CN108777853A - 一种基于d2d的网络边缘缓存方法及系统 - Google Patents

Abstract

本发明公开了一种基于D2D的网络边缘缓存方法及系统，属于无线通信技术领域。所述方法应用于由提供控制覆盖的基站及其覆盖范围内的若干个用户设备构成的通信网络，用户设备的位置服从泊松点分布，满足D2D传输范围内的临近用户设备之间可以分享所缓存的内容。该网络边缘缓存方法通过对截断Zipf分布的截断点和指数进行联合优化来制定内容随机缓存策略，提高网络边缘的缓存命中率。本发明为了找到最优的Zipf分布的截断点和指数，分别使用了全局最优的遗传算法和次优的分步优化算法。本发明充分利用了D2D传输和分布式随机缓存的优点，通过联合优化缓存Zipf分布的内容截断点和指数，能够显著提高网络边缘的内容缓存命中率。

Description

一种基于D2D的网络边缘缓存方法及系统

技术领域

本发明属于无线通信技术领域，更具体地，涉及一种基于D2D的网络边缘缓存方法及系统。

背景技术

缓存是一种“以存储换取带宽”的内容存储技术，无线通信网络中通常将流行度较高的内容存储在离用户近的缓存节点中(如用户设备)，以减少请求用户从远端内容提供商中反复调用传输相同内容的概率，提高本地缓存命中率，从而有效降低获取内容的时延、减少传输开销、缓解回程网络的传输瓶颈。

思科可视化网络指数指出，视频内容业务在通信领域业务中占据了主导地位。研究表明，视频内容的流行度服从Zipf分布，即少部分流行度较高的内容会被用户反复地下载、观看。此外，从时间角度来看，这些视频内容的流行度在一定时间内是保持不变的，例如，包含视频短片的新闻通常每2-3小时更新一次，新上线的电影通常是每周更新一次。因此，从无线接入网内容缓存及信息交付的时间维度来看，这些视频内容服从相对静态的流行度分布。同时，现在的用户设备(如智能手机，平板电脑，车辆等)通常配置64GB/128GB的ROM内存，因此用户设备是具有缓存能力的。在这一背景下，D2D(Device-to-Device)通信中如何在用户设备中制定合适的内容缓存策略，得到了广泛的研究。

目前，D2D通信中用户设备中的缓存策略存在以下两种：第一种、有限的缓存空间均缓存较流行的内容，在这种缓存策略下，将所有内容按照请求频次降序进行排列，所有的用户设备中从第一个内容开始缓存直到缓存空间被占满。由于用户设备均缓存了较流行的内容，用户设备处的平均本地缓存命中率会得到显著提高；但是多个用户设备中缓存的相同内容的概率较大，从而会减少用户设备之间进行D2D通信的机会。第二种、随机均匀缓存，在这种缓存策略下，内容库中所有的内容会被随机且均匀地缓存到所有的用户设备中。由于所有用户设备中缓存不同内容的概率较大，可以增加用户设备之间进行D2D通信的机会；但是由于大量流行度较小的内容也被随机缓存到用户设备中，会降低用户设备处的平均本地缓存命中率从而会使用户的缓存空间得不到较高的利用率。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于D2D的网络边缘缓存方法及系统，由此解决现有D2D通信中用户设备缓存策略存在的用户设备之间进行D2D的通信机会少，及由于用户设备处的平均本地缓存命中率低而导致的用户设备的缓存空间利用率低的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于D2D的网络边缘缓存方法，应用于基站和所述基站覆盖范围内的用户设备服从泊松点分布的通信网络中，所述方法包括：

对于各用户设备，根据数据层的内容库中各内容的流行度，取流行度靠前的若干个内容按照截断Zipf分布在各用户设备中进行缓存，其中，将取出的流行度靠前的内容的个数作为截断点；

对于由目标用户设备发起的任意一个内容请求，由所述内容请求的本地缓存命中率及D2D缓存命中率确定访问所述内容请求请求的内容的平均本地缓存命中率与平均D2D缓存命中率，并由所述平均本地缓存命中率与所述平均D2D缓存命中率确定网络边缘缓存命中率，其中，所述本地缓存命中率表示所述目标用户设备内缓存有所述内容的概率，所述D2D缓存命中率表示在所述目标用户设备的D2D通信范围内，至少有一个用户设备中缓存有所述内容且愿意与所述目标用户设备进行D2D通信的概率；

对所述截断点和截断后Zipf的分布指数进行联合优化来使所述网络边缘缓存命中率最大，并按照优化后的截断点和优化后的Zipf的分布指数实现各用户设备中内容的随机缓存。

优选地，所述内容的流行度为：将数据层的内容库中的M个内容按照各内容被用户设备请求的频次进行降序排列为{1,…,m,…,M}，则用户设备请求第m个内容的概率P_r(m)表示为：其中，α为内容请求的Zipf分布指数。

优选地，各用户设备缓存第m个内容的概率为：其中，T为截断点，表示取出的流行度靠前的内容的个数，β为截断后的Zipf分布指数。

优选地，所述平均本地缓存命中率为：

优选地，所述平均D2D缓存命中率为：其中，λ'＝λP_sP_c(m)，λ表示用户设备的分布服从参数为λ的泊松点分布，P_s表示具有缓存能力的用户设备愿意建立D2D通信链路共享相应内容的概率，d表示D2D的通信半径。

优选地，所述网络边缘缓存命中率为：从而，将优化问题转化为联合优化截断点T和截断后Zipf分布的指数β来使得H_edge最大化，即：

优选地，所述对所述截断点和截断后Zipf的分布指数进行联合优化来使所述网络边缘缓存命中率最大，包括：

将预设数量的(T,β)初始化为一个种群，在所述种群中的每一个候选解(T,β)为所述种群的个体；

将所述网络边缘缓存命中率H_edge设置为适应度，则所述种群中的每个个体(T,β)均对应着一个适应度H_edge；

根据计算出的适应度H_edge大小保留个体，其中，适应度越大的个体保留的概率越大；

在保留下来的个体中选取适应度H_edge较高的前若干个体作为精英直接保留到下一代，同时在剩下的个体中选择部分个体通过交叉和变异产生新的子代，重复子代的选择操作直至连续几代之间的适应度差异小于预设精度值；

将最后一代中具有最大适应度的个体(T^*,β^*)作为使所述网络边缘缓存命中率最大的最优解。

优选地，所述对所述截断点和截断后Zipf的分布指数进行联合优化来使所述网络边缘缓存命中率最大，包括：

将截断Zipf分布的指数β设置为内容请求的Zipf分布指数α，找到使网络边缘缓存命中率H_edge最大的T'；

根据T'，找到使得网络边缘缓存命中率H_edge最大的β'；

将(T',β')作为使所述网络边缘缓存命中率最大的次优解。

按照本发明的另一方面，提供了一种基于D2D的网络边缘缓存系统，应用于基站和所述基站覆盖范围内的用户设备服从泊松点分布的通信网络中，其特征在于，所述系统包括：

第一模块，用于对于各用户设备，根据数据层的内容库中各内容的流行度，取流行度靠前的若干个内容按照截断Zipf分布在各用户设备中进行缓存，其中，将取出的流行度靠前的内容的个数作为截断点；

第二模块，用于对于由目标用户设备发起的任意一个内容请求，由所述内容请求的本地缓存命中率及D2D缓存命中率确定访问所述内容请求请求的内容的平均本地缓存命中率与平均D2D缓存命中率，并由所述平均本地缓存命中率与所述平均D2D缓存命中率确定网络边缘缓存命中率，其中，所述本地缓存命中率表示所述目标用户设备内缓存有所述内容的概率，所述D2D缓存命中率表示在所述目标用户设备的D2D通信范围内，至少有一个用户设备中缓存有所述内容且愿意与所述目标用户设备进行D2D通信的概率；

第三模块，用于对所述截断点和截断后Zipf的分布指数进行联合优化来使所述网络边缘缓存命中率最大，并按照优化后的截断点和优化后的Zipf的分布指数实现各用户设备中内容的随机缓存。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：

(1)本发明提出的D2D场景下一种基于截断Zipf分布的内容随机缓存策略，通过将较流行的内容缓存在网络边缘的用户设备中可以缓解网络回传链路的瓶颈问题，同时在缓存内容时保持了内容的多样性可以促进用户之间通过D2D通信实现内容共享。

(2)为了实现基于截断Zipf分布的内容随机缓存，本发明利用遗传算法和分步优化算法对截断点T和截断后Zipf分布指数β进行联合优化来使网络边缘缓存命中率最大。同时，利用遗传算法求解最优(T,β)解下的基于截断式Zipf分布的随机缓存策略所实现的网络边缘缓存命中率非常接近该系统所能实现的最大网络边缘缓存命中率。

(3)将本发明提出的缓存策略和已经存在的其它缓存策略进行比较，通过仿真结果可以发现，在相同的参数设置下本发明提出的缓存策略所实现的缓存命中率明显优于其它缓存策略，即本发明所提出的基于截断Zipf分布的随机缓存策略能够显著提高网络边缘缓存命中率。

附图说明

图1为本发明实施例提供的一种基于D2D的网络边缘缓存方法的流程示意图；

图2为本发明实施例提供的一种内容请求响应流程示意图；

图3为本发明实施例提供的一种优化目标网络边缘缓存命中率H_edge与截断点T及截断Zipf分布指数β之间的关系；

图4为本发明实施例提供的一种使用遗传算法解决优化问题的流程图；

图5为本发明实施例提供的一种本发明的缓存策略与其它缓存策略所能实现的网络边缘缓存率H_edge随着用户分布密度λ的关系变化图；

图6为本发明实施例提供的一种本发明缓存策略与其它缓存策略所能实现的网络边缘缓存率H_edge随着内容流行度分布指数α的关系变化图。

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，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供了一种基于截断Zipf分布的高效网络边缘缓存方法及系统，应用于由一个提供控制覆盖的基站及其覆盖范围内的若干个用户设备构成的通信网络中，基站和用户设备的位置服从一个二维的泊松点分布，满足D2D传输范围内的临近用户设备之间可以分享所缓存的内容。如图2所示，当用户设备发起内容请求时，会首先在自身缓存系统查询是否缓存了该内容，若缓存了该内容直接进行内容交付，否则向临近的D2D通信用户设备发出内容请求，若D2D通信范围内的用户设备缓存了该内容则通过D2D通信链路进行内容交付，否则直接通过基站从远端内容提供商中请求获取该内容。本发明通过对Zipf分布的截断点和倾斜指数进行联合优化来制定内容随机缓存策略，提高本地缓存命中率。本发明为了找到最优的Zipf分布的截断点和倾斜指数，分别使用了全局最优的遗传算法和局部最优的分步优化算法。本发明充分利用D2D传输和分布式随机缓存的优点，通过联合优化缓存Zipf分布的内容截断点和倾斜指数，能够显著提高网络边缘的内容缓存命中率。

如图1所示为本发明实施例提供的一种基于D2D的网络边缘缓存方法的流程示意图，包括：

(1)对于各用户设备，根据数据层的内容库中各内容的流行度，取流行度靠前的若干个内容按照截断Zipf分布在各用户设备中进行缓存，其中，将取出的流行度靠前的内容的个数作为截断点；

其中，内容的流行度定义为：

若数据层中的内容库由M个内容构成，按各内容被用户请求的频次降序排列为{1,…,m,…,M}，则用户请求第m个内容的概率P_r(m)可以表示为：

其中，α为内容请求的Zipf分布指数，α越大则说明用户请求的内容集中于排名较前的内容。

(2)对于由目标用户设备发起的任意一个内容请求，由内容请求的本地缓存命中率及D2D缓存命中率确定访问内容请求请求的内容的平均本地缓存命中率与平均D2D缓存命中率，并由平均本地缓存命中率与平均D2D缓存命中率确定网络边缘缓存命中率，其中，本地缓存命中率表示目标用户设备内缓存有该内容的概率，D2D缓存命中率表示在目标用户设备的D2D通信范围内，至少有一个用户设备中缓存有该内容且愿意与目标用户设备进行D2D通信的概率；

在本发明实施例中，该网络边缘缓存方法主要是基于截断Zipf分布的随机缓存策略，在制定缓存策略时，对内容库中的M个内容按照流行度降序进行排序，在缓存时对排序后的内容只取前T个内容按照一种截断Zipf分布进行缓存，即将T设置为截断点，同时截断后的Zipf分布指数设为β，同时缓存的T个内容按频次降序进行排列为{1,…,m,…,T}，则各用户设备缓存第m个内容的概率为：

用户设备在请求某个内容时，首先会在本地的缓存空间先进行查找是否缓存了该内容，若缓存了该内容则直接进行内容交付，此时称为请求的内容在本地命中。若定义用户设备请求第m个内容时且该用户缓存的内容中有内容m的概率为本地缓存命中率，则对于任意一个内容请求，平均本地缓存命中率H_local为：

用户设备的分布服从参数为λ的泊松点分布，定义具有缓存能力的用户设备愿意建立D2D通信链路共享相应内容的概率为P_s，当用户设备请求第m个内容时，缓存了第m个内容同时可进行D2D通信的用户设备服从参数为λ'的泊松点分布，其中，λ'＝λP_sP_c(m)；

若D2D通信半径为d，则在该通信范围内有n个用户的概率P(n；d)为：

当用户设备请求的内容m在本地查找失败时，可以向附近的用户设备进行请求，若定义附近至少有一个用户设备缓存该内容m且愿意与发出请求的用户设备进行D2D通信的概率为D2D缓存命中率，则对于任意一个内容请求，平均的D2D缓存命中率H_D2D为：

定义网络边缘缓存命中率H_edge为本地缓存命中率H_local与D2D缓存命中率H_D2D之和：

从而，优化问题转化为联合优化截断点T和截断后Zipf分布的指数β来使得H_edge最大化，即：

s.t.1≤T≤M,β≥0

(3)对所述截断点和截断后Zipf的分布指数进行联合优化来使所述网络边缘缓存命中率最大，并按照优化后的截断点和优化后的Zipf的分布指数实现各用户设备中内容的随机缓存。

其中，截断Zipf分布的内容随机缓存策略下的目标函数形式H_edge十分复杂，无法通过对H_edge求导得到Hessian矩阵，从而无法进一步判断目标优化函数是否为凸函数。因此，为了解决联合优化截断点T和截断后Zipf分布指数β来使得H_edge最大化问题，选取了遗传算法，它是解决最优化问题常用的一种搜索算法，用遗传算法解决该优化问题的基本思想为：

首先将一定数量的(T,β)选解初始化为一个种群，其中的每一个候选解(T,β)称为这个种群的个体。将优化问题的目标函数网络边缘缓存命中率H_edge设置为适应度，即种群中的每一个个体(T,β)都对应着一个适应度H_edge。根据计算出的适应度H_edge，适应度较低的个体(T,β)将会以大概率被淘汰，而适应度H_edge较高的个体(T,β)将会以大概率保留下来。为了保证当前种群的最优个体不因为杂交而破坏，导致遗传算法不能收敛到全局最优解，本算法采用精英保留策略，即在保留下来的个体中选取一部分适应度H_edge较高的个体作为精英直接保留到下一代，同时在剩下的个体中选择一部分个体通过交叉和变异产生新的子代。通过一代一代的保留、交叉和变异，那些具有较高适应度H_edge的个体将会被保留下来。设定终止条件为连续几代之间的适应度差异小于一个给定的精度值，则在每一代进行交叉和变异产生新的子代时需要判断终止条件是否满足。直至满足终止条件迭代停止，其中最后一代中具有最大适应度的个体(T^*,β^*)就是需要寻找的最优解。

下面介绍用遗传算法进行缓存参数(T^*,β^*)的求解的具体过程：

首先，定义种群大小(即种群中的个体数目)为N，Q_j表示第j代种群，Q_j(i)表示第j代种群中的第i个个体，其中i∈{1,2,…,N}。T₀和T_e分别表示截断门限T的可以取到的最小值和最大值。T_s表示T的精度。类似地，β₀、β_e和β_s分别表示Zipf指数β可以取得的最小值、最大值和精度。为了保证当前种群的最优个体不被杂交而破坏，导致遗传算法不能收敛到全局最优解，该算法采取了精英保留策略，N_e表示种群保留的精英数目，被挑选为精英的个体不进行配对交叉，而是直接复制到下一代。P_crossover、P_mutation分别表示交叉概率和变异概率。X表示迭代终止条件。为了便于对个体进行交叉和变异的操作，每个个体有两种数值表现形式：十进制和二进制。在交叉和变异操作之前，个体需要被编码成一串二进制序列，而在交叉、变异操作结束后解码成十进制。

根据上述介绍的用遗传算法解决该优化问题的基本思想，通过输入N、T₀、T_e、T_s、β₀、β_e、β_s、N_e、P_crossover、P_mutation、X，可以得到全局最优的缓存参数。具体操作如下：

1)初始化种群：将所有的(T,β)选解构成{T，β}平面，然后在{T,β}的平面随机撒N个点作为第一代种群Q₁，令j＝1；

2)计算适应度：由于适应度的高低决定了种群个体生存能力的强弱，因此，选取优化目标H_edge作为适应度函数f(i)，以满足网络边缘缓存命中率H_edge越高的个体生存能力越强。并根据f(i)计算当前种群Q_j中每个个体的适应度；

3)编码：将当前种群Q_j中的每个个体编码成一串二进制序列。根据输入的参数，编码后的T可以表示成长度为位的二进制数，β可以表示成长度为位的二进制数。因此，编码后每个个体可以表示成长度为L＝L₁+L₂位的二进制数。

4)选择精英：根据步骤2)计算的个体适应度，选取适应度最高的N_e个个体直接复制到下一代；

5)选择父本：设置为当前种群Q_j中的个体Q_j(i)被选择为父本的概率。根据计算求得的概率{P_i,1≤i≤N}从当前种群中依次选取2(N-N_e)个父本。并随机把它们分成(N-N_e)组。

6)交叉操作：对步骤4)中的(N-N_e)组父本对以概率P_crossover依次进行离散重组交叉(或均匀交叉)，产生(N-N_e)个子代。

7)变异操作：对步骤4)和步骤6)产生的N个子代依次以概率P_mutation对二进制序列中的某一位进行变异操作。通常，为了保证种群的稳定性，变异概率P_mutation是非常低的。令j＝j+1，变异后的N个子代就行成了新的种群Q_j。

8)解码：对应步骤3)中的编码操作对每个个体进行解码。具体为，首先将每个个体的二进制序列拆分成两个分别对应参数T和β的二进制序列，再分别转化成T和β的十进制数。

9)判断循环是否结束：判断当前种群Q_j是否满足终止条件X，若满足，则循环结束，当前种群中适应度最高的个体的T和β作为全局最优的{T^*,β^*}输出。若不满足，则返回步骤2)进行下一次循环。

遗传算法所具有优点是能够获得全局最优解，但是该算法由于代数的不确定性及较大的种群数量会使得该算法具有非常大的时间复杂度。

其中，通过找到截断Zipf分布最优的(T,β)参数来使得目标函数H_edge最大，使用遗传算法虽然可以找到全局最优解但是算法的复杂度较高，为提高效率同时与遗传算法的性能进行比较，选取了分步优化算法，分布优化的基本思想是首先选取截断Zipf分布的指数β来优化截断点T，得到次优解T'，然后根据所选取的次优解T'来优化截断Zipf分布的指数β，得到次优解β'。用分步优化算法解决该优化问题的分为以下两个步骤：

第一步，将截断Zipf分布的指数β设置为内容请求的Zipf分布指数α，找到使得目标函数H_edge最优的T'；

第二步，根据第一步所得的T'，找到使得目标函数H_edge最优的β'；

通过分步优化算法所得到次优的解(T',β')，相对于可以获得全局最优解的遗传算法，分步优化算法具有较低的时间复杂度，同时可以获得一个次优的缓存命中率。

以下结合仿真对本发明进行详细说明：

仿真参数设置如下：总文件内容数量M为3000，内容请求分布指数α为0.8，用户设备所服从的泊松分布的密度λ为0.1/π，D2D通信半径为20m，D2D用户设备是否愿意进行D2D通信的概率P_s为0.8。

如图3所示，网络边缘缓存命中率H_edge与截断点T、截断Zipf分布指数β之间的关系中存在最优的(T^*，β^*)使得H_edge最大，因此接下来通过使用遗传算法来找出使得网络边缘缓存命中率最大时的最优解(T^*，β^*)。

如图4所示，利用遗传算法找最优解的基本思想为：首先将一定数量的(T,β)选解的集合初始化为一个种群，其中的每一个候选解(T,β)称为这个种群的个体。将优化问题的目标函数H_edge设置为适应度，即种群中的每一个个体都对应着一个适应度。根据计算出的适应度，适应度较低的个体将会以大概率被淘汰，而适应度较高的个体将会以大概率保留下来。为了保证当前种群的最优个体不因为杂交而破坏，导致遗传算法不能收敛到全局最优解，本算法采用精英保留策略，即在保留下来的个体中选取一部分适应度高的个体作为精英直接保留到下一代，同时在剩下的个体中选择一部分个体通过交叉和变异产生新的子代。通过一代一代的保留、交叉和变异，那些适应度较高的个体将会被保留下来。设定终止条件为连续几代之间的适应度差异小于一个给定的精度值，则在每一代进行交叉和变异产生新的子代时需要判断终止条件是否满足。直至满足终止条件迭代停止，其中最后一代的具有最大适应度的个体(T^*,β^*)就是需要寻找的最优解。

接下来将本发明提出的缓存策略与现有的缓存策略在相同的条件下所能实现的网络边缘缓存命中率进行对比。主要涉及的缓存策略有：1)有限的缓存空间均缓存较流行的内容(MPC)；2)随机均匀缓存(UC)，所有内容的缓存概率服从均匀分布且所有内容被随机缓存到不同的缓存空间；3)截断式均匀缓存(Truncated UC)，将所有内容进行截断只缓存一部分内容，这一部分内容按照随机均匀缓存策略进行缓存；4)随机缓存策略(RC)，内容的缓存概率服从Zipf分布，所有内容均被缓存即不进行截断，只优化Zipf分布指数；5)本发明提出的基于截断式的随机缓存策略，同时将缓存Zipf分布指数β设置为内容请求Zipf分布指数α，只优化截断点(RC-TZ(β＝α))；6)本发明提出的基于截断式的随机缓存策略，同时使用分步优化算法来联合优化截断点和截断后Zipf分布指数(RC-TZ(TSS))；7)本发明提出的基于截断式的随机缓存策略，同时使用遗传算法来联合优化截断点和截断后Zipf分布指数(RC-TZ(GA))；8)在相同的仿真实施例下，不设置任何预设条件，利用次梯度法(Subgradient method)对所有的内容分配最优的缓存概率来使得优化目标网络边缘缓存命中率最大，即通过次梯度法找到某一实施例下所能实现的网络边缘缓存命中率的上限。

如图5所示，缓存策略MPC的网络边缘缓存命中率和用户密度呈不相关的关系，其它缓存策略下的网络边缘缓存命中率均随着用户密度的增大而增大。缓存策略MPC缓存的内容是确定性的，与用户密度没有关系，因此其缓存命中率不会随着用户密度的改变而改变。而其它的缓存策略下缓存的内容是不确定性的，随着用户密度的增加，用户的缓存空间会增大，D2D通信范围内的用户增加同时用户所缓存的内容会增多，从而网络边缘缓存命中率会随着用户密度的增大而增大。同时由图5也可以看出，在相同的实施例且不加任何预设的条件下，利用次梯度法所能实现的缓存命中率是该实施例下网络边缘缓存命中率的上限。同时本发明所提出的基于截断式Zipf分布的随机缓存策略比其它缓存策略所能实现的网络边缘缓存命中率好，且利用遗传算法求解最优(T,β)解下的基于截断式Zipf分布的随机缓存策略所实现的网络边缘缓存命中率非常接近该实施例下网络边缘缓存命中率的上限。

如图6所示，缓存策略UC的网络边缘缓存命中率和内容请求Zipf分布指数呈不相关的关系，其它缓存策略的网络边缘缓存命中率均随着内容请求Zipf分布指数的增大而增大。缓存策略UC下各内容的缓存概率服从均匀分布，与请求内容无关，因此其网络边缘缓存命中率不会随着内容请求分布指数的变化而变化。而其它缓存策略与内容请求分布指数有关，内容请求分布指数越大说明用户所请求的内容越集中于排名较前的内容，从而网络边缘缓存命中率会随着内容请求指数的增大而增大。同时由图6也可以看出，在相同的实施例且不加任何预设的条件下，利用次梯度法所能实现的缓存命中率是该实施例下网络边缘缓存命中率的上限。同时本发明所提出的基于截断式Zipf分布的随机缓存策略比其它缓存策略所能实现的网络边缘缓存命中率好，且利用遗传算法求解最优(T,β)解下的基于截断式Zipf分布的随机缓存策略所实现的网络边缘缓存命中率非常接近该实施例下网络边缘缓存命中率的上限。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于D2D的网络边缘缓存方法，应用于基站和所述基站覆盖范围内的用户设备服从泊松点分布的通信网络中，其特征在于，所述方法包括：

对于各用户设备，根据数据层的内容库中各内容的流行度，取流行度靠前的若干个内容按照截断Zipf分布在各用户设备中进行缓存，其中，将取出的流行度靠前的内容的个数作为截断点；

对于由目标用户设备发起的任意一个内容请求，由所述内容请求的本地缓存命中率及D2D缓存命中率确定访问所述内容请求请求的内容的平均本地缓存命中率与平均D2D缓存命中率，并由所述平均本地缓存命中率与所述平均D2D缓存命中率确定网络边缘缓存命中率，其中，所述本地缓存命中率表示所述目标用户设备内缓存有所述内容的概率，所述D2D缓存命中率表示在所述目标用户设备的D2D通信范围内，至少有一个用户设备中缓存有所述内容且愿意与所述目标用户设备进行D2D通信的概率；

对所述截断点和截断后Zipf的分布指数进行联合优化来使所述网络边缘缓存命中率最大，并按照优化后的截断点和优化后的Zipf的分布指数实现各用户设备中内容的随机缓存。

2.根据权利要求1所述的方法，其特征在于，所述内容的流行度为：将数据层的内容库中的M个内容按照各内容被用户设备请求的频次进行降序排列为{1,…,m,…,M}，则用户设备请求第m个内容的概率P_r(m)表示为：其中，α为内容请求的Zipf分布指数。

3.根据权利要求2所述的方法，其特征在于，各用户设备缓存第m个内容的概率为：其中，T为截断点，表示取出的流行度靠前的内容的个数，β为截断后的Zipf分布指数。

4.根据权利要求3所述的方法，其特征在于，所述平均本地缓存命中率为：

5.根据权利要求4所述的方法，其特征在于，所述平均D2D缓存命中率为：其中，λ'＝λP_sP_c(m)，λ表示用户设备的分布服从参数为λ的泊松点分布，P_s表示具有缓存能力的用户设备愿意建立D2D通信链路共享相应内容的概率，d表示D2D的通信半径。

6.根据权利要求5所述的方法，其特征在于，所述网络边缘缓存命中率为：从而，将优化问题转化为联合优化截断点T和截断后Zipf分布的指数β来使得H_edge最大化，即：

7.根据权利要求6所述的方法，其特征在于，所述对所述截断点和截断后Zipf的分布指数进行联合优化来使所述网络边缘缓存命中率最大，包括：

将预设数量的(T,β)初始化为一个种群，在所述种群中的每一个候选解(T,β)为所述种群的个体；

将所述网络边缘缓存命中率H_edge设置为适应度，则所述种群中的每个个体(T,β)均对应着一个适应度H_edge；

根据计算出的适应度H_edge大小保留个体，其中，适应度越大的个体保留的概率越大；

在保留下来的个体中选取适应度H_edge较高的前若干个体作为精英直接保留到下一代，同时在剩下的个体中选择部分个体通过交叉和变异产生新的子代，重复子代的选择操作直至连续几代之间的适应度差异小于预设精度值；

将最后一代中具有最大适应度的个体(T^*,β^*)作为使所述网络边缘缓存命中率最大的最优解。

8.根据权利要求6所述的方法，其特征在于，所述对所述截断点和截断后Zipf的分布指数进行联合优化来使所述网络边缘缓存命中率最大，包括：

将截断Zipf分布的指数β设置为内容请求的Zipf分布指数α，找到使网络边缘缓存命中率H_edge最大的T'；

根据T'，找到使得网络边缘缓存命中率H_edge最大的β'；

将(T',β')作为使所述网络边缘缓存命中率最大的次优解。

9.一种基于D2D的网络边缘缓存系统，应用于基站和所述基站覆盖范围内的用户设备服从泊松点分布的通信网络中，其特征在于，所述系统包括：

第一模块，用于对于各用户设备，根据数据层的内容库中各内容的流行度，取流行度靠前的若干个内容按照截断Zipf分布在各用户设备中进行缓存，其中，将取出的流行度靠前的内容的个数作为截断点；

第二模块，用于对于由目标用户设备发起的任意一个内容请求，由所述内容请求的本地缓存命中率及D2D缓存命中率确定访问所述内容请求请求的内容的平均本地缓存命中率与平均D2D缓存命中率，并由所述平均本地缓存命中率与所述平均D2D缓存命中率确定网络边缘缓存命中率，其中，所述本地缓存命中率表示所述目标用户设备内缓存有所述内容的概率，所述D2D缓存命中率表示在所述目标用户设备的D2D通信范围内，至少有一个用户设备中缓存有所述内容且愿意与所述目标用户设备进行D2D通信的概率；

第三模块，用于对所述截断点和截断后Zipf的分布指数进行联合优化来使所述网络边缘缓存命中率最大，并按照优化后的截断点和优化后的Zipf的分布指数实现各用户设备中内容的随机缓存。