CN106851731B - 一种最大化卸载概率的d2d缓存分配方法 - Google Patents

Abstract

本发明属于移动通信领域，尤其涉及移动通信中的用户缓存网络提前在网络闲时存储附近用户需求的内容。一种最大化卸载概率的D2D缓存分配方法，可以有效的降低无线网络中缓存的冗余程度，通过基于网络最优性能的缓存分配策略，在本发明方法中，请求用户在找到需求文件的前提下满足网络传输该文件的QoS时达到整个网络的高卸载概率。通过仿真与传统方法对比，本发明方法可以大幅增大网络卸载概率，同时灵活分配缓存空间大小，提高了通信网络的整体性能。

Description

一种最大化卸载概率的D2D缓存分配方法

技术领域

本发明属于移动通信领域，尤其涉及移动通信中的用户缓存网络提前在网络闲时存储附近用户需求的内容。

背景技术

日益普及的无线网络和移动设备为普适的Internet接入提供了良好的硬件基础，缓存技术是无线缓存网络中进行信息共享和分发的关键技术之一。

近年来，缓存技术已被广泛应用于计算机的数据存储，研究者们基于视频特性以及硬盘存储的现实，提出了一种新的解决方案，其基本思想就是在无线接入点处配置大容量的存储器，建立一个临时存储区域，利用非高峰期(如夜间时段)将受欢迎的视频等文件提前缓存到接入点处的存储器中。这样，使得用户经常访问的数据可以被本地流量化。通过这种方式，不仅能够大大降低了数据在回程链路及核心网络的延迟，同时也能降低了高峰期时回程链路及核心网络的负载。另外，这也降低了系统在回程链路传输容量上的要求。当视频点播业务降低了回程链路容量的占用量时，就能释放出更多的网络资源来为其他业务服务，这种方式就间接地提升系统的吞吐量。

为了提高移动用户在附近的终端缓存中找到感兴趣视频文件并成功传输的概率，一个好的缓存策略对于这样缓存网络来说是非常重要的，即确定哪些流行文件应该被终端缓存。注意到文件的请求统计是服从某种流行分布的，例如参数为的Zipf分布，排行靠前的文件被用户请求的概率越大。因此，设计缓存策略时通常要考虑Zipf分布。

在现有的缓存策略中，等概率随机缓存策略(Equal Probability RandomCaching,EPRC)和基于文件流行度Zipf分布的缓存策略(Zipf Caching,ZC)是最为普遍的应用方案。在EPRC方案中，所有文件都以相同的概率被用户随机缓存，但这会导致缓存命中概率较低。而在PC策略中，通过缓存文件库中流行的文件，这样能够提升缓存命中概率。但是这两种缓存方法都没有考虑网络的服务质量(Quality of Service,QoS)，导致缓存策略无法在实际系统中采用，对实际系统性能提升优化程度不够。

发明内容

为了解决以上问题，本发明提出了一种最大化卸载概率的D2D缓存分配方法，可以有效的降低无线网络中缓存的冗余程度，通过基于网络最优性能的缓存分配策略，在本发明方法中，请求用户在找到需求文件的前提下满足网络传输该文件的QoS时达到整个网络的高卸载概率。通过仿真与传统方法对比，本发明方法可以大幅增大网络卸载概率，同时灵活分配缓存空间大小，提高了通信网络的整体性能。

为了方便地描述本发明的内容，首先对本发明中所使用的术语和模型进行介绍：

定义1、基站(Base Station，BS)：无线电覆盖区中，与终端之间进行信息传输的无线电收发信电台。

定义2、用户(UE)：系统中的移动设备，即，用户终端。

定义3、D2D(Device to Device)：即实现终端之间近距离直接进行通信的技术，无需经过基站转发。

定义4、PPP(Poisson Point Process)：泊松点过程。

定义5、缓存(Cache)：即终端用来存储流行文件的缓冲区。

定义6、Zipf分布：用来构建用户请求文件的统计模型。

定义7、QoS(Quality of Service)：服务质量。

如图1所示，本发明采用的模型中考虑一个密度参数为λ_UE，服从泊松随机过程的异构无线用户网络，所述异构无线用户网络包含有1个BS、N个UE，其中，所述BS在网络中心。其中，UE里面有比例为α的部分具备缓存能力，可以作为发射机给附近用户进行内容传输。

文件流行度服从Zipf分布，排名在第i个位置上的文件被请求的概率可表示为：其中，向量q＝{q₁,…,q_N}表示第i个文件的获取概率，γ为受欢迎程度系数，用来刻画文件的相关流行趋势的，N是文件库总数，每个文件大小均为L，i∈[1,N]。较大γ意味着用户的请求更集中在排名靠前的文件，总共有M个文件，如图2所示。

本方法模型中有比例为α的终端具备缓存能力，且0≤α≤1，则具备缓存能力的终端服从密度为αλ_UE的PPP分布。每个具备缓存的终端能够缓存M_UE个不同的文件。D2D通信能够被开启的条件是请求的终端与缓存有请求文件的终端之间的距离必须小于R_UE，主要取决于发射功率。令表示具备缓存能力的终端缓存每个文件的概率，其中，M_UE表示缓存终端能够缓存的用户数，R_UE为经验值，为每个文件的缓存概率。缓存约束为那么缓存第i个文件的终端服从密度为的PPP分布。

对于密度为λ的PPP模型而言，在半径为r的范围内存在n个终端的概率为：

因此对于一个在原点的参考终端而言，在传输半径内至少存在另一个缓存有第i个文件的终端的概率为：

那么不具备缓存能力终端的第i个文件卸载概率，即不具备缓存能力终端附近至少存在一个缓存有第i个文件的终端的概率为：

具备缓存能力终端的第i个文件的卸载概率为：

因此，对于第i个文件的卸载概率为：

整个网络的总卸载概率为：

当更多的数据流量通过无线缓存网络卸载，那么更少的数据是通过蜂窝网络传输，这样减少蜂窝网络的阻塞。

那么优化目标函数变成：约束条件如下：

证明：

上述优化目标函数二次求导如下：其中，

因此，-P_i,off对是凸的。所以优化目标函数是凸的。

由于目标表达式在该约束下是凸函数，所以当文件缓存概率P_UE取到最优值时卸载概率能够取得最大值。本方法能够通过以上的表达式，计算网络最大卸载概率下的缓存分配概率。

一种最大化卸载概率的D2D缓存分配方法，具体步骤如下：

S1、在用户缓存网络中，UE根据公式发起文件请求，其中，q_i表示排名在第i个位置上的文件被请求的概率，γ是受欢迎程度系数，N是文件库文件总数，文件库每个文件大小均为L，i为文件编号，i∈[1,N]；

S2、计算在D2D传输QoS范围内的服务用户概率；

S3、根据请求每个文件的概率和每个文件的缓存概率，根据公式得到每个文件的卸载概率，其中，P_i,off表示第i个文件的卸载概率，0≤α≤1，具备缓存能力的终端缓存每个文件的概率λ为PPP模型的密度，

S4、根据公式和内点法计算得到整个网络最优卸载概率和缓存策略，其中，向量q＝{q₁,…,q_i,...,q_N}表示第i个文件的获取概率。

进一步地，S2所述计算服务用户概率具体步骤如下：

S21、设请求用户自我服务的概率为

S22、请求用户由附近其他缓存有请求文件的终端服务的概率利用公式可以的求得为P_i,UC；

S23、请求第i个文件卸载在其他终端的概率为

本发明的有益效果是：

本发明与现有的缓存分配方法相比，在缓存网络中利用D2D传输获得较高的卸载概率，减少蜂窝网的负载，这样可以适用于更加实际的通信场景，同时也可进一步提升系统的性能。经过仿真验证，与现有分配方法相比，本发明采用的分配方法能够使得网络总的卸载概率更高。

附图说明

图1是系统模型图。

图2是Zipf分布的累积概率密度函数。

图3为各种方法卸载概率与用户密度的关系。

图4为缓存策略与用户密度的关系。

图5为各种方法性能与Zipf指数的关系。

图6为各种方法性能与文件库大小的关系。

具体实施方式

下面将结合实施例和附图，对本发明方法进行进一步说明。

如图1所示进行建模。

设终端有比例为α的部分具备缓存能力，且0≤α≤1，则具备缓存能力的终端服从密度为αλ_UE的PPP分布。每个具备缓存的终端能够缓存M_UE个不同的文件。D2D通信能够被开启的条件是请求的终端与缓存有请求文件的终端之间的距离必须小于R_UE，其中R_UE＜R_H，主要取决于发射功率。令表示具备缓存能力的终端缓存每个文件的概率，其中缓存约束为那么缓存第i个文件的终端服从密度为的PPP分布。

对于密度为λ的PPP模型而言，在半径为r的范围内存在n个终端的概率为：

因此对于一个在原点的参考终端而言，在传输半径内至少存在另一个缓存有第i个文件的终端的概率为：

同样的，在半径为R_H的范围内至少存在一个缓存有第i个文件的辅助节点的概率为：

那么不具备缓存能力终端的第i个文件卸载概率，即不具备缓存能力终端附近至少存在一个缓存有第i个文件的终端或者辅助节点的概率为：

具备缓存能力终端的第i个文件的卸载概率为：

因此，对于第i个文件的卸载概率为：

整个网络的总卸载概率为：

那么优化目标函数变成：

约束条件如下：

这个优化问题是一个约束的非线性凸优化问题，这个问题可以采用内点法解决。

S1、在用户缓存网络中，UE根据公式发起文件请求，其中，q_i表示排名在第i个位置上的文件被请求的概率，γ是受欢迎程度系数，N是文件库文件总数，文件库每个文件大小均为L，i为文件编号，i∈[1,N]；

S2、计算在D2D传输QoS范围内的服务用户概率，具体为：

S21、由于请求用户请求的文件可能是在自身cache中找到，所以请求用户自我服务的概率为

S22、请求用户由附近其他缓存有请求文件的终端服务的概率利用公式可以的求得为P_i,UC；

S23、如S23所述，请求第i个文件卸载在其他终端的概率为

S3、如S21、S22和S23所述，对于本系统中的第i个文件的卸载概率为αP_i,C+(1-α)P_i,UC，网络总的卸载概率可以建模为从这个可以看出卸载概率与文件流行度、D2D传输半径和用户密度有关系，解决此优化目标即可获得高卸载概率的缓存分配方法；

S4、根据公式和内点法计算得到整个网络最优卸载概率和缓存策略，其中，向量q＝{q₁,…,q_i,...,q_N}表示第i个文件的获取概率。

本实施例仿真参数设置如表1所示：

表1仿真参数设置

在本发明方法中，用户密度是一个重要的设计参数，为了直观看到它对系统性能的影响，卸载概率与用户密度的关系由图3给出。图中方块空心标注曲线是最优缓存方案下的卸载概率，实心标注以及另外一组空心倒三角曲线分别是EPRC和ZC缓存方案下的卸载概率。显然，随着用户密度的增大，卸载概率在增大，逐渐趋近于1。此外，最优缓存方案下的性能要明显由于其他两种方案。

图4给出了，当N＝5时的缓存策略关系，从图中可以看出，随着用户密度的增大，缓存方案从以流行度为主的策略变成均匀等概率的策略。

为了显示Zipf分布指数常数对系统性能的影响，卸载概率与Zipf参数的关系由图5给出。图中空心方块标注曲线是最优缓存方案下的卸载概率，实心标注以及另外一组空心倒三角曲线分别是EPRC和ZC缓存方案下的卸载概率。显然，随着Zipf参数的增大，卸载概率在增大。此外，最优缓存方案下的性能要明显由于其他两种方案。

为了显示文件库大小对系统性能的影响，卸载概率与文件库大小的关系由图6给出。图中空心方块标注曲线是最优缓存方案下的卸载概率，实心标注以及另外一组空心倒三角曲线分别是EPRC和ZC缓存方案下的卸载概率。显然，随着文件库的增大，卸载概率在减小。此外，最优缓存方案下的性能要明显由于其他两种方案。

Claims (1)

1.一种最大化卸载概率的D2D缓存分配方法，其特征在于，具体步骤如下：

S1、在用户缓存网络中，UE根据公式发起文件请求，其中，q_i表示排名在第i个位置上的文件被请求的概率，γ是受欢迎程度系数，N是文件库文件总数，文件库每个文件大小均为L，i为文件编号，i∈[1,N]；

S2、计算在D2D传输QoS范围内的服务用户概率；

S3、根据请求每个文件的概率和每个文件的缓存概率，根据公式得到每个文件的卸载概率，其中，P_i,off表示第i个文件的卸载概率，有比例为α的终端具备缓存能力，0≤α≤1，P_i,C＝P_i ^UE+(1-P_i ^UE)P_i,UC为具备缓存能力终端的第i个文件的卸载概率，为不具备缓存能力终端附件至少存在一个缓存有第i个文件的终端的概率，为传输半径内至少存在另一个缓存有第i个文件的终端的概率，具备缓存能力的终端缓存每个文件的概率λ_UE为PPP模型的密度，R_UE为请求终端与缓存有请求文件的终端之间的距离，0≤P_i ^UE≤1；

S4、根据公式和内点法计算得到整个网络最优卸载概率和缓存策略，其中，向量q＝{q₁,…,q_i,...,q_N}表示第i个文件的被请求的概率，具体为：

定义优化函数：

约束条件如下：

其中M_UE为终端能够缓存的最大文件数，当文件缓存概率P_UE取到最优值时卸载概率能够取到最大值，通过以上表达式，计算网络的最大卸载概率下的缓存分配概率。