CN108600998B - 超密度蜂窝与d2d异构融合网络缓存优化决策方法 - Google Patents

超密度蜂窝与d2d异构融合网络缓存优化决策方法 Download PDF

Info

Publication number
CN108600998B
CN108600998B CN201810309517.7A CN201810309517A CN108600998B CN 108600998 B CN108600998 B CN 108600998B CN 201810309517 A CN201810309517 A CN 201810309517A CN 108600998 B CN108600998 B CN 108600998B
Authority
CN
China
Prior art keywords
content
base station
cache
network
cellular
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
Application number
CN201810309517.7A
Other languages
English (en)
Other versions
CN108600998A (zh
Inventor
宋清洋
林鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeastern University China
Original Assignee
Northeastern University China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeastern University China filed Critical Northeastern University China
Priority to CN201810309517.7A priority Critical patent/CN108600998B/zh
Publication of CN108600998A publication Critical patent/CN108600998A/zh
Application granted granted Critical
Publication of CN108600998B publication Critical patent/CN108600998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
    • 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
    • H04W28/06—Optimizing the usage of the radio link, e.g. header compression, information sizing, discarding information
    • 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
    • H04W28/10—Flow control between communication endpoints
    • H04W28/14—Flow control between communication endpoints using intermediate storage

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明提出一种超密度蜂窝与D2D异构融合网络缓存优化决策方法，包括：构建蜂窝与D2D异构融合网络架构；预测网络流通的多媒体内容的流行度；在接收智能终端接收广播消息组建D2D资源共享网络；各用户智能终端对访问过的多媒体内容进行协作缓存；通过用户智能终端预测蜂窝基站内各用户智能终端缓存内容可获得概率；通过蜂窝基站统计蜂窝与D2D异构融合网络中的内容传输延时；服务网关根据统计的蜂窝与D2D异构融合网络中的内容传输延时，以最小内容传输延时为目标对基站进行缓存优化，得到最终的蜂窝与D2D异构融合网络优化决策。本发明在终端与基站之间增加了内容需求反馈机制，进一步降低了D2D网络与蜂窝网络的层间缓存冗余。

Description

超密度蜂窝与D2D异构融合网络缓存优化决策方法
技术领域
本发明属于超密度异构无线通信网络技术领域，具体涉及一种超密度蜂窝与D2D异构融合网络缓存优化决策方法。
背景技术
随着无线通信技术的高速发展，无处不在的手持智能手机和平板电脑通过移动网络接入互联网，引发了对视频/音频流的***式需求。这对当前的移动网络造成了巨大的压力。据统计，网络中的大部分流量负载是由一部分热点内容的重复传输造成的。将热点内容缓存在本地的节点处，例如蜂窝基站(Base Station，BS)、移动终端设备(Device)中，能够有效的缓解网络负担。特别是在终端直通(Device-to-Device，D2D)网络与蜂窝网络共存的高密度异构网络环境中设计高效的内容缓存机制，被视为是应对无线视频业务***性增长的有效方式之一。
目前，缓存技术在D2D网络和蜂窝网络方面的研究存在一些问题。在D2D通信网络中，终端设备可以对已浏览过的内容进行缓存以备再次访问。其中应用较为广泛的为最大流行度策略(Most Popular Strategy，MPC)，即终端设备按照所获取内容的流行度参数自高至低进行替换式的存储。这种策略在终端密度较低，且用户的文件请求集中度较高时会达到一定的缓存命中率。而在高密度D2D用户场景中，由于同时具有缓存能力的用户距离较近，这种策略会在局部相邻的终端设备中产生大量内容冗余，导致终端存储空间利用率不高。在蜂窝网络中，基站之间缺乏缓存数据的共享，从而导致缓存协作程度低，基站之间的存在较大的缓存冗余。特别是在蜂窝与D2D网络共同覆盖环境下，基站与D2D设备之间缺乏缓存的跨层协作，导致整个网络存储空间利用不充分。
因此，为了进一步发掘缓存技术在异构融合网络中所具有的优势，提高空间利用率，降低缓存冗余，设计合理的蜂窝与D2D融合网络缓存算法，具有重要的理论和现实意义。
发明内容
针对现有技术的不足，本发明提出一种超密度蜂窝与D2D异构融合网络缓存优化决策方法。
一种超密度蜂窝与D2D异构融合网络缓存优化决策方法，包括以下步骤：
步骤1：构建蜂窝与D2D异构融合网络架构，包括：分布式D2D资源共享网络和集中式蜂窝缓存网络；
所述分布式D2D资源共享网络由支持D2D通信的智能移动终端组成，所述集中式蜂窝缓存网络由配置有多媒体数据缓存控制器和协同控制器的蜂窝基站组成；
步骤2：预测蜂窝与D2D异构融合网络流通的多媒体内容的流行度；
步骤2.1：通过蜂窝基站统计本地用户访问内容的历史数据；
步骤2.2：采用齐夫定律量化历史数据内容的流行度，内容fk的流行度λk计算公式如下所示：
Figure BDA0001621968570000021
其中，K为历史数据中内容总数，α为齐夫常数，即内容热度的集中程度，j为历史内容根据被访问次数按照降序排列后的编号。
步骤3：通过用户智能终端定时广播消息，在接收智能终端接收广播消息组建D2D资源共享网络；
步骤3.1：通过用户智能终端定时广播消息，附近的其他智能终端接收广播消息，并在智能终端形成邻居用户集合，并发布各自的本地缓存信息表S；
所述智能终端形成邻居用户集合NUj为智能终端设备以实际接收到的信号与干扰加噪声功率比SINR阈值来定义邻居用户集合，其中，用户uj的邻居用户结合NUj的计算公式如下所示：
NUj＝{um∈U：SINRjm＞T}；
其中，um为用户uj的邻居用户，SINRjm为用户uj与其邻居用户um的干扰加噪声功率比，T为干扰加噪声功率比阈值；
步骤3.2：通过用户智能终端缓存热点多媒体数据，即根据邻居用户集合NUj和本地缓存信息表S构建各用户的邻居内容集合NFj；
所述用户uj的邻居内容集合NFj如下所示：
Figure BDA0001621968570000022
其中，
Figure BDA0001621968570000023
为网络中所有内容的集合，fk为历史数据中内容；
步骤3.3：通过用户智能终端之间的自匹配，形成D2D资源共享网络。
步骤4：各用户智能终端对访问过的多媒体内容进行协作缓存；
步骤4.1：用户智能终端接收广播消息时获取各内容在邻居内容集合中的缓存比例propj；
步骤4.2：用户智能终端将计算出的内容流行度根据邻居智能终端中内容缓存比例对内容流行度进行更新；
所述将计算出的内容流行度根据邻居智能终端中内容缓存比例对内容流行度进行更新的公式如下所示：
Figure BDA0001621968570000031
其中，propk为内容fk在邻居内容集合中的缓存比例，Nj为用户uj的邻居内容总数，η为权重因子；
步骤4.3：用户接收端根据更新后的内容流行度以最大内容质量原则进行缓存，以最小内容质量原则对缓存的内容进行替换；
所述以最大内容质量原则进行缓存具体如下所示：
Figure BDA0001621968570000032
其中，
Figure BDA0001621968570000033
为用户终端uj对内容fk的缓存决策变量，sk为内容fk的大小，Sj为用户uj对应的终端存储容量；
所述以最小内容质量原则对缓存的内容进行替换具体如下所示：
Figure BDA0001621968570000034
Figure BDA0001621968570000035
其中，f*为使内容质量
Figure BDA0001621968570000036
达到最小时对应的内容。
步骤5：通过用户智能终端预测蜂窝基站内各用户智能终端缓存内容可获得概率；
步骤5.1：通过用户智能终端预测蜂窝基站缓存内容可获得概率Vi k；
所述预测蜂窝基站缓存内容可获得概率Vi k的计算公式如下所示：
Figure BDA0001621968570000037
其中，Vi k为基站Bi内缓存内容可获得概率，
Figure BDA0001621968570000038
为基站Bi覆盖区域内的用户uj发起内容请求的概率，Ni为基站Bi范围内的终端用户总数，
Figure BDA00016219685700000311
为内容fk在基站Bi范围内局部流行度，
Figure BDA0001621968570000039
为用户uj对内容fk的缓存决策变量；
步骤5.2：通过用户智能终端的本地缓存状况预测基站Bi内用户智能终端缓存内容的可获得概率
Figure BDA00016219685700000310
步骤6：通过蜂窝基站统计蜂窝与D2D异构融合网络中的内容传输延时；
所述内容传输延时包括：蜂窝小区内部传输延时、相邻基站的内容共享传输延时、基站到核心网内容服务器传输延时、以及D2D异构融合网络共享传输延时；
步骤6.1：计算蜂窝小区内部传输延时统计值t1；
令
Figure BDA0001621968570000041
表示基站Bi缓存了内容fk，令
Figure BDA0001621968570000042
表示基站Bi未缓存内容fk，则蜂窝小区内部传输延时的统计值t1的计算公式如下所示：
Figure BDA0001621968570000043
其中，M为蜂窝与D2D异构融合网络中基站个数，dcell为内容从蜂窝基站传输至单个智能终端的传输延时；
步骤6.2：计算相邻基站的内容共享传输延时的统计值t2；
所述相邻基站的内容共享传输延时的统计值t2的计算公式如下所示：
Figure BDA0001621968570000044
其中，
Figure BDA0001621968570000045
Lir为基站i至基站r之间的最短跳数，
Figure BDA0001621968570000046
表示基站Br缓存了内容fk，
Figure BDA0001621968570000047
表示基站Br未缓存内容fk，dinter为相邻基站之间的传输延时；
步骤6.3：计算基站到核心网内容服务器传输延时的统计值t3；
所述基站到核心网内容服务器传输延时的统计值t3的计算公式如下所示：
Figure BDA0001621968570000048
其中，
Figure BDA0001621968570000049
为对变量
Figure BDA00016219685700000410
的或运算，即内容fk是否缓存在任意一个基站之中；
步骤6.4：计算D2D异构融合网络共享传输延时的统计值t4；
D2D异构融合网络共享传输延时的统计值t4的计算公式如下所示：
Figure BDA00016219685700000411
其中，dD为用户智能终端之间的传输延时。
步骤7：服务网关根据统计的蜂窝与D2D异构融合网络中的内容传输延时，以最小内容传输延时为目标对基站进行缓存优化，得到最终的蜂窝与D2D异构融合网络优化决策。
步骤7.1：设置初始化参数：将网络中流通的内容量构造为缓存基础集
Figure BDA00016219685700000412
所述缓存基础集
Figure BDA00016219685700000413
公式如下所示：
Figure BDA0001621968570000051
其中，
Figure BDA0001621968570000052
为缓存基础集，即所有基站中可能出现的所有缓存事件，
Figure BDA0001621968570000053
表示内容fk缓存在基站Bi中；
步骤7.2：以最小内容传输延时为目标的缓存决策问题按照设置的初始优化参数转换为服从拟阵限制条件的次模函数优化问题模型；
所述次模函数优化问题模型如下所示：
Figure BDA0001621968570000054
其中，
Figure BDA0001621968570000055
为缓存决策Xi的布尔表示形式，
Figure BDA0001621968570000056
X为当前优化决策，
Figure BDA0001621968570000057
为基站Bi中可能出现的所有缓存事件，Yb为
Figure BDA0001621968570000058
的布尔表示形式，
Figure BDA0001621968570000059
且
Figure BDA00016219685700000510
Figure BDA00016219685700000511
且
Figure BDA00016219685700000512
Figure BDA00016219685700000513
Vi K为预测基站缓存内容可获得概率，dc为内容从基站传输至单个终端的传输延时，do为内容从核心网络传输至本地基站的传输延时；
步骤7.3：通过服务网关分析次模函数优化问题模型，确定使次模函数优化问题模型的延时效益值最大的元素
Figure BDA00016219685700000514
所述使次模函数优化问题模型的延时效益值最大的元素
Figure BDA00016219685700000515
的计算公式如下所示：
Figure BDA00016219685700000516
其中，fX(·)为次模函数优化问题模型的目标函数；
步骤7.4：通过基站优化待缓存内容，判断当前蜂窝基站剩余存储空间是否能够缓存
Figure BDA00016219685700000517
若是，则缓存
Figure BDA00016219685700000518
删除
Figure BDA00016219685700000526
中的元素
Figure BDA00016219685700000527
否则，将更新缓存基础集
Figure BDA00016219685700000528
所述更新缓存基础集
Figure BDA00016219685700000521
的计算公式如下所示：
Figure BDA00016219685700000522
其中，
Figure BDA00016219685700000523
为基础子集，
Figure BDA00016219685700000524
为延时效益值最大的元素；
步骤7.5：重复步骤7.3至步骤7.5，直至
Figure BDA00016219685700000525
时获得优化后缓存决策X。
本发明的有益效果：
本发明提出一种超密度蜂窝与D2D异构融合网络缓存优化决策方法，本发明利用了网络中缓存节点之间的协作性，在智能终端对内容进行缓存时，通过分析邻居智能终端的内容缓存信息，动态更新内容在D2D共享网络中的流行度，达到降低缓存冗余度的目的。同时本发明考虑了基站之间的缓存协作，使缓存内容在区内需求量与区间需求量之间达到平衡，从而降低了相邻基站的缓存冗余。同时，本发明在终端与基站之间增加了内容需求反馈机制，进一步降低了D2D网络与蜂窝网络的层间缓存冗余，最终使整个网络的缓存空间大大提升了，从而降低了内容传输延时。
附图说明
图1为本发明具体实施方式中超密度蜂窝与D2D异构融合网络缓存优化决策方法的流程图；
图2为本发明具体实施方式中超密度蜂窝与D2D异构融合网络架构示意图；
图3为本发明具体实施方式中智能终端缓存冗余示意图；
图4为本发明具体实施方式中智能终端协作缓存示意图；
图5为本发明具体实施方式中D2D异构融合网络缓存冗余示意图；
图6为本发明具体实施方式中D2D网络缓存命中率与***运行时隙关系曲线图；
图7为本发明具体实施方式中D2D网络缓存命中率与终端设备密度关系曲线图；
图8为本发明具体实施方式中D2D网络缓存命中率与内容数量关系曲线图；
图9为本发明具体实施方式中融合网络内容传输延时与运行时隙关系曲线图；
图10为本发明具体实施方式中融合网络缓存命中率与运行时隙关系曲线图；
图11为本发明具体实施方式中融合网络内容传输延时与终端密度关系曲线图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，本发明提出一种超密度蜂窝与D2D异构融合网络缓存优化决策方法，考虑了基站之间协作、终端设备之间协作、基站与终端之间协作。该缓存方法采用集中式与分布式优化融合的思想，致力于解决异构无线网络环境中多媒体内容缓存的问题，如图1所示，包括以下步骤：
步骤1：构建蜂窝与D2D异构融合网络架构，包括：分布式D2D资源共享网络和集中式蜂窝缓存网络。
所述分布式D2D资源共享网络由支持D2D通信的智能移动终端组成，所述集中式蜂窝缓存网络由配置有多媒体数据缓存控制器和协同控制器的蜂窝基站组成，如图2所示。
本实施方式中，蜂窝基站中配置有多媒体数据管理控制器和基站协同控制器。网络中所有的蜂窝基站通过高速X2接口相互连接，由基站协同控制器进行管理，进行缓存资源的共享与调度。数据管理控制器能够对多内体内容进行热度分析，流量预测，缓存控制等。
分布式D2D资源共享网络由支持D2D通信的智能移动终端构成。智能终端能够通过内置的D2D数据共享组件进行内容共享。D2D网络通过基站辅助控制方式与蜂窝网络进行融合。
在此融合网络环境下，当用户智能终端请求内容时，首先检索D2D共享网络，也就是其周围的邻居智能终端中，当邻居智能终端中存在内容副本时，内容通过D2D链路传输到所需智能终端中。否则，智能终端将内容请求发送至本地基站，内容请求将由基站缓存库或由核心网内容服务器响应。
步骤2：预测蜂窝与D2D异构融合网络流通的多媒体内容的流行度。
本实施方式中，用户在进行数据访问时，基站可以统计内容的访问情况，进而可以根据历史访问记录预测内容的流行度，流行度放映了用户对内容的访问倾向性。
步骤2.1：通过蜂窝基站统计本地用户访问内容的历史数据。
步骤2.2：采用齐夫定律量化历史数据内容的流行度，内容fk的流行度λk计算公式如式(1)所示：
Figure BDA0001621968570000071
其中，K为历史数据中内容总数，α为齐夫常数，即内容热度的集中程度，j为历史内容根据被访问次数按照降序排列后的编号。齐夫定律是目前应用最为广泛的一种量化内容热度的数学模型，本发明用齐夫定律对内容热度进行建模。
步骤3：通过用户智能终端定时广播消息，在接收智能终端接收广播消息组建D2D资源共享网络。
步骤3.1：通过用户智能终端定时广播消息，附近的其他智能终端接收广播消息，并在智能终端形成邻居用户集合，并发布各自的本地缓存信息表S。
本实施方式中，通过用户智能终端定时广播消息“hello”。
所述智能终端形成邻居用户集合NUi为智能终端设备以实际接收到的信号与干扰加噪声功率比SINR阈值来定义邻居用户集合，其中，用户uj的邻居用户结合NUj的计算公式如式(2)所示：
NUj＝{um∈|U：SINRjm＞T} (2)
其中，um为用户uj的邻居用户，SINRjm为用户uj与其邻居用户um的干扰加噪声功率比，T为干扰加噪声功率比阈值。
步骤3.2：通过用户智能终端缓存热点多媒体数据，即根据邻居用户集合NUj和本地缓存信息表S构建各用户的邻居内容集合NFj。
所述用户uj的邻居内容集合NFj如式(3)所示：
Figure BDA0001621968570000081
其中，
Figure BDA0001621968570000082
为网络中所有内容的集合，邻居内容集合指的是用户周围一定距离范围内的终端所缓存的内容总集合。
本实施方式中，当某用户智能终端的邻居用户和邻居内容集合确定后，由于用户是不断移动的，并且智能终端所缓存的内容不断被替换，因此邻居用户表和内容表需要不断更新。
步骤3.3：通过用户智能终端之间的自匹配，形成D2D资源共享网络。
本实施方式中，邻居内容表和和用户表确定后，局部的D2D数据共享网络成型，所有局部D2D通信网络构成D2D资源共享网络。
步骤4：各用户智能终端对访问过的多媒体内容进行协作缓存。
本实施方式中，用户智能终端u1对内容f1、f2、f3、f4、f5的缓存为例，如图3所示，当用户u1访问内容f1过后，由于内容f1的流行度较高，用户按照最大内容质量原则对其进行存储。而此时用户u1的邻接内容集合NFj中已存在大量f1，这样u1对f1的缓存决策已经没有实际意义，造成大量的信息冗余。
智能终端各自独立的缓存使邻居内容集合中存在大量的内容冗余，当终端进行缓存信息的数据共享后，增强了缓存节点之间的协作性。
步骤4.1：用户智能终端接收广播消息时获取各内容在邻居内容集合中的缓存比例propj。
步骤4.2：用户智能终端将计算出的内容流行度根据邻居智能终端中内容缓存比例对内容流行度进行更新。
所述将计算出的内容流行度根据邻居智能终端中内容缓存比例对内容流行度进行更新的公式如式(4)所示：
Figure BDA0001621968570000083
其中，propk为内容fk在邻居内容集合中的缓存比例，Nj为用户uj的邻居内容总数，η为权重因子，如图4所示，对流行度进行调整后，终端中的内容冗余减少了。
步骤4.3：用户接收端根据更新后的内容流行度以最大内容质量原则进行缓存，以最小内容质量原则对缓存的内容进行替换。
所述以最大内容质量原则进行缓存具体如式(5)所示：
Figure BDA0001621968570000091
其中，
Figure BDA0001621968570000092
为用户终端uj对内容fk的缓存决策变量，sk为内容fk的大小，Sj为用户uj对应的终端存储容量。
所述以最小内容质量原则对缓存的内容进行替换具体如式(6)所示：
Figure BDA0001621968570000093
Figure BDA0001621968570000094
其中，f*为使内容质量
Figure BDA0001621968570000095
达到最小时对应的内容。
步骤5：通过用户智能终端预测蜂窝基站内各用户智能终端缓存内容可获得概率。
本实施方式中，D2D资源共享网络形成后，智能终端的内容请求既可能由邻居智能终端响应，也可能由本地基站响应。如图5所示，基站在对内容进行缓存时如果不考虑D2D网络中的内容存储状况，会在两层网络之间产生内容冗余，这时需要计算两者的内容访问概率。
步骤5.1：通过用户智能终端预测蜂窝基站缓存内容可获得概率Vi k。
所述预测蜂窝基站缓存内容可获得概率Vi k的计算公式如式(7)所示：
Figure BDA0001621968570000096
其中，Vi k为基站Bi内缓存内容可获得概率，
Figure BDA0001621968570000097
为基站Bi覆盖区域内的用户uj发起内容请求的概率，Ni为基站Bi范围内的终端用户总数，
Figure BDA0001621968570000098
为内容fk在基站Bi范围内局部流行度，
Figure BDA0001621968570000099
为用户uj对内容fk的缓存决策变量。
步骤5.2：通过用户智能终端的本地缓存状况预测基站Bi内用户智能终端缓存内容的可获得概率
Figure BDA00016219685700000910
步骤6：通过蜂窝基站统计蜂窝与D2D异构融合网络中的内容传输延时；所述内容传输延时包括：蜂窝小区内部传输延时、相邻基站的内容共享传输延时、基站到核心网内容服务器传输延时、以及D2D异构融合网络共享传输延时。
步骤6.1：计算蜂窝小区内部传输延时统计值t1：令
Figure BDA00016219685700000911
表示基站Bi缓存了内容fk，令
Figure BDA00016219685700000912
表示基站Bi未缓存内容fk，则蜂窝小区内部传输延时的统计值t1的计算公式如式(8)所示：
Figure BDA0001621968570000101
其中，M为蜂窝与D2D异构融合网络中基站个数，dcell为内容从蜂窝基站传输至单个智能终端的传输延时。
步骤6.2：计算相邻基站的内容共享传输延时的统计值t2。
相邻基站的内容共享传输延时的统计值t2的计算公式如式(9)所示：
Figure BDA0001621968570000102
其中，
Figure BDA0001621968570000103
Lir为基站i至基站r之间的最短跳数，
Figure BDA0001621968570000104
表示基站Br缓存了内容fk，
Figure BDA0001621968570000105
表示基站Br未缓存内容fk，dinter为相邻基站之间的传输延时，本实施方式中，基站i至基站r之间的最短跳数Lir可以由弗洛伊德算法求得。
步骤6.3：计算基站到核心网内容服务器传输延时的统计值t3。
基站到核心网内容服务器传输延时的统计值t3的计算公式如式(10)所示：
Figure BDA0001621968570000106
其中，
Figure BDA0001621968570000107
为对变量
Figure BDA0001621968570000108
的或运算，即内容fk是否缓存在任意一个基站之中。
步骤6.4：计算D2D异构融合网络共享传输延时的统计值t4。
D2D异构融合网络共享传输延时的统计值t4的计算公式如式(11)所示：
Figure BDA0001621968570000109
其中，dD为用户智能终端之间的传输延时。
步骤7：服务网关根据统计的蜂窝与D2D异构融合网络中的内容传输延时，以最小内容传输延时为目标对基站进行缓存优化，得到最终的蜂窝与D2D异构融合网络优化决策。
步骤7.1：设置初始化参数：将网络中流通的内容量构造为缓存基础集
Figure BDA00016219685700001010
所述缓存基础集
Figure BDA00016219685700001011
公式如式(12)所示：
Figure BDA00016219685700001012
其中，
Figure BDA00016219685700001013
为缓存基础集，即所有基站中可能出现的所有缓存事件，
Figure BDA00016219685700001014
表示内容fk缓存在基站Bi中。
步骤7.2：以最小内容传输延时为目标的缓存决策问题按照设置的初始优化参数转换为服从拟阵限制条件的次模函数优化问题模型。
所述次模函数优化问题模型如式(13)所示：
Figure BDA0001621968570000111
其中，
Figure BDA0001621968570000112
为缓存决策Xi的布尔表示形式，
Figure BDA0001621968570000113
X为当前优化决策，
Figure BDA0001621968570000114
为基站Bi中可能出现的所有缓存事件，Yb为
Figure BDA0001621968570000115
的布尔表示形式，
Figure BDA0001621968570000116
且
Figure BDA0001621968570000117
Figure BDA0001621968570000118
且
Figure BDA0001621968570000119
Figure BDA00016219685700001110
Vi K为预测基站缓存内容可获得概率，dc为内容从基站传输至单个终端的传输延时，do为内容从核心网络传输至本地基站的传输延时。
步骤7.3：通过服务网关分析次模函数优化问题模型，确定使次模函数优化问题模型的延时效益值最大的元素
Figure BDA00016219685700001111
所述使次模函数优化问题模型的延时效益值最大的元素
Figure BDA00016219685700001112
的计算公式如式(14)所示：
Figure BDA00016219685700001113
其中，fX(·)为次模函数优化问题模型的目标函数。
步骤7.4：通过基站优化待缓存内容，判断当前蜂窝基站剩余存储空间是否能够缓存
Figure BDA00016219685700001114
若是，则缓存
Figure BDA00016219685700001115
删除
Figure BDA00016219685700001116
中的元素
Figure BDA00016219685700001117
否则，将更新缓存基础集
Figure BDA00016219685700001118
所述更新缓存基础集
Figure BDA00016219685700001119
的计算公式如式(15)所示：
Figure BDA00016219685700001120
其中，
Figure BDA00016219685700001121
为基础子集，
Figure BDA00016219685700001122
为延时效益值最大的元素。
步骤7.5：重复步骤7.3至步骤7.5，直至
Figure BDA00016219685700001123
时获得优化后缓存决策X。
图6为D2D网络部分的缓存命中率与***运行时隙关系曲线图。其中最大流行度策略(MPC)为目前应用较为广泛的一种缓存策略，即每个缓存节点各自缓存流行度最高的内容。随机缓存策略(RAND)，即各节点以等概率随机缓存内容。可以看出所有方案的命中率均在几个时隙内达到稳定状态，且本发明的算法中D2D网络部分的缓存性能高于其他两种策略。
图7为D2D网络部分的缓存命中率与终端设备密度关系曲线图。根据图7可以看出，三种缓存策略的命中率性能均随终端设备密度增加而增大。其中MPC的变化趋势最小，这是因为在MPC策略中，终端设备之间没有存储信息的共享。对于用户来说，终端密度的增加能够带来存储空间的增大，但由于缺乏缓存信息的交流，使同一个热点内容同时被多个终端设备缓存，从而产生大量信息冗余。从这一点也能看出，一味的增加网络的存储空间不一定能够很好地提升缓存性能。本发明所提算法中利用了终端设备缓存的协作性，当终端密度升高时，D2D网络的存储空间增大，同时邻接内容集合中内容种类也增大，因此缓存性能有较大的提升。由此可见本发明所提算法在高密度用户场景时能够发挥较大的优势。
图8为D2D网络缓存命中率与内容数量关系曲线图。根据图8可以看出，MPC、RAND以及本发明所提算法的命中率均随着内容总数增加而减小。这是显而易见的，在存储空间不变的情况下，内容总数上升必然使命中率下降。三种策略中MPC的命中率下降最为缓慢，这是因为当内容流行度参数不变时，热点内容的比例较为稳定，MPC策略只将排名靠前的内容缓存，因此对命中率影响不是很大。本文所提算法中，当内容数量较多时仍能保持一定的命中率，这充分说明缓存节点之间的协作性对缓存性能的重要性。
图9为融合网络内容传输延时与运行时隙关系曲线图。为了更全面的评估本发明所提算法的性能，本实施方式中加入仅具有层内协作的缓存策略(CST)和仅具有层间协作的缓存策略(CBT)进行对比。可以看出，层内协作比层间协作更具有优势，这是因为其利用了同层网络内部缓存节点的合作性，使相邻的基站或终端设备中的缓存冗余降低，这间接的增大了蜂窝网络和D2D网络的缓存空间，从而降低了内容传输延时。而本发明所提出的算法不但考虑了蜂窝与D2D网络的跨层协作，而且考虑了层内协作，使两层网络中内容的种类和冗余达到了平衡，因此延时性能最好。
图10为融合网络缓存命中率与运行时隙关系曲线图。由图10可以看出，本发明所提算法和与CST策略的命中率均在***最初的几个时隙上升较快，在经过几个时隙后，本发明所提算法的命中率仍然保持稳定且有逐渐上升的趋势。而CST策略在若干时隙后命中率降低，最终稳定在0.6附近。这与4.62中的结论相一致，这是因为CST策略仅考虑了层内缓存节点的协作性，虽然基站与基站之间、终端设备之间的内容冗余度减低，但缺乏跨层层协作导致基站与终端设备之间的冗余度上升。缺乏跨层协作使基站浪费了原本就有限的存储空间，大大降低的存储空间利用率。本发明算法在缓存空间饱和时，能够及时的调整对热点内容的缓存概率，使基站做出合理的缓存决策
图11为融合网络内容传输延时与终端密度关系曲线图。四种缓存策略的内容传输延时均随终端设备密度的增大而降低。对于每一个用户来说，终端设备密度增大意味着邻接用户集合的增大。用户通过邻接内容集合所能获取的内容增多，D2D网络的存储容量增大，而通过D2D网络传输内容的延时比通过蜂窝网络小得多，因此，传输延时降低是必然的。同时可以看出本发明所提算法具有明显的优势。
通过上述的仿真比较，可知本发明提出的蜂窝与D2D异构融合网络缓存算法是有效的，本发明算法按照用户对网络中热点内容的局部需求量和全局需求量进行了合理的优化部署，充分发挥了网络中缓存节点的协作性，降低了缓存冗余，提升了网络的整体存储空间，从而降低了内容传输延时。

Claims (6)

1.一种超密度蜂窝与D2D异构融合网络缓存优化决策方法，其特征在于，包括以下步骤：
步骤1：构建蜂窝与D2D异构融合网络架构，包括：分布式D2D资源共享网络和集中式蜂窝缓存网络；
所述分布式D2D资源共享网络由支持D2D通信的智能移动终端组成，所述集中式蜂窝缓存网络由配置有多媒体数据缓存控制器和协同控制器的蜂窝基站组成；
步骤2：预测蜂窝与D2D异构融合网络流通的多媒体内容的流行度；
步骤3：通过用户智能终端定时广播消息，在接收智能终端接收广播消息组建D2D资源共享网络；
步骤4：各用户智能终端对访问过的多媒体内容进行协作缓存；
步骤5：通过用户智能终端预测蜂窝基站内各用户智能终端缓存内容可获得概率；
步骤6：通过蜂窝基站统计蜂窝与D2D异构融合网络中的内容传输延时；
所述内容传输延时包括：蜂窝小区内部传输延时、相邻基站的内容共享传输延时、基站到核心网内容服务器传输延时、以及D2D异构融合网络共享传输延时；
步骤7：服务网关根据统计的蜂窝与D2D异构融合网络中的内容传输延时，以最小内容传输延时为目标对基站进行缓存优化，得到最终的蜂窝与D2D异构融合网络优化决策；
所述步骤2包括以下步骤：
步骤2.1：通过蜂窝基站统计本地用户访问内容的历史数据；
步骤2.2：采用齐夫定律量化历史数据内容的流行度，内容fk的流行度λk计算公式如下所示：
Figure FDA0002602367740000011
其中，K为历史数据中内容总数，α为齐夫常数，即内容热度的集中程度，j为历史内容根据被访问次数按照降序排列后的编号。
2.根据权利要求1所述的超密度蜂窝与D2D异构融合网络缓存优化决策方法，其特征在于，所述步骤3包括以下步骤：
步骤3.1：通过用户智能终端定时广播消息，附近的其他智能终端接收广播消息，并在智能终端形成邻居用户集合，并发布各自的本地缓存信息表S；
所述智能终端形成邻居用户集合NUj为智能终端设备以实际接收到的信号与干扰加噪声功率比SINR阈值来定义邻居用户集合，其中，用户uj的邻居用户结合NUj的计算公式如下所示：
NUj＝{um∈U:SINRjm＞T}；
其中，um为用户uj的邻居用户，SINRjm为用户uj与其邻居用户um的干扰加噪声功率比，T为干扰加噪声功率比阈值；
步骤3.2：通过用户智能终端缓存热点多媒体数据，即根据邻居用户集合NUj和本地缓存信息表S构建各用户的邻居内容集合NFj；
所述用户uj的邻居内容集合NFj如下所示：
Figure FDA0002602367740000021
其中，
Figure FDA0002602367740000022
为网络中所有内容的集合，fk为历史数据中内容；
步骤3.3：通过用户智能终端之间的自匹配，形成D2D资源共享网络。
3.根据权利要求1所述的超密度蜂窝与D2D异构融合网络缓存优化决策方法，其特征在于，所述步骤4包括以下步骤：
步骤4.1：用户智能终端接收广播消息时获取各内容在邻居内容集合中的缓存比例propj；
步骤4.2：用户智能终端将计算出的内容流行度根据邻居智能终端中内容缓存比例对内容流行度进行更新；
所述将计算出的内容流行度根据邻居智能终端中内容缓存比例对内容流行度进行更新的公式如下所示：
Figure FDA0002602367740000023
其中，propk为内容fk在邻居内容集合中的缓存比例，Nj为用户uj的邻居内容总数，η为权重因子；
步骤4.3：用户接收端根据更新后的内容流行度以最大内容质量原则进行缓存，以最小内容质量原则对缓存的内容进行替换；
所述以最大内容质量原则进行缓存具体如下所示：
Figure FDA0002602367740000024
其中，
Figure FDA0002602367740000025
为用户终端uj对内容fk的缓存决策变量，sk为内容fk的大小，Sj为用户uj对应的终端存储容量；
所述以最小内容质量原则对缓存的内容进行替换具体如下所示：
Figure FDA0002602367740000031
其中，f*为使内容质量
Figure FDA0002602367740000032
达到最小时对应的内容。
4.根据权利要求1所述的超密度蜂窝与D2D异构融合网络缓存优化决策方法，其特征在于，所述步骤5包括以下步骤：
步骤5.1：通过用户智能终端预测蜂窝基站缓存内容可获得概率
Figure FDA0002602367740000033
所述预测蜂窝基站缓存内容可获得概率
Figure FDA0002602367740000034
的计算公式如下所示：
Figure FDA0002602367740000035
其中，
Figure FDA0002602367740000036
为基站Bi内缓存内容可获得概率，
Figure FDA0002602367740000037
为基站Bi覆盖区域内的用户uj发起内容请求的概率，Ni为基站Bi范围内的终端用户总数，
Figure FDA0002602367740000038
为内容fk在基站Bi范围内局部流行度，
Figure FDA0002602367740000039
为用户uj对内容fk的缓存决策变量；
步骤5.2：通过用户智能终端的本地缓存状况预测基站Bi内用户智能终端缓存内容的可获得概率
Figure FDA00026023677400000310
5.根据权利要求1所述的超密度蜂窝与D2D异构融合网络缓存优化决策方法，其特征在于，所述步骤6包括以下步骤：
步骤6.1：计算蜂窝小区内部传输延时统计值t1；
令
Figure FDA00026023677400000311
表示基站Bi缓存了内容fk，令
Figure FDA00026023677400000312
表示基站Bi未缓存内容fk，则蜂窝小区内部传输延时的统计值t1的计算公式如下所示：
Figure FDA00026023677400000313
其中，M为蜂窝与D2D异构融合网络中基站个数，dcell为内容从蜂窝基站传输至单个智能终端的传输延时；
步骤6.2：计算相邻基站的内容共享传输延时的统计值t2；
所述相邻基站的内容共享传输延时的统计值t2的计算公式如下所示：
Figure FDA00026023677400000314
其中，
Figure FDA00026023677400000315
Lir为基站i至基站r之间的最短跳数，
Figure FDA0002602367740000041
表示基站Br缓存了内容fk，
Figure FDA0002602367740000042
表示基站Br未缓存内容fk，dinter为相邻基站之间的传输延时；
步骤6.3：计算基站到核心网内容服务器传输延时的统计值t3；
所述基站到核心网内容服务器传输延时的统计值t3的计算公式如下所示：
Figure FDA0002602367740000043
其中，
Figure FDA0002602367740000044
为对变量
Figure FDA0002602367740000045
的或运算，即内容fk是否缓存在任意一个基站之中；
步骤6.4：计算D2D异构融合网络共享传输延时的统计值t4；
D2D异构融合网络共享传输延时的统计值t4的计算公式如下所示：
Figure FDA0002602367740000046
其中，dD为用户智能终端之间的传输延时。
6.根据权利要求1所述的超密度蜂窝与D2D异构融合网络缓存优化决策方法，其特征在于，所述步骤7包括以下步骤：
步骤7.1：设置初始化参数：将网络中流通的内容量构造为缓存基础集
Figure FDA0002602367740000047
所述缓存基础集
Figure FDA0002602367740000048
公式如下所示：
Figure FDA0002602367740000049
其中，
Figure FDA00026023677400000410
为缓存基础集，即所有基站中可能出现的所有缓存事件，
Figure FDA00026023677400000411
表示内容fk缓存在基站Bi中；
步骤7.2：以最小内容传输延时为目标的缓存决策问题按照设置的初始优化参数转换为服从拟阵限制条件的次模函数优化问题模型；
所述次模函数优化问题模型如下所示：
Figure FDA00026023677400000412
其中，
Figure FDA00026023677400000413
为缓存决策Xi的布尔表示形式，
Figure FDA00026023677400000414
X为当前优化决策，
Figure FDA00026023677400000415
为基站Bi中可能出现的所有缓存事件，
Figure FDA00026023677400000416
的布尔表示形式，
Figure FDA00026023677400000417
且
Figure FDA00026023677400000418
Figure FDA00026023677400000419
且
Figure FDA00026023677400000420
Figure FDA0002602367740000051
Vi K为预测基站缓存内容可获得概率，dc为内容从基站传输至单个终端的传输延时，do为内容从核心网络传输至本地基站的传输延时；
步骤7.3：通过服务网关分析次模函数优化问题模型，确定使次模函数优化问题模型的延时效益值最大的元素
Figure FDA0002602367740000052
所述使次模函数优化问题模型的延时效益值最大的元素
Figure FDA0002602367740000053
的计算公式如下所示：
Figure FDA0002602367740000054
其中，fX(·)为次模函数优化问题模型的目标函数；
步骤7.4：通过基站优化待缓存内容，判断当前蜂窝基站剩余存储空间是否能够缓存
Figure FDA0002602367740000055
若是，则缓存
Figure FDA0002602367740000056
删除
Figure FDA0002602367740000057
中的元素
Figure FDA0002602367740000058
否则，将更新缓存基础集
Figure FDA0002602367740000059
所述更新缓存基础集
Figure FDA00026023677400000510
的计算公式如下所示：
Figure FDA00026023677400000511
其中，
Figure FDA00026023677400000512
为基础子集，
Figure FDA00026023677400000513
为延时效益值最大的元素；
步骤7.5：重复步骤7.3至步骤7.5，直至
Figure FDA00026023677400000514
时获得优化后缓存决策X。
CN201810309517.7A 2018-04-09 2018-04-09 超密度蜂窝与d2d异构融合网络缓存优化决策方法 Active CN108600998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810309517.7A CN108600998B (zh) 2018-04-09 2018-04-09 超密度蜂窝与d2d异构融合网络缓存优化决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810309517.7A CN108600998B (zh) 2018-04-09 2018-04-09 超密度蜂窝与d2d异构融合网络缓存优化决策方法

Publications (2)

Publication Number Publication Date
CN108600998A CN108600998A (zh) 2018-09-28
CN108600998B true CN108600998B (zh) 2020-11-17

Family

ID=63621441

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810309517.7A Active CN108600998B (zh) 2018-04-09 2018-04-09 超密度蜂窝与d2d异构融合网络缓存优化决策方法

Country Status (1)

Country Link
CN (1) CN108600998B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110083761B (zh) * 2018-10-18 2023-06-20 中国电子科技集团公司电子科学研究院 一种基于内容流行度的数据分发方法、***及存储介质
CN109639760B (zh) * 2018-11-02 2019-09-03 西北工业大学 一种基于深度强化学习的d2d网络中的缓存策略方法
CN109495865B (zh) * 2018-12-27 2021-06-01 华北水利水电大学 一种基于d2d辅助的自适应缓存内容放置方法及***
CN110213002B (zh) * 2019-06-12 2020-07-28 东北大学 一种面向noma与d2d融合通信的资源分配方法
CN111328092B (zh) * 2020-02-27 2021-10-01 中山大学 D2d通信中继分组缓存分配中的预信息动态更新方法
CN111866601B (zh) * 2020-07-21 2021-10-22 中国科学技术大学 一种基于合作博弈的移动边缘场景中的视频码率决策方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016169621A1 (en) * 2015-04-24 2016-10-27 Nokia Solutions And Networks Oy Using networking relationship in configuring radio connectivity
CN106303927A (zh) * 2016-08-31 2017-01-04 电子科技大学 一种用于d2d无线缓存网络中的缓存分配方法
CN107484245A (zh) * 2017-08-04 2017-12-15 东北大学 一种异构网络中支持d2d通信的资源分配方法
CN107567068A (zh) * 2017-09-19 2018-01-09 东北大学 一种超密集小型基站自适应fso回程网络构建方法
CN107623720A (zh) * 2017-08-18 2018-01-23 中国科学院上海微***与信息技术研究所 一种基于合作缓存的数据选择性缓存方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016169621A1 (en) * 2015-04-24 2016-10-27 Nokia Solutions And Networks Oy Using networking relationship in configuring radio connectivity
CN106303927A (zh) * 2016-08-31 2017-01-04 电子科技大学 一种用于d2d无线缓存网络中的缓存分配方法
CN107484245A (zh) * 2017-08-04 2017-12-15 东北大学 一种异构网络中支持d2d通信的资源分配方法
CN107623720A (zh) * 2017-08-18 2018-01-23 中国科学院上海微***与信息技术研究所 一种基于合作缓存的数据选择性缓存方法
CN107567068A (zh) * 2017-09-19 2018-01-09 东北大学 一种超密集小型基站自适应fso回程网络构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Extensive Cooperative Caching in D2D Integrated Cellular Networks;Peng Lin,Qingyang Song,Yao Yu;《IEEE COMMUNICATIONS LETTERS》;20170612;章节2-3，附图1 *

Also Published As

Publication number Publication date
CN108600998A (zh) 2018-09-28

Similar Documents

Publication Publication Date Title
CN108600998B (zh) 超密度蜂窝与d2d异构融合网络缓存优化决策方法
CN109194763B (zh) 一种超密集网络中基于小型基站自组织协作的缓存方法
CN106851731B (zh) 一种最大化卸载概率的d2d缓存分配方法
CN108093435B (zh) 基于缓存流行内容的蜂窝下行链路网络能效优化***及方法
CN110290507B (zh) 一种d2d通信辅助边缘缓存***的缓存策略及频谱分配方法
CN110138836B (zh) 一种基于优化能量效率的线上协作缓存方法
CN107889160A (zh) 一种考虑用户时延的小小区网络边缘部分缓存方法
Lin et al. Caching in heterogeneous ultradense 5G networks: A comprehensive cooperation approach
CN106851741B (zh) 蜂窝网络中基于社交关系的分布式移动节点文件缓存方法
CN111885648A (zh) 基于边缘缓存的能量有效的网络内容分发机制构建方法
Tran et al. Mobee: Mobility-aware energy-efficient coded caching in cloud radio access networks
CN108541025B (zh) 一种面向无线异构网络的基站与d2d共同缓存方法
Golrezaei et al. Device-to-device communications for wireless video delivery
CN112437156A (zh) 一种基于mec-d2d的分布式协同缓存方法
Huang et al. D2D-assisted VR video pre-caching strategy
Yu et al. A caching strategy based on many-to-many matching game in D2D networks
CN110062356B (zh) 一种d2d网络中的缓存副本布设方法
CN112911614B (zh) 基于动态请求d2d网络中的协作编码缓存方法
CN111479312B (zh) 异构蜂窝网络内容缓存和基站休眠联合优化方法
CN110324175B (zh) 基于边缘缓存的网络节能方法及***
CN111556531A (zh) 一种微蜂窝无线网中的协作缓存优化方法
CN116546053A (zh) 一种资源受限物联网场景下的边缘计算服务放置***
Tang et al. Optimal multilevel media stream caching in cloud-edge environment
Shashidhara et al. A novel location aware content prefetching technique for mobile adhoc network
Yang et al. Local content cloud based cooperative caching placement for edge caching

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