控制将最佳接入点分配给用户K；

满足用户K的所有接入点为m个；每个接入点的属性参量均包括缓存容量、时延和信噪比等，共n个属性；

本地控制根据用户的请求内容和业务类型，进行层次性分析，选择最佳的接入点，通知被选择的接入点提供服务，完成接入选择，然后更新接入选择集合Q。

如图3a所示，具体步骤如下：

步骤301、根据用户K的请求信息，针对每个候选接入点的n个属性参量，本地控制对每两个属性参量之间的相对重要性进行一一比较，得到决策矩阵M：

缓存内容不同，对于接入点选择的属性要求不同，构造判决矩阵来表示每个候选接入点各个属性参量之间的重要性关系，通过两两比较不同属性之间的重要性，以决定某个属性的重要程度，通常按1～9的比例标度对重要性程度进行赋值，表1中给出了1～9标度的含义：

表1

本地控制将每个候选接入点的各个属性参量之间的相对重要性进行比较，得到该候选接入点的决策矩阵M：

其中a_ij代表接入点中参量i与参量j的的相对重要性比较值；

$a_{ij}>0;a_{ij}=\frac{1}{a_{ji}};a_{ii}=1;$

步骤302、对决策矩阵M进行归一化，得到标准化后的决策矩阵B：

其中b_ij代表接入点中对比较值a_ij归一化后的值；

步骤303、对标准化后的决策矩阵B进行一致性校验；判断决策矩阵是否有效，如果有效，进行步骤304，否则返回步骤302；

在计算各属性权值之前，需要对决策矩阵进行一致性校验。因为如果决策矩阵过于偏离一致性，计算得到的权重向量将不具可信性，因此有必要对决策矩阵B的一致性进行校验。定义如下：

b_ik×b_kj＝b_ij,i,j,k＝1,2,…,n(3)

b_ik为标准化后接入点中参量i与参量k的的相对重要性比较值；

如果等式成立的话，则表示判断矩阵具有一致性。即表示决策者在进行属性的两两比较时，思维具有一致性。但是由于人的思维具有一定的主观性，难以保持绝对的一致性，所以为了衡量矩阵的一致性，引入不一致性指标CI、一致性比率CR等概念：

$CI=\frac{{\mathrm{\λ}}_{max}-n}{n-1}---\left(4\right)$

$CR=\frac{CI}{RI}---\left(5\right)$

其中，λ_max是决策矩阵B的最大特征值，n是决策矩阵B中属性参量的个数，RI是已知的平均随机一致性指标，如下表所示：

表2

n	1	2	3	4	5	6	7	8	9
										RI	0	0	0.58	0.90	1.12	1.24	1.32	1.41	1.45

当CR＜0.1时，认为决策矩阵B具有可接受的一致性，否则重新构造决策矩阵B。

步骤304、计算决策矩阵B中n个属性参量综合产生的的权重向量ω；

ω＝(ω₁,ω₂,...ω_j,...,ω_n)

ω_j为第j个属性参量的权重；本发明采用归一化后的特征向量作为网络接入选择的权重向量。

步骤305、生成m个候选接入节点的所有属性参量的状态矩阵S；

状态矩阵S为m行n列，每一行代表每个接入点的n个属性参量；

其中，s_mn表示第m个接入点对应第n个属性参量的值。

步骤306、将权重向量ω与状态矩阵S相乘得到加权决策矩阵Q：

步骤307、根据加权决策矩阵Q，确定最佳接入方案Q_best和最差接入方案Q_worst。

最佳接入方案即是选择每一个参量的最好的情况，比如说对于缓存容量来讲，就选择最大值，对于功耗来讲，就选择最小值。而最差接入方案则与之相反，计算方式如下：

Q_best＝(ω₁·s_1best,ω₂·s_2best,...ω_j·s_jbest,...,ω_n·s_nbest)(8)

Q_worst＝(ω₁·s_1worst,ω₂·s_2worst,...ω_j·s_jworst,...,ω_n·s_nworst)(9)

s_jbest表示所有m个接入点的第j个属性参量中最佳值；s_jworst表示所有m个接入点的第j个属性参量中最差值；

步骤308、针对某个接入点l，分别计算候选接入方案x_lj与最佳接入方案Q_best的欧氏距离，和候选接入方案x_lj与最差接入方案Q_worst的欧氏距离；

候选接入方案x_lj与最佳接入方案Q_best的欧氏距离为Q_lbest，具体是指候选接入方案x_lj的每个属性参量与该属性最优值s_jbest的欧式距离，如下：

$Q_{lbest}=\sqrt{\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_j{(x_{lj}-s_{jbest})}^2}---\left(10\right)$

候选接入方案x_lj与最差接入方案Q_worst的欧氏距离为Q_lworst，具体是指候选接入方案x_lj的每个属性参量与该属性最差值s_jworst的欧式距离，如下：

$Q_{lworst}=\sqrt{\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_j{(x_{lj}-s_{jworst})}^2}---\left(11\right)$

步骤309、针对某个接入点l，计算候选方案x_lj与最佳方案之间的偏好值P_l。

通过计算偏好值，得出候选网络与最优网络和最差网络之间距离的比值。计算的公式如下：

$P_l=\frac{Q_{lworst}}{Q_{lbest}+Q_{lworst}}---\left(12\right)$

其中P_l代表的是用户K对于第l个接入点的偏好值。

用户K对每个接入点的最大偏好值：P_k＝(P_1k,P_2k,...P_lk,...P_mk)；

步骤310、计算所有用户分别对于每个接入点的偏好值，并按序排列，生成用户选择矩阵R；如下所示：

其中，P_mO代表第O个用户选择第m接入点的偏好值。每一行代表的O个用户选择各个接入点的偏好值；

步骤311、针对每个用户，本地控制将最大偏好值对应的接入点分配给该用户，并删除该用户和匹配的接入点，依次分配，直至所有用户都完成网络接入。

本地控制根据用户选择矩阵R的列，选择最大的偏好值，将该偏好值对应的接入点分配给对应用户，分配后删除匹配的用户和接入点，继续依次分配，直至所有用户都完成网络接入。

用户选择矩阵R每一列表示，每一个用户对m个接入点的偏好值；

表3接入点的仿真参数

	信噪比(/dBm)	时延(/ms)	覆盖半径(km)	缓存容量(TB)	功耗(W)
						接入点1	70	25	50	100	1/100
接入点2	60	50	40	200	1/100
						接入点3	73	80	70	400	1/50
接入点4	50	30	30	200	1/70

根据内容流行度分析法，内容命中率与Zipf指数有关。在本次仿真中，设定Zipf参数为0.8，缓存命中率为0.7，不失一般性，设定得到接入点响应的用户个数为4，其余2个用户需要从后端服务器获取内容。这4个用户处于不同的区域，有着不同的业务。用户1属于中心用户，请求网络浏览业务；用户2属于中心用户，请求流媒体业务；用户3属于边缘用户，请求流媒体业务；用户4属于边缘用户，请求网络浏览业务。根据本节提出的多属性决策算法，仿真结果如图4所示，横坐标表示了5个参量：信噪比，时延，覆盖半径，缓存容量，功耗。纵坐标表示对应每个参量的权重值，可以看出针对不同的用户请求，权重因子是有很大差异的。对于流媒体业务来说，主要是单向传输，不需要双向的实时通信，在时延上要求不高，但是文件一般较大，需要较高的缓存容量，用户2和用户3都是请求流媒体业务，所以时延因子权重较低，缓存容量因子权重较高。对于网络浏览业务来说，缓存容量也低，但需要较高的服务质量和较低的时延，所以对信噪比要求较高，如用户1和用户4请求网络浏览业务，时延因子的权重较高，缓存容量因子的权重较低。中心用户对覆盖半径要求较低，所以用户1和用户2的覆盖半径因子的权重较低；而用户3和用户4覆盖半径因子的权重较高。

根据权重因子和各个接入点的属性信息，得到了每个用户对于接入点的选择偏好值，仿真结果如图5所示：

由图5可以看出，对于同一个接入点来说，其参量信息是不变的，但是不同用户计算得到的偏好值却是不同的，说明本文提出的方法充分考虑了用户的需求信息，对于同一用户来讲，其网络需求也是不变的，但是在不同的接入点下计算得到的偏好值也是不同的，说明算法也充分考虑了接入点的参量信息。因而，本文提出的网络接入选择算法同时兼顾用户需求和接入点性能，是有效进行子载波分配的基础。最终用户的网络接入选择结果如表4所示：

表4用户接入选择结果

用户	接入点\后端服务器
		用户1	接入点3
用户2	接入点2
		用户3	接入点1
用户4	接入点4
		用户5	后端服务器
用户6	后端服务器

步骤四、用户K没有得到任何接入点的响应，则用户K直接向远端服务器发送请求，获取内容；远端服务器根据用户请求信息，利用流行度分析，完成缓存更新；

步骤五、每个用户与各自的接入点匹配后，进行子载波分配，使用户与接入点之间进行通信。

根据接入选择结果，在已知信道状态信息的前提下，通过注水算法算出每个用户对应子载波的信道容量，在计算出的信道容量的基础上，对具有最好信道容量的子载波优先分配，然后进行迭代运算，最终完成子载波分配。

完成用户接入选择之后，在贪婪算法的基础上，提出了一种基于***容量最大化子载波优先分配算法。在已知信道状态信息的前提下，通过注水算法算出每个用户对应子载波的信道容量，然后在计算的信道容量的基础上，对具有最好信道容量的子载波优先分配。

如图3b所示，具体步骤如下：

步骤501、初始化子载波集合和用户集合；

子载波集合为N＝{n'|n'＝1,2,...,N}，用户集合I＝{i'|i'＝1,2,...,I}，分配给用户i'的子载波索引X_i'＝φ。

步骤502、根据注水算法算出每个用户所对应每个子载波的发射功率和信道容量。

发射功率p_i',n'：

$p_{i^{\′},n^{\′}}=\frac{P_{tot}+\underset{n^{\′}=1}{\overset{N}{\Σ}}1/{\mathrm{\γ}}_{i^{\′},n^{\′}}}{N}-1/{\mathrm{\γ}}_{i^{\′},n^{\′}}---\left(14\right)$

p_i',n'表示对用户i'分配子载波n'的功率，P_tot表示最大发射功率；γ_i',n'表示对用户i'分配子载波n'的信噪比。

信道容量C_i'，n'：

$C_{i^{\′},n^{\′}}=\frac{B}{N}{\log }_2(1+p_{i^{\′},n^{\′}}{\mathrm{\γ}}_{i^{\′},n^{\′}})---\left(15\right)$

B代表总***架构模型的带宽；

步骤503、针对子载波n'，分别计算每个用户下该子载波的信道容量，并进行降序排列选出最大值

子载波n'初始值为1；

表示为：

$C_{n^{\′}}^{\max }={\max }_{i^{\′}\∈I}\left\{C_{i^{\′},n^{\′}}\right\}---\left(16\right)$

如子载波信道容量按降序排列为：

$C_{1,n}\≥C_{2,n}\≥C_{3,n}\≥...\≥C_{I,n},C_n^{\max }=C_{1,n}$

步骤504、将子载波n'分配给最大信道容量值对应的用户，并将子载波n'从子载波集合N中移除，返回步骤503继续按序选取下一个子载波，直到将所有的子载波分配完。

步骤505、对分配后的子载波进行注水，根据子载波的发射功率p_i',n'计算***频谱利用效率；

***频谱利用效率最大化目标函数如下：

${\max }_{\{a_{i^{\′},n^{\′}},p_{i^{\′},n^{\′}}\}}\frac{C}{B}={\max }_{\left\{a_{i^{\′},n^{\′}},p_{i^{\′},n^{\′}}\right\}}\underset{i^{\′}=1}{\overset{I}{\Σ}}\underset{n^{\′}=1}{\overset{N}{\Σ}}{a}_{i^{\′},n^{\′}}{\log }_2(1+p_{i^{\′},n^{\′}}{\mathrm{\γ}}_{i^{\′},n^{\′}})---\left(17\right)$

要满足的条件为：

$\left\{\begin{array}{c}\underset{i^{\′}=1}{\overset{I}{\Σ}}\underset{n^{\′}=1}{\overset{N}{\Σ}}{a}_{i^{\′},n^{\′}}{p}_{i^{\′},n^{\′}}\≤P_{tot}\\ p_{i^{\′},n^{\′}}\≥0\\ \underset{i^{\′}}{\Σ}{a}_{i^{\′},n^{\′}}=1\end{array}\right.---\left(18\right)$

B代表总***架构模型的带宽，{a_i',n'}表示子载波分配集合，值为0或1，1表示将子载波n'分配给用户i'，0表示子载波n'没有分配给用户i'；

第一个约束条件表示总功率的限制条件，其中P_tot表示最大发射功率；第二个约束条件表示用户i'分配子载波n'的功率大于等于0；最后一个约束条件表示每一个子载波只能分配一次。

本实施例中仿真采用瑞利衰落信道模型，子载波数为64个，用户数为16个，总功率P_tot为1W，噪声功率谱密度N₀为10e-8W/Hz，总带宽B为1MHz。并且与最小容量最大法(MAX-MIN)和公平比例法(FPS)这两种经典的子载波分配方法作对比，仿真结果如图6和图7所示：

由图6可以看出，在用户个数相同的情况下，本发明提出的算法所得到的频谱利用效率大大高于比例公平算法和最小容量最大化法，因为本发明的算法整体考虑***容量，根据信道状态信息来分配子载波和功率，从而大大提高了***的资源利用率。同时比例公平算法的频谱利用率略高于最小容量最大化法，因为虽然都考虑了公平性，但比例公平算法同时考虑了***容量最大化，而最小容量最大化法只考虑了子载波在用户之间的分配，没有考虑功率在子载波之间的自适应分配，从而频谱利用效率率较低。

图7是频谱利用效率随信噪比变化的曲线，可以看出在相同信噪比的情况下，本文提出的算法所得到的频谱利用效率大大高于比例公平算法和最小容量最大化法，这是因为本算法通过不断进行迭代注水计算信道容量来分配子载波，可以更好地避免将具有较差信道质量的子载波分配给用户，从而可以提高***频谱利用效率。

Claims (3)

1.一种基于缓存的超密集网络下联合动态接入和子载波分配的方法，其特征在于，包括以下步骤：

步骤一、多个用户用广播方式发送请求信息给所有接入点，寻找缓存内容；

用户数量为O个；

步骤二、将用户K作为当前用户，各个接入点判断是否存在当前用户请求的缓存内容，如果某个接入点空闲且存在该缓存内容，该接入点反馈1给用户K，进入步骤三；否则反馈0；进入步骤四；

步骤三、满足用户K的所有接入点将各自的属性参量传送给本地控制，本地控制将最佳接入点分配给用户K；

满足用户K的所有接入点为m个；

步骤四、用户K没有得到任何接入点的响应，则用户K直接向远端服务器发送请求，获取内容；远端服务器根据用户请求信息，利用流行度分析，完成缓存更新；

步骤五、每个用户与各自的接入点匹配后，进行子载波分配，使用户与接入点之间进行通信；

具体包括：

步骤501、初始化子载波集合和用户集合；

子载波集合为N＝{n'|n'＝1,2,...,N}，用户集合I＝{i'|i'＝1,2,...,I}，分配给用户i'的子载波索引X_i'＝φ；

步骤502、根据注水算法算出每个用户所对应每个子载波的发射功率和信道容量；

发射功率p_i',n'：

$p_{i^{\′},n^{\′}}=\frac{P_{tot}+\underset{n^{\′}=1}{\overset{N}{\Σ}}1/{\mathrm{\γ}}_{i^{\′},n^{\′}}}{N}-1/{\mathrm{\γ}}_{i^{\′},n^{\′}}$

p_i',n'表示对用户i'分配子载波n'的功率，P_tot表示最大发射功率；γ_i',n'表示对用户i'分配子载波n'的信噪比；

信道容量C_i',n'：

$C_{i^{\′},n^{\′}}=\frac{B}{N}{\log }_2(1+p_{i^{\′},n^{\′}}{\mathrm{\γ}}_{i^{\′},n^{\′}})$

B代表该***总带宽；

步骤503、针对子载波n'，分别计算每个用户下该子载波的信道容量，并进行降序排列选出最大值

子载波n'初始值为1；

$C_{n^{\′}}^{\max }={\max }_{i^{\′}\∈I}\left\{C_{i^{\′},n^{\′}}\right\}$

步骤504、将子载波n'分配给最大信道容量值对应的用户，并将子载波n'从子载波集合N中移除，返回步骤503继续按序选取下一个子载波，直到将所有的子载波分配完；

步骤505、对分配后的子载波进行注水，根据子载波的发射功率p_i',n'计算***频谱利用效率；

***频谱利用效率最大化目标函数如下：

${\max }_{\{a_{i^{\′},n^{\′}},p_{i^{\′},n^{\′}}\}}\frac{C}{B}={\max }_{\{a_{i^{\′},n^{\′}},p_{i^{\′},n^{\′}}\}}\underset{i^{\′}=1}{\overset{I}{\Σ}}\underset{n^{\′}=1}{\overset{N}{\Σ}}{a}_{i^{\′},n^{\′}}{\log }_2(1+p_{i^{\′},n^{\′}}{\mathrm{\γ}}_{i^{\′},n^{\′}})$

要满足的条件为：

$\left\{\begin{array}{c}\underset{i^{\′}=1}{\overset{I}{\Σ}}\underset{n^{\′}=1}{\overset{N}{\Σ}}{a}_{i^{\′},n^{\′}}{p}_{i^{\′},n^{\′}}\≤P_{tot}\\ p_{i^{\′},n^{\′}}\≥0\\ \underset{i^{\′}}{\Σ}{a}_{i^{\′},n^{\′}}=1\end{array}\right.$

{a_i',n'}表示子载波分配集合，值为0或1，1表示将子载波n'分配给用户i'，0表示子载波n'没有分配给用户i'；

第一个约束条件表示总功率的限制条件，其中P_tot表示最大发射功率；第二个约束条件表示用户i'分配子载波n'的功率大于等于0；最后一个约束条件表示每一个子载波只能分配一次。

2.如权利要求1所述的一种基于缓存的超密集网络下联合动态接入和子载波分配的方法，其特征在于，所述每个接入点的属性参量均包括缓存容量、时延和信噪比等，共n个属性。

3.如权利要求1所述的一种基于缓存的超密集网络下联合动态接入和子载波分配的方法，其特征在于，所述步骤三具体为：

步骤301、根据用户K的请求信息，针对每个候选接入点，本地控制对n个属性参量中每两个属性参量之间的相对重要性进行一一比较，得到决策矩阵M：

a_ij代表接入点中属性参量i与属性参量j的相对重要性比较值；a_ii＝1；

步骤302、对决策矩阵M进行归一化，得到标准化后的决策矩阵B：

其中b_ij代表接入点中对比较值a_ij归一化后的值；

步骤303、对决策矩阵B的一致性进行校验，判断决策矩阵是否有效，如果有效，进行步骤304，否则返回步骤302；

一致性比率CR定义如下：

其中，CI表示不一致性指标：λ_max是决策矩阵B的最大特征值，n是决策矩阵B中属性参量的个数，RI是已知的平均随机一致性指标；

当CR＜0.1时，认为决策矩阵B具有可接受的一致性，否则重新构造决策矩阵B；

步骤304、获取决策矩阵B中n个属性参量综合产生的的权重向量ω；

ω＝(ω₁,ω₂,...ω_j,...,ω_n)

ω_j为第j个属性参量的权重；

步骤305、针对m个候选接入点，生成所有属性参量的状态矩阵S；

状态矩阵S为m行n列，每一行代表每个接入点的n个属性参量；

其中，s_mn表示第m个接入点对应第n个属性参量的值；

步骤306、将权重向量ω与状态矩阵S相乘得到加权决策矩阵Q：

步骤307、根据加权决策矩阵Q，确定最佳接入方案Q_best和最差接入方案Q_worst，

Q_best＝(ω₁·s_1best,ω₂·s_2best,...ω_j·s_jbest,...,ω_n·s_nbest)

Q_worst＝(ω₁·s_1worst,ω₂·s_2worst,...ω_j·s_jworst,...,ω_n·s_nworst)

s_jbest表示所有m个接入点的第j个属性参量中最佳值；s_jworst表示所有m个接入点的第j个属性参量中最差值；

步骤308、针对某个接入点l，分别计算候选接入方案x_lj与最佳接入方案Q_best的欧氏距离，和候选接入方案x_lj与最差接入方案Q_worst的欧氏距离；

候选接入方案x_lj与最佳接入方案Q_best的欧氏距离为Q_lbest，具体是指候选接入方案x_lj的每个属性参量与该属性最优值s_jbest的欧式距离，如下：

$Q_{lbest}=\sqrt{\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_j{(x_{lj}-s_{jbesi})}^2}$

候选接入方案x_lj与最差接入方案Q_worst的欧氏距离为Q_lworst，具体是指候选接入方案x_lj的每个属性参量与该属性最差值s_jworst的欧式距离，如下：

$Q_{lworst}=\sqrt{\underset{j=1}{\overset{n}{\Σ}}{\mathrm{\ω}}_j{(x_{lj}-s_{jworsi})}^2}$

步骤309、针对某个接入点l，计算候选方案x_lj与最佳方案之间的偏好值P_l；

公式如下：

$P_l=\frac{Q_{lworst}}{Q_{lbest}+Q_{lworst}}$

其中P_l代表的是用户K对于第l个接入点的偏好值；

步骤310、计算所有用户分别对于每个接入点的偏好值，并按序排列，生成用户选择矩阵R；

其中，P_mO代表第O个用户选择第m接入点的偏好值；每一行代表的所有O个用户选择每个相同接入点的偏好值；用户选择矩阵R的列表示每个用户选择各个不同接入点的偏好值；

步骤311、针对每个用户，本地控制将最大偏好值对应的接入点分配给该用户，并删除该用户和匹配的接入点，依次分配，直至所有用户都完成网络接入。