CN108259628A - 异构蜂窝网络中内容缓存与用户关联联合优化方法 - Google Patents
异构蜂窝网络中内容缓存与用户关联联合优化方法 Download PDFInfo
- Publication number
- CN108259628A CN108259628A CN201810165079.1A CN201810165079A CN108259628A CN 108259628 A CN108259628 A CN 108259628A CN 201810165079 A CN201810165079 A CN 201810165079A CN 108259628 A CN108259628 A CN 108259628A
- Authority
- CN
- China
- Prior art keywords
- user
- content
- base station
- ith
- representing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 230000001413 cellular effect Effects 0.000 title claims abstract description 15
- 238000009499 grossing Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 230000004048 modification Effects 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 208000019061 glycogen storage disease due to GLUT2 deficiency Diseases 0.000 description 21
- 238000003860 storage Methods 0.000 description 9
- 238000009826 distribution Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/56—Provisioning of proxy services
- H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- 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
-
- 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
- H04W28/0278—Traffic management, e.g. flow control or congestion control using buffer status reports
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于移动通信领域，涉及一种异构蜂窝网络中内容缓存与用户关联联合优化方法，包括：根据基站存储容量和服务用户数的限制，以用户获取内容的平均时延的最小化为目标，建立内容缓存与用户关联的联合优化模型以及联合目标函数；根据所述联合目标函数通过三次指数平滑法预测下一周期基站上内容的访问频次，决定内容缓存；根据用户到达是否密集采取不同的关联方式，将用户关联至合适的基站；若用户到达密集，则采用时延关联方式，否则采用即时关联方式，本发明通过上述两种关联方式能够保证用户的服务质量。
Description
技术领域
本发明属于移动通信技术领域，涉及一种异构蜂窝网络中内容缓存与用户关联联合优化方法。
背景技术
伴随着移动用户数量、移动链接数量和移动业务的快速增长，到2019年，全球移动流量增幅将超过固定流量增幅的三倍，其中移动视频将占到全球移动数据流量的72％。移动业务的快速增长对现有通信网络的体系和架构带来了巨大的挑战。
在网络过载的密集城区，特别是住宅楼群结构复杂、用户集中的居民区，由于墙壁引起的损耗使室内信号覆盖较差，导致信号覆盖的深度严重不足，加上建站困难，且扩容成本昂贵，这给运营商的网络带来极大的负担。在这种情况下，家庭基站(femto-basestations,FBS)作为蜂窝网在室内覆盖的补充，其结构简单、部署灵活、成本低廉，可以为用户提供高速率、高质量的话音及数据服务。“宏基站(macro base stations,MBS)+家庭基站”的异构蜂窝网络结构是第五代移动通信系统的重要组网形式。在“MBS+FBS”的异构蜂窝网络下，家庭基站通过回程链路连接到核心网，这要求回程链路必须具有很大的传输容量。而流行内容的重复下载不仅会导致网络数据流量负荷增加、网络响应变慢、用户获取内容的时间较长，而且还会造成数据冗余，占用回传链路大量的吞吐量。对内容进行分布式存储与缓存是解决该问题的重要途径之一。据统计，缓存技术在3G网络和LTE网络的应用可以降低1/3～2/3的移动数据量。在FBS上选择缓存部分内容，可以降低网络数据负荷和用户内容获取时延，提升用户体验。
缓存策略决定了缓存内容以及释放时间，通过评估内容当前的流行度、潜在的流行度、存储大小和现有副本在网络拓扑上的位置等因素提升缓存策略的性能增益。文献“K.Shanmugam,N.Golrezaei,A.G.Dimakis,A.F.Molisch,and G.Caire,“FemtoCaching:Wireless video content delivery through distributed caching helpers,”IEEETrans.Information Theory,vol.59,no.12,pp.8402-8413,Dec.2013.”中提出了一个在FBS下的本地缓存策略，将缓存问题建模为最优化所有用户到FBS节点之间的访问延时，以尽量减少下载内容的时延，但优化问题的求解过程复杂。用户获取内容中的时延不仅取决于FBS上缓存策略的优劣，还取决于用户与FBS之间的关联策略。在FBS重叠覆盖的场景下，用户有其所在覆盖范围内的多个FBS可供选择，选择信道质量好且缓存了用户所需内容的FBS能获得更低的下载时延。文献“Wang Y,Tao X,Zhang X,et al.“Joint CachingPlacement and User Association for Minimizing User Download Delay,”IEEEAccess,2016:8625-8633.”在联合设计缓存和用户关联策略时考虑了有线链路和无线链路的信道质量差异，研究了回程链路的时延影响，但文中用户关联策略采用的匈牙利算法只能得到用户与基站之间的最大匹配，并不是最优匹配。当前的研究都是通过预测用户请求内容的概率来决定内容的缓存，而实际上由于用户请求内容和关联基站的不确定性，无法准确预测单个用户请求内容的概率。另外，由于用户请求的到达密度是时变的，且重叠覆盖下用户有多条无线信道可供选择，但并不一定都能为用户提供高质量的服务，需要对无线信道进行筛选。
发明内容
针对以上研究的不足以降低异构蜂窝网用户获取内容时的时延的问题，本发明提出了一种异构蜂窝网络中内容缓存与用户关联联合优化方法，包括以下步骤：
S1、以用户获取内容的平均时延最小化为目标，建立内容缓存与用户关联的联合目标函数，得到联合优化模型；
S2、将第i周期的内容缓存状态设为不缓存或随机缓存，初始周期i＝1；
S3、根据第i周期的用户对内容的请求到达时的疏密程度，决定第i周期的用户关联方式；
S4、根据所采取的用户关联方式，在联合优化模型中的约束条件下，结合第i周期的内容缓存状态，确定第i周期用户与基站间的关联状态，并将用户关联至合适的基站；
S5、根据第i个周期的用户对内容的请求状态以及第i周期用户与基站间的关联状态，在联合优化模型中的约束条件下，预测得到第i+1个周期的内容缓存状态；
S6、返回步骤S3，i＝i+1。
进一步的，所述用户获取内容的平均时延包括：
um表示第m个用户；U表示用户的集合；tm表示用户um获取内容ck的时延；M表示用户总数。
进一步的，所述用户um获取内容ck的时延的计算公式包括：
其中，fn表示第n个基站，F表示基站的集合；ck表示第k个内容，C表示内容的集合；lk表示内容ck的大小；rmn表示基站fn给用户um提供的下载速率；TC表示回程链路上的传输时延；qmk表示用户um对内容ck的请求状态，qmk＝1表示用户um请求内容ck，qmk＝0表示用户um不请求内容ck；xnk表示基站fn对内容ck的缓存状态，xnk＝1表示基站fn缓存内容ck，xnk＝0表示基站fn上没有缓存内容ck；ymn表示用户um与基站fn间的关联状态，ymn＝1表示用户um关联到基站fn上，ymn＝0表示用户um不能通过基站fn获取内容；rmn表示基站fn给用户um提供的下载速率。
进一步的，所述联合优化模型包括：
其中，表示内容缓存与用户关联的联合目标函数，也即是最小化用户获取内容的平均时延；M表示用户总数；表示缓存容量约束；表示基站同时服务的用户数约束；rmn<rmmin,ymn＝0,表示用户传输速率约束；表示用户关联基站的个数约束，即一个用户最多只能关联一个基站；Sn表示基站fn缓存容量的上限；In表示基站fn能同时服务的最大用户数；rmn表示用户um通过基站fn下载内容的速率；rmmin表示用户um要求最低的传输速率。
进一步的，所述根据第i周期的用户对内容的请求到达时的疏密程度，决定第i周期的用户关联方式包括：当第i周期的用户对内容的请求到达密度密集时，采取延时关联方式；当第i周期的用户对内容的请求到达密度稀疏时，采取即时关联方式。
进一步的，所述根据所采取的用户关联方式，在联合优化模型中的约束条件下，结合第i周期的内容缓存状态，确定第i周期用户与基站间的关联状态，并将用户关联至合适的基站包括：
当采取的用户关联方式为即时关联方式时，第i周期的用户对内容的请求到达时，如果用户只由一个基站覆盖，则将用户关联到覆盖该用户的基站；如果用户同时被多个基站覆盖，则从所述多个基站中去掉不能满足该用户最低下载速率要求的基站，得到剩余基站；计算用户分别通过所述剩余基站获取内容的时延，从中选取时延最小的基站关联该用户，并得到第i周期用户与基站间的关联状态。
进一步的，所述根据所采取的用户关联方式，在联合优化模型中的约束条件下，结合第i周期的内容缓存状态，确定第i周期用户与基站间的关联状态，并将用户关联至合适的基站还包括：
当采取的用户关联方式为延时关联方式时，第i周期的用户对内容的请求到达时，让用户等待较短的时间τm，与后面到达的用户一起关联至基站；具体包括：
S401：建立基于基站集合F和用户集合U的二部图G＝(F,U,E)，根据联合优化模型中的约束条件，，将满足约束条件下的边集合E中各连边的权值分别作为对应用户通过基站获取内容的时延；不满足所述约束条件连边的权值为正无穷大；得到时延权值矩阵WM×(N+1)，并将其修正后得到时延权值方阵WV×V；
S402：设a是时延权值方阵WV×V中除了正无穷大以外的最大值，JV是V阶全1方阵，AV×V＝aJV-WV×V，AV×V为过渡矩阵，时延权值方阵WV×V中权值为正无穷大的元素在AV×V中的权值为负无穷大；
S403：将过渡矩阵AV×V中权值为负无穷大的元素的权值改为0，得到修正变换后的时延权值方阵
S404：对修正变换后的时延权值方阵采用二分图最佳完美匹配算法，得到最大总权重的完美匹配 中的元素为0或1，其中，1表示匹配成功，0表示不匹配；
S405：在完美匹配中删除修正的部分得到匹配则为时延权值矩阵WM×(N+1)的总权重最小的匹配。
S406：根据匹配得到第i周期用户与基站间的关联状态矩阵Y，若中的元素用户um等待时间τm后，用户um关联到基站fn；若则用户um不关联到基站fn；
其中，M表示用户总数；N+1表示宏基站与家庭基站总数之和；V＝max{M,N+1}；V表示取M和N+1中的最大值；是最小总权重匹配中的元素，即表示用户um是否关联至基站fn的状态。
进一步的，步骤S5中第i+1个周期的内容缓存状态的预测方法包括：对于每个基站，根据第i个周期的用户对内容的请求状态以及第i周期用户与基站间的关联状态，计算得到第i个周期的用户对内容的请求频次；通过三次指数平滑法，对第i个周期的用户对内容的请求频次处理，预测得到第i+1个周期的用户对内容的请求频次；设置内容缓存门限，如果在第i+1个周期的所有用户对某个内容的请求频次大于或等于缓存门限，且基站的缓存容量没有到达上限，则基站缓存该内容，否则基站不缓存该内容。
进一步的，所述第i+1个周期的用户对内容的请求频次包括：
其中，表示在第i+1个周期中关联基站fn的所有用户对内容ck的请求次数之和，也即是第i+1个周期的用户对内容的请求频次；ank(i)表示第i个周期的第一指数平滑系数；bnk(i)表示第i个周期的第二指数平滑系数；cnk(i)表示第i个周期的第三指数平滑系数。
进一步的，所述第i个周期的第一指数平滑系数ank(i)、第i个周期的第二指数平滑系数bnk(i)、第i个周期的第三指数平滑系数cnk(i)的计算式分别如下：
其中，表示第i个周期的j次指数平滑，j∈{1,2,3}；α为三次指数平滑模型中的平滑系数。
进一步的，所述第i个周期的j次指数平滑的计算式如下：
其中，表示第i-1个周期的1次平滑，表示第i-1个周期的2次平滑；表示第i-1个周期的3次平滑；znk(i)表示在第i个周期中关联基站fn的所有用户对内容ck的请求频次；ymn(i)表示第i个周期的用户um与基站fn的关联状态，ymn(i)＝1表示在第i个周期用户um关联到基站fn上，ymn(i)＝0表示在第i个周期用户um不能通过基站fn获取内容；qmk(i)表示第i个周期的用户um对内容ck的请求状态，qmk(i)＝1表示在第i个周期用户um请求内容ck，qmk(i)＝0表示在第i个周期用户um不请求内容ck。
本发明的有益效果：通过所述内容缓存与用户关联联合优化模型，本发明在用户请求内容的概率未知的情况下，根据用户到达密度的不同，选择合适的关联方式，不仅可以提升基站上内容缓存的命中率，而且可以降低用户获取内容的平均时延，减少了回程链路上的传输冗余，同时考虑用户获取内容的最小下载速率要求，保证了用户的服务质量。
附图说明
图1为本发明中内容缓存与用户关联联合优化方法的整体流程图；
图2为两层异构蜂窝网络架构；
图3为内容服务模型示意图；
图4为本发明中在不同Γ下用户平均下载时延随用户到达时间间隔的变化；
图5为对比算法下用户平均下载时延随用户数的变化；
图6为对比算法下基站上内容缓存命中率随用户数的变化。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和具体实例对本发明的方法作具体描述。如图1所示，本发明的异构蜂窝网络中内容缓存与用户关联联合优化方法包括：
S1、以用户获取内容的平均时延最小化为目标，建立内容缓存与用户关联的联合目标函数，得到联合优化模型；
S2、设定第i周期的内容缓存状态设为不缓存或随机缓存，初始周期i＝1；
S3、根据第i周期的用户对内容的请求到达时的疏密程度，决定第i周期的用户关联方式；
S4、根据所采取的用户关联方式，在联合优化模型中的约束条件下，结合第i周期的内容缓存状态，确定第i周期用户与基站间的关联状态，并将用户关联至合适的基站；
S5、根据第i个周期的用户对内容的请求状态以及第i周期用户与基站间的关联状态，在联合优化模型中的约束条件下，预测得到第i+1个周期的内容缓存状态；
S6、i＝i+1，返回步骤S3。。
实施例1
建立如图2所示的两层异构蜂窝网络内容服务模型，包括一个宏基站MBS和N个家庭基站FBS，基站的集合为F＝{f0,f1,f2,…,fN}，其中f0表示MBS；f1,f2,…,fN分别表示N个FBS。设用户个数为M，用户集合表示为U＝{u1,u2,…,uM}。设fn∈F的可用带宽为Bn，可用带宽划分为In个子载波，即一个fn能同时服务的最大用户数为In，则每个子载波的频带宽度bn＝Bn/In。假定每个基站内以及各基站之间的子载波是相互正交的，不考虑信道间干扰。由于基站之间的重叠覆盖，一个用户接入网络时可以有一个MBS和多个候选的FBS供选择，但最终只关联到一个基站上。rmn表示用户um通过fn下载内容的速率，由香农公式rmn＝bnlog2(1+SNRmn)给出，其中 表示fn在子载波i上的发射功率，i＝{1,2,...,In}；是高斯白噪声的功率，Gmn表示用户um到fn之间链路的信道增益。内容集合为C＝{c1,c2,…,cK}，内容ck的大小为lk(bits)，内容可以存放在云端或者基站中，基站包括宏基站MBS和家庭基站FBS。设fn缓存容量的上限为Sn(bits)，如果用户所请求的内容刚好缓存在其关联的家庭基站上，则用户可以直接从该家庭基站上下载，否则需要通过该家庭基站经回程链路从云资源池中获取。令fn从云端获取内容的时间为TC。每个用户um∈U对内容请求是独立的，qmk表示用户um对内容ck的请求状态，qmk＝1表示用户um请求内容ck，qmk＝0表示用户um不请求内容ck；n＝0,1,...,N。
为了保证用户得到较好的服务质量，设用户um要求最低的传输速率为rm min，当基站fn给用户um提供的下载速率大于等于用户要求的最低下载速率，即rm min≥rmn时，用户um才有可能会关联该基站fn，否则不会关联fn。
下面以图3所示的例子来说明基站上的内容缓存与用户要求的最低下载速率对用户关联的影响。设用户u1对内容c1有请求，u1在f1,f2,f3的重叠覆盖范围下，对应基站与用户间的通信链路为E11、E12和E13，每条链路对应的下载速率分别为r11、r12和r13。设u1的要求的最低下载速率为r1min，链路E11的下载速率r11<r1min，u1不会选择f1关联；f2上刚好缓存了内容c1，且链路E12的下载速率满足r12≥r1min，同时链路E13的下载速率r13>r12，但f3上没有缓存内容c1，需要增加从云端获取内容c1的时延TC。因此，u1需要在f2和f3中选择获取内容c1所需时延最小的基站进行关联。由此可见，用户关联基站的决策受基站上的内容缓存和用户要求的最低下载速率的双重影响。
本实施例采用步骤S11到步骤S61实现异构蜂窝网络中内容缓存与用户关联的联合优化。
S11、以用户获取内容的平均时延最小化为目标，建立内容缓存与用户关联的联合目标函数，得到联合优化模型；
因此，定义用户获取内容的时延为：
考虑到基站存储容量和服务用户数的限制，本发明建立以用户获取内容的平均时延最小化为目标的基站内容缓存与用户关联联合优化模型如下：
其中，表示用户获取内容的平均时延的最小化；表示fn上缓存的内容总量不能超过其存储容量的上限Sn；表示fn可同时服务的用户数不能超过其上限In；rmn<rmmin,ymn＝0表示用户不会选择不满足最低下载速率的要求的基站关联；表示每个用户最多只能关联一个基站(MBS或者FBS)；M表示用户数；Sn表示基站fn缓存容量的上限；rmn表示用户um通过基站fn下载内容的速率；rmmin表示用户um要求最低的传输速率；In表示基站fn能同时服务的最大用户数；qmk表示用户um对内容ck的请求状态，qmk＝1表示用户um请求内容ck，qmk＝0表示用户um不请求内容ck；ymn表示用户um与基站fn的关联状态，ymn＝1表示用户um关联到基站fn上，ymn＝0表示用户um不能通过基站fn获取内容。
S21、将第i周期的内容缓存状态设为不缓存或随机缓存，初始周期i＝1；
S31、根据第i周期的用户对内容的请求到达时的疏密程度，决定第i周期的用户关联方式；其中，疏密程度是根据用户到达的时间间隔来表示的，用户到达的时间间隔是服从参数λ的指数分布，λ的取值范围为[0.001s,0.04s]。
S41、当采取的用户关联方式为即时关联方式时，第i周期的用户对内容的请求到达时，让用户等待较短的时间τm，与后面到达的用户一起关联至基站；具体包括：按照所述联合优化模型中的约束条件，获得第i周期的用户关联矩阵Y＝(ymn|um∈U,fn∈F)，ymn∈{0,1}，其中ymn＝1表示用户um关联到基站fn上；反之，ymn＝0表示um不能通过fn获取内容。同时，为了满足用户要求的最低下载速率，用户um不会关联下载速率达不到rmmin的基站。
作为一种可选方式，第i+1个周期的内容缓存的获取方法包括：
由于基站上的内容缓存与用户关联之间相互影响，属于一个非线性组合优化问题。本发明首先提出基于三次指数平滑的内容缓存策略，根据用户um通过fn访问内容ck的频次的历史观测序列，尽可能准确的预测在下一个周期中fn上内容ck的访问频次，从而决定内容ck的缓存。令znk(i)表示在周期i内关联fn的所有用户对内容ck的请求次数之和，
对znk(i)作三次指数平滑，令Fnk(i)表示基站fn中的内容ck的访问频次在第i个周期的平滑值，即第i+1个周期的预测值，用表示第i+1个周期的用户对内容的请求频次，也即是在第i+1个周期中关联基站fn的所有用户对内容ck的请求次数之和。可以理解的是，ymn(i)表示第i个周期的用户um与基站fn的关联状态，qmk(i)表示第i个周期的用户um对内容ck的请求；ymn(i)表示第i个周期的用户um与基站fn间的关联状态，ymn(i)＝1表示在第i个周期用户um关联到基站fn上，ymn(i)＝0表示在第i个周期用户um不能通过基站fn获取内容；qmk(i)表示第i个周期的用户um对内容ck的请求状态，qmk(i)＝1表示在第i个周期用户um请求内容ck，qmk(i)＝0表示在第i个周期用户um不请求内容ck。表示第i个周期内的第j次的平滑值，即：
式中，α为指数模型中的平滑系数，α∈[0,1]。令Δ为预测时效，ank(i)表示第i个周期的第一指数平滑系数；bnk(i)表示第i个周期的第二指数平滑系数；cnk(i)表示第i个周期的第三指数平滑系数。预测第i+Δ个周期预测值的三次指数平滑的数学模型为：
其中，表示第i-1个周期的1次平滑，表示第i-1个周期的2次平滑；表示第i-1个周期的3次平滑。
Δ＝1,2,3...，本发明可以实现对不同周期的预测，Δ＝1时可以预测下一周期，Δ＝2时可以预测下下个周期，依次类推；
优选的，本实施例取Δ＝1；只预测下一个周期的用户对内容的请求频次，得到第i+1个周期中关联基站fn的所有用户对内容ck的请求频次后，需要根据预测值决定fn缓存哪些内容。设置缓存门限δ(δ>0)，如果fn且有足够的空闲空间存放内容ck，则将ck缓存在fn中，否则不缓存。
S51、根据第i个周期的用户对内容的请求状态以及第i周期用户与基站间的关联状态，在联合优化模型中的约束条件下，预测得到第i+1个周期的内容缓存状态；获得第i+1个周期的内容缓存X＝(xnk|fn∈F,ck∈C)，xnk∈{0,1}，其中xnk＝1表示fn缓存内容ck，用户可直接从该基站下载内容ck；反之，若xnk＝0，则表示fn上没有缓存内容ck，用户需要从云资源池中获取内容ck，此时需要增加回程链路上的传输时延TC。其中第i个周期的用户关联情况，也即是所述第i个周期的用户关联矩阵。
例如，由于存在重叠覆盖，一个用户可在多个备选的基站中选择一个关联，为了优化用户和基站之间的关联，以减小用户获取内容的时间，实施例1采取即时关联方式(Jointoptimize content caching and user association with instant association,JCCA-IA)。即当用户的业务请求到达时就开始用户和基站的关联过程，具体过程如下：当用户um对内容ck的请求到达时，如果该用户只由一个基站覆盖，则将该用户关联到覆盖该用户的基站即可；如果该用户同时被多个基站，设为基站{f0,f1,...,fk}覆盖，则首先在{f0,f1,...,fk}中去掉不能满足用户最低下载速率要求的基站，剩下的基站集合为{f0,f1,...,fj}，再计算um分别通过{f0,f1,...,fj}中的基站获取内容ck的时延，从中选取时延最小的基站关联用户um，得到关联状态Y＝(ymn|um∈U,fn∈F)和最小时延tm。
S61、i＝i+1，返回步骤S3。。
实施例2
在实施例1的基础上，内容缓存策略不变，将步骤S41变化为：步骤S42、当采取的用户关联方式为延时关联方式时，第i周期的用户对内容的请求到达时，让用户等待较短的时间τm，与后面到达的用户一起关联至基站；具体包括：其余步骤不变，实施例2采用延时关联(Joint optimize content caching and user association with waitingassociation,JCCA-WA)策略构造：
当用户请求到达时，让用户先等待较短的时间τm，与后面到达的用户一起进行关联，将最小化用户获取内容的平均时延的问题转换为求解用户与基站间二分图的最优匹配问题。定义加权无向二部图G＝(F,U,E)，加权无向二部图的两个顶点集F＝{f0,f1,f2,…,fN}和U＝{u1,u2,…,uM}分别对应基站集合和用户集合，E为F和U之间关联的边的集合，如果用户um在基站fn的覆盖范围内，um和fn之间连边emn。给定U＝{u1,u2,…,uM}和其对应的请求内容集合定义连边emn的权值wmn为用户um通过基站fn获取内容的时延，表示用户um对应的内容；令不满足用户关联约束条件的边的权值wmn＝∞。使用二分图最佳完美匹配(Kuhn-Munkres，KM)算法时，集合|F和|U|中元素的数量必须相等，所得到的权值矩阵是一个方阵。而实际上用户和基站的数量并不可能完全相等，所以在使用KM算法前需要修正使得用户数与基站数相等。
作为一种优选方式，当宏基站与家庭基站个数之和N+1与用户数M不等时，取V＝max{M,N+1}，增加|V-M|个虚拟的用户，V表示取M和N+1中的最大值；修正后的用户集合为V1＝{u1,u2,…,uM,uM+1,…,uM+|V-M|}，增加|V-N-1|个虚拟的基站，修正后的基站集合为V2＝{f0,f1,f2,…,fN,fN+1,…,fN+|V-N-1|}，并将与虚拟基站和虚拟用户相连的边的权值设为∞，则原时延权值矩阵WM×(N+1)经过修正后变成WV×V。但由于WV×V中带有修正后为∞的权值，不可能得到总权重最小的完美匹配，因此还需进一步将WV×V做相应的变化，即将权重最大问题转换为权重最小问题。本发明采用延时关联方式最小化用户获取内容的平均时延的具体步骤为：
Step 1：建立二部图G＝(F,U,E)，根据本发明采用的联合优化模型中的约束条件得到时延权值矩阵WM×(N+1)，并将其修正后得到时延权值方阵WV×V；
Step 2：设a是时延权值方阵WV×V中除了∞以外的最大值，JV是V阶全1方阵，AV×V＝aJV-WV×V，AV×V为过渡矩阵，WV×V中权值为∞的元素在AV×V中的权值为-∞；
Step 3：将AV×V中权值为-∞的元素的权值改为0，得到矩阵修正变换后的时延权值方阵
Step 4：对修正变换后的时延权值仿真做Kuhn-Munkres算法，得到最大总权重的完美匹配中的元素为0或1，1表示匹配成功，0表示不匹配；
Step 5：在完美匹配中删除修正的部分得到匹配则为时延权值矩阵WM×(N+1)的总权重最小的匹配。
Step 6：根据匹配得到第i周期用户与基站间的关联状态矩阵Y＝(ymn|um∈U,fn∈F)，若中的元素则ymn＝1，否则ymn＝0；此时，用户um获取内容的总时间为平均时延
其中，实施例2中，当设τm＝0时，则变为即时关联，因此即时关联可视为延时关联的一种特殊情况。
为了进一步说明本发明的有效性，图4-6为MATLAB环境下本发明与现有技术系统性能仿真图。本发明设计在一个半径为350m的宏蜂窝小区内随机部署覆盖半径为50m的10个FBS，FBS之间存在重叠覆盖。系统带宽为20MHz，MBS和FBS的传输功率分别为43dBm和17dBm。用户数M＝600，每个FBS可服务的最大用户数为10，TC＝1s，内容数量K＝100，且每个内容的大小均为10(Mbits)。FBS的存储容量为200(Mbits)，MBS的存储容量为400(Mbits)，缓存门限δ缓存门限设置为达到基站存储容量上限的最低请求频次。设用户对内容的请求服从齐夫Zipf分布，即取θ＝0.8，每个用户在一个周期内只请求一个内容。引入参数λ，表示用户到达的时间间隔，并服从指数分布。设用户的最低下载速率为rmmin＝10Mbit/s。仿真得到，当α取值范围在[0.4,0.7]之间时，用户获取内容的平均时延较小，这是因为三次指数平滑实质上是一个迭代计算的过程，α可以认为是新旧数据的一个分配比例，当α的取值偏小时，旧数据的所占比重较大，当α的取值偏大时，新数据的所占比重较大，都不能作精确的预测。在以下仿真中取α＝0.5。由于每个用户的到达时刻不同，当采用延时关联时，用户在等待的过程中可能不断有新用户到达，因此引入等待时间窗μ来描述用户的等待时延，将一个时间窗内到达的所有用户一起做匹配。μ的大小不宜设大，因为μ越大，用户的等待时间也越长，会增大用户获取内容的总时延。令Γ＝μ/λ，表示一个等待时间窗μ内到达的用户数。
从图4可以看出，对于关联是应该采用JCCA-IA还是JCCA-WA，与用户的到达密度相关。当λ较小时，表示用户到达较为密集，采用JCCA-IA的平均时延高于采用JCCA-WA的时延。这是因为采用JCCA-IA时，用户到达后需要立即开始服务，但由于信道较好的基站上前面到达的用户还没有服务完，正在占用基站上的信道资源，该用户只能选择其他有空闲信道但信道质量并不是最优的基站服务，因此用户下载内容的时延较大。而采用JCCA-WA方式，即使让用户等待，等待时间也比较短，同时在等待过程中基站上的信道资源逐渐被释放，用户可选择关联的信道资源变多，可以获得最优匹配使得平均时延降低。特别地，当λ越小时，Γ越大，平均下载时延越低。这是因为Γ越大，表示一个μ内关联的用户数越多，用户的等待时延越低，从而总时延降低。而随着λ逐渐增大，用户的到达密度变得稀疏，采用JCCA-WA方式用户的等待时间较长，且Γ越大，等待时延越大，而采用JCCA-IA方式用户到达后可立即服务，相比之下大大减少了用户获取内容的时延。
将本发明提出的JCCA算法与基于贪心算法的FBS缓存算法(GH)在不同的用户到达密度条件下进行对比，并分析系统性能。经过图4的分析，设当λ＝0.002s时，采用JCCA-WA算法与GH算法对比，λ＝0.01s时，采用JCCA-IA算法与GH算法对比。从图5中可以看出，由于带宽的约束，随着用户数的增加，用户平均下载时延也随着增加，但与GH算法相比，不论用户到达密集或者稀疏，本发明提出的JCCA算法不仅得到有效的内容缓存，而且实现了用户与基站的最佳匹配，相比之下用户平均下载时延最低。同理，从图6中看出，本文的JCCA算法的内容缓存命中率明显高于GH算法。
综上所述，根据本发明的上述实施例，提供了异构蜂窝网中内容缓存与用户关联联合优化算法，根据用户到达密度采取合适的关联策略，降低了用户获取内容的平均时延，提升了基站上内容缓存的命中率，减少了回程链路上的传输冗余，同时考虑用户获取内容的最小下载速率要求，保证了用户的服务质量。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。
以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.异构蜂窝网络中内容缓存与用户关联联合优化方法，其特征在于，包括以下步骤：
S1、以用户获取内容的平均时延最小化为目标，建立内容缓存与用户关联的联合目标函数，得到联合优化模型；
S2、将第i周期的内容缓存状态设为不缓存或随机缓存，初始周期i＝1；
S3、根据第i周期的用户对内容的请求到达时的疏密程度，决定第i周期的用户关联方式；
S4、根据所采取的用户关联方式，在联合优化模型中的约束条件下，结合第i周期的内容缓存状态，确定第i周期用户与基站间的关联状态，并将用户关联至合适的基站；
S5、根据第i个周期的用户对内容的请求状态以及第i周期用户与基站间的关联状态，在联合优化模型中的约束条件下，预测得到第i+1个周期的内容缓存状态；
S6、i＝i+1，返回步骤S3。
2.根据权利要求1所述的异构蜂窝网络中内容缓存与用户关联联合优化方法，其特征在于，所述用户获取内容的平均时延包括：
其中，表示用户获取内容的平均时延；um表示第m个用户；U表示用户的集合；tm表示用户um获取内容ck的时延；M表示用户总数；fn表示第n个基站，F表示基站的集合；ck表示第k个内容，C表示内容的集合；lk表示内容ck的大小；rmn表示基站fn给用户um提供的下载速率；TC表示回程链路上的传输时延；qmk表示用户um对内容ck的请求状态，qmk＝1表示用户um请求内容ck，qmk＝0表示用户um不请求内容ck；xnk表示基站fn对内容ck的缓存状态，xnk＝1表示基站fn缓存内容ck，xnk＝0表示基站fn上没有缓存内容ck；ymn表示用户um与基站fn间的关联状态，ymn＝1表示用户um关联到基站fn上，ymn＝0表示用户um不能通过基站fn获取内容；rmn表示基站fn给用户um提供的下载速率。
3.根据权利要求2所述的异构蜂窝网络中内容缓存与用户关联联合优化方法，其特征在于，所述联合优化模型包括：
其中，表示内容缓存与用户关联的联合目标函数，也即是用户获取内容的平均时延的最小化；Sn表示基站fn缓存容量的上限；In表示基站fn能同时服务的最大用户数；rmn表示用户um通过基站fn下载内容的速率；rmmin表示用户um要求最低的传输速率。
4.根据权利要求1所述的异构蜂窝网络中内容缓存与用户关联联合优化方法，其特征在于，所述根据第i周期的用户对内容的请求到达时的疏密程度，决定第i周期的用户关联方式包括：当第i周期的用户对内容的请求到达密度密集时，采取延时关联方式；当第i周期的用户对内容的请求到达密度稀疏时，采取即时关联方式。
5.根据权利要求4所述的异构蜂窝网络中内容缓存与用户关联联合优化方法，其特征在于，所述根据所采取的用户关联方式，在联合优化模型中的约束条件下，结合第i周期的内容缓存状态，确定第i周期用户与基站间的关联状态，并将用户关联至合适的基站包括：
当采取的用户关联方式为即时关联方式时，第i周期的用户对内容的请求到达时，如果用户只由一个基站覆盖，则将用户关联到覆盖该用户的基站；如果用户同时被多个基站覆盖，则从所述多个基站中去掉不能满足该用户最低下载速率要求的基站，得到剩余基站；分别计算用户通过所述剩余基站获取内容的时延，从中选取时延最小的基站关联该用户，并得到第i周期用户与基站间的关联状态。
6.根据权利要求4所述的异构蜂窝网络中内容缓存与用户关联联合优化方法，其特征在于，所述根据所采取的用户关联方式，在联合优化模型中的约束条件下，结合第i周期的内容缓存状态，确定第i周期用户与基站间的关联状态，并将用户关联至合适的基站还包括：
当采取的用户关联方式为延时关联方式时，第i周期的用户对内容的请求到达时，让用户等待较短的时间τm，与后面到达的用户一起关联至基站；具体包括：
S401：建立基于基站集合F和用户集合U的二部图G＝(F,U,E)，根据联合优化模型中的约束条件，将满足约束条件下的边集合E中各连边的权值分别作为对应用户通过基站获取内容的时延；不满足所述约束条件连边的权值为正无穷大；得到时延权值矩阵WM×(N+1)，并将其修正后得到时延权值方阵WV×V；
S402：设a是时延权值方阵WV×V中除了正无穷大以外的最大值，JV是V阶全1方阵，AV×V＝aJV-WV×V，AV×V为过渡矩阵，时延权值方阵WV×V中权值为正无穷大的元素在AV×V中对应元素的权值为负无穷大；
S403：将过渡矩阵AV×V中权值为负无穷大的元素的权值改为0，得到修正变换后的时延权值方阵
S404：对修正变换后的时延权值方阵采用二分图最佳完美匹配算法，得到最大总权重的完美匹配 中的元素为0或1，其中，1表示匹配成功，0表示不匹配；
S405：在完美匹配中删除修正的部分得到匹配则为时延权值矩阵WM×(N+1)的总权重最小的匹配。
S406：根据匹配得到第i周期用户与基站间的关联状态矩阵Y，若中的元素用户um等待时间τm后，用户um关联到基站fn；若则用户um不关联到基站fn；
其中，V＝max{M,N+1}；V表示取M和N+1中的最大值；M表示用户总数；N+1表示宏基站与家庭基站总数之和；是最小总权重匹配中的元素，即表示用户um是否关联至基站fn的状态。
7.根据权利要求1所述的异构蜂窝网络中内容缓存与用户关联联合优化方法，其特征在于，步骤S5中第i+1个周期的内容缓存状态的预测方法包括：对于每个基站，根据第i个周期的用户对内容的请求状态以及第i周期用户与基站间的关联状态，计算得到第i个周期的用户对内容的请求频次；通过三次指数平滑法，对第i个周期的用户对内容的请求频次处理，预测得到第i+1个周期的用户对内容的请求频次；设置内容缓存门限，如果在第i+1个周期的所有用户对某个内容的请求频次大于或等于缓存门限，且基站的缓存容量没有到达上限，则基站缓存该内容，否则基站不缓存该内容。
8.根据权利要求7所述的异构蜂窝网络中内容缓存与用户关联联合优化方法，其特征在于，所述第i+1个周期的用户对内容的请求频次包括：
其中，表示在第i+1个周期中关联基站fn的所有用户对内容ck的请求次数之和，也即是第i+1个周期的用户对内容的请求频次；ank(i)表示第i个周期的第一指数平滑系数；bnk(i)表示第i个周期的第二指数平滑系数；cnk(i)表示第i个周期的第三指数平滑系数。
9.根据权利要求8所述的异构蜂窝网络中内容缓存与用户关联联合优化方法，其特征在于，所述第i个周期的第一指数平滑系数ank(i)、第i个周期的第二指数平滑系数bnk(i)、第i个周期的第三指数平滑系数cnk(i)的计算式分别如下：
其中，表示第i个周期的j次指数平滑，j∈{1,2,3}；α为三次指数平滑模型中的平滑系数。
10.根据权利要求9所述的异构蜂窝网络中内容缓存与用户关联联合优化方法，其特征在于，所述第i个周期的j次指数平滑的计算式如下：
其中，表示第i-1个周期的1次平滑，表示第i-1个周期的2次平滑；表示第i-1个周期的3次平滑；znk(i)表示在第i个周期中关联基站fn的所有用户对内容ck的请求频次；ymn(i)表示第i个周期的用户um与基站fn间的关联状态，ymn(i)＝1表示在第i个周期用户um关联到基站fn上，ymn(i)＝0表示在第i个周期用户um不能通过基站fn获取内容；qmk(i)表示第i个周期的用户um对内容ck的请求状态，qmk(i)＝1表示在第i个周期用户um请求内容ck，qmk(i)＝0表示在第i个周期用户um不请求内容ck。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810165079.1A CN108259628B (zh) | 2018-02-28 | 2018-02-28 | 异构蜂窝网络中内容缓存与用户关联联合优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810165079.1A CN108259628B (zh) | 2018-02-28 | 2018-02-28 | 异构蜂窝网络中内容缓存与用户关联联合优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108259628A true CN108259628A (zh) | 2018-07-06 |
| CN108259628B CN108259628B (zh) | 2020-11-10 |
Family
ID=62745640
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810165079.1A Active CN108259628B (zh) | 2018-02-28 | 2018-02-28 | 异构蜂窝网络中内容缓存与用户关联联合优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108259628B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108848521A (zh) * | 2018-07-11 | 2018-11-20 | 重庆邮电大学 | 基于基站协作的蜂窝异构网络联合用户关联、内容缓存及资源分配方法 |
| CN109041217A (zh) * | 2018-09-21 | 2018-12-18 | 北京邮电大学 | 一种异构网络中的分级移动性预测方法 |
| CN109819459A (zh) * | 2019-02-20 | 2019-05-28 | 北京邮电大学 | 一种内容的缓存部署方法及装置 |
| CN109831806A (zh) * | 2019-03-06 | 2019-05-31 | 西安电子科技大学 | 密集场景下面向用户优先级的基站协同缓存方法 |
| CN111556510A (zh) * | 2019-12-09 | 2020-08-18 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于内容相似性的基站数据合作缓存模型及方法 |
| CN112187872A (zh) * | 2020-09-08 | 2021-01-05 | 重庆大学 | 一种移动边缘计算网络下内容缓存和用户关联优化方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060074828A (ko) * | 2004-12-27 | 2006-07-03 | 주식회사 케이티 | 계층적 캐싱 구조를 이용한 로밍 인증 시스템 및 그방법과, 그를 이용한 고속 페이징 방법 |
| CN101895886A (zh) * | 2009-05-22 | 2010-11-24 | 南京中兴软件有限责任公司 | 一种选择接入点的方法和装置 |
| CN106686655A (zh) * | 2017-03-20 | 2017-05-17 | 重庆邮电大学 | 一种异构网络联合用户关联及内容缓存方法 |
| CN106714093A (zh) * | 2017-02-22 | 2017-05-24 | 重庆邮电大学 | 一种蜂窝d2d通信联合用户接入及切片划分方法 |
| CN106792995A (zh) * | 2016-12-27 | 2017-05-31 | 北京邮电大学 | 一种未来5g网络中保障内容低时延传输的用户接入方法 |
| CN106912079A (zh) * | 2017-02-20 | 2017-06-30 | 北京邮电大学 | 一种缓存异构网络中联合用户接入选择及资源分配方法 |
-
2018
- 2018-02-28 CN CN201810165079.1A patent/CN108259628B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20060074828A (ko) * | 2004-12-27 | 2006-07-03 | 주식회사 케이티 | 계층적 캐싱 구조를 이용한 로밍 인증 시스템 및 그방법과, 그를 이용한 고속 페이징 방법 |
| CN101895886A (zh) * | 2009-05-22 | 2010-11-24 | 南京中兴软件有限责任公司 | 一种选择接入点的方法和装置 |
| CN106792995A (zh) * | 2016-12-27 | 2017-05-31 | 北京邮电大学 | 一种未来5g网络中保障内容低时延传输的用户接入方法 |
| CN106912079A (zh) * | 2017-02-20 | 2017-06-30 | 北京邮电大学 | 一种缓存异构网络中联合用户接入选择及资源分配方法 |
| CN106714093A (zh) * | 2017-02-22 | 2017-05-24 | 重庆邮电大学 | 一种蜂窝d2d通信联合用户接入及切片划分方法 |
| CN106686655A (zh) * | 2017-03-20 | 2017-05-17 | 重庆邮电大学 | 一种异构网络联合用户关联及内容缓存方法 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108848521A (zh) * | 2018-07-11 | 2018-11-20 | 重庆邮电大学 | 基于基站协作的蜂窝异构网络联合用户关联、内容缓存及资源分配方法 |
| CN108848521B (zh) * | 2018-07-11 | 2021-05-11 | 重庆邮电大学 | 基于基站协作的蜂窝异构网络联合用户关联、内容缓存及资源分配方法 |
| CN109041217A (zh) * | 2018-09-21 | 2018-12-18 | 北京邮电大学 | 一种异构网络中的分级移动性预测方法 |
| CN109819459A (zh) * | 2019-02-20 | 2019-05-28 | 北京邮电大学 | 一种内容的缓存部署方法及装置 |
| CN109831806A (zh) * | 2019-03-06 | 2019-05-31 | 西安电子科技大学 | 密集场景下面向用户优先级的基站协同缓存方法 |
| CN109831806B (zh) * | 2019-03-06 | 2021-07-06 | 西安电子科技大学 | 密集场景下面向用户优先级的基站协同缓存方法 |
| CN111556510A (zh) * | 2019-12-09 | 2020-08-18 | 中国人民解放军军事科学院国防科技创新研究院 | 一种基于内容相似性的基站数据合作缓存模型及方法 |
| CN112187872A (zh) * | 2020-09-08 | 2021-01-05 | 重庆大学 | 一种移动边缘计算网络下内容缓存和用户关联优化方法 |
| CN112187872B (zh) * | 2020-09-08 | 2021-07-30 | 重庆大学 | 一种移动边缘计算网络下内容缓存和用户关联优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108259628B (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108259628B (zh) | 异构蜂窝网络中内容缓存与用户关联联合优化方法 | |
| Liu et al. | Economically optimal MS association for multimedia content delivery in cache-enabled heterogeneous cloud radio access networks | |
| CN109947545B (zh) | 一种基于用户移动性的任务卸载及迁移的决策方法 | |
| Pantisano et al. | Cache-aware user association in backhaul-constrained small cell networks | |
| CN110417847B (zh) | 无人机通信网络用户接入和内容缓存的方法及装置 | |
| CN108834080B (zh) | 异构网络中基于多播技术的分布式缓存和用户关联方法 | |
| 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 | |
| CN106686655B (zh) | 一种异构网络联合用户关联及内容缓存方法 | |
| CN108156596B (zh) | 支持d2d-蜂窝异构网络联合用户关联及内容缓存方法 | |
| CN108307446B (zh) | 一种基于软件定义的无线网络边缘协作缓存系统与方法 | |
| WO2018082515A1 (zh) | 配置方法及装置 | |
| CN108848521B (zh) | 基于基站协作的蜂窝异构网络联合用户关联、内容缓存及资源分配方法 | |
| CN108093435A (zh) | 基于缓存流行内容的蜂窝下行链路网络能效优化系统及方法 | |
| CN106060876B (zh) | 一种异构无线网络均衡负载的方法 | |
| CN114867030A (zh) | 双时间尺度智能无线接入网切片方法 | |
| Qi et al. | Learning a hybrid proactive and reactive caching policy in wireless edge under dynamic popularity | |
| CN105208603B (zh) | 一种lte网络多目标负载均衡方法 | |
| CN111479312B (zh) | 异构蜂窝网络内容缓存和基站休眠联合优化方法 | |
| CN108882269B (zh) | 结合缓存技术的超密集网络小站开关方法 | |
| CN102281637B (zh) | 异构无线网络下的动态资源分配方法及其装置 | |
| CN109547979B (zh) | 一种d2d缓存网络下联合能耗和用户公平性的内容分发方法 | |
| CN108668288B (zh) | 用于优化无线缓存网络中小基站位置的方法 | |
| CN104936224B (zh) | Wlan中具有双频段ap的能效分流方法 | |
| CN109548047B (zh) | 一种基于前向回传链路容量的物理层缓存方法 | |
| WO2023045253A1 (zh) | 分布式移动网络视频缓存放置方法、系统及相关设备 |
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 |