CN107734482B - 基于d2d和业务卸载的内容分发方法 - Google Patents
基于d2d和业务卸载的内容分发方法 Download PDFInfo
- Publication number
- CN107734482B CN107734482B CN201710811308.8A CN201710811308A CN107734482B CN 107734482 B CN107734482 B CN 107734482B CN 201710811308 A CN201710811308 A CN 201710811308A CN 107734482 B CN107734482 B CN 107734482B
- Authority
- CN
- China
- Prior art keywords
- user
- cluster
- content
- indicate
- base station
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/08—Load balancing or load distribution
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
- H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开一种基于D2D和业务卸载的内容分发方法,应用于第五代移动通信***,属于无线通信领域。其实现步骤为:(1)构建流行内容集合;(2)构建用户偏好向量;(3)构建用户簇偏好向量;(4)任意选取一个用户簇;(5)构建卸载率与能耗的折衷模型;(6)分发流行内容;(7)计算剩余存储空间大小;(8)判断剩余存储空间大小是否大于0;(9)选择待分发内容簇;(10)判断是否完成所有用户簇的内容分发;(11)完成了对所有用户的内容分发。本发明与传统内容分发方法相比可在保证基站业务卸载率高的同时兼顾能耗,并提升用户体验质量。
Description
技术领域
本发明属于无线通信领域,更进一步涉及无线网络资源分配技术领域中的一种基于终端对终端D2D和业务卸载的内容分发方法。本发明可根据用户对内容的访问频次数据,发现用户的兴趣点,在考虑D2D技术和保证卸载基站业务效率高和基站能耗低的情况下,基站选择合理的策略为用户分发其需要的内容,给用户解决个性化推荐问题,给基站解决业务卸载和节能问题。
背景技术
随着移动互联网络的迅猛发展,在密集用户和庞大业务请求的场景下,给网络管理和信息传输带来了巨大的挑战,基站的基础设施和稀缺的频谱资源难以承受过载的业务请求。面对上述问题,卸载基站业务的研究受到广泛关注。D2D通信是蜂窝网络中的一种新型通信方式,实现了短距离用户之间可以不通过基站实现终端与终端的通信,具有传输速率高和能量消耗低的优势。因此基站可以在业务量小时将内容分发给用户,进而当用户有业务需求时可以不通过基站,直接利用D2D技术与其他用户进行通信和内容收发,使得用户终端可以卸载基站的部分业务,很大程度上减小了基站的业务负载,降低了内容收发过程中的能量消耗。对于内容分发方法,一方面分发的内容需要符合用户的兴趣,另一方面内容的分发方法需保证卸载基站业务的效率高和能耗低。因此合适的内容分发方法至关重要,其影响着用户访问所分发内容的概率,进而影响着基站业务的卸载效率,而现有基于业务卸载的内容分发方法往往只考虑了提升基站的卸载效率而忽略了用户的兴趣和基站的能量消耗。本发明将用户访问内容的频率作为反映用户兴趣的指标,为用户分发其感兴趣的流行内容,提高了用户的体验质量,提升了基站业务的卸载性能,并且在内容分发情况下保证了高卸载率的同时,为基站节约了内容分发时所消耗的能量。
Jun Rao等人在其发表的论文“Optimal Caching Placement for D2D AssistedWireless Caching Networks”(IEEE ICC 2016)中提出了一种基于D2D的内容分发方法。该方法的实施步骤是:步骤1,将内容的流行度建立为奇夫分布模型。步骤2,建立目标函数为卸载率,解变量为分发策略的函数模型。步骤3,根据步骤2所求得的解为用户分发内容。该方法存在的不足之处是,在建立函数模型时忽略了用户的兴趣,导致分发的内容不一定是用户感兴趣的内容,并且没有考虑到能耗,进而影响到用户设备卸载基站业务的效率,基站的能量消耗大。
厦门大学在其申请的专利文献“一种面向次等移动内容分发***的内容推荐装置及其方法”(申请号:CN201510554452.9,申请公布号:CN105246101A)中公开了一种面向次等移动内容分发***的内容推荐方法。该方法的实施步骤是,步骤1,根据区域用户行为特征和区域流量特征,选取符合条件的内容缓存到区域缓存单元中。步骤2,用户发起内容服务请求,根据用户特征和当前网络状况为用户推荐区域缓存内容。步骤3,用户选取好缓存内容后,利用次等流量传输该缓存内容,并根据当前网络状况控制次等流量的传输。该方法存在的不足之处是,由于先将内容缓存到区域缓存单元中接着再将内容分发给用户,步骤复杂,消耗大量网络资源,并且仅考虑了用户的行为特征而没有考虑到内容的流行度,使得内容的缓存具有盲目性,用户对所分发的内容感兴趣的概率低,用户体验差。
发明内容
本发明的目的是针对现有用户终端设备卸载基站业务情况下的内容分发时,其存在的用户体验低和卸载率与能耗性能存在的缺陷和不足,提出了一种基于D2D和业务卸载的内容分发方法。本发明通过用户对内容的访问频率构建的用户偏好向量构建进行内容分发,有效克服了内容选择问题对分发结果产生的负面影响。
为了实现上述目的,本发明的具体实现步骤如下:
(1)构建流行内容集合:
(1a)按照下式,计算内容流行度的判定门限:
其中,ε表示内容流行度的判定门限,N表示内容集合中内容的总数,∑表示求和操作,t表示内容序号,∈表示属于符号,{U}表示内容集合,kt表示内容集合中的第t个内容被基站服务区中用户访问的频率,y表示基站服务区中的用户总数;
(1b)将每个内容被基站服务区中用户访问频率小于判定门限ε的内容作为非流行内容,从内容集合中删除,将删除非流行内容后的内容集合作为流行内容集合;
(2)构建用户偏好向量:
(2a)将流行内容集合中设置的相同内容类型标签的每个内容,作为一个簇,获得Y个不同类型的流行内容簇;
(2b)从基站服务区中的用户中任意选取一个用户,将所选取用户访问每个流行内容簇中的每个内容的频率进行求和操作,得到用户访问频率,将流行内容簇的类型标签与用户访问频率组成用户偏好向量;
(2c)判断是否选取完基站服务区中的所有用户,若是,获得所有用户偏好向量,执行步骤(3),否则,执行步骤(2b);
(3)构建用户簇偏好向量:
(3a)通过在分布式大数据处理平台Hadoop中运行K-均值聚类算法,对基站服务区中的所有用户的偏好向量进行聚类操作,得到与不同偏好类别对应的用户簇;
(3b)任意选取一个用户簇,分别将所选取用户簇中的每个用户对于任意一个流行内容簇的访问频率进行求和操作,得到用户簇访问频率,将流行内容簇的类型标签和用户簇访问频率组成键值对,由键值对组成用户簇偏好向量;
(3c)将初始用户簇偏好向量中的键值对按照用户簇访问内容簇的频率从大到小排列,获得用户簇偏好向量;
(3d)判断是否选取完基站服务区中的所有用户簇,若是,获得所有用户簇偏好向量,执行步骤(4),否则,执行步骤(3b);
(4)任意选取一个用户簇;
(5)构建卸载率与能耗的折中模型:
(5a)将所选取用户簇的偏好向量中排序为第1的键值对所对应的流行内容簇,作为待分发内容簇;
(5b)按照下式,分别计算待分发内容簇中每个内容被所选取用户簇中的用户访问的概率:
其中,pj表示所选取用户簇中的用户对于待分发内容簇中第j个内容的访问概率,fj表示所选取用户簇访问待分发内容簇中第j个内容的频率,F表示所选取用户簇访问待分发内容簇的频率;
(5c)按照下式,计算基站服务区中用户的密度:
其中,λ表示基站服务区中用户的密度,π表示圆周率,R表示基站服务半径;
(5d)按照下式,计算所选取用户簇中用户的偏好相似度:
其中,α表示所选取用户簇中用户的偏好相似度,e表示以自然常数e为底的指数操作,表示所选取用户簇中用户访问频率的标准差,σ表示所选取用户簇中用户访问频率的平均值;
(5e)按照下式,构建卸载率与能耗的折中模型:
其中,min表示求函数最小值操作,g(dj)表示解为dj的函数,dj表示将内容簇中第j个内容发送给用户簇中的用户数占用户簇中用户数的比例,表示集合定义符号,∩表示取交集操作,C表示待分发内容簇,H表示所选取用户簇的用户总数,Sj表示待分发内容簇中第j个内容占用终端设备集合中所有终端设备的存储空间大小,终端设备集合由用户簇中每个用户拥有的具备存储能力的终端设备组成,M表示用户簇的终端设备集合中所有终端设备的存储空间大小,r表示终端到终端D2D通信半径,x表示所选取用户簇中的第x个用户,L表示所选取的用户簇,η表示基站功率放大器效率,pt表示基站传输功率,pc表示基站环路功率损耗,W表示信道带宽,log2表示以2为底的对数操作,γx表示用户簇中第x个用户的信干噪比;
(6)分发流行内容:
(6a)利用多目标优化方法,得到折衷解;
(6b)基站将待分发内容簇中的第j个内容同时分发给用户簇中个用户,其中,H表示用户簇中的用户数目;
(6c)用户簇中的用户将接收到的内容存储在其终端设备中;
(7)按照下式,计算终端设备集合中所有终端设备的剩余存储空间大小:
其中,B表示终端设备集合中所有终端设备剩余存储空间的大小;
(8)判断剩余存储空间大小是否大于0,若是,则执行步骤(9),否则,执行步骤(10);
(9)选择待分发内容簇:
按照用户簇偏好向量中键值对的排序,依次将键值对所对应的流行内容簇作为待分发内容簇后执行步骤(5);
(10)判断是否完成所有用户簇的内容分发,若是,则执行步骤(11),否则,执行步骤(4);
(11)完成了对所有用户的内容分发。
本发明与现有技术相比有以下优点:
第1,本发明采用了在准备分发内容时,利用用户对内容的访问频率构建流行内容集合和用户偏好向量,结合聚类方法将流行内容分发给相似用户偏好的用户,克服了现有技术在未考虑用户兴趣的情况下,用户对分发的内容感兴趣的概率低,用户体验差,进而导致基站业务卸载性能差的缺点,使得本发明所分发内容为用户感兴趣的流行内容,提高了用户的体验质量,提升了基站业务的卸载性能。
第2,本发明采用了联合能耗和卸载率的折衷模型,进行流行内容分发给相似用户偏好的用户,克服了现有技术在进行内容分发时仅考虑卸载率的性能而忽视了基站能量消耗,导致基站能耗大的缺点,使得本发明在保证高卸载率的同时,为基站节约了内容分发时所消耗的能量。
附图说明
图1是本发明的流程图;
图2是本发明实施例的场景图;
图3是本发明与现有技术方法的卸载率随用户密度变化的仿真结果图;
图4是本发明与现有技术方法的能量消耗随用户密度变化的仿真结果图。
具体实施方式
以下结合附图对本发明进行详细描述。
参照图1,对本发明的具体步骤做进一步的详细描述。
步骤1,构建流行内容集合。
第1步,按照下式,计算内容流行度的判定门限:
其中,ε表示内容流行度的判定门限,N表示内容集合中内容的总数,∑表示求和操作,t表示内容序号,∈表示属于符号,{U}表示内容集合,kt表示内容集合中的第t个内容被基站服务区中用户访问的频率,y表示基站服务区中的用户总数。
第2步,将每个内容被基站服务区中用户访问频率小于判定门限ε的内容作为非流行内容,从内容集合中删除,将删除非流行内容后的内容集合作为流行内容集合。
步骤2,构建用户偏好向量。
第1步,将流行内容集合中设置的相同内容类型标签的每个内容,作为一个簇,获得Y个不同类型的流行内容簇。
第2步,从基站服务区中的用户中任意选取一个用户,将所选取用户访问每个流行内容簇中的每个内容的频率进行求和操作,得到用户访问频率,将流行内容簇的类型标签与用户访问频率组成用户偏好向量。
第3步,判断是否选取完基站服务区中的所有用户,若是,获得所有用户偏好向量,执行步骤3,否则,执行本步骤第2步。
步骤3,构建用户簇偏好向量。
第1步,通过在分布式大数据处理平台Hadoop中运行K-均值聚类算法,对基站服务区中的所有用户的偏好向量进行聚类操作,得到与不同偏好类别对应的用户簇。
所述在分布式大数据处理平台Hadoop中运行K-均值聚类算法的步骤如下:
A.将所有用户偏好向量组成用户偏好向量集合;
B.从用户偏好向量集合中随机选取K个用户偏好向量分布作为K个类的初始中心;
C.利用切片split过程,对用户偏好向量集合中的所有用户偏好向量进行分组;
D.利用映射map过程,按照切片split过程分组的结果,计算用户偏好向量集合中每个用户偏好向量分别到K个初始中心的中心距离,根据最小中心距离原则,形成K个聚类,同时确定K个聚类的用户中心;
E.利用洗牌shuffle过程,对K个聚类进行洗牌归类;
F.利用规约reduce过程,重新计算洗牌归类后K个聚类的聚类中心;
G.判断重新计算得到的聚类中心与其对应的用户中心是否相等,若是,完成聚类操作,执行本步骤第2步,否则,执行步骤D。
第2步,任意选取一个用户簇,分别将所选取用户簇中的每个用户对于任意一个流行内容簇的访问频率进行求和操作,得到用户簇访问频率,将流行内容簇的类型标签和用户簇访问频率组成键值对,由键值对组成用户簇偏好向量。
第3步,将初始用户簇偏好向量中的键值对按照用户簇访问内容簇的频率从大到小排列,获得用户簇偏好向量。
第4步,判断是否选取完基站服务区中的所有用户簇,若是,获得所有用户簇偏好向量,执行步骤4,否则,执行本步骤第2步。
步骤4,任意选取一个用户簇。
步骤5,构建卸载率与能耗的折中模型。
第1步,将所选取用户簇的偏好向量中排序为第1的键值对所对应的流行内容簇,作为待分发内容簇。
第2步,按照下式,分别计算待分发内容簇中每个内容被所选取用户簇中的用户访问的概率:
其中,pj表示所选取用户簇中的用户对于待分发内容簇中第j个内容的访问概率,fj表示所选取用户簇访问待分发内容簇中第j个内容的频率,F表示所选取用户簇访问待分发内容簇的频率。
第3步,按照下式,计算基站服务区中用户的密度:
其中,λ表示基站服务区中用户的密度,π表示圆周率,R表示基站服务半径。
第4步,按照下式,计算所选取用户簇中用户的偏好相似度:
其中,α表示所选取用户簇中用户的偏好相似度,e表示以自然常数e为底的指数操作,表示所选取用户簇中用户访问频率的标准差,σ表示所选取用户簇中用户访问频率的平均值。
第5步,按照下式,构建卸载率与能耗的折中模型:
其中,min表示求函数最小值操作,g(dj)表示解为dj的函数,dj表示将内容簇中第j个内容发送给用户簇中的用户数占用户簇中用户数的比例,|表示集合定义符号,∩表示取交集操作,C表示待分发内容簇,H表示所选取用户簇的用户总数,Sj表示待分发内容簇中第j个内容占用终端设备集合中所有终端设备的存储空间大小,终端设备集合由用户簇中每个用户拥有的具备存储能力的终端设备组成,M表示用户簇的终端设备集合中所有终端设备的存储空间大小,r表示终端到终端D2D通信半径,x表示所选取用户簇中的第x个用户,L表示所选取的用户簇,η表示基站功率放大器效率,pt表示基站传输功率,pc表示基站环路功率损耗,W表示信道带宽,log2表示以2为底的对数操作,γx表示用户簇中第x个用户的信干噪比。
步骤6,分发流行内容。
第1步,利用多目标优化方法,得到折衷解。
所述的利用多目标优化方法的步骤如下:
A.利用功效系数法,将卸载率和能耗的折中模型转化为对该模型中dj有约束的单目标优化问题;
B.利用拉格朗日乘子法,求解有约束条件的单目标优化问题,得到卸载率与能耗折中模型中dj的折中解
第2步,基站将待分发内容簇中的第j个内容同时分发给用户簇中个用户,其中,H表示用户簇中的用户数目。
第3步,用户簇中的用户将接收到的内容存储在其终端设备中。
步骤7,按照下式,计算终端设备集合中所有终端设备的剩余存储空间大小:
其中,B表示终端设备集合中所有终端设备剩余存储空间的大小。
步骤8,判断剩余存储空间大小是否大于0,若是,则执行步骤9,否则,执行步骤10。
步骤9,选择待分发内容簇。
按照用户簇偏好向量中键值对的排序,依次将键值对所对应的流行内容簇作为待分发内容簇后执行步骤5。
步骤10,判断是否完成所有用户簇的内容分发,若是,则执行步骤11,否则,执行步骤4。
步骤11,完成了对所有用户的内容分发。
本发明的效果可通过以下仿真结果进一步说明。
1.仿真条件:
本发明仿真环境是Hadoop 1.2.1和Matlab R2014b。
2.仿真数据和参数:
本发明仿真是对比本发明所提方法和现有技术方法的卸载率和能量消耗性能。
其中现有技术方法描述如下:不经过本发明所提方法中的步骤2、3、4、9、10,且将步骤5中第5步的公式替换如下:
其中,Dj表示内容集合中的第j个内容分发给基站服务区中用户总数的比例,T表示内容集合,G表示基站服务区中用户总数,U表示基站服务区中所有用户终端设备的存储空间大小,β表示基站服务区中所有用户偏好相似度,表示基站服务区中所有用户内容访问频率的标准差,δ表示基站服务区中所有用户内容访问频率的平均值,qj表示基站服务区中所有用户对内容集合中第j个内容的访问概率,Xj表示基站服务区中所有用户访问内容集合中第j个内容的频率,E表示基站服务区中所有用户访问内容集合中所有内容的频率总数。
现有技术方法仿真中计算卸载率的公式如下所示:
其中,offl表示现有技术方法的卸载率大小。
现有技术方法仿真中计算能量消耗的公式如下:
其中,eng表示现有技术方法的能量消耗大小,Q表示基站服务区中所有用户的集合。以上未说明的参数与本发明相同。
现有技术的参数设置如表1所示:
表1现有技术方法参数设置一览表
参数 | 数值 |
D2D通信半径r | 15m |
待分发内容数 | 30个 |
用户设备的总存储空间大小U | 40G |
每个内容大小S相同 | 1G |
用户数G | 20个 |
用户密度λ | 50,100,200,500,1000,2000人每平方千米 |
带宽W | 20MHz |
基站功率放大器效率η | 0.2 |
基站传输功率p<sub>t</sub> | 50W |
基站环路功率损耗p<sub>c</sub> | 10W |
信干噪比γ<sub>x</sub> | 50dB |
本发明所提方法仿真中计算卸载率的公式如下:
其中,OFFL表示本发明所提方法的卸载率大小。
本发明所提方法仿真中计算能量消耗的公式如下:
其中,ENG表示本发明所提方法的能量消耗大小。
本发明所提方法的参数设置如表2所示:
表2本发明所提方法仿真参数设置一览表
参数 | 数值 |
D2D通信半径r | 15m |
待分发内容数 | 30个 |
用户设备的总存储空间大小M | 每个簇分别为:8,16,6,10 |
内容大小S | 1G |
各个用户簇的用户数H | 每个簇分别为4,8,3,5个 |
用户密度λ | 50,100,200,500,1000,2000人每平方千米 |
带宽W | 20MHz |
基站功率放大器效率η | 0.2 |
基站传输功率p<sub>t</sub> | 50W |
基站环路功率损耗p<sub>c</sub> | 10W |
信干噪比γ<sub>x</sub> | 50dB |
本发明所提方法和现有技术方法仿真场景假定为单个宏基站所服务的住宅区,用户的分布服从PPP分布,将小区密度按照每平方千米50,100,200,500,1000,2000人的规律选取,以便仿真时比较不同用户密度下的卸载率和能耗的性能。
本发明所提方法和现有技术方法所采用的用户访问数据如表3所示,表3中第一行表示视频属性,来源于优酷网站的电影分类,第一列表示用户标号,表格中的元素表示所在行的用户标号的用户访问所在列的视频类型的频率,来源于Matlab随机生成的0到300之间的整数。最后一列表示经过Hadoop聚类后的4个簇标号,相同标号的行表示同一个簇。
表3用户访问视频内容频率数据一览表
3.仿真结果分析:
由于本发明所提方法考虑用户偏好Interests下卸载率Offloading与能耗Energy的折衷,故在此仿真中将其命名为IOE方法,仿真结果中所述的IOE方法表示本发明所提方法。
本发明的仿真1是针对不同用户密度下卸载率的大小变化,并将所提IOE方法与现有技术方法进行对比从而反映所提方法的优越性,仿真结果如图3所示。图3中的横坐标为每平方千米的用户数,反映用户密度的大小,纵坐标为卸载率,反映用户设备可以卸载基站业务的性能大小。图例中的权重比表示IOE方法在进行卸载率和能耗的多目标优化时的权重,如0.3:0.7表示在进行多目标优化时卸载率占的权重为0.3,而能耗所占的权重为0.7。图3中共有四条曲线,以虚线表示的曲线代表现有技术方法下卸载率随用户密度变化图,以实线表示的曲线代表IOE方法下卸载率随用户密度变化图,其中以菱形标记的实线表示IOE方法在权重比为0.3:0.7时卸载率随用户密度变化图,以星号标记的实线表示IOE方法在权重比为0.5:0.5时卸载率随用户密度变化图,以三角形标记的实线表示IOE方法在权重比为0.7:0.3时卸载率随用户密度变化图。如图3所示,IOE方法的三条曲线都位于对比方法所代表的曲线之上,说明所提IOE方法的卸载率较对比方法的卸载率高,比现有技术方法性能更好,并且IOE方法卸载率所占权重越大的曲线位置越高,卸载率越大。
本发明的仿真2是针对不同用户密度下基站分发内容时的能量消耗情况,且将所提IOE方法与现有技术方法的能量消耗进行对比,结果如图4所示。图4中横坐标为每平方千米的用户数,反映用户密度的大小,纵坐标为基站分发内容时的能量消耗。图例中的权重比表示IOE方法在进行卸载率和能耗的多目标优化时的权重,如0.3:0.7表示在进行多目标优化时卸载率占的权重为0.3,而能耗所占的权重为0.7。图4中共有四条曲线,以虚线表示的曲线代表现有技术方法下基站能量消耗随用户密度变化图,以实线表示的曲线代表IOE方法下基站能量消耗随用户密度变化图,其中以菱形标记的实线表示IOE方法在权重比为0.3:0.7时基站能量消耗随用户密度变化图,以星号标记的实线表示IOE方法在权重比为0.5:0.5时基站能量消耗随用户密度变化图,以三角形标记的实线表示IOE方法在权重比为0.7:0.3时基站能量消耗随用户密度变化图。如图4所示,IOE方法的能耗曲线均在现有技术方法曲线之下,说明所提IOE方法的能量消耗较对比方法低,比现有技术方法性能更好,并且IOE方法能量消耗所占权重越大的曲线位置越低,能量消耗越小。
Claims (2)
1.一种基于终端到终端D2D和业务卸载的内容分发方法,其特征在于,包括如下步骤:
(1)构建流行内容集合:
(1a)按照下式,计算内容流行度的判定门限:
其中,ε表示内容流行度的判定门限,N表示内容集合中内容的总数,∑表示求和操作,t表示内容序号,∈表示属于符号,{U}表示内容集合,kt表示内容集合中的第t个内容被基站服务区中用户访问的频率,y表示基站服务区中的用户总数;
(1b)将每个内容被基站服务区中用户访问频率小于判定门限ε的内容作为非流行内容,从内容集合中删除,将删除非流行内容后的内容集合作为流行内容集合;
(2)构建用户偏好向量:
(2a)将流行内容集合中设置的相同内容类型标签的每个内容,作为一个簇,获得Y个不同类型的流行内容簇;
(2b)从基站服务区中的用户中任意选取一个用户,将所选取用户访问每个流行内容簇中的每个内容的频率进行求和操作,得到用户访问频率,将流行内容簇的类型标签与用户访问频率组成用户偏好向量;
(2c)判断是否选取完基站服务区中的所有用户,若是,获得所有用户偏好向量,执行步骤(3),否则,执行步骤(2b);
(3)构建用户簇偏好向量:
(3a)通过在分布式大数据处理平台Hadoop中运行K-均值聚类算法,对基站服务区中的所有用户的偏好向量进行聚类操作,得到与不同偏好类别对应的用户簇;
(3b)任意选取一个用户簇,分别将所选取用户簇中的每个用户对于任意一个流行内容簇的访问频率进行求和操作,得到用户簇访问频率,将流行内容簇的类型标签和用户簇访问频率组成键值对,由键值对组成用户簇偏好向量;
(3c)将初始用户簇偏好向量中的键值对按照用户簇访问内容簇的频率从大到小排列,获得用户簇偏好向量;
(3d)判断是否选取完基站服务区中的所有用户簇,若是,获得所有用户簇偏好向量,执行步骤(4),否则,执行步骤(3b);
(4)任意选取一个用户簇;
(5)构建卸载率与能耗的折中模型:
(5a)将所选取用户簇的偏好向量中排序为第1的键值对所对应的流行内容簇,作为待分发内容簇;
(5b)按照下式,分别计算待分发内容簇中每个内容被所选取用户簇中的用户访问的概率:
其中,pj表示所选取用户簇中的用户对于待分发内容簇中第j个内容的访问概率,fj表示所选取用户簇访问待分发内容簇中第j个内容的频率,F表示所选取用户簇访问待分发内容簇的频率;
(5c)按照下式,计算基站服务区中用户的密度:
其中,λ表示基站服务区中用户的密度,π表示圆周率,R表示基站服务半径;
(5d)按照下式,计算所选取用户簇中用户的偏好相似度:
其中,α表示所选取用户簇中用户的偏好相似度,e表示以自然常数e为底的指数操作,表示所选取用户簇中用户访问频率的标准差,σ表示所选取用户簇中用户访问频率的平均值;
(5e)按照下式,构建卸载率与能耗的折中模型:
其中,min表示求函数最小值操作,g(dj)表示解为dj的函数,dj表示将内容簇中第j个内容发送给用户簇中的用户数占用户簇中用户数的比例,|表示集合定义符号,∩表示取交集操作,C表示待分发内容簇,H表示所选取用户簇的用户总数,Sj表示待分发内容簇中第j个内容占用终端设备集合中所有终端设备的存储空间大小,终端设备集合由用户簇中每个用户拥有的具备存储能力的终端设备组成,M表示用户簇的终端设备集合中所有终端设备的存储空间大小,r表示终端到终端D2D通信半径,x表示所选取用户簇中的第x个用户,L表示所选取的用户簇,η表示基站功率放大器效率,pt表示基站传输功率,pc表示基站环路功率损耗,W表示信道带宽,log2表示以2为底的对数操作,γx表示用户簇中第x个用户的信干噪比;
(6)分发流行内容:
(6a)利用下述多目标优化方法,得到折衷解;
第一步,利用功效系数法,将卸载率和能耗的折中模型转化为对该模型中dj有约束的单目标优化问题;
第二步,利用拉格朗日乘子法,求解有约束条件的单目标优化问题,得到卸载率与能耗折中模型中dj的折中解
(6b)基站将待分发内容簇中的第j个内容同时分发给用户簇中个用户,其中,H表示用户簇中的用户数目;
(6c)用户簇中的用户将接收到的内容存储在其终端设备中;
(7)按照下式,计算终端设备集合中所有终端设备的剩余存储空间大小:
其中,B表示终端设备集合中所有终端设备剩余存储空间的大小;
(8)判断剩余存储空间大小是否大于0,若是,则执行步骤(9),否则,执行步骤(10);
(9)选择待分发内容簇:
按照用户簇偏好向量中键值对的排序,依次将键值对所对应的流行内容簇作为待分发内容簇后执行步骤(5);
(10)判断是否完成所有用户簇的内容分发,若是,则执行步骤(11),否则,执行步骤(4);
(11)完成了对所有用户的内容分发。
2.根据权利要求1中所述的基于终端到终端D2D和业务卸载的内容分发方法,其特征在于,步骤(3a)中所述在分布式大数据处理平台Hadoop中运行K-均值聚类算法的步骤如下:
第一步,将所有用户偏好向量组成用户偏好向量集合;
第二步,从用户偏好向量集合中随机选取K个用户偏好向量分布作为K个类的初始中心;
第三步,利用切片split过程,对用户偏好向量集合中的所有用户偏好向量进行分组;
第四步,利用映射map过程,按照切片split过程分组的结果,计算用户偏好向量集合中每个用户偏好向量分别到K个初始中心的中心距离,根据最小中心距离原则,形成K个聚类,同时确定K个聚类的用户中心;
第五步,利用洗牌shuffle过程,对K个聚类进行洗牌归类;
第六步,利用规约reduce过程,重新计算洗牌归类后K个聚类的聚类中心;
第七步,判断重新计算得到的聚类中心与其对应的用户中心是否相等,若是,完成聚类操作,否则,执行第四步。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710811308.8A CN107734482B (zh) | 2017-09-11 | 2017-09-11 | 基于d2d和业务卸载的内容分发方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710811308.8A CN107734482B (zh) | 2017-09-11 | 2017-09-11 | 基于d2d和业务卸载的内容分发方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107734482A CN107734482A (zh) | 2018-02-23 |
CN107734482B true CN107734482B (zh) | 2019-10-11 |
Family
ID=61205918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710811308.8A Active CN107734482B (zh) | 2017-09-11 | 2017-09-11 | 基于d2d和业务卸载的内容分发方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107734482B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108650657B (zh) * | 2018-04-20 | 2021-02-26 | 京东方科技集团股份有限公司 | 一种车联网中的内容分发方法、内容更新方法和相关装置 |
CN108769958B (zh) * | 2018-06-14 | 2020-11-06 | 重庆邮电大学 | 基于能耗优化的m2m通信联合成簇及资源分配方法 |
CN109413149B (zh) * | 2018-09-19 | 2021-05-18 | 上海哔哩哔哩科技有限公司 | 信息分发控制方法、***、服务器及计算机可读存储介质 |
CN110944357B (zh) * | 2018-09-25 | 2023-08-29 | 中兴通讯股份有限公司 | 一种网络切片的方法及装置 |
CN113781181B (zh) * | 2021-09-16 | 2024-03-05 | 中山大学 | 基于使用物品流行度辅助用户兴趣建模的推荐方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789182A (zh) * | 2010-02-05 | 2010-07-28 | 北京工业大学 | 一种基于平行仿真技术的交通信号控制***及方法 |
WO2013038056A1 (en) * | 2011-09-15 | 2013-03-21 | Nokia Corporation | Offloading traffic to device-to-device communications |
CN105553612A (zh) * | 2015-12-10 | 2016-05-04 | 上海华为技术有限公司 | 一种d2d通信链路的传输方法和基站以及终端 |
CN105992124A (zh) * | 2015-02-12 | 2016-10-05 | 北京邮电大学 | 基于d2d的簇间通信方法 |
CN106535284A (zh) * | 2016-12-12 | 2017-03-22 | 西安电子科技大学 | 一种基于全双工中继的d2d通信中的功率控制方法 |
-
2017
- 2017-09-11 CN CN201710811308.8A patent/CN107734482B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789182A (zh) * | 2010-02-05 | 2010-07-28 | 北京工业大学 | 一种基于平行仿真技术的交通信号控制***及方法 |
WO2013038056A1 (en) * | 2011-09-15 | 2013-03-21 | Nokia Corporation | Offloading traffic to device-to-device communications |
CN105992124A (zh) * | 2015-02-12 | 2016-10-05 | 北京邮电大学 | 基于d2d的簇间通信方法 |
CN105553612A (zh) * | 2015-12-10 | 2016-05-04 | 上海华为技术有限公司 | 一种d2d通信链路的传输方法和基站以及终端 |
CN106535284A (zh) * | 2016-12-12 | 2017-03-22 | 西安电子科技大学 | 一种基于全双工中继的d2d通信中的功率控制方法 |
Non-Patent Citations (1)
Title |
---|
异构蜂窝网络的内容分发技术研究;石玉;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315;第24-39页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107734482A (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107734482B (zh) | 基于d2d和业务卸载的内容分发方法 | |
Zhang et al. | A hierarchical game framework for resource management in fog computing | |
Jia et al. | Double-matching resource allocation strategy in fog computing networks based on cost efficiency | |
CN107566194B (zh) | 一种实现跨域虚拟网络映射的方法 | |
CN109040298A (zh) | 基于边缘计算技术的数据处理方法及装置 | |
Yu et al. | A hybrid MADM algorithm based on attribute weight and utility value for heterogeneous network selection | |
CN111835819B (zh) | 移动边缘计算中区域化层次化任务迁移方法 | |
Wang et al. | Multi-leader multi-follower Stackelberg game based dynamic resource allocation for mobile cloud computing environment | |
CN110234155A (zh) | 一种基于改进topsis的超密集网络接入选择方法 | |
Khan et al. | On the application of agglomerative hierarchical clustering for cache-assisted D2D networks | |
CN111491331A (zh) | 一种雾计算网络中基于迁移学习的网络感知自适应缓存方法 | |
Huang et al. | Federated learning based qos-aware caching decisions in fog-enabled internet of things networks | |
Li et al. | Computation offloading and service allocation in mobile edge computing | |
Tang et al. | EICache: A learning-based intelligent caching strategy in mobile edge computing | |
Wu et al. | Data transmission scheme based on node model training and time division multiple access with IoT in opportunistic social networks | |
Yi et al. | DMADRL: A distributed multi-agent deep reinforcement learning algorithm for cognitive offloading in dynamic MEC networks | |
CN111866952B (zh) | 一种基于用户组偏好集中度差异的d2d概率式缓存放置方法 | |
Cheon et al. | Social-aware mobile data offloading algorithm through small cell backhaul network: Direct and indirect user influence perspectives | |
Miao et al. | 4-DMWM approach for caching based optimal D2D pairing and channel allocation: Centralized and distributed algorithm design | |
Ren et al. | Increasing network throughput based on dynamic caching policy at wireless access points | |
Gao et al. | Construction of an Intelligent APP for dance training mobile information management platform based on edge computing | |
Jia et al. | Social‐Aware Edge Caching Strategy of Video Resources in 5G Ultra‐Dense Network | |
Yan et al. | Bayesian optimization for online management in dynamic mobile edge computing | |
Li et al. | Deep reinforcement learning for collaborative computation offloading on internet of vehicles | |
CN108521373A (zh) | 一种命名数据网络中的多径路由方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |