CN106231622A - 一种基于缓存容量限制的内容存储方法 - Google Patents

Abstract

本发明一种基于缓存容量限制的内容存储方法，属于移动通信领域，具体如下：首先，针对某个单小区，建立用户与基站，用户与缓存服务设备CSD之间的通信系统；然后，基站根据CSD的分布和当前网络中传输的内容，计算每个内容的缓存概率，并广播告知网络内的所有CSD，每个CSD根据缓存概率对内容进行缓存。最后，针对某个用户发送请求内容，判断D2D最大通信范围内是否有CSD存在用户要请求的内容；如果存在，距离最近的CSD将自身缓存的内容传输给用户；否则，该用户直接向基站发送请求内容。优点在于：通过在D2D支持的移动内容分发网络中引入最优算法，准确求出每个内容的缓存概率，在缓存空间有限的条件下确保整个系统的收益最大化。

Description

一种基于缓存容量限制的内容存储方法

技术领域

本发明属于移动通信领域，描述了一种基于缓存容量限制的内容存储方法。

背景技术

随着智能终端的普及，在多媒体内容的需求上，无线网络正面临着前所未有的挑战；此外，由于社交网络服务(Social Network Service,SNS)的发展，不同的内容会根据不同的流行度进行分级；这就意味着，流行的内容可能成为网络中最主要的流，并导致巨大的网络流量。在这种形势下，蜂窝网络中传统的客户端-服务器模型已经无法满足内容分发的需求，而且由于基站侧的负载溢出，性能退化问题也不可避免。因此，一种更加有效的内容分发网络架构显得尤其重要，例如移动内容分发网络(Mobile Content DeliveryNetworks,mCDNs)。

在mCDNs中，设备间(Device-to-Device,D2D)通信被广泛应用在用户(User,UE)间的内容共享上。考虑一个包含蜂窝通信和D2D通信的mCDNs场景，UE可以通过建立D2D连接来从附近的设备获取所需要的内容，从而替代直接从BS去获取。由于移动设备可以携带和直接分发一些内容给周围的用户，蜂窝网络下的D2D通信可以获得高传输速率和低时延，并且降低BS的负载。

尽管针对D2D通信支持的mCDNs已经有了一些研究成果，但是大多数工作都没有联合考虑内容大小，缓存服务器设备(Caching Server Device,CSD)的传输覆盖范围和缓存容量对内容存储的影响。例如，由于缓存容量是有限的，不能在CSD上存储每个内容，而是应该选择合适的内容去存储。对于覆盖范围而言，由于路径损耗，UE只能从给定范围内的CSD上获取内容，因此这也是一个关键因素。

现有技术中，缓存技术采用以下两种方法：一是等份缓存方案EPCS，特点是在CSD的缓存空间有限的条件下，保证每个内容占据的份额相等。

因为该算法可以保证不论内容的大小如何，所有的内容都可以获得相等存储空间，而且某个内容是否被缓存与其他内容是否被缓存没有必然联系，因此所有内容之间保持最佳的公平性。除此之外，EPCS对CSD来说十分简单，计算复杂度低，根据内容大小和总的缓存空间，就能够直接计算出每个内容的缓存概率。

虽然，EPCS复杂度较小，最大程度的保障了内容缓存的公平性，但是没有考虑到不同内容的流行度，因此缓存命中率较低。

二是小索引优先缓存方案SFCS，特点是根据Zipf分布对不同的K个内容进行流行度分级，其索引分别为1～K，索引越小则流行度越高。在缓存空间未满的情况下，优先选择索引小(流行度高)的内容进行缓存。因为内容的流行度越高，表示该内容被用户请求的概率就越大，所以SFCS每次选择流行度较高的内容进行缓存，对用户请求的命中率也就更高。

和EPCS相比较，SFCS考虑了内容流行度和缓存空间限制，从索引最小的内容开始依次遍历，只要缓存空间未满，就选择缓存该内容，直到遇到一个内容使缓存空间溢出，则此内容及其之后索引比它更大的内容都不会被缓存。虽然考虑了内容流行度，较EPCS来说提高了缓存命中率，但是选择性忽略掉了那些流行度较低但却也有可能被用户请求的内容，缺少一定的自适应性。

此外，上述两种内容缓存方案主要是针对内容缓存命中率，但是在实际的内容分发网络中，内容缓存命中率越高并不意味着整个系统的效益越大，因为缓存内容同样需要一定的资源消耗，所以“入不敷出”的情况很有可能会发生。

发明内容

本发明针对现有技术进行了改进，综合考虑了整个通信系统的效益问题，不仅将关注点放在流行度高的内容上，也没有忽略那些流行度低但也可能被用户请求的内容；同时还全面考虑了其它因素，如内容大小和缓存容量限制。因此，本发明提出了一种基于缓存容量限制的内容存储方法。

具体步骤如下：

步骤一、针对某个单小区，建立用户与基站，用户与缓存服务设备CSD之间的通信系统；

单小区中包括一个基站和若干用户缓存服务设备(CSD)，用户通过D2D通信从给定范围内的CSD获取所需的内容；或者用户直接通过基站获取所需内容。

CSD的分布服从强度为λ的泊松点过程，D2D通信的最大范围为r，每个CSD的最大缓存空间容量为M；

步骤二、基站根据CSD的分布和当前网络中传输的内容，计算每个内容的缓存概率，并广播告知网络内的所有CSD，每个CSD根据缓存概率对内容进行缓存。

具体步骤如下：

步骤201、针对当前网络中传输的内容i，计算内容i被用户请求的概率g_i和D2D通信最大范围内存在CSD的概率；

当前网络中的传输内容数量为K，集合为I＝{1,2,...i,...K}。

内容i被用户请求的概率g_i计算公式如下：

$g_i=\frac{1}{i^{\mathrm{\θ}}\×\underset{k=1}{\overset{K}{\Σ}}\frac{1}{k^{\mathrm{\θ}}}}$

θ是Zipf分布的参数，Zipf分布是用户对不同内容的请求概率的建模；

用户周围r范围内存在m个CSD的概率为f_r(m)：

$f_r\left(m\right)=\frac{{\left({\mathrm{\πr}}^2\mathrm{\λ}\right)}^m}{m!}{e}^{-{\mathrm{\π\λr}}^2}$

λ是泊松点过程的强度值；

步骤202、根据CSD存在的概率，计算当用户周围不存在符合用户要求的CSD时，从基站获取内容的概率

$f_r^{BS}=f_r\left(0\right)=e^{-{\mathrm{\π\λp}}_i{r}^2}$

p_i为内容i被CSD缓存的概率；

步骤203、计算用户从通信范围内存在符合要求的CSD时，从CSD获取内容的概率

$f_r^{CSD}=1-f_r\left(0\right)=1-e^{-{\mathrm{\π\λp}}_i{r}^2};$

步骤204、分别计算用户从通信范围内存在符合要求的CSD获取内容的收益以及用户从基站获取内容的收益

用户从通信范围内存在符合要求的CSD获取内容的收益计算如下：

α表示CSD收到单位大小的内容的收益；s_i表示内容i的大小；表示每个内容大小的集合，服从对数正态分布；αs_i表示来自CSD的收益；β表示从基站请求单位大小的内容所需的花费；βs_i是基站下行链路传输的花费；p_iβs_i表示由于缓存内容i节省下来的基站下行链路传输花费；表示单位大小的缓存空间需要的花费；表示由于缓存内容i节省下来的缓存花费。

用户从基站获取内容的收益

步骤205、根据从CSD获取内容的概率和收益以及从基站获取内容的概率和收益计算传输内容i的整体收益U_i；

步骤206、针对K个内容，分别计算每个内容被用户请求的概率和每个内容的整体收益；

步骤207、对所有K个内容的被用户请求的概率和整体收益之积求和，并采用离散二分搜索算法优化最大值，得到K个缓存概率；

具体优化如下：

$\underset{p_i\∈\{p_1,p_2,...,p_K\}}{max}\underset{i\∈I}{\Σ}{g}_i{U}_i$

$\begin{array}{cc}s.t.& \left\{\begin{array}{c}{p}_i\≥0\\ p_i\≤1\\ \underset{i\∈I}{\Σ}{p}_i{s}_i\≤M\end{array}\right.\end{array}$

步骤208、基站将K个内容的缓存概率广播给所有CSD；每个CSD根据缓存概率值缓存相关内容；

针对内容i，CSD缓存内容i的概率是p_i；放弃的概率是1-p_i。

步骤三、针对某个用户，在特定时间广播发送请求内容，判断D2D最大通信范围内是否存在CSD；如果存在，进入步骤四，否则，进入步骤六；

步骤四、各CSD判断自身的缓存容量中是否存在用户要请求的内容，如果存在，进入步骤五，否则，进入步骤六。

步骤五、距离最近的CSD将自身缓存的内容传输给用户。

步骤六、该用户直接向基站发送请求内容，通过基站获取该用户所需的内容。

本发明的优点在于：一种基于缓存容量限制的内容存储方法，通过在D2D支持的移动内容分发网络中引入最优算法，准确求出每个内容的缓存概率，在缓存空间有限的条件下确保整个系统的收益最大化。

附图说明

图1为本发明用户与基站，用户与CSD之间的通信系统示意图；

图2为本发明一种基于缓存容量限制的内容存储方法的流程图；

图3为本发明基站计算出每个内容的缓存概率并在CSD中进行缓存的流程图；

图4为本发明不同算法的系统收益随着Zipf分布参数的变化对比图；

图5为本发明不同算法的系统收益随着内容数目的变化对比图；

图6为本发明不同算法的系统收益随着缓存空间大小的变化对比图。

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。

本发明是一种基于D2D支持的mCDNs的内容请求方案，通过全面考虑实际内容分发网络中的条件限制，包括网络内容的流行度和大小，CSD的传输覆盖范围限制和缓存空间限制等因素，针对系统效益的最优化问题进行求解，利用最优解获取CSD上每个内容的缓存概率，利用最优算法对D2D支持的移动内容分发网络中缓存机制进行研究，确保整个系统获得最大收益；具体是一种基于缓存容量限制的内容存储方法。

如图2所示，具体步骤如下：

步骤一、针对某个单小区，建立用户与基站，用户与缓存服务设备CSD之间的通信系统；

网络场景示意图如图1所示，单小区中包括一个基站和若干用户缓存服务设备(CSD)，考虑单小区下的D2D通信支持的mCNDs场景，基站为若干个CSD服务，CSD的分布服从强度为λ的泊松点过程，D2D通信的最大覆盖范围为r，每个CSD的最大缓存空间容量为M；

用户通过D2D通信从给定范围内的CSD获取所需的内容；或者用户直接通过基站获取所需内容。

步骤二、基站根据CSD的分布和当前网络中传输的内容，计算出每个内容的缓存概率，并广播告知网络内的所有CSD，每个CSD根据缓存概率对内容进行缓存。

当前网络中的传输内容数量为K，集合为I＝{1,2,...i,...K}。

通过判断用户附近给定范围内是否存在缓存了其请求内容的CSD，来决定用户如何获取内容。如果周边存在这样的CSD，则优先通过D2D连接来直接获取，否则继续向基站请求内容

如图3所示，具体步骤如下：

步骤201、针对当前网络中传输的内容i，计算内容i被用户请求的概率g_i和D2D通信最大范围内存在CSD的概率；

本实施例采用Zipf模型对内容流行度建模，令为任意时刻内容i被用户请求的概率，其中C为常数。由于K个内容请求概率之和应该等于1，即因此可得：

$g_i=\frac{1}{i^{\mathrm{\θ}}\×\underset{k=1}{\overset{K}{\Σ}}\frac{1}{k^{\mathrm{\θ}}}}$

θ是Zipf分布的参数，Zipf分布是用户对不同内容的请求概率的建模；

由于CSD的分布服从强度为λ的泊松点过程，且覆盖范围为r，因此用户周围r范围内存在m个CSD的概率为f_r(m)：

$f_r\left(m\right)=\frac{{\left({\mathrm{\πr}}^2\mathrm{\λ}\right)}^m}{m!}{e}^{-{\mathrm{\π\λr}}^2}$

λ是泊松点过程的强度值；

步骤202、根据CSD存在的概率，计算当用户周围不存在符合用户要求的CSD时，从基站获取内容的概率

对任意的内容i来说，如果用户无法从周围的CSD上获取，则必须从基站去请求该内容。考虑到CSD对内容i的缓存概率为p_i，因此可以将强度替换为λ·p_i。令m＝0即用户周围不存在缓存了其请求内容的CSD，可以得到从基站获取内容的概率为：

$f_r^{BS}=f_r\left(0\right)=e^{-{\mathrm{\π\λp}}_i{r}^2}$

p_i为内容i被CSD缓存的概率；

步骤203、计算用户从通信范围内存在符合要求的CSD时，从CSD获取内容的概率

$f_r^{CSD}=1-f_r\left(0\right)=1-e^{-{\mathrm{\π\λp}}_i{r}^2};$

步骤204、分别计算用户从通信范围内存在符合要求的CSD获取内容的收益以及用户从基站获取内容的收益

因为用户的内容来源有两种，一种是周围的CSD，一种是BS，因此需要根据概率p_i分别从CSD和基站两个角度来分析。

用户从通信范围内存在符合要求的CSD获取内容的收益计算如下：

α表示CSD收到单位大小的内容的收益；s_i表示内容i的大小；表示每个内容大小的集合，服从对数正态分布；αs_i表示来自CSD的收益；β表示从基站请求单位大小的内容所需的花费；βs_i是基站下行链路传输的花费；p_iβs_i表示由于缓存内容i节省下来的基站下行链路传输花费；表示单位大小的缓存空间需要的花费；表示由于缓存内容i节省下来的缓存花费。

用户从基站获取内容的收益

步骤205、根据从CSD获取内容的概率和收益以及从基站获取内容的概率和收益计算传输内容i的整体收益U_i；

步骤206、针对K个内容，分别计算每个内容被用户请求的概率和每个内容的整体收益；

步骤207、对所有K个内容的被用户请求的概率和整体收益之积求和，并采用离散二分搜索算法优化最大值，得到K个缓存概率；

由于p_i表示的是CSD对内容i的缓存概率，显然有

C1:p_i≥0

C2:p_i≤1

考虑到CSD上所有缓存内容的总大小不会超过其缓存空间限制，因此有：

$C3:\underset{i\∈I}{\Σ}{p}_i{s}_i\≤M$

考虑到所有可能被用户请求的内容，则CSD缓存这些内容的概率应该使总的收益最大化。因此，结合限制条件和整体收益U_i的描述，形成如下的最优化问题：

具体优化如下：

$\underset{p_i\∈\{p_1,p_2,...,p_K\}}{max}\underset{i\∈I}{\Σ}{g}_i{U}_i$

$\begin{array}{cc}s.t.& \left\{\begin{array}{c}{p}_i\≥0\\ p_i\≤1\\ \underset{i\∈I}{\Σ}{p}_i{s}_i\≤M\end{array}\right.\end{array}$

为了将上述问题转化为凸优化问题，而凸优化问题适用于求最小值的问题，因此公式重写为如下形式：

上述凸优化问题如果用传统的迭代算法来解决的话，复杂度太高，因此本实施例提出了一种离散二分搜索算法来解决。首选，考虑KKT条件：

·拉格朗日函数

μ，γ_i和σ_i分别为拉格朗日函数引入的三个系数；

●拉格朗日函数对缓存概率p_i的偏微：

●原始条件

$\underset{i\∈I}{\Σ}{p}_i{s}_i-M\≤0---\left(3\right)$

p_i-1≤0,-p_i≤0,i＝1,2,…,K (4)

●对偶条件

μ≥0 (5)

γ_i≥0,σ_i≥0,i＝1,2,…,K (6)

●互补松弛条件

$\mathrm{\μ}(\underset{i\∈I}{\Σ}{p}_i{s}_i-M)=0---\left(7\right)$

γ_i(p_i-1)＝0,i＝1,2,…,K (8)

σ_ip_i＝0,i＝1,2,…,K (9)

由公式(2)求解出p_i如下：

其中，由于互补松弛条件必须满足，因此当p_i≠1时γ_i＝0，当p_i≠0时σ_i＝0。基于以上分析，ξ_i的值由p_i的值来决定，如下所示：

为了得到最优解，本实施例提出以下四个推论。

推论1：给定任意的μ，可以得到γ和σ的值为

其中，[x]⁺＝max(0,x)。

根据推论1，γ和σ可以用μ来表示，为了方便，用p_i(μ)来代替p_i(μ,γ,σ)。由于p_i＝1和p_i＝0的时候μ是已知的，因此我们只需要确定0＜p_i＜1时的μ即可。令I₀＝{i|p_i＝0}表示内容i不被任何CSD缓存，I₁＝{i|p_i＝1}表示内容i会被所有的CSD缓存。

当p_i＞0时，当p_i＜1时，可以发现，I₀和I₁依赖于给定的对偶解μ，因此它们可以写成μ的函数：

推论2：若对任意对偶解μ都有I₀(μ)＝I₁(μ)且则最优的对偶解μ^*为

由推论2可知，最优对偶解μ*其实是μ的函数，因此我们可以通过μ的值来求出μ*的值。为了简洁，用函数f来描述它们之间的关系，即

μ^*＝f(μ) (17)

推论3：当I₁(μ^*)≠I,时，若满足则μ为最优对偶解。

推论4：最优对偶解μ*的区间为

其中E(·)为期望函数。g_N，s_N分别为第N个内容被请求的概率和大小。

根据以上的四个推论，接下来提出离散二分搜索算法。

首先，定义在推论4给出的区间内定义对偶解的集合

其中，假设当i＞j时μ_i≤μ_j。然后，根据推论3中的条件来进行搜索；

具体算法流程如下：

步骤208、基站将K个内容的缓存概率广播给所有CSD；每个CSD根据缓存概率值缓存相关内容；

针对内容i，CSD缓存内容i的概率是p_i；放弃的概率是1-p_i。

步骤三、针对某个用户，在特定时间广播发送请求内容，判断D2D最大通信范围内是否存在CSD；如果存在，进入步骤四，否则，进入步骤六；

步骤四、各CSD判断自身的缓存容量中是否存在用户要请求的内容，如果存在，进入步骤五，否则，进入步骤六。

步骤五、距离最近的CSD将自身缓存的内容传输给用户；

步骤六、该用户直接向基站发送请求内容i，通过基站获取该用户所需的内容。

仿真场景设置为蜂窝网络的常用仿真网络配置，详细的仿真参数如表1所示：

表1

本申请主要从Zipf分布的参数、内容数量和缓存空间大小的变化几方面来进行仿真分析。

随着Zipf分布参数的变化，不同算法的系统收益对比曲线图，如图4所示，仿真参数为K＝5000，M＝200MUs。从图中可以看出，当Zipf分布的参数越大，最优算法和SFCS的系统收益也随之增加，而EPCS的收益保持不变。这是因为Zipf分布的特点是将K个内容标记为1～K，其中索引越靠前的内容被用户请求的概率越大。随着Zipf分布参数的增大，索引靠前的内容和索引靠后的内容被请求的概率之间的差值也越大，因此对EPCS和最优算法来说系统的收益越大。

随着内容数目的变化，不同算法的系统收益对比曲线图，如图5所示，仿真参数为M＝200MUs，θ＝1。由于缓存空间是有限的，因此随着内容的增加，系统收益会下降。

随着缓存空间大小的变化，不同算法的系统收益对比曲线图，如图6所示，很显然，整个系统的收益是随着缓存空间的增大而增大的，因为缓存空间越大意味着可以尽可能地缓存更多的内容来匹配用户的需求。

Claims (4)

1.一种基于缓存容量限制的内容存储方法，其特征在于，具体步骤如下：

步骤一、针对某个单小区，建立用户与基站，用户与缓存服务设备CSD之间的通信系统；

步骤二、基站根据CSD的分布和当前网络中传输的内容，计算每个内容的缓存概率，并广播告知网络内的所有CSD，每个CSD根据缓存概率对内容进行缓存；

步骤三、针对某个用户，在特定时间广播发送请求内容，判断D2D最大通信范围内是否存在CSD；如果存在，进入步骤四，否则，进入步骤六；

步骤四、各CSD判断自身的缓存容量中是否存在用户要请求的内容，如果存在，进入步骤五，否则，进入步骤六；

步骤五、距离最近的CSD将自身缓存的内容传输给用户；

步骤六、该用户直接向基站发送请求内容，通过基站获取该用户所需的内容。

2.如权利要求1所述的一种基于缓存容量限制的内容存储方法，其特征在于，步骤一中，所述的单小区包括一个基站和若干用户缓存服务设备(CSD)，用户通过D2D通信从给定范围内的CSD获取所需的内容；或者用户直接通过基站获取所需内容；

CSD的分布服从强度为λ的泊松点过程，D2D通信的最大范围为r，每个CSD的最大缓存空间容量为M。

3.如权利要求1所述的一种基于缓存容量限制的内容存储方法，其特征在于，所述的步骤二具体步骤如下：

步骤201、针对当前网络中传输的内容i，计算内容i被用户请求的概率g_i和D2D通信最大范围内存在CSD的概率；

当前网络中的传输内容数量为K，集合为I＝{1,2,...i,...K}；

内容i被用户请求的概率g_i计算公式如下：

$g_i=\frac{1}{i^{\mathrm{\θ}}\×\underset{k=1}{\overset{K}{\Σ}}\frac{1}{k^{\mathrm{\θ}}}}$

θ是Zipf分布的参数，Zipf分布是用户对不同内容的请求概率的建模；

用户周围r范围内存在m个CSD的概率为f_r(m)：

$f_r\left(m\right)=\frac{{\left({\mathrm{\πr}}^2\mathrm{\λ}\right)}^m}{m!}{e}^{-{\mathrm{\π\λr}}^2}$

λ是泊松点过程的强度值；

步骤202、根据CSD存在的概率，计算当用户周围不存在符合用户要求的CSD时，从基站获取内容的概率f_r ^BS；

$f_r^{BS}=f_r\left(0\right)=e^{-{\mathrm{\π\λp}}_i{r}^2}$

p_i为内容i被CSD缓存的概率；

步骤203、计算用户从通信范围内存在符合要求的CSD时，从CSD获取内容的概率f_r ^CSD；

$f_r^{CSD}=1-f_r\left(0\right)=1-e^{-{\mathrm{\π\λp}}_i{r}^2};$

步骤204、分别计算用户从通信范围内存在符合要求的CSD获取内容的收益以及用户从基站获取内容的收益

用户从通信范围内存在符合要求的CSD获取内容的收益计算如下：

α表示CSD收到单位大小的内容的收益；s_i表示内容i的大小；表示每个内容大小的集合，服从对数正态分布；αs_i表示来自CSD的收益；β表示从基站请求单位大小的内容所需的花费；βs_i是基站下行链路传输的花费；p_iβs_i表示由于缓存内容i节省下来的基站下行链路传输花费；表示单位大小的缓存空间需要的花费；表示由于缓存内容i节省下来的缓存花费；

用户从基站获取内容的收益

步骤205、根据从CSD获取内容的概率f_r ^CSD和收益以及从基站获取内容的概率f_r ^BS和收益计算传输内容i的整体收益U_i；

步骤206、针对K个内容，分别计算每个内容被用户请求的概率和每个内容的整体收益；

步骤207、对所有K个内容的被用户请求的概率和整体收益之积求和，并采用离散二分搜索算法优化最大值，得到K个缓存概率；

具体优化如下：

$\underset{p_i\∈\{p_1,p_2,...,p_K\}}{max}\underset{i\∈I}{\Σ}{g}_i{U}_i$

$s.t.\left\{\begin{array}{c}{p}_i\≥0\\ p_i\≤1\\ \underset{i\∈I}{\Σ}{p}_i{s}_i\≤M\end{array}\right.$

步骤208、基站将K个内容的缓存概率广播给所有CSD；每个CSD根据缓存概率值缓存相关内容；

针对内容i，CSD缓存内容i的概率是p_i；放弃的概率是1-p_i。

4.如权利要求1所述的一种基于缓存容量限制的内容存储方法，其特征在于，步骤二中，所述内容i的缓存概率p_i，计算如下：

其中，ξ_i的值由p_i的值来决定，如下所示：

μ为对数指数分布均值；σ为对数指数分布标准差σ_i的集合；γ为拉格朗日函数系数γ_i的集合。