CN108282760A - 一种基于用户移动特征规律的d2d设备发现方法及装置 - Google Patents
一种基于用户移动特征规律的d2d设备发现方法及装置 Download PDFInfo
- Publication number
- CN108282760A CN108282760A CN201810013864.5A CN201810013864A CN108282760A CN 108282760 A CN108282760 A CN 108282760A CN 201810013864 A CN201810013864 A CN 201810013864A CN 108282760 A CN108282760 A CN 108282760A
- Authority
- CN
- China
- Prior art keywords
- piece
- time
- equipment
- period
- time piece
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W8/00—Network data management
- H04W8/005—Discovery of network devices, e.g. terminals
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明实施例提供了一种基于用户移动特征规律的D2D设备发现方法及装置,包括:对预设时间周期中的预设时间段进行时间片划分,得到初始时间片;获取过去多个预设时间周期中的历史时间段中每个初始时间片内的设备连接信息;针对每两个相邻的初始时间片,计算每两个相邻的初始时间片间的网络变化因子;得到用于进行设备搜寻所基于的各搜寻时间片;确定待搜寻时间段的各搜寻时间片的设备搜寻频率;按照待搜寻时间段的各搜寻时间片的设备搜寻频率,在待搜寻时间段的各搜寻时间片内,进行D2D设备搜寻。本发明中将网络变化因子较小的相邻初始时间片进行合并,减小了需要计算的待搜寻时间段中设备搜寻频率的个数,提高了计算效率。
Description
技术领域
本发明涉及移动通信技术领域,特别是涉及一种基于用户移动特征规律的D2D(Device-to-Device,设备到设备)设备发现方法及装置。
背景技术
D2D通信是一种在系统的控制下,在多个支持D2D功能的设备之间直接进行通信的新型技术,能够有效地减少系统资源占用,增加蜂窝通信系统频谱效率,降低终端发送功耗,并在很大程度上节省网络运营成本。
D2D设备间的相互发现过程是D2D通信的基础。基于设备自身的设备发现方法是一种较为常见的设备发现方法,指的是为了实现设备节点之间的通信,首先至少一个设备节点必须周期性地按照某种设备搜寻频率向周围其他设备节点发送搜寻信号,以发现临近其他支持D2D功能的设备节点。
设备发现成功率(通过这种周期性探测发现的D2D连接数占实际存在的D2D连接数的比例)是衡量设备发现方法的重要性能指标。虽然通过增大设备搜寻频率可以提高设备发现成功率,但随着设备搜寻频率的增大,设备能耗也会增大。因此,研究设备发现方法的核心在于:针对某一待搜寻时间段,在发送搜寻信号之前,首先寻找合适的设备搜寻频率,以达到提高设备发现成功率,减小设备发现丢失率的同时,还能够达到降低能耗及提高能源利用率的目的。
目前,现有的基于设备自身的设备发现方法,主要采用的技术方法为:采用固定时间片划分,将一天按照每隔1小时为间隔划分成24个时间片;根据划分后的历史时间片中所有的设备节点间的连接次数和设备节点的个数,分别预测与历史时间片对应的各待搜寻片中所有的设备节点间的连接次数和设备节点的个数;再通过限定总的搜寻次数来求取每个时间片里的设备搜寻频率。
由于使用设备的用户,其移动行为一般会具有明显的时空分布规律,如:对于上班族而言,周一到周五,会呈现类似于“潮汐”的特性,即上午和下午人类的移动性比较大,因此对应的设备节点的连接次数和设备节点个数也会比较多,到了傍晚到第二天凌晨时分,则对应的设备节点的连接次数和设备节点个数会相对较少;每天都呈现这样一个规律。当待搜寻时间段为移动性比较小的时间段(例如傍晚到第二天凌晨时分)时,由于在该时间段内设备节点间的连接次数和设备节点的个数变化也较小,可将相邻时间片内网络变化因子变化不大的时间片进行合并,以减小计算的工作量。而采用上述现有技术,则仍然需要针对每个固定时间片,计算该时间片内设备搜寻频率,增大了计算的工作量。
发明内容
本发明实施例的目的在于提供一种基于用户移动特征规律的D2D设备发现方法及装置,用于解决现有的D2D设备发现方法中存在的计算效率低下的问题。具体技术方案如下:
第一方面,本发明实施例提供了一种基于用户移动特征规律的D2D设备发现方法,包括:
按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片;
获取过去多个预设时间周期中的历史时间段中每个所述初始时间片内的设备连接信息,所述历史时间段与所述预设时间段在预设时间周期中的位置相同;
针对每两个相邻的初始时间片,进行如下处理:
基于所述历史时间段中每个所述初始时间片内的设备连接信息,按照时间先后顺序,计算所述每两个相邻的初始时间片间的网络变化因子,所述网络变化因子表示两个相邻初始时间片之间设备连接网络拓扑结构的变化情况;
将小于预设变化因子阈值的网络变化因子对应的各连续初始时间片合并为一个时间片;将不存在与相邻初始时间片的网络变化因子小于所述预设变化因子阈值的初始时间片分别作为一个时间片,得到用于进行设备搜寻所基于的各搜寻时间片;
按照得到的所述各搜寻时间片,确定待搜寻时间段的所述各搜寻时间片的设备搜寻频率;所述待搜寻时间段位于将来的预设时间周期中,且与所述预设时间段在预设时间周期中的位置相同;
按照所述待搜寻时间段的所述各搜寻时间片的设备搜寻频率,在所述待搜寻时间段的所述各搜寻时间片内,进行D2D设备搜寻。
进一步的,所述初始时间片内的设备连接信息包括:所述初始时间片内设备节点的个数;
所述基于所述历史时间段中相邻两个初始时间片内的设备连接信息,计算所述相邻两个初始时间片间的网络变化因子,包括:
其中:表示初始时间片和与其相邻的初始时间片间的网络变化因子;
|| ||表示其中集合的元素个数;
和分别表示初始时间片内设备节点的个数和初始时间片内设备节点的个数;
表示在初始时间片或内出现过的设备节点的个数总和;
表示在初始时间片和内均出现过的设备节点的个数总和。
进一步的,所述初始时间片内的设备连接信息包括:所述初始时间片内设备节点间的连接次数;
所述基于所述历史时间段中相邻两个初始时间片内的设备连接信息,计算所述相邻两个初始时间片间的网络变化因子,包括:
其中:表示初始时间片和与其相邻的初始时间片间的网络变化因子;
|| ||表示其中集合的元素个数;
和分别表示初始时间片内设备节点间的连接次数和初始时间片内设备节点间的连接次数;
表示在初始时间片或内出现过的设备节点间的连接次数总和;
表示在初始时间片和内均出现过的设备节点间的连接次数总和。
进一步的,所述初始时间片内的设备连接信息包括:所述初始时间片内设备节点的个数和所述初始时间片内设备节点间的连接次数;
所述基于所述历史时间段中相邻两个初始时间片内的设备连接信息,计算所述相邻两个初始时间片间的网络变化因子,包括:
其中:表示初始时间片和与其相邻的初始时间片间的网络变化因子;
|| ||表示其中集合的元素个数;
和分别表示初始时间片内设备节点的个数和初始时间片内设备节点的个数;
和分别表示初始时间片内设备节点间的连接次数和初始时间片内设备节点间的连接次数;
表示在初始时间片或内出现过的设备节点的个数总和;
表示在初始时间片和内均出现过的设备节点的个数总和;
表示在初始时间片或内出现过的设备节点间的连接次数总和;
表示在初始时间片和内均出现过的设备节点间的连接次数总和;
α和β分别代表网络中节点变化和边的变化权重。
进一步的,所述按照第一预设时间间隔对时间周期中的预设时间段进行时间片划分,得到多个初始时间片,包括:
按照第二预设时间间隔对时间周期中的预设时间段进行时间片划分,得到相关性求解时间片;
获取过去多个预设时间周期中的历史时间段中每个所述相关性求解时间片内的设备连接信息;所述相关性求解时间片内的设备连接信息包括所述相关性求解时间片内设备节点间的连接次数和/或设备节点的个数;
根据所述过去多个预设时间周期中的历史时间段中每个所述相关性求解时间片内的设备连接信息,计算所述多个预设时间周期中的历史时间段间的连接次数的相关系数和/或所述多个预设时间周期中的历史时间段间设备节点的个数的相关系数;
当所述相关系数的绝对值大于预设相关系数阈值时,按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片。
进一步的,所述初始时间片内的设备连接信息包括:所述初始时间片内设备节点的个数和所述初始时间片内设备节点间的连接次数;
所述按照得到的所述各搜寻时间片,确定待搜寻时间段的所述各搜寻时间片的设备搜寻频率,包括:
将所述历史时间段中每个所述初始时间片内设备节点间的连接次数的平均值和设备节点的个数的平均值分别作为对应的各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值;
根据所述各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值,确定在设备发现丢失率最小的优化目标下,所述各搜寻时间片中设备搜寻频率的最优解。
进一步的,所述根据各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值,确定在设备发现丢失率最小的优化目标下,所述各搜寻时间片中设备搜寻频率的最优解,包括:
获取所述过去多个预设时间周期中的历史时间段内设备节点间的连接时长信息;
计算所述连接时长的累积概率分布函数;
所述根据所述连接时长的累积概率分布函数及所述各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值,以限定的网络总能耗为约束条件,确定在设备发现丢失率最小的优化目标下,所述各搜寻时间片中设备搜寻频率的最优解。
进一步的,所述根据各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值,确定在设备发现丢失率最小的优化目标下,所述各搜寻时间片中设备搜寻频率的最优解,包括:
获取所述过去多个预设时间周期中的历史时间段内设备节点间的连接时长信息;
计算所述连接时长的累积概率分布函数;
所述根据所述连接时长的累积概率分布函数及所述各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值,以限定的网络总能耗为约束条件,确定在设备发现丢失率最小的优化目标下,所述各搜寻时间片中设备搜寻频率的最优解。
第二方面,本发明实施例提供了一种基于用户移动特征规律的D2D设备发现装置,包括:
初始时间片生成模块,用于按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片;
信息获取模块,用于获取过去多个预设时间周期中的历史时间段中每个所述初始时间片内的设备连接信息,所述历史时间段与所述预设时间段在预设时间周期中的位置相同;
变化因子计算模块,用于针对每两个相邻的初始时间片,基于所述历史时间段中每个所述初始时间片内的设备连接信息,按照时间先后顺序,计算所述每两个相邻的初始时间片间的网络变化因子,所述网络变化因子表示两个相邻初始时间片之间设备连接网络拓扑结构的变化情况;
搜寻时间片生成模块,将小于预设变化因子阈值的网络变化因子对应的各连续初始时间片合并为一个时间片;将不存在与相邻初始时间片的网络变化因子小于所述预设变化因子阈值的初始时间片分别作为一个时间片,得到用于进行设备搜寻所基于的各搜寻时间片;
搜寻频率确定模块,用于按照得到的所述各搜寻时间片,确定待搜寻时间段的所述各搜寻时间片的设备搜寻频率;所述待搜寻时间段位于将来的预设时间周期中,且与所述预设时间段在预设时间周期中的位置相同;
设备搜寻模块,用于按照所述待搜寻时间段的所述各搜寻时间片的设备搜寻频率,在所述待搜寻时间段的所述各搜寻时间片内,进行D2D设备搜寻。
进一步的,所述初始时间片内的设备连接信息包括:所述初始时间片内设备节点的个数;
所述变化因子计算模块,具体用于采用如下公式计算所述两个初始时间片间的网络变化因子:
其中:表示初始时间片和与其相邻的初始时间片间的网络变化因子;
|| ||表示其中集合的元素个数;
和分别表示初始时间片内设备节点的个数和初始时间片内设备节点的个数;
表示在初始时间片或内出现过的设备节点的个数总和;
表示在初始时间片和内均出现过的设备节点的个数总和。
进一步的,所述初始时间片内的设备连接信息包括:所述初始时间片内设备节点间的连接次数;
所述变化因子计算模块,具体用于采用如下公式计算所述两个初始时间片间的网络变化因子:
其中:表示初始时间片和与其相邻的初始时间片间的网络变化因子;
|| ||表示其中集合的元素个数;
和分别表示初始时间片内设备节点间的连接次数和初始时间片内设备节点间的连接次数;
表示在初始时间片或内出现过的设备节点间的连接次数总和;
表示在初始时间片和内均出现过的设备节点间的连接次数总和。
进一步的,所述初始时间片内的设备连接信息包括:所述初始时间片内设备节点的个数和所述初始时间片内设备节点间的连接次数;
所述变化因子计算模块,具体用于采用如下公式计算所述两个初始时间片间的网络变化因子:
其中:表示初始时间片和与其相邻的初始时间片间的网络变化因子;
|| ||表示其中集合的元素个数;
和分别表示初始时间片内设备节点的个数和初始时间片内设备节点的个数;
和分别表示初始时间片内设备节点间的连接次数和初始时间片内设备节点间的连接次数;
表示在初始时间片或内出现过的设备节点的个数总和;
表示在初始时间片和内均出现过的设备节点的个数总和;
表示在初始时间片或内出现过的设备节点间的连接次数总和;
表示在初始时间片和内均出现过的设备节点间的连接次数总和;
α和β分别代表网络中节点变化和边的变化权重。
进一步的,所述初始时间片生成模块,具体用于:按照第二预设时间间隔对时间周期中的预设时间段进行时间片划分,得到相关性求解时间片;获取过去多个预设时间周期中的历史时间段中每个所述相关性求解时间片内的设备连接信息;所述相关性求解时间片内的设备连接信息包括所述相关性求解时间片内设备节点间的连接次数和/或设备节点的个数;根据所述过去多个预设时间周期中的历史时间段中每个所述相关性求解时间片内的设备连接信息,采用皮尔逊相关系数公式,计算所述多个预设时间周期中的历史时间段间的连接次数的相关系数和/或所述多个预设时间周期中的历史时间段间设备节点的个数的相关系数;当所述相关系数的绝对值大于预设相关系数阈值时,按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片。
进一步的,所述初始时间片内的设备连接信息包括:所述初始时间片内设备节点的个数和所述初始时间片内设备节点间的连接次数;
所述搜寻频率确定模块,具体用于将所述历史时间段中每个所述初始时间片内设备节点间的连接次数的平均值和设备节点的个数的平均值分别作为对应的各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值;根据所述各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值,确定在设备发现丢失率最小的优化目标下,所述各搜寻时间片中设备搜寻频率的最优解。
进一步的,所述搜寻频率确定模块,具体用于将所述历史时间段中每个所述初始时间片内设备节点间的连接次数的平均值和设备节点的个数的平均值分别作为对应的各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值;获取所述过去多个预设时间周期中的历史时间段内设备节点间的连接时长信息;计算所述连接时长的累积概率分布函数;所述根据所述连接时长的累积概率分布函数及所述各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值,以限定的网络总能耗为约束条件,确定在设备发现丢失率最小的优化目标下,所述各搜寻时间片中设备搜寻频率的最优解。
进一步的,所述根据所述连接时长的累积概率分布函数及所述各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值,以限定的网络总能耗为约束条件,确定在设备发现丢失率最小的优化目标下,所述各搜寻时间片中设备搜寻频率的最优解,包括:
γi=EiPmiss,ξi=Niμi;
其中:G为所述待搜寻时间段中搜寻时间片的总个数;
Ei为在所述待搜寻时间段中的搜寻时间片i上的总的连接次数;
γi为在所述待搜寻时间段中的搜寻时间片i内丢失的连接次数;
Pmiss为以μ为广播频率去搜寻周围的设备时的设备丢失率;
FD(x)为所述连接时长的累积概率分布函数;
Ni为在所述待搜寻时间段中的搜寻时间片i上存在连接的节点个数;
μi为在所述待搜寻时间段中的搜寻时间片i中的设备搜寻频率;
ζi为在所述待搜寻时间段中限定的网络总能耗。
第三方面,本发明实施例提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现上述任一基于用户移动特征规律的设备到设备D2D设备发现方法的步骤。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述任一所述的基于用户移动特征规律的设备到设备D2D设备发现方法。
第五方面,本发明实施例还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述任一所述的基于用户移动特征规律的设备到设备D2D设备发现方法。
本发明实施例提供的基于用户移动特征规律的D2D设备方法及装置,首先,按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片,获取过去多个预设时间周期中的历史时间段中每个所述初始时间片内的设备连接信息;针对每两个相邻的初始时间片:按照时间先后顺序,计算所述每两个相邻的初始时间片间的网络变化因子;然后再将小于预设变化因子阈值的网络变化因子对应的各连续初始时间片合并为一个时间片;将大于或者等于所述预设变化因子阈值的网络变化因子对应的各初始时间片分别作为一个时间片,得到用于进行设备搜寻所基于的各搜寻时间片;按照得到的所述各搜寻时间片,确定待搜寻时间段的所述各搜寻时间片的设备搜寻频率;最后,按照所述待搜寻时间段的所述各搜寻时间片的设备搜寻频率,在所述待搜寻时间段的所述各搜寻时间片内,进行D2D设备搜寻。本发明中将网络变化因子较小的过度时间片进行合并,最终得到待搜寻时间段的各搜寻时间片,然后再求解每个搜寻时间片对应的设备搜寻频率,因此,减小了需要计算的待搜寻时间段中设备搜寻频率的个数,提高了计算效率。
当然,实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例提供的基于用户移动特征规律的D2D设备发现方法的流程示意图;
图2为本发明另一个实施例提供的基于用户移动特征规律的D2D设备发现方法的流程示意图;
图3为本发明一个实施例提供的基于用户移动特征规律的D2D设备发现装置的结构示意图;
图4为本发明一个实施例提供的电子设备的结构示意图。
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,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明一个实施例提供的基于用户移动特征规律的D2D设备发现方法的流程示意图,包括:
步骤101,按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片。
步骤102,获取过去多个预设时间周期中的历史时间段中每个初始时间片内的设备连接信息,历史时间段与预设时间段在预设时间周期中的位置相同。
步骤103,针对每两个相邻的初始时间片,基于历史时间段中每个初始时间片内的设备连接信息,按照时间先后顺序,计算每两个相邻的初始时间片间的网络变化因子,网络变化因子表示两个相邻初始时间片之间设备连接网络拓扑结构的变化情况。
步骤104,将小于预设变化因子阈值的网络变化因子对应的各连续初始时间片合并为一个时间片;将不存在与相邻初始时间片的网络变化因子小于预设变化因子阈值的初始时间片分别作为一个时间片,得到用于进行设备搜寻所基于的各搜寻时间片。
步骤105,按照得到的各搜寻时间片,确定待搜寻时间段的各搜寻时间片的设备搜寻频率;待搜寻时间段位于将来的预设时间周期中,且与预设时间段在预设时间周期中的位置相同。
步骤106,按照待搜寻时间段的各搜寻时间片的设备搜寻频率,在待搜寻时间段的各搜寻时间片内,进行D2D设备搜寻。
在本发明实施例提供的图1所示的基于用户移动特征规律的D2D设备发现方法中,首先,按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片,获取过去多个预设时间周期中的历史时间段中每个初始时间片内的设备连接信息;针对每两个相邻的初始时间片:按照时间先后顺序,计算每两个相邻的初始时间片间的网络变化因子;然后再将小于预设变化因子阈值的网络变化因子对应的各连续初始时间片合并为一个时间片;将大于或者等于预设变化因子阈值的网络变化因子对应的各初始时间片分别作为一个时间片,得到用于进行设备搜寻所基于的各搜寻时间片;按照得到的各搜寻时间片,确定待搜寻时间段的各搜寻时间片的设备搜寻频率;最后,按照待搜寻时间段的各搜寻时间片的设备搜寻频率,在待搜寻时间段的各搜寻时间片内,进行D2D设备搜寻。本发明中将网络变化因子较小的过度时间片进行合并,最终得到待搜寻时间段的各搜寻时间片,然后再求解每个搜寻时间片对应的设备搜寻频率,因此,减小了需要计算的待搜寻时间段中设备搜寻频率的个数,提高了计算效率。
下面结合附图,对本发明实施例提供的基于用户移动特征规律的D2D设备方法方法、装置及系统进行详细描述。
本发明实施例还提供一种基于用户移动特征规律的D2D设备方法,如图2所示,具体包括如下步骤:
步骤201,按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片。
本步骤中,预设时间周期为根据使用设备的用户的移动行为规律设定的,在各个预设时间周期内的相应时间段中,使用设备的用户具有相似的移动行为规律。例如,对于使用设备的用户为在校大学生的情况,可以设定预设时间周期为7天,在每个预设时间周期的对应时间段(如周一)内,由于课程安排基本相同,因此用户具有相似的移动行为规律,此时,预设时间段可以取周一到周日中的任意一天,第一预设时间可以是1小时,也可以是2小时等。对于预设时间周期、预设时间段以及第一预设时间间隔的具体取值,此处不作限制。
进一步的,可以采用如下方法,得到多个初始时间片:
按照第二预设时间间隔对时间周期中的预设时间段进行时间片划分,得到相关性求解时间片;
获取过去多个预设时间周期中的历史时间段中每个相关性求解时间片内的设备连接信息;相关性求解时间片内的设备连接信息包括相关性求解时间片内设备节点间的连接次数和/或设备节点的个数;
根据过去多个预设时间周期中的历史时间段中每个相关性求解时间片内的设备连接信息,计算多个预设时间周期中的历史时间段间的连接次数的相关系数和/或多个预设时间周期中的历史时间段间设备节点的个数的相关系数;
当相关系数的绝对值大于预设相关系数阈值时,按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片。
在本步骤中,第二预设时间间隔可以与第一预设时间间隔相同,也可以与第一预设时间间隔不同。还以使用设备的用户为在校大学生、预设时间周期为7天、第一预设时间和第二预设时间均是1小时为例,设定预设时间段为星期一,则按照上述方法获得的相关性求解时间片共24个,即:0点-1点、1点-2点、……、23点-24点。
在计算多个预设时间周期中的历史时间段间的连接次数的相关系数和/或多个预设时间周期中的历史时间段间设备节点的个数的相关系数时,可以采用皮尔逊相关系数计算公式,也可以采用肯德尔相关系数计算公式等,在此,对相关系数的计算方法不作限制。
当相关性求解时间片内的设备连接信息包括相关性求解时间片内设备节点间的连接次数和设备节点的个数时,可以分别计算多个预设时间周期中的历史时间段间的连接次数的相关系数和多个预设时间周期中的历史时间段间设备节点的个数的相关系数,并分别判断上述两项相关系数的绝对值与预设相关系数阈值的大小关系,当上述两项相关系数的绝对值同时大于预设相关系数阈值时,按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片。预设相关系数阈值可以根据经验进行设定,例如可以取0.6。
不同时间周期中的历史时间段(例如上一星期中的星期一和上上一星期中的星期一)间的连接次数或的设备节点的个数相关系数的绝对值越大,说明上述不同时间周期中的历史时间段间使用设备的用户的移动行为规律越相似。
步骤202,获取过去多个预设时间周期中的历史时间段中每个初始时间片内的设备连接信息,历史时间段与预设时间段在预设时间周期中的位置相同。
本步骤中,预设时间周期的个数可以是2个,也可以是3个或者更多,在此对其数量不作限制。还以步骤201中使用设备的用户为在校大学生、预设时间周期为7天、第一预设时间是1小时为例,假设现在时间为周一,当预设时间周期的个数为2个时,获取上一星期中星期一这一历史时间段中每个初始时间片(0点-1点、1点-2点、……、23点-24点)内的设备连接信息和上上一星期中星期一这一历史时间段中每个初始时间片(0点-1点、1点-2点、……23点-24点)内的设备连接信息。
进一步的,初始时间片内的设备连接信息可以包括:初始时间片内设备节点的个数。
进一步的,初始时间片内的设备连接信息还可以包括:初始时间片内设备节点间的连接次数。
步骤203,针对每两个相邻的初始时间片,基于历史时间段中每个初始时间片内的设备连接信息,按照时间先后顺序,计算每两个相邻的初始时间片间的网络变化因子,网络变化因子表示两个相邻初始时间片之间设备连接网络拓扑结构的变化情况。
进一步的,当初始时间片内的设备连接信息包括初始时间片内设备节点的个数,可以采用如下公式计算相邻两个初始时间片间的网络变化因子:
其中:表示初始时间片和与其相邻的初始时间片间的网络变化因子;
|| ||表示其中集合的元素个数;
和分别表示初始时间片内设备节点的个数和初始时间片内设备节点的个数;
表示在初始时间片或内出现过的设备节点的个数总和;
表示在初始时间片和内均出现过的设备节点的个数总和。
进一步的,当初始时间片内的设备连接信息包括初始时间片内设备节点间的连接次数时,可以采用如下公式计算相邻两个初始时间片间的网络变化因子:
其中:表示初始时间片和与其相邻的初始时间片间的网络变化因子;
|| ||表示其中集合的元素个数;
和分别表示初始时间片内设备节点间的连接次数和初始时间片内设备节点间的连接次数;
表示在初始时间片或内出现过的设备节点间的连接次数总和;
表示在初始时间片和内均出现过的设备节点间的连接次数总和。
进一步的,当初始时间片内的设备连接信息包括初始时间片内设备节点的个数和初始时间片内设备节点间的连接次数时,可以采用如下公式计算相邻两个初始时间片间的网络变化因子:
其中:表示初始时间片和与其相邻的初始时间片间的网络变化因子;
|| ||表示其中集合的元素个数;
和分别表示初始时间片内设备节点的个数和初始时间片内设备节点的个数;
和分别表示初始时间片内设备节点间的连接次数和初始时间片内设备节点间的连接次数;
表示在初始时间片或内出现过的设备节点的个数总和;
表示在初始时间片和内均出现过的设备节点的个数总和;
表示在初始时间片或内出现过的设备节点间的连接次数总和;
表示在初始时间片和内均出现过的设备节点间的连接次数总和;
α和β分别代表网络中节点变化和边的变化权重。
步骤204,判断网络变化因子是否小于预设变化因子阈值。当网络变化因子小于预设变化因子阈值时,进入步骤205;当网络变化因子大于或等于预设变化因子阈值时,进入步骤206。
本步骤中,预设变化因子阈值可以根据经验进行设定,例如可以取0.6。当相邻两个初始时间片间的网络变化因子小于预设变化因子阈值时,说明这两个相邻初始时间片间设备连接网络拓扑结构的变化情况较小。
步骤205,将小于预设变化因子阈值的网络变化因子对应的各连续初始时间片合并为一个时间片。
在本步骤中,将设备连接网络拓扑结构的变化情况较小的各连续初始时间片合并为一个时间片。
步骤206,将不存在与相邻初始时间片的网络变化因子小于预设变化因子阈值的初始时间片分别作为一个时间片。
步骤207,将时间片,作为用于进行设备搜寻所基于的各搜寻时间片。
步骤208,按照得到的各搜寻时间片,确定待搜寻时间段的各搜寻时间片的设备搜寻频率;待搜寻时间段位于将来的预设时间周期中,且与预设时间段在预设时间周期中的位置相同。
进一步的,可以采用如下方法,确定待搜寻时间段的各搜寻时间片的设备搜寻频率:
将历史时间段中每个初始时间片内设备节点间的连接次数的平均值和设备节点的个数的平均值分别作为对应的各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值;
根据各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值,确定在设备发现丢失率最小的优化目标下,各搜寻时间片中设备搜寻频率的最优解。
本步骤中,还可以采用如下公式,确定各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值:
其中:Eυ为搜寻时间片υ内设备节点间的连接次数的预测值;
Eυ-1为搜寻时间片(υ-1)内设备节点间的连接次数的预测值;
为历史时间段中与搜寻时间片υ对应的时间片内设备节点间的连接次数的平均值;
Nυ为搜寻时间片υ内设备节点的个数的预测值;
Nυ-1为搜寻时间片(υ-1)内设备节点的个数的预测值;
为历史时间段中与搜寻时间片υ对应的时间片内设备节点的个数的平均值;
w1和w2为权重值。
进一步的,可以采用如下方法,确定在设备发现丢失率最小的优化目标下,各搜寻时间片中设备搜寻频率的最优解:
获取过去多个预设时间周期中的历史时间段内设备节点间的连接时长信息;
计算连接时长的累积概率分布函数;
根据连接时长的累积概率分布函数及各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值,以限定的网络总能耗为约束条件,确定在设备发现丢失率最小的优化目标下,各搜寻时间片中设备搜寻频率的最优解。
进一步的,可以采用如下公式,以限定的网络总能耗为约束条件,确定在设备发现丢失率最小的优化目标下,各搜寻时间片中设备搜寻频率的最优解:
其中:G为待搜寻时间段中搜寻时间片的总个数;
Ei为在待搜寻时间段中的搜寻时间片i上的总的连接次数;
γi为在待搜寻时间段中的搜寻时间片i内丢失的连接次数;
Pmiss为以μ为广播频率去搜寻周围的设备时的设备丢失率;
FD(x)为连接时长的累积概率分布函数;
Ni为在待搜寻时间段中的搜寻时间片i上存在连接的节点个数;
μi为在待搜寻时间段中的搜寻时间片i中的设备搜寻频率;
ζi为在待搜寻时间段中限定的网络总能耗。
例如,当节点对的连接时长分布满足幂律分布时,其累计概率分布函数为:其中,k是幂律分布的幂律值,g是一个常量,结合上式,可以求得设备发现丢失率为:利用拉格朗日乘子法和KKT条件(一个非线性规划问题有最优化解法的一个必要和充分条件),可以得到在每个搜寻时间片内的最佳设备搜寻频率μi*:
步骤209,按照待搜寻时间段的各搜寻时间片的设备搜寻频率,在待搜寻时间段的各搜寻时间片内,进行D2D设备搜寻。
在本发明实施例提供的图2所示的基于用户移动特征规律的D2D设备发现方法中,首先,按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片,获取过去多个预设时间周期中的历史时间段中每个初始时间片内的设备连接信息;针对每两个相邻的初始时间片:按照时间先后顺序,计算每两个相邻的初始时间片间的网络变化因子;然后判断网络变化因子与预设变化因子阈值的大小关系,将小于预设变化因子阈值的网络变化因子对应的各连续初始时间片合并为一个时间片;将大于或者等于预设变化因子阈值的网络变化因子对应的各初始时间片分别作为一个时间片,得到用于进行设备搜寻所基于的各搜寻时间片;按照得到的各搜寻时间片,确定待搜寻时间段的各搜寻时间片的设备搜寻频率;最后,按照待搜寻时间段的各搜寻时间片的设备搜寻频率,在待搜寻时间段的各搜寻时间片内,进行D2D设备搜寻。本发明中将网络变化因子较小的过度时间片进行合并,最终得到待搜寻时间段的各搜寻时间片,然后再求解每个搜寻时间片对应的设备搜寻频率,因此,减小了需要计算的待搜寻时间段中设备搜寻频率的个数,提高了计算效率。
基于同一发明构思,根据本发明上述实施例提供的基于用户移动特征规律的D2D设备发现方法,相应地,本发明一个实施例还提供了一种基于用户移动特征规律的D2D设备发现装置,其结构示意图如图3所示,包括:
初始时间片生成模块301,用于按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片;
信息获取模块302,用于获取过去多个预设时间周期中的历史时间段中每个初始时间片内的设备连接信息,历史时间段与预设时间段在预设时间周期中的位置相同;
变化因子计算模块303,用于针对每两个相邻的初始时间片,基于历史时间段中每个初始时间片内的设备连接信息,按照时间先后顺序,计算每两个相邻的初始时间片间的网络变化因子,网络变化因子表示两个相邻初始时间片之间设备连接网络拓扑结构的变化情况;
搜寻时间片生成模块304,将小于预设变化因子阈值的网络变化因子对应的各连续初始时间片合并为一个时间片;将不存在与相邻初始时间片的网络变化因子小于预设变化因子阈值的初始时间片分别作为一个时间片,得到用于进行设备搜寻所基于的各搜寻时间片;
搜寻频率确定模块305,用于按照得到的各搜寻时间片,确定待搜寻时间段的各搜寻时间片的设备搜寻频率;待搜寻时间段位于将来的预设时间周期中,且与预设时间段在预设时间周期中的位置相同;
设备搜寻模块306,用于按照待搜寻时间段的各搜寻时间片的设备搜寻频率,在待搜寻时间段的各搜寻时间片内,进行D2D设备搜寻。
上述各模块的功能可对应于图1或图2所示流程中的相应处理步骤,在此不再赘述。
在本发明实施例提供的图3所示的基于用户移动特征规律的D2D设备发现装置中,首先,初始时间片生成模块301按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片,信息获取模块302获取过去多个预设时间周期中的历史时间段中每个初始时间片内的设备连接信息;变化因子计算模块303针对每两个相邻的初始时间片:按照时间先后顺序,计算每两个相邻的初始时间片间的网络变化因子;搜寻时间片生成模块304再将小于预设变化因子阈值的网络变化因子对应的各连续初始时间片合并为一个时间片;将大于或者等于预设变化因子阈值的网络变化因子对应的各初始时间片分别作为一个时间片,得到用于进行设备搜寻所基于的各搜寻时间片;搜寻频率确定模块305按照得到的各搜寻时间片,确定待搜寻时间段的各搜寻时间片的设备搜寻频率;最后,设备搜寻模块305再按照待搜寻时间段的各搜寻时间片的设备搜寻频率,在待搜寻时间段的各搜寻时间片内,进行D2D设备搜寻。本发明中将网络变化因子较小的过度时间片进行合并,最终得到待搜寻时间段的各搜寻时间片,然后再求解每个搜寻时间片对应的设备搜寻频率,因此,减小了需要计算的待搜寻时间段中设备搜寻频率的个数,提高了计算效率。
本发明实施例还提供了一种电子设备,如图4所示,包括处理器401、通信接口402、存储器403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信,
存储器403,用于存放计算机程序;
处理器401,用于执行存储器403上所存放的程序时,实现如下步骤:
按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片;
获取过去多个预设时间周期中的历史时间段中每个初始时间片内的设备连接信息,历史时间段与预设时间段在预设时间周期中的位置相同;
针对每两个相邻的初始时间片,进行如下处理:
基于历史时间段中每个初始时间片内的设备连接信息,按照时间先后顺序,计算每两个相邻的初始时间片间的网络变化因子,网络变化因子表示两个相邻初始时间片之间设备连接网络拓扑结构的变化情况;
将小于预设变化因子阈值的网络变化因子对应的各连续初始时间片合并为一个时间片;将不存在与相邻初始时间片的网络变化因子小于预设变化因子阈值的初始时间片分别作为一个时间片,得到用于进行设备搜寻所基于的各搜寻时间片;
按照得到的各搜寻时间片,确定待搜寻时间段的各搜寻时间片的设备搜寻频率;待搜寻时间段位于将来的预设时间周期中,且与预设时间段在预设时间周期中的位置相同;
按照待搜寻时间段的各搜寻时间片的设备搜寻频率,在待搜寻时间段的各搜寻时间片内,进行D2D设备搜寻。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供的基于用户移动特征规律的D2D设备发现电子设备中,其采用的方法为:将网络变化因子较小的过度时间片进行合并,最终得到待搜寻时间段的各搜寻时间片,然后再求解每个搜寻时间片对应的设备搜寻频率,因此,减小了需要计算的待搜寻时间段中设备搜寻频率的个数,提高了计算效率。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述实施例中任一上述的基于用户移动特征规律的D2D设备发现方法。
本发明实施例提供的计算机可读存储介质中,其采用的设备发现方法为:将网络变化因子较小的过度时间片进行合并,最终得到待搜寻时间段的各搜寻时间片,然后再求解每个搜寻时间片对应的设备搜寻频率,因此,减小了需要计算的待搜寻时间段中设备搜寻频率的个数,提高了计算效率。
在本发明提供的又一实施例中,还提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述实施例中任一上述的基于用户移动特征规律的D2D设备发现方法。
本发明实施例提供的包含指令的计算机程序产品中,其采用的方法为:将网络变化因子较小的过度时间片进行合并,最终得到待搜寻时间段的各搜寻时间片,然后再求解每个搜寻时间片对应的设备搜寻频率,因此,减小了需要计算的待搜寻时间段中设备搜寻频率的个数,提高了计算效率。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行上述计算机程序指令时,全部或部分地产生按照本发明实施例上述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备、计算机可读存储介质及包含指令的计算机程序产品实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本发明的保护范围内。
Claims (10)
1.一种基于用户移动特征规律的设备到设备D2D设备发现方法,其特征在于,包括:
按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片;
获取过去多个预设时间周期中的历史时间段中每个所述初始时间片内的设备连接信息,所述历史时间段与所述预设时间段在预设时间周期中的位置相同;
针对每两个相邻的初始时间片,进行如下处理:
基于所述历史时间段中每个所述初始时间片内的设备连接信息,按照时间先后顺序,计算所述每两个相邻的初始时间片间的网络变化因子,所述网络变化因子表示两个相邻初始时间片之间设备连接网络拓扑结构的变化情况;
将小于预设变化因子阈值的网络变化因子对应的各连续初始时间片合并为一个时间片;将不存在与相邻初始时间片的网络变化因子小于所述预设变化因子阈值的初始时间片分别作为一个时间片,得到用于进行设备搜寻所基于的各搜寻时间片;
按照得到的所述各搜寻时间片,确定待搜寻时间段的所述各搜寻时间片的设备搜寻频率;所述待搜寻时间段位于将来的预设时间周期中,且与所述预设时间段在预设时间周期中的位置相同;
按照所述待搜寻时间段的所述各搜寻时间片的设备搜寻频率,在所述待搜寻时间段的所述各搜寻时间片内,进行D2D设备搜寻。
2.根据权利要求1所述的方法,所述初始时间片内的设备连接信息包括:所述初始时间片内设备节点的个数;
所述基于所述历史时间段中相邻两个初始时间片内的设备连接信息,计算所述相邻两个初始时间片间的网络变化因子,包括:
其中:表示初始时间片和与其相邻的初始时间片间的网络变化因子;
|| ||表示其中集合的元素个数;
和分别表示初始时间片内设备节点的个数和初始时间片内设备节点的个数;
表示在初始时间片或内出现过的设备节点的个数总和;
表示在初始时间片和内均出现过的设备节点的个数总和。
3.根据权利要求1所述的方法,所述初始时间片内的设备连接信息包括:所述初始时间片内设备节点间的连接次数;
所述基于所述历史时间段中相邻两个初始时间片内的设备连接信息,计算所述相邻两个初始时间片间的网络变化因子,包括:
其中:表示初始时间片和与其相邻的初始时间片间的网络变化因子;
|| ||表示其中集合的元素个数;
和分别表示初始时间片内设备节点间的连接次数和初始时间片内设备节点间的连接次数;
表示在初始时间片或内出现过的设备节点间的连接次数总和;
表示在初始时间片和内均出现过的设备节点间的连接次数总和。
4.根据权利要求1所述的方法,所述初始时间片内的设备连接信息包括:所述初始时间片内设备节点的个数和所述初始时间片内设备节点间的连接次数;
所述基于所述历史时间段中相邻两个初始时间片内的设备连接信息,计算所述相邻两个初始时间片间的网络变化因子,包括:
其中:表示初始时间片和与其相邻的初始时间片间的网络变化因子;
|| ||表示其中集合的元素个数;
和分别表示初始时间片内设备节点的个数和初始时间片内设备节点的个数;
和分别表示初始时间片内设备节点间的连接次数和初始时间片内设备节点间的连接次数;
表示在初始时间片或内出现过的设备节点的个数总和;
表示在初始时间片和内均出现过的设备节点的个数总和;
表示在初始时间片或内出现过的设备节点间的连接次数总和;
表示在初始时间片和内均出现过的设备节点间的连接次数总和;
α和β分别代表网络中节点变化和边的变化权重。
5.根据权利要求1所述的方法,所述按照第一预设时间间隔对时间周期中的预设时间段进行时间片划分,得到多个初始时间片,包括:
按照第二预设时间间隔对时间周期中的预设时间段进行时间片划分,得到相关性求解时间片;
获取过去多个预设时间周期中的历史时间段中每个所述相关性求解时间片内的设备连接信息;所述相关性求解时间片内的设备连接信息包括所述相关性求解时间片内设备节点间的连接次数和/或设备节点的个数;
根据所述过去多个预设时间周期中的历史时间段中每个所述相关性求解时间片内的设备连接信息,计算所述多个预设时间周期中的历史时间段间的连接次数的相关系数和/或所述多个预设时间周期中的历史时间段间设备节点的个数的相关系数;
当所述相关系数的绝对值大于预设相关系数阈值时,按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片。
6.根据权利要求1所述的方法,所述初始时间片内的设备连接信息包括:所述初始时间片内设备节点的个数和所述初始时间片内设备节点间的连接次数;
所述按照得到的所述各搜寻时间片,确定待搜寻时间段的所述各搜寻时间片的设备搜寻频率,包括:
将所述历史时间段中每个所述初始时间片内设备节点间的连接次数的平均值和设备节点的个数的平均值分别作为对应的各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值;
根据所述各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值,确定在设备发现丢失率最小的优化目标下,所述各搜寻时间片中设备搜寻频率的最优解。
7.根据权利要求6所述的方法,所述根据各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值,确定在设备发现丢失率最小的优化目标下,所述各搜寻时间片中设备搜寻频率的最优解,包括:
获取所述过去多个预设时间周期中的历史时间段内设备节点间的连接时长信息;
计算所述连接时长的累积概率分布函数;
所述根据所述连接时长的累积概率分布函数及所述各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值,以限定的网络总能耗为约束条件,确定在设备发现丢失率最小的优化目标下,所述各搜寻时间片中设备搜寻频率的最优解。
8.根据权利要求7所述的方法,所述根据所述连接时长的累积概率分布函数及所述各搜寻时间片内设备节点间的连接次数的预测值和设备节点的个数的预测值,以限定的网络总能耗为约束条件,确定在设备发现丢失率最小的优化目标下,所述各搜寻时间片中设备搜寻频率的最优解,包括:
γi=EiPmiss,ξi=Niμi;
其中:G为所述待搜寻时间段中搜寻时间片的总个数;
Ei为在所述待搜寻时间段中的搜寻时间片i上的总的连接次数;
γi为在所述待搜寻时间段中的搜寻时间片i内丢失的连接次数;
Pmiss为以私为广播频率去搜寻周围的设备时的设备丢失率;
FD(x)为所述连接时长的累积概率分布函数;
Ni为在所述待搜寻时间段中的搜寻时间片i上存在连接的节点个数;
μi为在所述待搜寻时间段中的搜寻时间片i中的设备搜寻频率;
ζi为在所述待搜寻时间段中限定的网络总能耗。
9.一种基于用户移动特征规律的设备到设备D2D设备发现装置,其特征在于,包括:
初始时间片生成模块,用于按照第一预设时间间隔对预设时间周期中的预设时间段进行时间片划分,得到多个初始时间片;
信息获取模块,用于获取过去多个预设时间周期中的历史时间段中每个所述初始时间片内的设备连接信息,所述历史时间段与所述预设时间段在预设时间周期中的位置相同;
变化因子计算模块,用于针对每两个相邻的初始时间片,基于所述历史时间段中每个所述初始时间片内的设备连接信息,按照时间先后顺序,计算所述每两个相邻的初始时间片间的网络变化因子,所述网络变化因子表示两个相邻初始时间片之间设备连接网络拓扑结构的变化情况;
搜寻时间片生成模块,将小于预设变化因子阈值的网络变化因子对应的各连续初始时间片合并为一个时间片;将不存在与相邻初始时间片的网络变化因子小于所述预设变化因子阈值的初始时间片分别作为一个时间片,得到用于进行设备搜寻所基于的各搜寻时间片;
搜寻频率确定模块,用于按照得到的所述各搜寻时间片,确定待搜寻时间段的所述各搜寻时间片的设备搜寻频率;所述待搜寻时间段位于将来的预设时间周期中,且与所述预设时间段在预设时间周期中的位置相同;
设备搜寻模块,用于按照所述待搜寻时间段的所述各搜寻时间片的设备搜寻频率,在所述待搜寻时间段的所述各搜寻时间片内,进行D2D设备搜寻。
10.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器,通信接口,存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-8任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810013864.5A CN108282760B (zh) | 2018-01-08 | 2018-01-08 | 一种基于用户移动特征规律的d2d设备发现方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810013864.5A CN108282760B (zh) | 2018-01-08 | 2018-01-08 | 一种基于用户移动特征规律的d2d设备发现方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108282760A true CN108282760A (zh) | 2018-07-13 |
CN108282760B CN108282760B (zh) | 2020-05-15 |
Family
ID=62803237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810013864.5A Active CN108282760B (zh) | 2018-01-08 | 2018-01-08 | 一种基于用户移动特征规律的d2d设备发现方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108282760B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103686689A (zh) * | 2012-09-12 | 2014-03-26 | 华为技术有限公司 | 一种设备到设备通信中通信终端的发现方法及通信终端 |
CN105979497A (zh) * | 2016-05-09 | 2016-09-28 | 北京交通大学 | 一种基于lte网络的d2d设备自主发现方法 |
CN106489285A (zh) * | 2014-08-05 | 2017-03-08 | 华为技术有限公司 | D2d终端、系统及d2d发现方法 |
CN107439025A (zh) * | 2015-04-03 | 2017-12-05 | 高通股份有限公司 | 实现设备对设备发现 |
CN107852418A (zh) * | 2015-08-11 | 2018-03-27 | 英特尔Ip公司 | 用户设备之间的安全直接发现 |
-
2018
- 2018-01-08 CN CN201810013864.5A patent/CN108282760B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103686689A (zh) * | 2012-09-12 | 2014-03-26 | 华为技术有限公司 | 一种设备到设备通信中通信终端的发现方法及通信终端 |
CN106489285A (zh) * | 2014-08-05 | 2017-03-08 | 华为技术有限公司 | D2d终端、系统及d2d发现方法 |
CN107439025A (zh) * | 2015-04-03 | 2017-12-05 | 高通股份有限公司 | 实现设备对设备发现 |
CN107852418A (zh) * | 2015-08-11 | 2018-03-27 | 英特尔Ip公司 | 用户设备之间的安全直接发现 |
CN105979497A (zh) * | 2016-05-09 | 2016-09-28 | 北京交通大学 | 一种基于lte网络的d2d设备自主发现方法 |
Non-Patent Citations (1)
Title |
---|
SHIYAN,SUNWANGDONG等: "《exploring link generation in a temporal evolution network for human mobility》", 《SCIENCE CHINA》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108282760B (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gai et al. | Resource management in sustainable cyber-physical systems using heterogeneous cloud computing | |
CN104007806B (zh) | 一种安卓系统中的cpu频率的控制方法、装置和设备 | |
CN108475207A (zh) | 云应用的联合自动缩放 | |
Zaheer et al. | A survey of decision-theoretic models for cognitive Internet of Things (CIoT) | |
Mahmoud et al. | Optimal operational parameters for 5G energy harvesting cognitive wireless sensor networks | |
Blondia | A queueing model for a wireless sensor node using energy harvesting | |
CN107529213A (zh) | 一种资源控制方法及装置 | |
Jurenoks et al. | Sensor network information flow control method with static coordinator within internet of things in smart house environment | |
Zhang et al. | Utility optimization for multi-user task offloading in mobile ad hoc cloud: A stochastic game approach | |
CN108337625A (zh) | 一种工作模式的切换方法及装置 | |
Desai et al. | Adaptive routing based on predictive reinforcement learning | |
Jain et al. | Data-prediction model based on stepwise data regression method in wireless sensor network | |
Behdani et al. | The lifetime maximization problem in wireless sensor networks with a mobile sink: mixed-integer programming formulations and algorithms | |
Paschalidis et al. | Robust maximum lifetime routing and energy allocation in wireless sensor networks | |
Chen et al. | Application of industrial engineering concepts and techniques to ambient intelligence: a case study | |
Singh et al. | Analysis of lifetime of wireless sensor network with base station moving on different paths | |
CN110990706B (zh) | 语料推荐方法及装置 | |
US11245638B2 (en) | Joint control of communication and computation resources of a computerized system | |
CN108282760A (zh) | 一种基于用户移动特征规律的d2d设备发现方法及装置 | |
CN107566156A (zh) | 一种省电模式的切换方法及装置 | |
Reddy et al. | Performance evaluation of modified mesh-based NoC architecture | |
CN114896296B (zh) | 云服务资源配置方法、装置、电子设备及计算机可读介质 | |
Chiang et al. | A bi-objective metaheuristic approach to unpaced synchronous production line-balancing problems | |
Xu et al. | Stochastic modeling and analysis with energy optimization for wireless sensor networks | |
Lin et al. | An efficient data-gathering scheme for heterogeneous sensor networks via mobile sinks |
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 |