CN108667653A - 超密集网络中基于聚类的缓存配置方法及装置 - Google Patents

Abstract

本发明针对超密集场景下现有小基站缓存方法在计算复杂度和缓存命中率间难以权衡的问题，提供了一种超密集网络中基于聚类的缓存配置方法及装置。该方法首先以最大化由小基站服务的用户数为目标，建立缓存配置策略优化问题；然后基于用户偏好及用户位置利用谱聚类算法对用户进行聚类，根据聚类结果对小基站进行分组，分组后小基站只能服务同类内用户，而不能服务其他类内用户；再根据聚类结果将原始优化问题分解为各个子问题，子问题的优化目标为最大化由各自类别中小基站服务的用户数；最后采用贪心缓存算法独立求解各个子问题，得到各类中小基站的缓存配置策略。本发明与现有技术相比在计算复杂度和缓存命中率间达到了较好的折中。

Description

超密集网络中基于聚类的缓存配置方法及装置

技术领域

本发明涉及一种无线边缘缓存技术，特别是涉及一种超密集网络中基于聚类的缓存配置方法及装置，属于无线通信技术领域。

背景技术

近些年来，随着新兴移动互联网应用的不断涌现和发展，以及智能终端数量的持续增加，移动数据流量爆炸式增长，移动通信技术的进一步发展面临巨大挑战。无线边缘缓存技术被视为应对这种挑战的一种非常有前景的技术。无线边缘缓存技术利用移动网络边缘的各种网络设备，例如基站、接入点、甚至用户的移动设备等，在非高峰时间预先下载和缓存受欢迎的文件，大大减少了高峰时段流行文件的重复传输，降低了回程链路负载，同时有效降低了服务延时，提升了用户体验。如何针对特定场景设计一种有效的缓存配置策略是无线边缘缓存技术研究的核心问题。

超密集网络是第五代移动通信中的一种重要组网技术，其基本思想是通过覆盖不同范围、承担不同功能的大/小基站在空间中的极度密集部署，让访问节点尽可能接近终端用户，从而提升终端用户性能。超密集网络可以有效提高网络容量，但随着部署基站数量及用户请求的不断增加，将会面临严重的回程瓶颈问题。利用基站或者移动终端的缓存能力可以解决回程链路容量限制问题。所以在超密集网络场景下进行缓存配置算法设计极具现实意义，已经引起学术界及工业界的广泛关注。

超密集网络是从无线异构网络演化发展而来，所以传统的异构网络缓存方案理论上也可以应用于超密集网络缓存中。异构网络中，我们通常采用的缓存方案为最热门缓存策略、随机缓存策略或贪心缓存策略(详见K.Shanmugam,N.Golrezaei,A.G.Dimakis,etal,“FemtoCaching:Wireless Content Delivery through Distributed CachingHelpers,”IEEE Transactions on Information Theory,vol.59,pp.8402-8413,Dec.2013)。但是实际上这些算法并不适用于超密集场景。超密集场景下，小基站(Smallcell Base Station，SBS)数量和用户数量相较于传统的异构网络大幅增加，并且将可能进一步增加，如果使用贪心算法，计算复杂度将会呈指数级增长；最热门缓存算法和随机缓存算法虽然简单，但是算法性能较差，缓存命中率低。所以现有算法应用在超密集场景时难以在性能和计算复杂度间达到一个很好的折中，我们需要探索新的更为有效的缓存配置算法。

发明内容

发明目的：基于以上现有技术存在的问题，本发明提供了一种超密集网络中的基于聚类的缓存配置方法及装置，以在缓存命中率和计算复杂度间实现较好的折中。

技术方案：为实现上述发明目的，本发明采用如下技术方案：

一种超密集网络中基于聚类的缓存配置方法，包括如下步骤：

(1)以M×N的矩阵表示所有小基站的缓存配置策略，以M×K的矩阵表示小基站是否可以服务用户，在保证缓存在小基站的文件不会超过小基站缓存容量的约束条件下，以最大化由小基站服务的用户数为目标，建立缓存配置策略优化问题；其中M为小基站总数目，N为一段时间内所有用户请求的文件总数目，K为超密集网络中移动用户总数目；

(2)基于用户偏好及用户位置对用户进行聚类，并根据聚类结果对小基站进行分组，分组后小基站只能服务同类内用户，而不能服务其他类内用户；

(3)根据聚类结果，将原始优化问题分解为C个子问题，其中C为用户分类后的类别总数，所述子问题的优化目标为最大化由各自类别中小基站服务的用户数；

(4)采用贪心缓存算法独立求解各个子问题，得到各类中小基站的缓存配置策略。

进一步地，步骤(1)中建立的优化问题描述为：

其中，x_mn表示第m个小基站是否缓存了文件n，y_mk表示第m个小基站是否可以服务用户k，q_kn表示第k个用户请求第n个文件的概率，S_m表示第m个小基站归一化后的存储容量，代表小基站集合，代表一段时间内所有用户请求的文件集合。

进一步地，步骤(3)中分解后的子问题描述为：

其中，K_c表示第c类中的用户总数，表示第c类中的小基站集合，M_c表示第c类中的小基站数目。

进一步地，步骤(2)中基于用户偏好及用户位置对用户进行聚类，包括：

(2.1)计算用户请求的相似度矩阵W＝(w_ij)^K×K，并确定聚类数目C和选取的特征向量数目g，其中q_i和q_j分别表示用户i和用户j请求各文件的概率向量；

(2.2)将W的对角线值置为0，排除用户自身的相似度；

(2.3)计算相似度矩阵的归一化对角矩阵以及归一化拉普拉斯图矩阵G；

(2.4)计算G的特征向量，将前g个特征值最大的向量按列放置成一个矩阵E，然后归一化矩阵E形成矩阵H；

(2.5)令矩阵Z＝[ΗL]，其中L＝(a_i)^K×1表示用户的空间位置矩阵，其中a_i＝[a₁,a₂]表示第i个用户所在位置的横纵坐标；

(2.6)对矩阵Z按每行为一个数据点进行聚类。

进一步地，步骤(2)中根据聚类结果对小基站进行分组的方法是：令b_m表示小基站m所属类别，则其中，表示类别集合，K′_cm为第c类中处于小基站m通信范围内的用户总数。

进一步地，步骤(4)中采用贪心缓存算法求解各个子问题，包括：

(4.1)初始化

(4.2)选择能够使得上述优化问题中的目标函数取得最大值的小基站-文件组合

(4.3)更新缓存配置：令

(4.4)返回执行步骤(4.2)，直到当前类中小基站得到其缓存配置策略。

一种超密集网络中基于聚类的缓存配置装置，包括存储器和处理器，所述存储器中存储有多条指令，所述指令被加载至处理器时执行所述的超密集网络中基于聚类的缓存配置方法。

有益效果：本发明提供的超密集网络中基于聚类的缓存配置方法，首先，以最大化由SBS服务的用户数为目标建立缓存配置策略优化问题；然后，基于用户偏好和用户位置对用户进行聚类，并根据聚类结果对SBS进行分组，分组后SBS只能服务其所在类内的用户；最后，提供一种贪心缓存算法为各类内小基站指定缓存配置策略。本发明提供的基于聚类的贪心缓存策略性能显著优于最热门缓存策略，而相较于非聚类贪心缓存策略的性能有大约5％的损失，但计算复杂度可降低2～3个数量级，所以本发明提供的方法可以在系统性能和计算复杂度间达到较好的折中。

附图说明

图1为超密集缓存网络的系统模型图。

图2为本发明与现有技术的满意用户数随SBS数目的变化而变化的仿真曲线图。性能评价指标满意用户数定义为由SBS服务的用户总数目。

图3为本发明与现有技术的计算复杂度随SBS数目的变化而变化的仿真曲线图。

图4为本发明与其他算法的满意用户数随SBS存储空间大小的变化而变化的仿真曲线图。性能评价指标满意用户数定义为由SBS服务的用户总数目。

图5为本发明与现有技术的满意用户数随Zipf分布参数α的变化而变化的仿真曲线图。性能评价指标满意用户数定义为由SBS服务的用户总数目。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

本发明针对超密集场景下现有小基站缓存方法在计算复杂度和缓存命中率间难以权衡的问题，提出了一种基于聚类的缓存配置方法。首先，基于用户偏好及用户位置利用谱聚类算法对用户进行聚类；然后根据聚类结果对小基站进行分组，分组后小基站只能服务同类内用户，而不能服务不同类的用户。最后，提出一种贪心缓存算法以制定各类中小基站的缓存配置策略。

作为本发明的一种实施例，本发明提供一种超密集网络中基于聚类的缓存配置方法，具体步骤如下：

步骤1：以最大化由小基站(Small cell Base Station，SBS)服务的用户数为目标，建立缓存配置策略优化问题。超密集缓存网络中包含K个用户，M个SBS，代表SBS集合，代表移动用户集合。一段时间内所有用户请求的文件集合为如图1所示，本例中建立了一个两层的超密集缓存网络模型。该系统中包含K＝100个用户，M＝50个SBS。一段时间内所有用户请求的文件总数目为N＝50，每个文件大小相同，为方便，文件大小归一化为1。使用文献[1]：B.Chen,C.Yang,“Caching PolicyOptimization for D2D Communications by Learning User Preference,”IEEE 85thVehicular Technology Conference,2017,pp.1-6.中方法仿真产生用户请求文件的概率矩阵Q，实际中是通过机器学习技术预测得到的。文献[1]根据全局文件受欢迎程度产生矩阵Q，具体为引入核函数表示用户和文件间的关系，核函数参数η可以反映用户间文件请求模式的平均相似程度，η取值范围为(0,1]，当η接近于1时，各用户请求各文件的概率基本相同，当η趋近于0时，各用户请求各文件的概率存在很大差异。实际场景中，不同用户间不可能兴趣爱好完全相同，η设置为0.4，全局文件受欢迎程度分布用p＝[p₁,p₂,...,p_N]表示，其一般建模为Zipf分布，Zipf分布参数为α为0.75。该系统中，SBS具有缓存能力，本发明用M×N矩阵X＝(x_mn)^M×N∈{0,1}^M×N表示所有SBS的缓存配置策略，其中x_mn表示第m个SBS是否缓存了文件n，当x_mn＝1时第m个SBS缓存了文件n，否则未缓存。用K×N矩阵Q＝(q_kn)^K×N∈[0,1]^K×N表示系统中各用户请求文件的概率矩阵，其中q_kn则表示第k个用户请求第n个文件的概率。用矩阵Y＝(y_mk)^M×K∈{0,1}^M×K表示SBS是否可以服务用户，其中y_mk表示第m个SBS是否可以服务用户k。当用户处于SBS通信范围内，则可以由该SBS服务，否则不可以，SBS的覆盖范围半径设置为50m。每个SBS归一化后的存储容量大小为取值均设为10。当用户周边SBS缓存了用户请求文件时，由SBS服务用户，否则用户通过MBS从核心网获取文件。该优化问题可以描述为：

步骤2：基于用户偏好及用户位置利用谱聚类算法对用户进行聚类，并根据聚类结果对小基站进行分类，每个SBS只能属于其中一个类，分类后SBS不能服务其他类内用户，只能服务本类内用户，具体包括以下子步骤：

步骤2.1：定义用户间的相似度矩阵W＝(w_ij)^K×K。使用cosine相似度来度量用户i和用户j间文件请求模式的相似程度，具体表示为其中q_i和q_j分别表示用户i和用户j请求各文件的概率向量。根据定义计算用户请求的相似度矩阵W，并确定聚类数目C和选取的特征向量数目g；

步骤2.2：将W的对角线值置为0，即排除用户自身的相似度；

步骤2.3：计算归一化对角矩阵D＝(d_ij)^K×K，其中以及归一化拉普拉斯图矩阵

步骤2.4：计算G的特征向量，将前g个特征值最大的向量按列放置成一个矩阵E，即Ε＝[v₁,v₂,...,v_g]，其中v₁,v₂,...,v_g依次为前g个特征值最大的特征向量，然后归一化矩阵E形成矩阵H；

步骤2.5：令矩阵Z＝[ΗL]，使得接下来的聚类不仅基于用户偏好，而且考虑用户位置，其中L＝(a_i)^K×1表示用户的空间位置矩阵，其中a_i＝[a₁,a₂]表示第i个用户所在位置的横纵坐标。本发明考虑一个(500×500)的区域，SBS和用户则相对随机地撒入该区域范围内。

步骤2.6：对矩阵Z按每行为一个数据点进行k-means聚类；

步骤2.7：为各类用户划分服务基站。令表示类别集合，其中C为用户分类后的类别总数。K_c表示第类中的用户总数，第类中处于小基站通信范围内的用户总数为K_c′_m(0≤K_c′_m≤K_c)，各SBS都只能被划分到这C个类别中的一个，令b_m表示小基站所属类别，则即哪个类别在该SBS覆盖范围内的用户数最多，就将该SBS划分到哪个类别中，服务该类内用户。将各SBS划分到各类后，SBS只能服务其所属类内用户，不能服务其他类内用户，即使其他类内有用户处在该SBS的通信范围内。令表示第类中的SBS集合，其中M_c表示第类中的SBS数目，

步骤3：根据聚类结果，重新描述原始优化问题。因为SBS不能服务其他类内用户，只能服务本类内用户，所以各类间缓存配置算法设计互不影响，原始优化问题可以分解为如下C个子问题：

步骤4：针对步骤3中子优化问题提出一种贪心缓存算法，各类独立执行该算法，以制定各类中小基站的缓存配置策略，贪心缓存算法具体包括以下子步骤：

步骤4.1：初始化，

步骤4.2：选择能够使得上述优化问题中的目标函数取得最大值的SBS-文件组合，即其中K_c表示第c类内的用户总数目，表示第c类的SBS集合；

步骤4.3：更新缓存配置：令

步骤4.4：返回执行步骤4.2，直到贪心缓存算法结束，当前类中SBS得到其缓存配置策略。

算法结束得到SBS的缓存配置策略后，我们将本发明所提的基于聚类的贪心缓存算法和非聚类贪心缓存算法、基于聚类的最热门缓存算法和非聚类最热门缓存算法以及理想缓存方案进行性能对比。理想缓存方案即假设所有SBS的存储空间为无限大的，可以缓存所有用户请求的文件。一般来说，由于大多数用户发出的请求只集中在少数文件上，最优缓存方案相对于这种理想缓存方案只有较少的性能损失，所以将理想缓存方案作为基准，以量化所提贪心算法的性能。图2、图4和图5给出了不同的缓存配置方案的满意用户数随SBS数目、SBS存储空间大小和Zipf分布参数α的变化而变化的仿真曲线。图3给出了不同的缓存配置方案的计算复杂度随SBS数目的变化而变化的仿真曲线。在所有图中，基于聚类的算法均给出了两种聚类数目下的曲线，类别数分别为C＝5和C＝10。

综合图2和图3来看，虽然本发明所提基于聚类的贪心缓存方案相较于非聚类贪心缓存方案存在一定性能损失，并且聚类数目越多性能损失越大，但聚类数在5左右时，性能损失很小，而且性能始终优于最热门缓存方案，同时本发明所提基于聚类的贪心缓存方案的计算复杂度要显著低于非聚类贪心缓存方案，所以本发明所提基于聚类的贪心缓存方案在缓存性能和计算复杂度间能达到较好的折中。

从图4中可以看出，随着SBS存储空间大小的增加，基于聚类的贪心缓存算法、基于聚类的最热门缓存算法、非聚类最热门缓存算法这三种算法的满意用户数均呈现不断增加的趋势，各自与理想缓存方案间的差距越来越小。聚类数为5时的贪心缓存方案的性能始终优于非聚类最热门缓存方案和基于聚类的最热门缓存方案。但聚类数为10时的贪心缓存方案在SBS缓存容量大于27左右时，满意用户数要比非聚类最热门缓存方案少，这是因为缓存容量增大使得非聚类最热门缓存方案中缓存了更多不同文件来满足用户请求，而类数为10时的贪心缓存方案由于类间不存在协作，使得SBS不能服务其他类内用户，即使该用户处在SBS通信范围内，并且该SBS缓存了其所请求文件，这在一定程度上降低了算法性能，并且聚类数目越多，性能损失越明显。

从图5中可以看出，基于聚类的贪心缓存方案随α的增加变化并不明显，只呈现较小幅度的上升，而两种最热门缓存方案的曲线则上升趋势明显。非聚类最热门缓存方案在α小于0.5时，性能要差于基于聚类的两种方案，而α大于0.5时，其性能要优于基于聚类的最热门缓存方案，甚至在α大于1.4时，其性能要优于聚类数目为10时的贪心缓存方案，这是因为α较小时，用户请求分布较为平均，而SBS缓存空间有限，非聚类最热门缓存方案只能满足较少的用户请求，而基于聚类的两种缓存方案由于将具有相同偏好的用户进行了聚类，并针对各类内用户偏好进行独立缓存，所以能满足更多用户请求；但是当α较大时，大多数用户请求集中在少数文件，非聚类最热门缓存方案只要缓存这较少数的文件就可以满足绝大多数用户需求，而基于聚类的最热门缓存方案和聚类数为10时的贪心缓存方案由于聚类后SBS只能服务于本类内用户，使得其他类内本可以由该SBS进行服务的用户，因为找不到可以服务他们的SBS导致请求得不到满足，所以性能反而不如非聚类最热门缓存方案。但是聚类数为5时的贪心缓存方案性能仍然要优于非聚类最热门缓存方案，即本发明所提方案仍具有优越性。

基于相同的发明构思，本发明还提供一种超密集网络中基于聚类的缓存配置装置，包括存储器和处理器，存储器中存储有多条指令，指令被加载至处理器时执行的上述超密集网络中基于聚类的缓存配置方法。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。

Claims (7)

1.一种超密集网络中基于聚类的缓存配置方法，其特征在于，包括如下步骤：

(1)以M×N的矩阵表示所有小基站的缓存配置策略，以M×K的矩阵表示小基站是否可以服务用户，在保证缓存在小基站的文件不会超过小基站缓存容量的约束条件下，以最大化由小基站服务的用户数为目标，建立缓存配置策略优化问题；其中M为小基站总数目，N为一段时间内所有用户请求的文件总数目，K为超密集网络中移动用户总数目；

(2)基于用户偏好及用户位置对用户进行聚类，并根据聚类结果对小基站进行分组，分组后小基站只能服务同类内用户，而不能服务其他类内用户；

(3)根据聚类结果，将原始优化问题分解为C个子问题，其中C为用户分类后的类别总数，所述子问题的优化目标为最大化由各自类别中小基站服务的用户数；

(4)采用贪心缓存算法独立求解各个子问题，得到各类中小基站的缓存配置策略。

2.根据权利要求1所述的一种超密集网络中基于聚类的缓存配置方法，其特征在于，步骤(1)中建立的优化问题描述为：

其中，x_mn表示第m个小基站是否缓存了文件n，y_mk表示第m个小基站是否可以服务用户k，q_kn表示第k个用户请求第n个文件的概率，S_m表示第m个小基站归一化后的存储容量，代表小基站集合，代表一段时间内所有用户请求的文件集合。

3.根据权利要求2所述的一种超密集网络中基于聚类的缓存配置方法，其特征在于，步骤(3)中分解后的子问题描述为：

其中，K_c表示第c类中的用户总数，表示第c类中的小基站集合，M_c表示第c类中的小基站数目。

4.根据权利要求1所述的一种超密集网络中基于聚类的缓存配置方法，其特征在于，步骤(2)中基于用户偏好及用户位置对用户进行聚类，包括：

(2.1)计算用户请求的相似度矩阵W＝(w_ij)^K×K，并确定聚类数目C和选取的特征向量数目g，其中q_i和q_j分别表示用户i和用户j请求各文件的概率向量；

(2.2)将W的对角线值置为0，排除用户自身的相似度；

(2.3)计算相似度矩阵的归一化对角矩阵以及归一化拉普拉斯图矩阵G；

(2.4)计算G的特征向量，将前g个特征值最大的向量按列放置成一个矩阵E，然后归一化矩阵E形成矩阵H；

(2.5)令矩阵Z＝[ΗL]，其中L＝(a_i)^K×1表示用户的空间位置矩阵，其中a_i＝[a₁,a₂]表示第i个用户所在位置的横纵坐标；

(2.6)对矩阵Z按每行为一个数据点进行聚类。

5.根据权利要求1所述的一种超密集网络中基于聚类的缓存配置方法，其特征在于，步骤(2)中根据聚类结果对小基站进行分组的方法是：令b_m表示小基站m所属类别，则其中，表示类别集合，K_c′_m为第c类中处于小基站m通信范围内的用户总数。

6.根据权利要求3所述的一种超密集网络中基于聚类的缓存配置方法，其特征在于，步骤(4)中采用贪心缓存算法求解各个子问题，包括：

(4.1)初始化

(4.2)选择能够使得上述优化问题中的目标函数取得最大值的小基站-文件组合

(4.3)更新缓存配置：令

(4.4)返回执行步骤(4.2)，直到当前类中小基站得到其缓存配置策略。

7.一种超密集网络中基于聚类的缓存配置装置，其特征在于，包括存储器和处理器，所述存储器中存储有多条指令，所述指令被加载至处理器时执行根据权利要求1-6任一项所述的超密集网络中基于聚类的缓存配置方法。