CN108668261B - 一种基于用户分组需求多样性的中继d2d数据包缓存方法 - Google Patents

Abstract

本发明提出了一种新型的基于用户分组需求多样性的中继D2D包缓存方法。该方案联合考虑了用户分组需求的包偏好多样性、分组密度多样性、以及SINR需求多样性，并基于此设计了一种简洁有效的迭代求解算法。其中，包偏好多样性不仅由不同的包偏好排序体现，还考虑了包偏好集中程度的多样性，从而使系统能获得比传统方法更全面的性能提升。

Description

一种基于用户分组需求多样性的中继D2D数据包缓存方法

技术领域

本发明面向移动通信领域，提出了一种LTE终端直通(Device-to-Device，D2D)通信系统基于用户分组需求多样性的中继D2D数据包缓存方法。

背景技术

D2D通信技术可以使得用户终端(UE)之间进行直接通信，而无需经过基站(eNB)等设备的传输或转发，从而达到扩大通信覆盖、降低eNB流量负载的目的。

UE-NW(UE-to-Network)中继是3GPP LTE标准制定组在D2D通信议题中引入的新特性。其具备在不增加现有网络设备的情况下，扩大网络覆盖范围的能力，因而在商用通信、公共安全通信(如地震、战争)等领域有着广泛的应用前景。如图1所示，典型的D2D UE-NW系统中包括一个eNB、若干中继帮助用户设备(Helper UE，HUE)以及若干需要D2D中继连接服务的UE(Victim UE，VUE)。eNB与HUE则通过传统的蜂窝通信链路相连接，而HUE与VUE则通过3GPP规定的D2D通信专用的副链路相连接。

在UE-NW中继技术的基础上，引入积极存储策略(Proactive Caching)，将VUE用户感兴趣的数据包(以下简称包)提前存储于HUE端，从而达到进一步降低eNB负载的目的。

虽然D2D UE-NW中继缓存技术具备上述优势，但现有的方案中仍存在问题，即如何基于VUE用户分组需求多样性特征，来合理地选择包进行缓存。现有的技术方法均存在不同程度的设计缺陷。典型的基于多用户分组包需求的方案，如通过利用用户分组密度和社交属性的多样性，进而获得包缓存分配结果。然而，该方案中，不同用户组的包差异仅由不同的包偏好排序体现，而忽略了包偏好集中程度的多样性，因而并不一定能准确描述用户分组包偏好的多样性。其他文献则提出了一种目标最大化吞吐率的中继D2D缓存方案，但该方案只考虑了不同包的SINR阈值目标的多样性，并未考虑用户组密度及其包偏好多样性的影响，因而并不一定符合实际的应用场景。

基于上述几点，本发明提出了一种新型的基于用户分组需求多样性的中继D2D包缓存方法。该方案联合考虑了用户分组需求的包偏好多样性、分组密度多样性、以及SINR需求多样性，并基于此设计了一种简洁有效的迭代求解算法。其中，包偏好多样性不仅由不同的包偏好排序体现，还考虑了包偏好集中程度的多样性，从而使系统能获得比传统方法更全面的性能提升。

发明内容

本发明提出了一种新型的基于用户分组需求多样性的中继D2D缓存方案，即包需求多样性的分布式中继D2D包缓存算法(Packet-Request-Diversity-based D2D Relay-aided distributed Packet Caching Algorithm，PRD-D2D-RPC)。本发明相较于已有方案，可提供更高的系统吞吐率，因而更适用于实际的D2D UE-NW中继缓存通信系统。

为实现以上发明目的，采用的技术方案是：

一种基于用户分组需求多样性的中继D2D数据包缓存方法，包括以下步骤：

S1.采用随机几何模型来描述D2D UE的空间分布；具体为，D2D UE的空间分布由泊松点过程来描述，密度为λ；其中，VUE的比例为ρ，而HUE的比例为1-ρ；D2D UE间的链路损耗指数为α，干扰缓解指数为η；假设VUE根据其包需求偏好，可以划分为S个不同的分组，S≥2,S∈Z⁺，且相应的分组下标构成集合S＝{1,2,...,S}；第s个VUE用户分组占总的VUE数量的比例为q_s；定义所有的q_s构成集合

假设每个数据包都具有相同的单位大小值，且每个HUE具有相同的缓存大小极限M，M∈Z⁺，即每个HUE可以最多存储M个数据包；此外，第s个VUE用户分组对应一个有限数量N的包集合，

且需满足N＞M＞S,N∈Z⁺；

i≠j；假设每个分组的包集合F^s与任何其它分组都不重叠，即每个分组都有自己独自的包需求偏好排序，独立于其它任何分组；此外，定义

为分组s内的VUE请求F^s的概率分布，并由Zipf流行度分布来描述：

其中，β_s(0＜β_s,β_s≠1)为Zipf分布指数，表示分组s数据包请求概率分布f^s的集中程度；β_s越大，f^s集中程度越高；

S2.借助于随机几何的相关结论，分组s对应的D2D链路成功概率可以近似表示为：

其中，

Γ(·)为伽马函数，R为D2D链路最大通信距离，Θ_s为分组s所需的包类型要求的SINR阈值目标，(1-ρ)λ为HUE的密度；定义集合p＝{p₁,p₂,...,p_S}；

S3.基于上述内容，需求解的优化模型如下：

受限于：

其中：目标函数T_max定义为最大化的吞吐率，k_s为分组s应被分配到的缓存包数量，为优化模型(3)中待求解的变量；C1条件表示HUE端的所有缓存包不得超过其缓存空间极限M；C2则表示在极限范围M内，每个分组应至少获得一个包；

S4.将优化模型(3)进行近似求解；首先将(3)中的整数变量k_s，松弛为k_s∈[1,M]的连续变量，进而得到如下近似优化模型：

受限于：

其中：

为条件C2进行松弛后获得的连续变量条件；

可以验证，近似优化问题(5)为凹优化问题，它可以获得理论唯一解；因此，进而借助于凸优化理论，求得问题(5)的拉格朗日对偶解析表达式组(6)-(9)如下：

其中，ω，ν_s和μ_s为引入的非负拉格朗日算子；求解(7)-(10)可以得到如下解析数值解表达式：

其中，φ_s＝ρλp_sq_sG(β_s)；由(13)可知，

有上下界，即

此外，

是关于算子ω的单调减函数；因此，在(13)的限制下，基于关于ω的二分搜索策略，依据(11)-(12)以迭代方式更新算子ω，ν_s和μ_s，以求解出所需的解集合

基于关于ω的二分搜索策略中，假定迭代收敛精度为ε，最大迭代次数为I_max，迭代计数变量为c；具体流程描述如下：

第1步：初始化设置：设置ω的搜索上界l_b和下界u_b，分别为：

则相应的ω可由下式确定：

第2步：迭代过程中：若

则令l_b＝ω，再由(16)式更新ω；

若

则令u_b＝ω，再由(16)式更新ω；更新完ω之后，再由式(11)-(12)更新迭代数值解

第3步：迭代终止步骤：当

或c＞I_max，则迭代过程结束；将迭代获得的解

恢复为原始问题(3)所需的整数解，得到最终的解如下：

附图说明

图1：D2D UE-NW通信场景示意图。

图2：PRD-D2D-RPC算法的流程图。

图3：系统吞吐率vs D2D UE密度图。

图4：缓存包数vs VUE分组密度图。

图5：吞吐率vs VUE分组1的密度图。

图6：缓存包数vs VUE分组1的SINR阈值图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

以下结合附图和实施例对本发明做进一步的阐述。

实施例1

本发明采用随机几何模型来描述D2D UE的空间分布。具体为，D2D UE的空间分布由泊松点过程来描述，密度为λ。其中，VUE的比例为ρ，而HUE的比例为1-ρ。D2D UE间的链路损耗指数为α，干扰缓解指数为η(干扰功率除以发送功率的比例)。假设VUE根据其包需求偏好，可以划分为S(S≥2,S∈Z⁺)个不同的分组，且相应的分组下标构成集合S＝{1,2,...,S}。第s个VUE用户分组占总的VUE数量的比例为q_s。进一步地，我们定义所有的q_s构成集合

假设每个数据包都具有相同的单位大小值，且每个HUE具有相同的缓存大小极限M(M∈Z⁺)，即每个HUE可以最多存储M个数据包。此外，第s个VUE用户分组对应一个有限数量N的包集合，

且需满足N＞M＞S,N∈Z⁺；

i≠j。假设每个分组的包集合F^s与任何其它分组都不重叠，即每个分组都有自己独自的包需求偏好排序，独立于其它任何分组。此外，定义

为分组s内的VUE请求F^s的概率分布，并由Zipf流行度分布来描述：

另一方面，借助于随机几何的相关结论，本发明中，分组s对应的D2D链路成功概率可以近似表示为：

其中，

Γ(·)为伽马函数，R为D2D链路最大通信距离，Θ_s为分组s所需的包类型要求的SINR阈值目标，(1-ρ)λ为HUE的密度。定义集合p＝{p₁,p₂,...,p_S}。

基于上述内容，本发明需求解的优化模型如下：

受限于：

其中：目标函数T_max定义为最大化的吞吐率，C1条件表示HUE端的所有缓存包不得超过其缓存空间极限M；C2则表示在极限范围M内，每个分组应至少获得一个包。此问题是一个拥有S个整数变量的组合整数规划问题，是一个NP-难问题。直接求解该问题的计算复杂度非常高，会呈现指数型计算复杂度。特别当S较大时，复杂度将难以被实际系统所接受。

因此，为了降低计算复杂度，获得有效可行解，本发明将优化模型(3)进行近似求解。首先，本发明先将(3)中的整数变量k_s，松弛为k_s∈[1,M]的连续变量，进而得到如下近似优化模型：

受限于：

其中：

为条件C2进行松弛后获得的连续变量条件。此外，(5)中的近似计算采用了近似表达式。

可以验证，近似优化问题(5)为凹优化问题，它可以获得理论唯一解。因此，本发明进而借助于凸优化理论，求得问题(5)的拉格朗日对偶解析表达式组(6)-(9)如下：

其中，ω，ν_s和μ_s为引入的非负拉格朗日算子。求解(7)-(10)可以得到如下解析数值解表达式：

其中，φ_s＝ρλp_sq_sG(β_s)。由(13)可知，

有上下界，即

此外，

是关于算子ω的单调减函数。因此，本方案在(13)的限制下，基于关于ω的二分搜索策略，依据(11)-(12)以迭代方式更新算子ω，ν_s和μ_s，以求解出所需的解集合

本方案假定迭代收敛精度为ε，最大迭代次数为I_max，迭代计数变量为c。

本发明提出的PRD-D2D-RPC算法的具体流程描述如下：

第1步：初始化设置：设置ω的搜索上界l_b和下界u_b，分别为：

则相应的ω可由下式确定：

第2步：迭代过程中：若

则令l_b＝ω，再由(16)式更新ω；

若

则令u_b＝ω，再由(16)式更新ω；更新完ω之后，再由式(11)-(12)更新迭代数值解

第3步：迭代终止步骤：当

或c＞I_max，则迭代过程结束。将迭代获得的解

恢复为原始问题(3)所需的整数解，得到最终的解如下：

图2给出了本发明提出的PRD-D2D-RPC算法的流程图。

实施例2

为了更充分地阐述本发明所具有的有益效果，以下结合具体实施例与相关的仿真结果及分析，进一步对本发明的有效性和先进性予以说明。

不失一般性，假设系统中，D2D UE的密度为λ＝10^-4/m²，每个用户组各有N＝1000个需求的包。HUE端的缓存极限值M构成集合M＝{50,100,200}。D2D链路最大通信距离R＝150m，D2D UE间的路损指数α＝3.68，VUE数量比例ρ＝0.7，干扰缓解系数η＝-50dB。每个用户组的目标SINR值均匀选取自[1,10]dB范围内的整数值。包的集中程度，则由Zipf分布的指数特征值β_s，在

的范围中均匀随机产生。迭代过程所需的收敛精度ε＝0.001，最大迭代次数I_max＝50。

本发明PRD-D2D-RPC方案将和前述的典型D2D UE-NW中继缓存方案进行比较，即：基于包偏好和分组密度多样性的随机缓存方案(Random Caching exploitingHeterogeneous Packet Preferences and Group Densities，RC-HPP-GD)以及基于链路成功率多样性的吞吐率最大化缓存方案(Throughput-Maximised Caching，TMC)。其中，为实现可对比性，在仿真测试中，RC-HPP-GD和TMC均由概率存储策略转为了确定式存储策略。具体为：RC-HPP-GD法为分组s分配

数量的包，而TMC法则为分组s分配

数量的包。

通过图3可知，本发明提出的PRD-D2D-RPC方案可获得比其它方案更高的吞吐率。这是因为本方案综合考虑了用户分组需求的包偏好、分组密度以及SINR需求的多样性。特别的，包偏好多样性还考虑了包偏好集中程度的多样性。此外，可以看到，当M数值越小时，即缓存极限对缓存策略的影响越明显时，本方案相比于可以获得比其它方案更高的吞吐率增益。

在图4中，本发明固定M＝100，且所有用户组的SINR阈值均设置为1dB，以研究不同的包偏好集中程度(β_s值)如何影响HUE的包缓存分配。由图4可以看到，分组s对应的包数值

随着分组密度q_s的增大而增大，即更多的包应被缓存以更好地满足密度更大的用户分组的需求。此外，可以看到当q_s>0.07时，β_s越大则相应越少的包需要被存储。这是因为β_s越大意味着VUE的需求越集中于少数几个被请求最多的包上，因而存储较少的包即可较好地满足总的需求。另一方面，这同时也意味着有更多的缓存空间留给了密度较小的用户分组，因而当q_s<0.07时，β_s越大则相应越多的包需要被存储。

进一步地，本发明在仅有两个分组的特殊场景下进行了测试。在该场景下，两个分组的集中程度相同β₁＝β₂＝β，HUE的缓存极限M＝200。

在图5中，设置两个分组的SINR要求一样，均为1dB，使得p₁＝p₂＝p。可以看到，β越大则吞吐率越大。因为在有限的M空间内，β越大意味着总的包请求概率更加集中，因为总的请求概率更大，进而使得吞吐率更大。此外，由图5可见，吞吐率随着分组1的密度q₁呈现凸性，即当q₁＝0.5时，吞吐率达到最低。这是因为此时分组1和分组2的缓存需求间的竞争程度达到最大，从而导致系统吞吐率受到的影响程度最大。而当任意一方的缓存需求竞争力大于另一方时，即q₁＞0.5或者q₁＜0.5时，系统吞吐率受到的影响将会减小，吞吐率得到提升。

在图6中，设置两个分组的密度一样q₁＝q₂＝q，并固定分组2的SINR阈值目标要求为10dB。由图6可知，当分组1的SINR目标增大时，即相应的p₁值减小时，分组1获得的缓存包数则相应的减小，而分组2获得的缓存包数则相应增大。这是因为，p₁的减小导致分组1获得HUE转发包的物理层难度增大，因此HUE则选择降低分配给分组1的缓存包数。而另一方面，由(13)式可知，HUE端分配给分组1和分组2的缓存包数需满足

因而相应的，分组2的缓存包数量则会增大。由图6可知，当分组1的SINR目标为10dB时，即使得p₁＝p₂＝p时，则HUE分配给分组1和分组2相同数量的包。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (1)

1.一种基于用户分组需求多样性的中继D2D数据包缓存方法，其特征在于：包括以下步骤：

S1.采用随机几何模型来描述D2D UE的空间分布；具体为，D2D UE的空间分布由泊松点过程来描述，密度为λ；其中，VUE的比例为ρ，而HUE的比例为1-ρ；D2D UE间的链路损耗指数为α，干扰缓解指数为η；假设VUE根据其包需求偏好，可以划分为S个不同的分组，S≥2,S∈Z⁺，且相应的分组下标构成集合S＝{1,2,...,S}；第s个VUE用户分组占总的VUE数量的比例为q_s；定义所有的q_s构成集合

假设每个数据包都具有相同的单位大小值，且每个HUE具有相同的缓存大小极限M，M∈Z⁺，即每个HUE可以最多存储M个数据包；此外，第s个VUE用户分组对应一个有限数量N的包集合，

且需满足N＞M＞S,N∈Z⁺；

i≠j；假设每个分组的包集合F^s与任何其它分组都不重叠，即每个分组都有自己独自的包需求偏好排序，独立于其它任何分组；此外，定义

为分组s内的VUE请求F^s的概率分布，并由Zipf流行度分布来描述：

其中，β_s(0＜β_s,β_s≠1)为Zipf分布指数，表示分组s数据包请求概率分布f^s的集中程度；β_s越大，f^s集中程度越高；

S2.借助于随机几何的相关结论，分组s对应的D2D链路成功概率可以近似表示为：

其中，

Γ(·)为伽马函数，R为D2D链路最大通信距离，Θ_s为分组s所需的包类型要求的SINR阈值目标，(1-ρ)λ为HUE的密度；定义集合p＝{p₁,p₂,...,p_S}；

S3.基于上述内容，需求解的优化模型如下：

受限于：

其中：目标函数T_max定义为最大化的吞吐率，k_s为分组s应被分配到的缓存包数量，为优化模型(3)中待求解的变量；C1条件表示HUE端的所有缓存包不得超过其缓存空间极限M；C2则表示在极限范围M内，每个分组应至少获得一个包；

S4.将优化模型(3)进行近似求解；首先将(3)中的整数变量k_s，松弛为k_s∈[1,M]的连续变量，进而得到如下近似优化模型：

受限于：

其中：

为条件C2进行松弛后获得的连续变量条件；

可以验证，近似优化问题(5)为凹优化问题，它可以获得理论唯一解；因此，进而借助于凸优化理论，求得问题(5)的拉格朗日对偶解析表达式组(7)-(10)如下：

其中，ω，ν_s和μ_s为引入的非负拉格朗日算子；求解(7)-(10)可以得到如下解析数值解表达式：

其中，φ_s＝ρλp_sq_sG(β_s)；由(13)可知，

有上下界，即

此外，

是关于算子ω的单调减函数；因此，在(13)的限制下，基于关于ω的二分搜索策略，依据(11)-(12)以迭代方式更新算子ω，ν_s和μ_s，以求解出所需的解集合

基于关于ω的二分搜索策略中，假定迭代收敛精度为ε，最大迭代次数为I_max，迭代计数变量为c；具体流程描述如下：

第1步：初始化设置：设置ω的搜索上界l_b和下界u_b，分别为：

则相应的ω可由下式确定：

第2步：迭代过程中：若

则令l_b＝ω，再由(16)式更新ω；

若

则令u_b＝ω，再由(16)式更新ω；更新完ω之后，再由式(11)-(12)更新迭代数值解

第3步：迭代终止步骤：当

或c＞I_max，则迭代过程结束；将迭代获得的解

恢复为原始问题(3)所需的整数解，得到最终的解如下：

Images