CN109274527A - 一种用于支持mec的scn蜂窝网的缓存优化方法 - Google Patents
一种用于支持mec的scn蜂窝网的缓存优化方法 Download PDFInfo
- Publication number
- CN109274527A CN109274527A CN201811016578.0A CN201811016578A CN109274527A CN 109274527 A CN109274527 A CN 109274527A CN 201811016578 A CN201811016578 A CN 201811016578A CN 109274527 A CN109274527 A CN 109274527A
- Authority
- CN
- China
- Prior art keywords
- user
- base station
- video
- follows
- probability
- 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.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种用于支持MEC的SCN蜂窝网的缓存优化方法,当用户寻找到所需请求内容后,可将其缓存在SCN中的MEC服务器中,使得用户在基站间迅速切换时,可以准确获取相应的编码数据,提高数据传输精准度以及传输效率,保证了更快的响应时间。本发明采用遗传算法,对通过粒子群算法和离散粒子群算法获取的吞吐量表达式结果数值进行优化,以获取最优解,并充分考虑内容多样性、信道选择多样性和移动多样性三者间增益的均衡,以实现最大吞吐量。
Description
技术领域
本发明涉及一种用于支持MEC的SCN蜂窝网的缓存优化方法。
背景技术
近年来,随着互联网的发展及移动终端设备的智能化和普及,视频访问需求呈现出空前增长,而网络密集化是解决视频流问题的有效途径。但因回程链接能力限制,不利于网络密集化的部署实施。移动边缘缓存是解决网络致密化性能瓶颈问题最经济的解决方案。有研究者通过基于位置的模型来优化存储分配,从而实现了更高的缓存利用率、吞吐量和文件成功传输概率,也有研究者通过研究用户和基站建立链接时间长短的内在联系模型而提出的缓存方案,非常易于分析移动强度对移动感知缓存方案性能的影响。现如今,视频点播服务产生绝大多数的移动数据流量,而互联网的大发展和移动终端设备的智能化和普及,视频访问需求增长速度更是迅速。网络密集化可有效的解决视频流问题,但因回程链接能力受限,而不利于网络密集化的部署实施。
发明内容
发明目的:针对上述问题,本发明的目的是提供一种用于支持MEC的SCN蜂窝网的缓存优化方法。
为实现以上目的,本发明提供的一种用于支持MEC的SCN蜂窝网的缓存优化方法,具体步骤如下:
(1)小基站部署模型建模,由配备存储容量为C的MEC服务器的SCN组成的单层网络模型,通过设置密度为λs并指定为φs的独立齐次泊松点过程来对小基站部署模型建模,设回程链路带宽的上限是W0,下行带宽Ws,则有:
W0=θWs (1)
用0<θ<1表示回程链路的强度,θ小大小与回程能力强弱相对应,称θ为回程链路系数,ρ表示频谱效率,可得下行链路传输速率Rs和最低传输速率R0为:
Rs=ρWs (2)
R0=ρW0 (3)
(2)建立文件流行度,设内容库由F个视频文件组成,大小均为L,用Zipf分发模式建立文件流行度,采用降序方式排列视频文件流行度,用F={1,2,…F}指示视频文件集流行度;排名第i的视频文件的流行度斜度为:
参数γ用于控制文件流行度偏度;
(3)建立信道模型,设小基站传输功率为Pt,路径损耗指数α>2,假定某一用户与所在链路的基站x之间的距离为rx,则该用户接收信号功率为:
Px=Pt|hx|2rx -α (5)
其中,hx表示瑞利衰减系数,此外,如图(1)所示,采用严格的频率复用策略,可忽略基站间的干扰;
(4)建立移动性模型,在用户移动模型中,其强度用平均逗留时间衡量,用p(t)表示逗留时间的概率密度函数,其为:
τ为平均逗留时间,用于计算移动强度,τ大小对应表示移动强度的弱与强,用1表示请求视频在每一跳后的剩余数据量,1的概率密度模型如下:
δ>0,为常数,控制p(1)对移动强度的敏感度,T0=L/Rs为移动强度的刻度;
(5)移动感知编码概率缓存为,基于文件流行度的降序排列,用表示排名第M(0≤M≤F)的视频文件,用m(0≤m≤1)表示视频编码数据以概率p缓存在基站中对视频尺寸L的比值,可得该缓存决策由m、M和p共同决定,则理想情况下可得:
MmpL=C (8)
F0≤M≤F (9)
将M=1和p=1代入上式得整数变量M的下界为F0=C/L,将视频按流行度降序排序,用M={1,2,…,M}表示的文件的索引,可得请求视频的概率为:
其中fi的值由(4)得到;
(6)吞吐量模型分析,用Φi表示基站缓存视频i的编码数据,因i∈M,与用泊松点过程对基站的密度λs建模方法类似,Φi也服从密度为λi=pλs的泊松分布,当用户请求本地视频i时,可得用户的接收功率是:
其中px为从基站接收信号的功率,忽略基站间的干扰,则下行频谱效率为:
其中σ2表示噪声方差,当η大于一定值时(如η≥ρ),用户方可连接到基站,因为i∈M,且必须保证一定下行频谱效率ρ,故用户成功地从Φi中接入视频i的编码数据的概率为:
其中,为伽玛函数,ξ=pt/σ2表示信噪比,若用户请求i∈M中的的视频无法接入任何基站中的Φi,则用户将从其他Φs中下载编码数据,用Φs\Φi表示,若小基站(SBS)中的Φs\Φi以泊松点过程(PPP)模式分布,并且密度则覆盖概率表达式如下:
若当用户请求视频(用Pmiss表示),则情况相对简单,当它可以访问基站中的Φs,用户将被服务,当传输速率可用时,用户请求视频将被下载,此时覆盖概率和吞吐量表达式用Ps和Tmiss表示为:
Tmiss=PmissPsR0=(1-Phit)PsR0 (16)
6.1当户请求视频i之前,已下载部分数据,与Φi中的编码数据相比,所需剩余视频i的数据量较小(i≤mL),当用户不能接入任何基站中的Φi但可连接到基站中的Φs\Φi时,则以最低传输速率R0实现数据传输,反之若能成功的接入基站中的Φi,则可用Rs实现高速率数据传输,此时,吞吐量表达式为:
Tcasel=PhitP(1≤mL)[PcRs+(1-Pc)P0R0] (17)
用P(1≤mL)用于表示1≤mL的概率;
6.2当1>mL,用户成功访问小基站中的Φi中的1时,用户将从MEC服务器本地磁盘下载视频i的编码数据,定义t0=mL/Rs为逗留时间(mL为用户已下载的视频数据),当用户的逗留时间t≤t0时,则传输速率可达Rs;若t>t0,将受到回程传输限制,故用t0衡量用户移动强度是合理的,将m=1代入t0,可得到T0的值,与用t0来衡量个体层次上的移动强度不同,T0的标准相对宽松,对于t>t0,则平均传输速率Ravg(t,l)为:
其中ts(l)=t0+(l-mL)/R0为用户请求剩余视频数据的最大传输时间,当t从t0开始递增至ts(l),R0将变大,Ravg(t,l)将从Rs开始递减,Ravg(t,l)最小值为Ravg(ts(l),l),此时吞吐量表达式为:
其中P(1>mL)和P(t<t0)分别表示l>mL和t<t0的概率;
6.3当用户不能访问小基站中Φi时,此时1>mL,如果用户成功接入小基站中的Φs\Φi时,则用户只能通过受限的回程链路下载视频i的编码数据,此时吞吐量表达式为:
Tcase3=phitp(1>mL)(1-pc)p0R0 (20)
综合情形一、情形二、情形三和表达式(16),在支持MEC的小基站蜂窝网络中单个小基站的吞吐量表达式为:
T=Tcase1+Tcase2+Tcase3+Tmiss (21)
据公式(10)和(21),当M增加时,总缓存访问概率Phit增加,吞吐量将增加,由公式(13)得Pc是p的递增函数,将Phit和Pc产生的吞吐量增益分别称为内容多样性增益和信道多样性增益,因随着m的增加,Ravg将增加,吞吐量也增加,即随m增加,保持Rs不变,用户的移动强度可有多样性,故Ravg对吞吐量的贡献也会增加。
吞吐量表达式(21)有三个参数,用(8)转化后为二元函数,用T(m、M)表示,通过轻量级启发式算法,可获得m和M的数值优化解,用(m*,M*)表示,最终的吞吐量优化问题表达为如下所示:
s.t
FL>C
MmpL=C
M∈Z,
F0≤M≤F,
0≤m≤1,
0≤p≤1,
其中z表示整数集。
由内容库的总大小大于SBS的存储这一事实得出上述问题的第一个约束FL>C,上述问题可以通过粒子群优化算法和离散粒子群优化算法共同解决;首先通过PSO算法,固定M的值,以获得m*,用(m*,M)表示;然后通过(m*,M)用DPSO算法可获得(m*,M*);其中Z表示整数集,将得到的(m*,M*)多组数值解设定为初代种群,然后用遗传算法对其解进行优化,以得到最优解。
所述的将得到的优化数值解(m*,M*)代入方程(8),可获其最优数值解,用(m*,M*,p*)表示,因β=M/F,可知(m*,M*,p*)与(m*,β*,p*)取值相等。
有益效果:与现有技术相比,本发明具有以下优点:
1.本发明通过密集部署的SCN网络,当用户寻找到所需请求内容后,可将其缓存在SCN中的MEC服务器中,使得用户在基站间迅速切换时,可以准确获取相应的编码数据,提高数据传输精准度以及传输效率,保证了更快的响应时间;
2.在用户移动强度大、文件流行度扁平以及回程能力弱时,通过现有技术方案做比较与分析,可实现更高的吞吐量。
3.本发明采用遗传算法,对通过粒子群算法和离散粒子群算法获取的吞吐量表达式结果数值进行优化,以获取最优解,并充分考虑内容多样性、信道选择多样性和移动多样性三者间增益的均衡,以实现最大吞吐量。
4.本发明通过将其缓存在SCN中的MEC服务器中,使得用户在基站间迅速切换时,可以准确获取相应的编码数据,提高数据传输精准度以及传输效率有利于视频数据的传输。
附图说明
图1为单层SCN示意图,其中随机部署的SBS配置了MEC服务器;
图2为遗传算法流程图(N为种群迭代次数);
图3为当移动强度和内容流行度偏度不同时,比较MPC、概率缓存和本缓存方案,设定中等回程能力参数(θ=0.5);
图4为设γ=0.5,在不同移动强度和回程能力下,对比概率缓存方案和本缓存方案的性能。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种用于支持MEC的SCN蜂窝网的缓存优化方法,具体步骤如下:
(1)小基站部署模型建模,由配备存储容量为C的MEC服务器的SCN组成的单层网络模型,通过设置密度为λs并指定为φs的独立齐次泊松点过程来对小基站部署模型建模,设回程链路带宽的上限是W0,下行带宽Ws,则有:
W0=θWs (1)
用0<θ<1表示回程链路的强度,θ小大小与回程能力强弱相对应,称θ为回程链路系数,ρ表示频谱效率,可得下行链路传输速率Rs和最低传输速率R0为:
Rs=ρWs (2)
R0=ρW0 (3)
(2)建立文件流行度,设内容库由F个视频文件组成,大小均为L,用Zipf分发模式建立文件流行度。采用降序方式排列视频文件流行度,用F={1,2,…F}指示视频文件集流行度;排名第i的视频文件的流行度斜度为:
参数γ用于控制文件流行度偏度;
(3)建立信道模型,设小基站传输功率为Pt,路径损耗指数α>2,假定某一用户与所在链路的基站x之间的距离为rx,则该用户接收信号功率为:
Px=Pt|hx|2rx -α (5)
其中,hx表示瑞利衰减系数。此外,如图(1)所示,采用严格的频率复用策略,可忽略基站间的干扰。
(4)建立移动性模型,在用户移动模型中,其强度用平均逗留时间衡量,用p(t)表示逗留时间的概率密度函数,其为:
τ为平均逗留时间,用于计算移动强度,τ大小对应表示移动强度的弱与强,用1表示请求视频在每一跳后的剩余数据量,1的概率密度模型如下:
δ>0,为常数,控制p(l)对移动强度的敏感度,T0=L/Rs为移动强度的刻度;
(5)移动感知编码概率缓存为,基于文件流行度的降序排列,用表示排名第M(0≤M≤F)的视频文件,用m(0≤m≤1)表示视频编码数据以概率p缓存在基站中对视频尺寸L的比值,可得该缓存决策由m、M和p共同决定,则理想情况下可得:
MmpL=C (8)
F0≤M≤F (9)
将M=1和p=1代入上式得整数变量M的下界为F0=C/L,将视频按流行度降序排序,用M={1,2,…,M}表示的文件的索引,可得请求视频的概率为:
其中fi的值由(4)得到;
(6)吞吐量模型分析,用Φi表示基站缓存视频i的编码数据,因i∈M,与用泊松点过程对基站的密度λs建模方法类似,Φi也服从密度为λi=pλs的泊松分布,当用户请求本地视频i时,可得用户的接收功率是:
其中px为从基站接收信号的功率,忽略基站间的干扰,则下行频谱效率为:
其中σ2表示噪声方差,当η大于一定值时(如η≥ρ),用户方可连接到基站,因为i∈M,且必须保证一定下行频谱效率ρ,故用户成功地从Φi中接入视频i的编码数据的概率为:
其中,为伽玛函数,ξ=pt/σ2表示信噪比,若用户请求i∈M中的的视频无法接入任何基站中的Φi,则用户将从其他Φs中下载编码数据,用Φs\Φi表示,若小基站(SBS)中的Φs\Φi以泊松点过程(PPP)模式分布,并且密度则覆盖概率表达式如下:
若当用户请求视频(用Pmiss表示),则情况相对简单,当它可以访问基站中的Φs,用户将被服务,当传输速率可用时,用户请求视频将被下载,此时覆盖概率和吞吐量表达式用Ps和Tmiss表示为:
Tmiss=Pmiss Ps R0=(1-Phit)PsR0 (16)
(6.1)请求视频i之前,已下载部分数据,与Φi中的编码数据相比,所需剩余视频i的数据量较小(i≤mL),当用户不能接入任何基站中的Φi但可连接到基站中的Φs\Φi时,则以最低传输速率R0实现数据传输,反之若能成功的接入基站中的Φi,则可用Rs实现高速率数据传输,此时,吞吐量表达式为:
Tcase1=PhitP(1≤mL)[PcRs+(1-Pc)P0R0] (17)
用P(l≤mL)用于表示1≤mL的概率;
(6.2)当1>mL,用户成功访问小基站中的Φi中的1时,用户将从MEC服务器本地磁盘下载视频i的编码数据。定义t0=mL/Rs为逗留时间(mL为用户已下载的视频数据),当用户的逗留时间t≤t0时,则传输速率可达Rs;若t>t0,将受到回程传输限制。故用t0衡量用户移动强度是合理的。将m=1代入t0,可得到T0的值,与用t0来衡量个体层次上的移动强度不同,T0的标准相对宽松。对于t>t0,则平均传输速率Ravg(t,l)为:
其中ts(l)=t0+(l-mL)/R0为用户请求剩余视频数据的最大传输时间,当t从t0开始递增至ts(l),R0将变大,Ravg(t,l)将从Rs开始递减,Ravg(t,l)最小值为Ravg(ts(l),l)。此时吞吐量表达式为:
其中P(1>mL)和P(t<t0)分别表示l>mL和t<t0的概率;
(6.3)当用户不能访问小基站中Φi时,此时1>mL,如果用户成功接入小基站中的Φs\Φi时,则用户只能通过受限的回程链路下载视频i的编码数据,此时吞吐量表达式为:
Tcase3=phitp(1>mL)(1-pc)p0R0 (20)
综合情形一、情形二、情形三和表达式(16),在支持MEC的小基站蜂窝网络中单个小基站的吞吐量表达式为:
T=Tcasel+Tcase2+Tcase3+Tmiss (21)
据公式(10)和(21),当M增加时,总缓存访问概率Phit增加,吞吐量将增加,由公式(13)得Pc是p的递增函数,将Phit和Pc产生的吞吐量增益分别称为内容多样性增益和信道多样性增益,因随着m的增加,Ravg将增加,吞吐量也增加,即随m增加,保持Rs不变,用户的移动强度可有多样性,故Ravg对吞吐量的贡献也会增加;
吞吐量表达式(21)有三个参数,用(8)转化后为二元函数,用T(m、M)表示,通过轻量级启发式算法,可获得m和M的数值优化解,用(m*,M*)表示,最终的吞吐量优化表达为如下所示:
s.t
FL>C
MmpL=C
M∈Z,
F0≤M≤F,
0≤m≤1,
0≤p≤1,
其中Z表示整数集;
由内容库的总大小大于SBS的存储这一事实得出上述问题的第一个约束FL>C,上述问题可以通过粒子群优化算法和离散粒子群优化算法共同解决;首先通过PSO算法,固定M的值,以获得m*,用(m*,M)表示;然后通过(m*,M)用DPSO算法可获得(m*,M*);其中Z表示整数集,将得到的(m*,M*)多组数值解设定为初代种群,然后用遗传算法对其解进行优化,以得到最优解。
所述的将得到的优化数值解(m*,M*)代入方程(8),可获其最优数值解,用(m*,M*,p*)表示,因β=M/F,可知(m*,M*,p*)与(m*,β*,p*)取值相等。
遗传算法采用选择运算对群体中的个体进行优胜劣汰。当个体的适应度高时,将被遗传到下一代群体;适应度低的个体,将被淘汰。交叉与变异是遗传算法区别于其他进化算法的重要特征,在遗传算法中起关键作用,是产生新个体的主要方法。交叉运算和变异运算的相互配合,共同完成对搜索空间的全局搜索和局部搜索。
算法一.遗传算法
将得到的优化数值解(m*,M*)代入方程(8),可获其最优数值解,用(m*,M*,p*)表示。因设β=M/F,可知(m*,M*,p*)与(m*,β*,p*)取值相等,由此可得移动多样性、内容多样性和信道多样性间增益的均衡。
将本发明与经典的MPC方案、传统的概率缓存方案相比,考虑内容多样性、信道选择多样性以及移动性多样性间增益的均衡,可体现出本发明在解决网络致密化问题的优势。仿真参数的设置如表一中所示。
表一:仿真参数表
本发明通过对用户移动性、内容流行度、回程链接能力等因素的分析来综合体现其性能。因概率缓存方案与MPC方案相比,在内容多样性和信道选择多样性两方面具有很大的优势,当γ很小时,概率缓存方案性能优势明显。与概率缓存方案相比,本缓存方案通过探索用户移动性和分布式存储,以吞吐量作为衡量性能的标准,显著优于前者。但随移动强度(τ增加)的下降,分布式存储的优势减弱,本发明的性能开始下降,最终与概率缓存方案的性能相差无几,如图(3)所示。显然,当不考虑分布式存储(如,m=1)时,m*取值过大将与概率缓存方案性能类似。因此,本发明在性能最差时与传统概率缓存方案相同。
当采用低、中、高的回程链接能力系数(即:θ=0.2,0.5,0.8),将本案与传统概率缓存方案相比,显示其优越性。随着θ的降低,两个缓存方案的性能均呈现出下降的趋势,因为较小的θ将限制无线网络性能,如图(4)所示。此外,从图中可得,随着θ和τ的下降,概率缓存方案和本缓存方案的性能差距变大,表明通过探究用户移动性和文件分布式存储特性,本缓存方案用于解决网络致密化问题具有优越性,并且在支持MEC的SCN中应用本缓存方案,无需通过增加θ就可提高吞吐量。
本发明中,通过在传统的概率缓存基础上,提出基于移动感知的编码概率缓存方案,在支持MEC的小基站中进行视频传输,考虑内容多样性、信道选择多样性和用户的移动性,并优化离散随机跳跃模型,导出了吞吐量的显式表达式。通过PSO和DPSO得出该复杂表达式的数值解,并用遗传算法对其进行优化。同时对内容多样性、信道选择多样性和移动多样性三者的增益进行分析,以取得均衡效果。与经典的MPC方案和传统概率缓存方案相比,本发明能够实现更高的吞吐量,其用户剧烈移动、文件流行度扁平以及回程能力弱时性能优势更明显,充分显示出本发明的优越性所在。
Claims (4)
1.一种用于支持MEC的SCN蜂窝网的缓存优化方法,其特征在于:具体步骤如下:
(1)小基站部署模型建模,由配备存储容量为C的MEC服务器的SCN组成的单层网络模型,通过设置密度为λs并指定为φs的独立齐次泊松点过程来对小基站部署模型建模,设回程链路带宽的上限是W0,下行带宽Ws,则有:
W0=θWs (1)
用0<θ<1表示回程链路的强度,θ小大小与回程能力强弱相对应,称θ为回程链路系数,ρ表示频谱效率,可得下行链路传输速率Rs和最低传输速率R0为:
Rs=ρWs (2)
R0=ρW0 (3)
(2)建立文件流行度,设内容库由F个视频文件组成,大小均为L,用Zipf分发模式建立文件流行度,采用降序方式排列视频文件流行度,用F={1,2,…F}指示视频文件集流行度;排名第i的视频文件的流行度斜度为:
参数γ用于控制文件流行度偏度;
(3)建立信道模型,设小基站传输功率为Pt,路径损耗指数α>2,假定某一用户与所在链路的基站x之间的距离为rx,则该用户接收信号功率为:
Px=Pt|hx|2rx -α (5)
其中,hx表示瑞利衰减系数,此外,如图(1)所示,采用严格的频率复用策略,可忽略基站间的干扰;
(4)建立移动性模型,在用户移动模型中,其强度用平均逗留时间衡量,用p(t)表示逗留时间的概率密度函数,其为:
τ为平均逗留时间,用于计算移动强度,τ大小对应表示移动强度的弱与强,用1表示请求视频在每一跳后的剩余数据量,1的概率密度模型如下:
δ>0,为常数,控制p(l)对移动强度的敏感度,T0=L/Rs为移动强度的刻度;
(5)移动感知编码概率缓存为,基于文件流行度的降序排列,用表示排名第M(0≤M≤F)的视频文件,用m(0≤m≤1)表示视频编码数据以概率p缓存在基站中对视频尺寸L的比值,可得该缓存决策由m、M和p共同决定,则理想情况下可得:
MmpL=C (8)
F0≤M≤F (9)
将M=1和p=1代入上式得整数变量M的下界为F0=C/L,将视频按流行度降序排序,用M={1,2,…,M}表示的文件的索引,可得请求视频的概率为:
其中fi的值由(4)得到;
(6)吞吐量模型分析,用Φi表示基站缓存视频i的编码数据,因i∈M,与用泊松点过程对基站的密度λs建模方法类似,Φi也服从密度为λi=pλs的泊松分布,当用户请求本地视频i时,可得用户的接收功率是:
其中px为从基站接收信号的功率,忽略基站间的干扰,则下行频谱效率为:
其中σ2表示噪声方差,当η大于一定值时(如η≥ρ),用户方可连接到基站,因为i∈M,且必须保证一定下行频谱效率ρ,故用户成功地从Φi中接入视频i的编码数据的概率为:
其中,为伽玛函数,ξ=pt/σ2表示信噪比,若用户请求i∈M中的的视频无法接入任何基站中的Φi,则用户将从其他Φs中下载编码数据,用Φs\Φi表示,若小基站(SBS)中的Φs\Φi以泊松点过程(PPP)模式分布,并且密度则覆盖概率表达式如下:
若当用户请求视频(用Pmiss表示),则情况相对简单,当它可以访问基站中的Φs,用户将被服务,当传输速率可用时,用户请求视频将被下载,此时覆盖概率和吞吐量表达式用Ps和Tmiss表示为:
Tmiss=PmissPsR0=(1-Phit)PsR0 (16)
6.1当户请求视频i之前,已下载部分数据,与Φi中的编码数据相比,所需剩余视频i的数据量较小(i≤mL),当用户不能接入任何基站中的Φi但可连接到基站中的Φs\Φi时,则以最低传输速率R0实现数据传输,反之若能成功的接入基站中的Φi,则可用Rs实现高速率数据传输,此时,吞吐量表达式为:
Tcasel=PhitP(1≤mL)[PcRs+(1-Pc)P0R0] (17)
用P(1≤mL)用于表示1≤mL的概率;
6.2当1>mL,用户成功访问小基站中的Φi中的1时,用户将从MEC服务器本地磁盘下载视频i的编码数据,定义t0=mL/Rs为逗留时间(mL为用户已下载的视频数据),当用户的逗留时间t≤t0时,则传输速率可达Rs;若t>t0,将受到回程传输限制,故用t0衡量用户移动强度是合理的,将m=1代入t0,可得到T0的值,与用t0来衡量个体层次上的移动强度不同,T0的标准相对宽松,对于t>t0,则平均传输速率Ravg(t,l)为:
其中ts(l)=t0+(l-mL)/R0为用户请求剩余视频数据的最大传输时间,当t从t0开始递增至ts(l),R0将变大,Ravg(t,l)将从Rs开始递减,Ravg(t,l)最小值为Ravg(ts(l),l),此时吞吐量表达式为:
其中P(l>mL)和P(t<t0)分别表示l>mL和t<t0的概率;
6.3当用户不能访问小基站中Φi时,此时1>mL,如果用户成功接入小基站中的Φs\Φi时,则用户只能通过受限的回程链路下载视频i的编码数据,此时吞吐量表达式为:
Tcase3=phitp(1>mL)(1-pc)p0R0 (20)
综合情形一、情形二、情形三和表达式(16),在支持MEC的小基站蜂窝网络中单个小基站的吞吐量表达式为:
T=Tcase1+Tcase2+Tcase3+Tmiss (21)
据公式(10)和(21),当M增加时,总缓存访问概率Phit增加,吞吐量将增加,由公式(13)得Pc是p的递增函数,将Phit和Pc产生的吞吐量增益分别称为内容多样性增益和信道多样性增益,因随着m的增加,Ravg将增加,吞吐量也增加,即随m增加,保持Rs不变,用户的移动强度可有多样性,故Ravg对吞吐量的贡献也会增加。
2.根据权利要求1所述的一种用于支持MEC的SCN蜂窝网的缓存优化方法,其特征在于:吞吐量表达式(21)有三个参数,用(8)转化后为二元函数,用T(m、M)表示,通过轻量级启发式算法,可获得m和M的数值优化解,用(m*,M*)表示,最终的吞吐量优化问题表达为如下所示:
s.t
FL>C
MmpL=C
M∈Z,
F0≤M≤F,
0≤m≤1,
0≤p≤1,
其中Z表示整数集。
3.根据权利要求1所述的一种用于支持MEC的SCN蜂窝网的缓存优化方法,其特征在于:由内容库的总大小大于SBS的存储这一事实得出上述问题的第一个约束FL>C,上述问题可以通过粒子群优化算法和离散粒子群优化算法共同解决;首先通过PSO算法,固定M的值,以获得m*,用(m*,M)表示;然后通过(m*,M)用DPSO算法可获得(m*,M*);其中Z表示整数集,将得到的(m*,M*)多组数值解设定为初代种群,然后用遗传算法对其解进行优化,以得到最优解。
4.根据权利要求3所述的一种用于支持MEC的SCN蜂窝网的缓存优化方法,其特征在于:所述的将得到的优化数值解(m*,M*)代入方程(8),可获其最优数值解,用(m*,M*,p*)表示,因β=M/F,可知(m*,M*,p*)与(m*,β*,p*)取值相等。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811016578.0A CN109274527B (zh) | 2018-08-31 | 2018-08-31 | 一种用于支持mec的scn蜂窝网的缓存优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811016578.0A CN109274527B (zh) | 2018-08-31 | 2018-08-31 | 一种用于支持mec的scn蜂窝网的缓存优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109274527A true CN109274527A (zh) | 2019-01-25 |
CN109274527B CN109274527B (zh) | 2021-11-26 |
Family
ID=65187052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811016578.0A Active CN109274527B (zh) | 2018-08-31 | 2018-08-31 | 一种用于支持mec的scn蜂窝网的缓存优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109274527B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109451517A (zh) * | 2018-12-27 | 2019-03-08 | 同济大学 | 一种基于移动边缘缓存网络的缓存放置优化方法 |
CN110213627A (zh) * | 2019-04-23 | 2019-09-06 | 武汉理工大学 | 基于多小区用户移动性的流媒体缓存分配装置及其工作方法 |
CN110505666A (zh) * | 2019-08-14 | 2019-11-26 | 北京邮电大学 | 一种蜂窝网络中的内容缓存方法及蜂窝网络*** |
CN116361009A (zh) * | 2023-05-19 | 2023-06-30 | 南京邮电大学 | 一种mec计算卸载、资源分配及缓存联合优化方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107968835A (zh) * | 2017-12-05 | 2018-04-27 | 南京大学 | 一种基于编码的无线异构网络视频缓存设施部署方法 |
CN108121512A (zh) * | 2017-12-22 | 2018-06-05 | 苏州大学 | 一种边缘计算服务缓存方法、***、装置及可读存储介质 |
-
2018
- 2018-08-31 CN CN201811016578.0A patent/CN109274527B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107968835A (zh) * | 2017-12-05 | 2018-04-27 | 南京大学 | 一种基于编码的无线异构网络视频缓存设施部署方法 |
CN108121512A (zh) * | 2017-12-22 | 2018-06-05 | 苏州大学 | 一种边缘计算服务缓存方法、***、装置及可读存储介质 |
Non-Patent Citations (2)
Title |
---|
杨徐辉: "高密集异构融合5G网络下的资源管理技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
郑凯月等: "基于内容流行度和节点重要度的CCN缓存策略", 《计算机技术与发展》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109451517A (zh) * | 2018-12-27 | 2019-03-08 | 同济大学 | 一种基于移动边缘缓存网络的缓存放置优化方法 |
CN109451517B (zh) * | 2018-12-27 | 2020-06-12 | 同济大学 | 一种基于移动边缘缓存网络的缓存放置优化方法 |
CN110213627A (zh) * | 2019-04-23 | 2019-09-06 | 武汉理工大学 | 基于多小区用户移动性的流媒体缓存分配装置及其工作方法 |
CN110505666A (zh) * | 2019-08-14 | 2019-11-26 | 北京邮电大学 | 一种蜂窝网络中的内容缓存方法及蜂窝网络*** |
CN116361009A (zh) * | 2023-05-19 | 2023-06-30 | 南京邮电大学 | 一种mec计算卸载、资源分配及缓存联合优化方法 |
CN116361009B (zh) * | 2023-05-19 | 2023-11-10 | 南京邮电大学 | 一种mec计算卸载、资源分配及缓存联合优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109274527B (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109274527A (zh) | 一种用于支持mec的scn蜂窝网的缓存优化方法 | |
Zhong et al. | A deep reinforcement learning-based framework for content caching | |
Liu et al. | Caching at the wireless edge: design aspects, challenges, and future directions | |
Guo et al. | Dueling deep-Q-network based delay-aware cache update policy for mobile users in fog radio access networks | |
Anokye et al. | Deep reinforcement learning-based mobility-aware UAV content caching and placement in mobile edge networks | |
CN106230550B (zh) | 车联网环境下具有缓存能力的编码传输方法 | |
CN110312277B (zh) | 一种基于机器学习的移动网络边缘协作缓存模型构造方法 | |
Ai et al. | 5G heterogeneous network selection and resource allocation optimization based on cuckoo search algorithm | |
CN108668287A (zh) | 一种基于用户内容流行度和移动规则的主动缓存方法 | |
Yan et al. | Machine-learning approach for user association and content placement in fog radio access networks | |
He et al. | Cache-enabled coordinated mobile edge network: Opportunities and challenges | |
CN110290510A (zh) | 支持d2d通信的分层无线网络下的边缘协作缓存方法 | |
Liu et al. | How much cache is needed to achieve linear capacity scaling in backhaul-limited dense wireless networks? | |
CN110913239B (zh) | 一种精细化的移动边缘计算的视频缓存更新方法 | |
Feng et al. | Proactive content caching scheme in urban vehicular networks | |
CN108810139B (zh) | 一种基于蒙特卡洛树搜索辅助的无线缓存方法 | |
CN112911614B (zh) | 基于动态请求d2d网络中的协作编码缓存方法 | |
Li et al. | Edge caching for D2D enabled hierarchical wireless networks with deep reinforcement learning | |
Yin et al. | Mobility-based proactive cache and transmission strategy in millimeter wave heterogeneous networks | |
Bai et al. | A knowledge graph-based cooperative caching scheme in MEC-enabled heterogeneous networks | |
CN112954026B (zh) | 一种基于边缘计算的多约束内容协作缓存优化方法 | |
CN114245422A (zh) | 一种基于簇内智能共享的边缘主动缓存方法 | |
Wang et al. | Backhaul-Based Cooperative Caching in Small Cell Network | |
CN111432418B (zh) | 5g网络中基于d2d通信的内容缓存方法及*** | |
Chaonan et al. | Cooperative Edge Caching Strategy Based on Mobile Prediction and Social-Aware in Internet of Vehicles |
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 |