CN108738048B - 一种基于遗传算法的最大化公平性基站主动存储方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的最大化公平性基站主动存储分配方法，包括如下步骤：步骤一、确定分配方法的网络模型；骤二、确定公平性评价函数以及评价参数；步骤三、建立目标函数与限制条件；步骤四、用遗传算法进行求解。与现有技术相比，本发明通过将目标函数建立为最大化系统的用户公平性，本发明存储分配方案在用户公平性上有了很大的提升。

Description

一种基于遗传算法的最大化公平性基站主动存储方法

技术领域

本发明属于无线蜂窝网络边缘存储技术领域，尤其涉及一种基站主动存储中最大化公平性的存储分配方法。

背景技术

近年来，蜂窝通信网络数据流量急剧增长，且有研究表明在未来五年内将增加两个数量级。尽管这是个巨大的商机，但这种激增的需求有可能导致蜂窝系统不稳定甚至崩溃，大大降低用户的体验，甚至危及其他无线数据服务的发展。因此，移动无线流量需求的巨大增长需要无线网络区域频谱效率相应的增加。实现这一目标的一个有效的方法是缩小基站的服务范围，并使内容更贴近用户。

因此研究员们提出了通过流量本地化的办法来减少数据在网络中的重复传输。基站主动存储技术就是将内容放置于靠近用户的基站中，在降低重复传输成本的同时减少了内容传输至用户的时延。当某个用户请求所需的流行数据时，将不会直接从原始的远程云服务器接收内容，而是直接从本地存有数据的基站接收，直到请求结束为止。从而以这样的方式减少了用户接收流行数据的时间，改善了用户体验，提高了QoS，并且有助于降低无线网络的流量，大大减少了拥塞。

在蜂窝网络中采用基站主动存储的关键问题之一就是数据存储分配，也就是各个基站如何存储数据，存多少数据的问题。具体的系统构架为，假设一个无线通信系统内有N个小型基站，服务大量的终端用户，这些基站在固定的位置并且具有存储能力。当用户向本地基站请求数据时，若用户所请求的数据本地基站中不存在时，本地基站则向其他基站请求数据。在进行数据存储时将数据网络编码后再存储在设备中。并且，在网络编码的基础上，将数据分组进行编码，各个基站都存储某业务编码后的部分分组数据。当用户请求时，本地基站只需要接收该业务的一定分组数，就能恢复出原来的数据。这样，不必再关心数据具体存储在哪个基站中，而是从与本地基站通信距离较近且信道条件较好的存有该业务数据的基站中获得数据分组。

数据存储分配过程是传输代价与存储容量之间的折中，一般需要保证：1)每个用户能在一个合理的传输代价下得到自己想要的数据；2)每个基站数据存储量是适当的。过往的研究主要包括：在传输代价限制的条件下，让总的数据存储量尽量的小；在总的存储容量限制的条件下，使传输代价尽可能的小；如何使得数据传输的能源效率提高等。以上这些研究都忽略了用户公平性。实际上，在无线网络中的用户，无论是处于信道资源丰富的地区，还是处于边缘网络中有较差信噪比的用户，都应当受到平等的对待。因此，本发明主要解决在基站主动存储的蜂窝网络中，如何最大化用户的公平性。

发明内容

本发明公开了一种基于遗传算法的最大化公平性基站主动存储方法，能够解决现有缓存分配技术中的用户公平性不高问题。

为了达到上述目的，本发明采取以下技术方案。

一种基于遗传算法的最大化公平性基站主动存储方法，该方法包括如下步骤：

步骤1、确定分配方法的网络模型

优选的，分配方法的网络模型采用合作缓存方式，考虑别的基站中的缓存内容。当用户向本地基站请求数据时，若用户所请求的数据本地基站中不存在时，本地基站则向其他基站请求数据。

在进行数据存储时将数据网络编码后再进行存储。并且在网络编码的基础上将数据分组编码，各个基站都存储某业务编码后的部分分组数据。当用户请求时，本地基站只需要接收该业务的一定分组数，就能恢复出原来的数据。

步骤2、确定公平性评价函数以及评价参数

优选的，采用Jain指标函数定义系统的公平性：当J(x)＞J_min,性能参数向量x是公平的；反之不是公平的。其定义为:

其中J_min为Jain指标门限,J(x)是指标函数，x_k为系统分配给第k个用户的资源量，Jain值域在[1/K,1]范围内，两个端点分别代表最差和最好情况，当所有的个体分配到相同的资源时公平性最大。

本发明以用户的传输代价作为公平性的评判指标，传输代价定义为传输数据包的传输时间成本。

步骤3、建立目标函数与限制条件

优选的，假设每个数据分组从传输基站i传送到接收基站j所需要的传输代价为c_ij。当本地基站的数据不够需要从别的基站接收数据才能恢复源数据时，考虑到不同基站间通信条件不同，附近的几个基站传输给本地基站的数据量应该也有所不同，因此引入变量a_ij来表示从基站i传输到基站j传输的分组数占基站i中存储的数据的比例。于是从传输基站到接收基站传输数据所需要的总的传输代价为：

其中m_i是基站i中数据存储的分组数。将传输代价作为公平性的衡量指标带入Jain公平性指标函数，于是优化目标函数为：

与此同时，目标函数应当受到一些限制条件的约束。首先，在数据分配的时候，为了保证资源分配的公平性，本地基站从其他基站接收数据时所受到的传输代价应当受到一个上限限制，以免某个基站为恢复原数据而接收别的基站数据时所受的传输代价特别大。具体公式如下：

其中C_max是接收基站得到K个分组所允许的最大传输代价。

其次，为了成功解码原来的数据包，接收基站需要从编码数据包中恢复出原数据，所接收的编码数据包也受到某个最小值的限制，即需要接收一定的数据包才能恢复原数据，具体公式如下：

其中K_min为恢复原始数据所需最小分组数。

再者，某个数据的数据分组在基站中总的存储容量也应该受到限制，并不能为了一味的提高公平性指数而让总的存储量无限的增大，因为基站的存储容量是有限的。因此应该在总的存储量的限制下进行公平性的优化，具体的公式如下：

其中，M_up是数据在基站中的存储容量限制。

最后，由于基站的容量有限，对于每一种内容在每个基站中的存储容量也是有限制的，以及传输系数应该是一个0-1的比例系数，因此自变量m_i和a_ij受到以下条件限制：

步骤4、用遗传算法进行求解

优选的，首先生成一个有效的初始种群，这个种群的多样性要尽量的丰富。算法以这个初始种群作为初始搜索空间进行随机搜索，从而获得最优个体。其中变量a_ij和m_i是彼此联结在一起的两个变量，本发明采用矩阵编码进行编码。

其次，根据问题的优化目标构造相应的适应度函数。用惩罚函数的方法处理限制条件，并将模拟退火思想引入到惩罚因子中，使得惩罚系数能较好的平衡原始的目标函数和惩罚函数。通过合理选择这些惩罚函数的惩罚因子，新的无约束优化问题收敛到原问题的最优点。适应度函数经过转化后的优化目标函数为：

为了平衡原始的目标函数和惩罚函数，将模拟退火思想引入到惩罚因子中，运用模拟退火的思想定义罚函数的参数，惩罚参数是迭代次数的函数，惩罚函数的参数θ定义为：

T_i+1＝ρT_i,(i＝1,2,…L-1),

其中L为迭代次数；T_i是第i代的动态温度；ρ是取值范围在(0,1)的系数。运用模拟退火惩罚因子后的目标函数变为：

再次，用轮盘赌进行选择，再通过交叉和变异提高种群的多样性，得到更优个体。其中在遗传操作的时候运用针对矩阵个体的的交叉和变异。

最后，重复执行上述操作至终止条件，通过多次的迭代，种群的最优个体越来越好，最终输出最理想的结果。

与现有技术相比，本发明的有益效果是：

1)本方法通过将目标函数建立为最大化系统的用户公平性，使所得的存储分配方案的用户公平性得到了很大的提高，提升了用户的体验。

2)本方法将遗传算法做适当的改变，使得遗传算法更加适合解决本文的问题，其中运用矩阵编码种群个体解决了变量a_ij和m_i是彼此联结在一起的问题，用模拟退火惩罚因子较好的平衡了原始的目标函数和惩罚函数。

附图说明

图1：系统的网络模型图。

图2：个体矩阵编码示意图。

图3：矩阵编码的交叉运算示意图。

图4：矩阵编码的变异运算示意图。

图5：最大公平性存储方案对比其他算法在限制不同总存储量时公平性性能上的优越性。

图6：最大公平性存储方案对比其他算法在限制传输代价时公平性性能上的优越性。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本实施例基于遗传算法的最大化公平性基站主动存储方案的步骤如下：

步骤1、确定分配方法的网络模型；系统的网络模型图如图1所示。网络模型采用合作缓存方式，当用户向本地基站请求数据时，若用户所请求的数据本地基站中不存在时，本地基站则向其他基站请求数据；

在进行数据存储时将数据网络编码后再进行存储，并且在网络编码的基础上将数据分组编码，各个基站都存储某业务编码后的部分分组数据，当用户请求时，本地基站只需要接收该业务的一定分组数，就能恢复出原来的数据。

步骤2、确定公平性评价函数以及评价参数

本实施例采用Jain指标函数定义系统的公平性：当J(x)＞J_min,性能参数向量x是公平的；反之不是Jain公平的。其定义为:

其中J_min为Jain指标门限,J(x)是指标函数，x_k为系统分配给第k个用户的资源量,Jain值域在[1/K,1]范围内，两个端点分别代表最差和最好情况，当所有的个体分配到相同的资源时公平性最大。其中本发明以用户的传输代价作为公平性的评判指标，传输代价定义为传输数据包的传输成本(如时间延迟产生的时间成本)。

步骤3、建立目标函数与限制条件

本实施例采用随机线性网络编码将数据进行编码后再存入基站中，数据是编码后以分组的形式放入基站的，并且每个分组的容量相同。假设每个数据分组从传输基站i传送到接收基站j所需要的传输代价为c_ij。当本地基站的数据不够需要从别的基站接收数据才能恢复源数据时，考虑到不同基站间通信条件不同，附近的几个基站传输给本地基站的数据量应该也有所不同，于是本文引入变量a_ij来表示从基站i传输到基站j传输的分组数占基站i中存储的数据的比例。于是从传输基站到接收基站传输数据所需要的总的传输代价为：

其中m_i是基站i中数据存储的分组数。将传输代价作为公平性的衡量指标带入Jain公平性指标函数，于是优化目标函数为：

与此同时，目标函数应当受到一些限制条件的约束。首先，在数据分配的时候，为了保证资源分配的公平性，本地基站从其他基站接收数据时所受到的传输代价应当受到一个上限限制，以免某个基站为恢复原数据而接收别的基站数据时所受的传输代价特别大。如果某个基站所受的传输代价非常大，这会影响整个系统的性能。因此需要有个上限限制每个基站的传输代价不应该超过某个值。并且这样还有一个好处便是，在不同的系统中对于传输代价的忍受程度不同，可以通过调节这个参数进行调节。具体公式如下：

其中C_max是接收基站得到K个分组所允许的最大传输代价。

其次，本文采用线性分组网络编码方式，为了成功解码原来的数据包，接收基站需要从编码数据包中恢复出原数据，所接收的编码数据包也受到某个最小值的限制，即需要接收一定的数据包才能恢复原数据，具体公式如下：

其中K_min为恢复原始数据所需最小分组数。

再者，某个数据的数据分组在基站中总的存储容量也应该受到限制，并不能为了一味的提高公平性指数而让总的存储量无限的增大，因为基站的存储容量是有限的。因此应该在总的存储量的限制下进行公平性的优化，具体的公式如下：

其中，M_up是数据在基站中的存储容量限制。

最后，由于基站的容量有限，对于每一种内容在每个基站中的存储容量也是有限制的，以及传输系数应该是一个0-1的比例系数，因此自变量m_i和a_ij受到以下条件限制：

步骤4、用遗传算法进行求解。

首先，生成一个有效的初始种群，这个种群的多样性要尽量的丰富。算法以这个初始种群作为初始搜索空间进行随机搜索，从而获得最优个体。其中变量a_ij和m_i是彼此联结在一起的两个变量，因此采用矩阵编码进行编码。矩阵编码具体形式如图2。其中G_k是遗传种群中的第K个个体；m_i代表存在第i个基站的数据分组数，a_ij代表第i个基站传输数据至基站j的分组数占存储在基站i中总分组数的比例。

其次，根据问题的优化目标构造相应的适应度函数。使用惩罚函数处理约束条件，约束条件以惩罚项的形式加入到目标函数中去，由此将有约束优化问题转化为无约束问题。通过合理选择这些惩罚函数的惩罚因子，新的无约束优化问题收敛到原问题的最优点。适应度函数经过转化后的优化目标函数为：

其中α,β,γ是惩罚因子。

为了平衡原始的目标函数和惩罚函数，将模拟退火思想引入到惩罚因子中，运用模拟退火的思想定义罚函数的参数，惩罚参数是迭代次数的函数，惩罚函数的参数θ定义为：

T_i+1＝ρT_i,(i＝1,2,…L-1),

其中L为迭代次数；T_i是第i代的动态温度；ρ是取值范围在(0,1)的系数。θ随着T的逐渐减小而逐渐增加，并且其增长率受到参数ρ的控制。随着演化的进行，θ逐渐增大，惩罚函数的比重逐渐增大，不满足限制条件解的适应值所受影响越来越大，种群逐渐趋于可行解。运用模拟退火惩罚因子后的目标函数变为：

再次，用轮盘赌进行选择，通过交叉和变异提高种群的多样性，得到更优个体。其中在遗传操作的时候运用针对矩阵个体的交叉和变异，矩阵编码个体的交叉过程示意图如图3，变异过程示意图如图4。

最后，重复执行上述操作至终止条件，通过多次的迭代，种群的最优个体越来越好，最终输出最理想的结果。

本发明测试环境在window7系统matlab2012中运行，假设蜂窝网络部署在边长10km的正方形区域。基站的位置随机均匀分布，基站数量N＝20。链路的传输代价假设为发送基站和接收基站之间的距离。数据解码所需的数据包数为K_min＝1000。在遗传算法中，种群大小为G＝1000，迭代次数设为1000，交叉概率P_c为0.65，变异概率P_m为0.05，参数α,β,γ将惩罚函数取值归一化，从而惩罚函数取值在同一量级上。

在总的限制条件相同下，图5中的数据表明，与低复杂度存储分配(LowComplexity Storage Allocation，LCSA)的存储方案相比，本发明的最大公平性存储方案(Maximum Fairness Storage Allocation Scheme，MFSA)在公平性上有很大的提升，公平性指数在总的存储量限制为3000，4000，5000时分别提高了17.01％，19.10％和18.20％。此外，图6中的数据表明，在总的存储量相同时，当传输延迟限制分别为50、60、70、80时，MFSA公平指数比LCSA分别提高了12.51％，15.10％20.54％和21.20％。

Claims (1)

1.一种基于遗传算法的最大化公平性基站主动存储分配方法，其特征在于，该方法包括如下步骤：

步骤一、确定分配方法的网络模型；

步骤二、确定公平性评价函数以及评价参数；

步骤三、建立目标函数与限制条件；

步骤四、用遗传算法进行求解；

步骤一中的网络模型采用合作缓存方式，当用户向本地基站请求数据时，若用户所请求的数据本地基站中不存在时，本地基站则向其他基站请求数据；在进行数据存储时将数据网络编码后再进行存储，并且在网络编码的基础上将数据分组编码，各个基站都存储某业务编码后的部分分组数据，当用户请求时，本地基站只需要接收该业务的一定分组数，就能恢复出原来的数据；步骤二采用Jain指标函数进行公平性的评判函数，公平性评价函数具体为：

当J(x)>J_min，性能参数向量x是公平的，反之不是公平的；其中J_min为Jain指标门限,J(x)是指标函数，x_k为系统分配给第k个用户的资源量，Jain值域在[1/K,1]范围内，两个端点分别代表最差和最好情况；

并选用传输代价作为公平性的评判参数，传输代价定义为传输数据包的传输时间成本；

步骤三具体为：从传输基站到接收基站传输数据所需要的总的传输代价为：

其中c_ij为每个数据分组从传输基站i传送到接收基站j所需要的传输代价，a_ij表示从基站i传输到基站j传输的分组数占基站i中存储的数据的比例，m_i是基站i中数据存储的分组数；

将传输代价作为公平性的衡量指标带入Jain公平性指标函数，优化目标函数为：

步骤三中本地基站从其他基站接收数据时所受到的传输代价应当受到一个上限限制，具体公式如下：

C_max是接收基站得到K个分组所允许的最大传输代价；

步骤三中接收基站需要从编码数据包中恢复出原数据，所接收的编码数据包受到某个最小值的限制，即需要接收一定的数据包才能恢复原数据，具体公式如下：

其中K_min为恢复原始数据所需最小分组数；

某个数据的数据分组在基站中总的存储容量受到限制，具体公式如下：

其中，M_up是数据在基站中的存储容量限制；

此外，自变量m_i和a_ij受到以下条件限制：

步骤四、个体编码采用矩阵编码的形式，并且在遗传算法的遗传操作中进行矩阵个体的交叉与变异，矩阵编码的形式为：

其中G_k是遗传种群中的第K个个体；

步骤四具体为：用惩罚函数处理限制条件，并运用模拟退火思想定义惩罚函数的参数，惩罚参数是迭代次数的函数，惩罚函数的参数θ定义为：

T_i+1＝ρT_i,(i＝1,2,…L-1),

其中L为迭代次数；T_i是第i代的动态温度；ρ是取值范围在(0,1)的系数；

运用模拟退火惩罚因子后的目标函数为：

Images