CN109587776A - D2d辅助的超密集网络中基站休眠和协作缓存的联合优化方法 - Google Patents
D2d辅助的超密集网络中基站休眠和协作缓存的联合优化方法 Download PDFInfo
- Publication number
- CN109587776A CN109587776A CN201811492708.8A CN201811492708A CN109587776A CN 109587776 A CN109587776 A CN 109587776A CN 201811492708 A CN201811492708 A CN 201811492708A CN 109587776 A CN109587776 A CN 109587776A
- Authority
- CN
- China
- Prior art keywords
- station
- user
- base station
- energy consumption
- small
- 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
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/02—Power saving arrangements
- H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/10—Flow control between communication endpoints
- H04W28/14—Flow control between communication endpoints using intermediate storage
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
- H04W52/04—TPC
- H04W52/18—TPC being performed according to specific parameters
- H04W52/24—TPC being performed according to specific parameters using SIR [Signal to Interference Ratio] or other wireless path parameters
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了D2D辅助的超密集网络中基站休眠和协作缓存的联合优化方法。该方法同时考虑缓存方案和基站休眠策略,通过分析文件传输时延和系统平均能耗,将能耗和时延权衡问题描述为最小成本函数问题。所述最小成本函数问题是一个复杂的组合优化问题,因休眠和缓存是两个独立的过程,将原问题分解为两个子问题:首先,给定缓存方案,寻找最小成本函数值所对应的最优基站休眠方案;其次,基于最优基站休眠方案,根据组合优化算法迭代求解最优协作缓存方案,使得用户服务质量得以保证的条件下最小化系统能耗。
Description
技术领域
本发明属于无线通信技术领域,特别涉及了超密集网络中基站休眠和协作缓存的联合优化方法。
背景技术
移动通信量爆发式增长,给移动网络运营商带来极大的挑战。为了满足未来移动数据需求,极大提升系统容量和用户体验质量,在传统大功率宏站的覆盖区域,尤其是高业务量热点区域内部署超密集低功率小站可以获得巨大的吞吐量增益。但是,超密集异构网络中不断增加的基站数目,必然会消耗更多的功率能量。在无线网络能耗组成中,基站能耗所占比例最大,占总能耗的80%,因此如何降低无线网络基站能耗成为降低无线网络能耗的关键所在,尤其是在超密集网络场景中。
一种有效的节能技术是根据用户的动态业务执行基站开关策略从而降低系统能耗。然而,基站开关策略使得系统能耗减少的同时也会影响用户的时延特性。此外,在传统蜂窝网络中引入D2D(device to device)通信,可以减轻基站负担,减少通信时延。尤其是在超密集网络和D2D通信中引入主动预测并进行内容提前部署的缓存技术,可以大大提高应对流量激增所带来的网络压力,提升资源利用率,减少用户时延,提升用户体验。
现有的缓存方案,以减少时延或提高吞吐量为目的,很少考虑能耗问题,导致现有的缓存策略难以适用于实际的超密集异构网络。为了保证用户的服务质量,同时降低系统的能耗,要按照精心设计的缓存方案提前缓存数据内容,进而根据灵活的开关策略来选择要关闭的基站。
发明内容
为了解决上述背景技术提出的技术问题,本发明提供了D2D辅助的超密集网络中基站休眠和协作缓存的联合优化方法,将系统能耗和时延权衡问题描述为最小化系统成本函数问题,在用户业务和信道状态动态变化的情况下,制定了动态的协作缓存和基站开关方案。
为了实现上述技术目的,本发明的技术方案为:
同时考虑缓存方案和基站休眠策略,通过分析文件传输时延和系统平均能耗,将能耗和时延权衡问题描述为最小成本函数问题;所述最小成本函数问题是一个复杂的组合优化问题,因休眠和缓存是两个独立的过程,将原问题分解为两个子问题:首先,给定缓存方案,寻找最小成本函数值所对应的最优基站休眠方案;其次,基于最优基站休眠方案,根据组合优化算法迭代求解最优协作缓存方案,使得用户服务质量得以保证的条件下最小化系统能耗。
进一步地,具体步骤如下:
(1)运营商测量出区域面积内宏站、小站、D2D用户和蜂窝用户的总数目NM、NS、ND和NU,从而得到该区域内宏站、小站、D2D用户和蜂窝用户的分布密度λm、λs、λD和λU;
(2)设用户的所有的数据请求文件集合为FN为该集合的长度;考虑用户文件传输的不同方式,计算文件fi的平均传输时延
上式中,表示文件fi缓存在D2D用户缓存空间的文件比例;表示文件fi缓存在小站的文件比例;L0为用户数据文件的平均比特大小;DB表示小站回程链路的时延;小站的平均传输速率表示为其中表示所有小站都处于激活状态下小站的平均传输速率,θ为小站休眠比例;为宏站的平均传输速率,为D2D用户的平均传输速率;PrS=(1-θ)AS,表示用户关联到小站的概率,其中AS表示所有小站都处于激活状态下用户关联到小站的概率;
设文件fi的平均请求次数为qfi,计算所有文件的平均传输时延
其中,
(3)计算系统中所有宏站在单位时间内的平均能耗
上式中,Pmt为区域内宏站传输功率,Pm0为宏站通信静态链路的能耗,Δpm为宏站通信负载相关的能耗因子,ξj表示宏站j的负载率;
计算系统中所有小站在单位时间内的平均能耗
上式中,PS为每个小站关闭状态的平均能耗,Ps0为小站通信静态链路的能耗,Δps为小站通信负载相关的能耗因子,Psb为小站回程链路的能耗,Pst为小站传输功率;sk∈{0,1},sk=1表示小站k处于激活状态,sk=0表示小站k处于关闭状态;ωs是小站的缓存能效,ζk表示小站k的负载率;
计算系统中所有D2D用户在单位时间内的平均能耗
上式中,Pd0为D2D通信静态链路的能耗,Δpd为D2D通信负载相关的能耗因子,Pdt为D2D用户发射机传输功率,ωd是D2D用户的缓存能效,表示D2D用户的负载率;
计算单位时间内系统的平均能耗
根据所有文件的平均传输时延和单位时间内系统的平均能耗定义系统成本函数
上式中,β为权重因子;
(4)根据已知的缓存策略和求解最优基站状态:系统成本函数是关于基站开关比例的凸函数,先求解得到最优基站开关比例θ*,根据θ*给出所有可能的基站状态集合 为该集合的长度;
(5)遍历所有基站状态集合Ω,在第n次搜索时,计算在状态集合Sn下T时刻内系统平均能耗、文件平均传输时延以及系统成本函数
(6)对于所有Sn的成本函数值计算n*:
得到最优基站状态根据对每个小站执行开关决策;
(7)在给定的最优基站状态下,迭代求解最优协作缓存方案和迭代次数为NI;
(8)在第i次迭代中,根据给定的D2D用户缓存方案采用KKT条件求解关于小站缓存方案的组合优化问题,寻找最优小站缓存方案
(9)根据求得最优小站缓存方案根据KKT条件求解关于D2D用户缓存方案的组合优化问题;
(10)令i=i+1,执行步骤(8)-(9),当i≥NI,迭代过程结束,得到最优缓存方案和
进一步地,在步骤(2)中,所有小站都处于激活状态下用户关联到小站的概率AS:
上式中,α为路损指数。
进一步地,在步骤(3)中,宏站j的负载率ξj:
上式中,λF为运营商统计的一段时间内用户业务的到达率; 分别表示数据文件被缓存在D2D用户和小站存储空间的平均比例。
进一步地,在步骤(3)中,小站k的负载率ζk:
进一步地,在步骤(3)中,D2D用户的负载率
进一步地,在步骤(8)中,设表示小站用户请求传输的数据文件集合,同时根据请求次数将这些文件降序排列,由KKT条件求解关于小站缓存方案的组合优化问题,FS中文件的最优缓存位置表示为:
上式中,tf∈FS,te∈FS,表示文件te被缓存在D2D用户存储空间的比例
|FS|为集合FS的长度,由下式求得:
上式中,KS表示小站缓存空间的大小;
根据得到缓存方案计算系统成本函数若则否则
进一步地,在步骤(9)中,设表示D2D用户请求传输的数据文件集合,同时根据请求次数将这些文件降序排列,由KKT条件求解关于D2D用户缓存方案的组合优化问题,FD中文件的最优缓存位置表示为:
上式中,t′f′∈FD,t′e′∈FD,表示文件t′e′被缓存在小站存储空间的比例,由下式求得:
上式中,KD表示D2D用户缓存空间的大小;
根据得到缓存方案计算系统成本函数若则否则
采用上述技术方案带来的有益效果:
本发明通过采集数据业务量和信道状态信息,基站用户协作缓存,同时执行基站开关策略,能很好地适用于实际系统,且能带来比传统方法更好的性能增益,在保证用户时延特性的条件下显著降低系统能耗。
本发明从能耗和时延权衡的角度出发,将能耗和时延权衡问题对应到最小化系统成本函数问题。运营商可以根据节能和用户服务质量的相对重要性,选择权衡因子,从而确定基站开关状态和缓存位置。
本发明针对超密集异构网络提出的协作缓存和基站开关方法,与已有基站开关和缓存方案相比,能充分利用小站业务变化和信道信息,灵活控制系统节能和用户服务质量之间的权衡问题。在保证用户时延迟的条件下,可显著降低系统能耗。
附图说明
图1是本发明的方法流程图。
具体实施方式
以下将结合附图,对本发明的技术方案进行详细说明。
本发明将系统能耗和时延权衡问题描述为最小化系统成本函数问题,在用户业务和信道状态动态变化的情况下,制定了动态的协作缓存和基站开关方案。这里,因为基站和D2D用户均有缓存空间,所以具体缓存内容和位置都是缓存方案要解决的问题。
本发明考虑D2D辅助的超密集异构网络,小站有休眠机制,可以根据用户的业务状态选择一部分基站进入休眠状态,从而减少系统能耗。小站休眠方案的引入,必然会导致用户时延性能的下降。为保证用户服务质量,D2D用户和小站有一定的缓存空间,可以提前缓存一部分文件内容,从而大大减少用户的时延。
用户的业务模型满足泊松到达过程,如果用户所请求的文件已经缓存,则直接进行传输,没有缓存的文件内容,则由小站或是宏站进行传输。宏站可以直接从数据中心获取数据文件内容,而小站要通过回程链路从数据中心获取数据内容,再传输给用户。
基站休眠和缓存方案都会影响文件传输的时延和系统能耗。休眠基站越多,能耗越小,时延越大。另一方面,缓存的数据文件越多,用户的时延越小,同时缓存也会消耗一定的能耗。
基于上述内容,本发明提出了D2D辅助的超密集网络中基站休眠和协作缓存的联合优化方法,其内容如下:
同时考虑缓存方案和基站休眠策略,通过分析文件传输时延和系统平均能耗,将能耗和时延权衡问题描述为最小成本函数问题。该问题是一个复杂的组合优化问题,但是休眠和缓存是两个独立的过程,所以将原问题分解为两个子问题:首先给定缓存方案,寻找最小成本函数值所对应的最优基站休眠方案。接着,基于最优基站休眠方案,根据组合优化算法迭代求解件最优协作缓存方案,使得用户服务质量得以保证的条件下最小化系统能耗。
如图1所示,上述联合优化方法通过下述具体步骤实现:
步骤1:运营商测量出区域面积内宏站、小站、D2D用户和蜂窝用户的总数目,分别记为NM、NS、ND和NU,从而得到该区域内宏站、小站、D2D用户和蜂窝用户的分布密度λm、λs、λD和λU。
蜂窝用户可以和D2D用户建立新的D2D通信,也可以进行蜂窝通信,并且能够实现两种通信模式的切换。这里我们考虑蜂窝用户的数据请求服务,用户业务到达满足独立泊松过程,运营商统计一段时间(可根据情况设定时间长短)内用户业务到达情况得出到达率λF。假设用户数据文件的平均比特大小均为L0。
用户的所有的数据请求文件集合记为大小为FN。小站缓存空间的大小为KS bit,且缓存的内容是一样的。D2D的缓存空间的大小为KD bit,且所有D2D设备缓存的内容也是一样的。实际系统中用户根据最大信号接收功率值选择要关联的基站(宏站或小站)。数据中心包含用户所有的数据请求文件,宏站可以直接获得并进行数据传输,小站则要通过回程链路获取用户所需的数据内容,再传输给用户。
假设每个数据文件fi∈F(1≤i≤FN),被编码为子文件来实现协作缓存,只有全部L0bit都传输完成后,该文件传输才算成功。表示文件fi∈F(1≤i≤FN)缓存在D2D用户缓存空间的文件比例,表示fi∈F(1≤i≤FN)缓存在小站的文件比例。即对于文件fi∈F(1≤i≤FN),,有存储于D2D用户的缓存空间内,有存储在小站的缓存空间内。剩余部分要通过宏站或小站进行传输。当即该文件内容已经全部缓存,只需要进行传输即可。
初始化小站的状态集合其中sk∈{0,1},sk=1表示小站k处于激活状态,sk=0表示小站k处于关闭状态。小站休眠比例为
所有数据文件被缓存在小站和D2D用户存储空间的比例分别为
考虑用户文件传输的不同方式,文件fi(1≤i≤FN)的平均传输时延可由下式得到
其中,DB表示小站回程链路的时延,运营商统计一段时间(可根据情况设定时间长短)内DB的值。小站的平均传输速率表示为这里表示所有小站都处于激活状态下小站的平均传输速率。同样地,宏站的平均传输速率为D2D用户的平均传输速率运营商统计一段时间(可根据情况设定时间长短)内用户传输情况,得到和的值。PrS表示用户关联到小站的概率,可以表示为PrS=(1-θ)AS。AS表示所有小站都处于激活状态下用户关联到小站的概率,由下式给出:
其中,Pmt和Pst表示区域内宏站和小站传输功率,路损指数表示为α。Pmt、Pst和α的值由运营商测量得到。
记文件fi(1≤i≤FN)的平均请求次数为运营商可以根据数据信息测量得到。所有文件的平均传输时延由下式得到:
步骤2:通过运营商得到部署在该区域内宏站传输功率Pmt、小站传输功率Pst和D2D用户发射机传输功率Pdt。运营商记录每个小站关闭状态的平均能耗PS,宏站、小站和D2D通信静态链路的能耗Pm0,Ps0和Pd0,小站回程链路的能耗Psb。宏站、小站和D2D通信负载相关的能耗因子分别为Δpm、Δps和Δpd。
所有宏站全部处于激活状态。宏站j在单位时间内的能耗表示:
PjM=Pm0+ξj(ΔpmPmt) (4)
ξj表示宏站j的负载率,由下式给出:
这里分别表示数据文件被缓存在D2D用户和小站存储空间的平均比例。
从而系统中所有宏站在单位时间内的平均能耗:
系统中小站在单位时间内的平均能耗:
ωs是小站的缓存能效(joules/bit),ζk表示小站k的负载率,由下式给出:
同样地,D2D用户d在单位时间内的能耗表示:
ωd是D2D用户的缓存能效(joules/bit),表示D2D用户的负载率,由下式给出:
系统中,所有D2D用户在单位时间内消耗的能耗:
单位时间内系统平均能耗:
定义系统成本函数:
其中,权重因子β的取值由运营商根据网络运行情况自行确定。
步骤3:根据已知的缓存策略和求解最优基站状态:系统成本函数是关于基站开关比例的凸函数,先求解得到最优基站开关比例θ*,根据θ*给出所有可能的基站状态集合 为该集合的长度。
步骤4:遍历所有可能的状态集合Ω,在第n次搜索时,计算在状态集合Sn下T时刻内系统平均能耗,文件平均传输时延和系统成本函数
步骤5:更新基站状态集合Sn=Sn+1,执行步骤4。当遍历搜索结束。
步骤6:对于所有Sn的成本函数值计算n*:
得到最优基站状态根据对每个小站执行开关决策。
步骤7:在给定的最优基站状态下,迭代求解最优协作缓存方案和迭代次数为NI;,由运营商根据网络运行情况自行确定。
步骤8:在第i次迭代中,根据给定的D2D用户缓存方案采用KKT条件求解关于小站缓存方案的组合优化问题,寻找最优小站缓存方案
若i=1,为给定的初始值;若i≥2,第i次迭代中D2D用户缓存方案为第i-1次迭代中得到的最优用户缓存方案,即
设表示小站用户请求传输的数据文件集合,同时根据请求次数将这些文件降序排列,由KKT条件求解关于小站缓存方案的组合优化问题,FS中文件的最优缓存位置表示为:
上式中,tf∈FS,te∈FS,表示文件te被缓存在D2D用户存储空间的比例
|FS|为集合FS的长度,由下式求得:
上式中,KS表示小站缓存空间的大小。
根据得到缓存方案计算系统成本函数若则否则
步骤9:根据求得最优小站缓存方案根据KKT条件求解关于D2D用户缓存方案的组合优化问题。
设表示D2D用户请求传输的数据文件集合,同时根据请求次数将这些文件降序排列,由KKT条件求解关于D2D用户缓存方案的组合优化问题,FD中文件的最优缓存位置表示为:
上式中,t′f′∈FD,t′e′∈FD,表示文件t′e′被缓存在小站存储空间的比例,由下式求得:
上式中,KD表示D2D用户缓存空间的大小。
根据得到缓存方案计算系统成本函数若则否则
步骤10:i=i+1,执行步骤8-9。当i≥NI,迭代过程结束。得到最优缓存方案和
实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。
Claims (8)
1.D2D辅助的超密集网络中基站休眠和协作缓存的联合优化方法,其特征在于:同时考虑缓存方案和基站休眠策略,通过分析文件传输时延和系统平均能耗,将能耗和时延权衡问题描述为最小成本函数问题;所述最小成本函数问题是一个复杂的组合优化问题,因休眠和缓存是两个独立的过程,将原问题分解为两个子问题:首先,给定缓存方案,寻找最小成本函数值所对应的最优基站休眠方案;其次,基于最优基站休眠方案,根据组合优化算法迭代求解最优协作缓存方案,使得用户服务质量得以保证的条件下最小化系统能耗。
2.根据权利要求1所述D2D辅助的超密集网络中基站休眠和协作缓存的联合优化方法,其特征在于,具体步骤如下:
(1)运营商测量出区域面积内宏站、小站、D2D用户和蜂窝用户的总数目NM、NS、ND和NU,从而得到该区域内宏站、小站、D2D用户和蜂窝用户的分布密度λm、λs、λD和λU;
(2)设用户的所有的数据请求文件集合为FN为该集合的长度;考虑用户文件传输的不同方式,计算文件fi的平均传输时延
上式中,表示文件fi缓存在D2D用户缓存空间的文件比例;表示文件fi缓存在小站的文件比例;L0为用户数据文件的平均比特大小;DB表示小站回程链路的时延;小站的平均传输速率表示为其中表示所有小站都处于激活状态下小站的平均传输速率,θ为小站休眠比例;为宏站的平均传输速率,为D2D用户的平均传输速率;PrS=(1-θ)AS,表示用户关联到小站的概率,其中AS表示所有小站都处于激活状态下用户关联到小站的概率;
设文件fi的平均请求次数为计算所有文件的平均传输时延
其中,
(3)计算系统中所有宏站在单位时间内的平均能耗
上式中,Pmt为区域内宏站传输功率,Pm0为宏站通信静态链路的能耗,Δpm为宏站通信负载相关的能耗因子,ξj表示宏站j的负载率;
计算系统中所有小站在单位时间内的平均能耗
上式中,PS为每个小站关闭状态的平均能耗,Ps0为小站通信静态链路的能耗,Δps为小站通信负载相关的能耗因子,Psb为小站回程链路的能耗,Pst为小站传输功率;sk∈{0,1},sk=1表示小站k处于激活状态,sk=0表示小站k处于关闭状态;ωs是小站的缓存能效,ζk表示小站k的负载率;
计算系统中所有D2D用户在单位时间内的平均能耗
上式中,Pd0为D2D通信静态链路的能耗,Δpd为D2D通信负载相关的能耗因子,Pdt为D2D用户发射机传输功率,ωd是D2D用户的缓存能效,表示D2D用户的负载率;
计算单位时间内系统的平均能耗
根据所有文件的平均传输时延和单位时间内系统的平均能耗定义系统成本函数
上式中,β为权重因子;
(4)根据已知的缓存策略和求解最优基站状态:系统成本函数是关于基站开关比例的凸函数,先求解得到最优基站开关比例θ*,根据θ*给出所有可能的基站状态集合 为该集合的长度;
(5)遍历所有基站状态集合Ω,在第n次搜索时,计算在状态集合Sn下T时刻内系统平均能耗、文件平均传输时延以及系统成本函数
(6)对于所有Sn的成本函数值计算n*:
得到最优基站状态根据对每个小站执行开关决策;
(7)在给定的最优基站状态下,迭代求解最优协作缓存方案和迭代次数为NI;
(8)在第i次迭代中,根据给定的D2D用户缓存方案采用KKT条件求解关于小站缓存方案的组合优化问题,寻找最优小站缓存方案
(9)根据求得最优小站缓存方案根据KKT条件求解关于D2D用户缓存方案的组合优化问题;
(10)令i=i+1,执行步骤(8)-(9),当i≥NI,迭代过程结束,得到最优缓存方案和
3.根据权利要求2所述D2D辅助的超密集网络中基站休眠和协作缓存的联合优化方法,其特征在于,在步骤(2)中,所有小站都处于激活状态下用户关联到小站的概率AS:
上式中,α为路损指数。
4.根据权利要求2所述D2D辅助的超密集网络中基站休眠和协作缓存的联合优化方法,其特征在于,在步骤(3)中,宏站j的负载率ξj:
上式中,λF为运营商统计的一段时间内用户业务的到达率; 分别表示数据文件被缓存在D2D用户和小站存储空间的平均比例。
5.根据权利要求2所述D2D辅助的超密集网络中基站休眠和协作缓存的联合优化方法,其特征在于,在步骤(3)中,小站k的负载率ζk:
上式中,λF为运营商统计的一段时间内用户业务的到达率;表示数据文件被缓存在D2D用户存储空间的平均比例。
6.根据权利要求2所述D2D辅助的超密集网络中基站休眠和协作缓存的联合优化方法,其特征在于,在步骤(3)中,D2D用户的负载率
上式中,λF为运营商统计的一段时间内用户业务的到达率;表示数据文件被缓存在D2D用户存储空间的平均比例。
7.根据权利要求2所述D2D辅助的超密集网络中基站休眠和协作缓存的联合优化方法,其特征在于,在步骤(8)中,设表示小站用户请求传输的数据文件集合,同时根据请求次数将这些文件降序排列,由KKT条件求解关于小站缓存方案的组合优化问题,FS中文件的最优缓存位置表示为:
上式中,tf∈FS,te∈FS,表示文件te被缓存在D2D用户存储空间的比例|FS|为集合FS的长度,由下式求得:
上式中,KS表示小站缓存空间的大小;
根据得到缓存方案计算系统成本函数若则否则
8.根据权利要求2所述D2D辅助的超密集网络中基站休眠和协作缓存的联合优化方法,其特征在于,在步骤(9)中,设表示D2D用户请求传输的数据文件集合,同时根据请求次数将这些文件降序排列,由KKT条件求解关于D2D用户缓存方案的组合优化问题,FD中文件的最优缓存位置表示为:
上式中,t′f′∈FD,t′e′∈FD,表示文件t′e′被缓存在小站存储空间的比例,由下式求得:
上式中,KD表示D2D用户缓存空间的大小;
根据得到缓存方案计算系统成本函数若则否则
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811492708.8A CN109587776B (zh) | 2018-12-07 | 2018-12-07 | D2d辅助的超密集网络中基站休眠和协作缓存的联合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811492708.8A CN109587776B (zh) | 2018-12-07 | 2018-12-07 | D2d辅助的超密集网络中基站休眠和协作缓存的联合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109587776A true CN109587776A (zh) | 2019-04-05 |
CN109587776B CN109587776B (zh) | 2021-03-30 |
Family
ID=65928923
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811492708.8A Active CN109587776B (zh) | 2018-12-07 | 2018-12-07 | D2d辅助的超密集网络中基站休眠和协作缓存的联合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109587776B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111432418A (zh) * | 2020-03-27 | 2020-07-17 | 武汉大学 | 5g网络中基于d2d通信的内容缓存方法及系统 |
CN111479312A (zh) * | 2020-03-02 | 2020-07-31 | 重庆邮电大学 | 异构蜂窝网络内容缓存和基站休眠联合优化方法 |
CN111741480A (zh) * | 2020-07-30 | 2020-10-02 | 重庆邮电大学 | 一种车联网内容缓存决策优化方法 |
CN112597388A (zh) * | 2020-12-18 | 2021-04-02 | 南京邮电大学 | 一种缓存使能的d2d通信联合推荐与缓存方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110216683A1 (en) * | 2010-03-08 | 2011-09-08 | Samsung Electronics Co., Ltd. | Apparatus and method for reducing interference and saving energy in femto/pico cell of hierarchical cell structure |
CN108667653A (zh) * | 2018-04-17 | 2018-10-16 | 东南大学 | 超密集网络中基于聚类的缓存配置方法及装置 |
CN108882269A (zh) * | 2018-05-21 | 2018-11-23 | 东南大学 | 结合缓存技术的超密集网络小站开关方法 |
-
2018
- 2018-12-07 CN CN201811492708.8A patent/CN109587776B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110216683A1 (en) * | 2010-03-08 | 2011-09-08 | Samsung Electronics Co., Ltd. | Apparatus and method for reducing interference and saving energy in femto/pico cell of hierarchical cell structure |
CN108667653A (zh) * | 2018-04-17 | 2018-10-16 | 东南大学 | 超密集网络中基于聚类的缓存配置方法及装置 |
CN108882269A (zh) * | 2018-05-21 | 2018-11-23 | 东南大学 | 结合缓存技术的超密集网络小站开关方法 |
Non-Patent Citations (2)
Title |
---|
李沛: "Energy一Delay Tradeoff in Ultra一Dense Networks", 《IEEE》 * |
高深: "Machine Learning based Small Cell Cache Strategy", 《IEEE》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111479312A (zh) * | 2020-03-02 | 2020-07-31 | 重庆邮电大学 | 异构蜂窝网络内容缓存和基站休眠联合优化方法 |
CN111479312B (zh) * | 2020-03-02 | 2022-05-17 | 重庆邮电大学 | 异构蜂窝网络内容缓存和基站休眠联合优化方法 |
CN111432418A (zh) * | 2020-03-27 | 2020-07-17 | 武汉大学 | 5g网络中基于d2d通信的内容缓存方法及系统 |
CN111741480A (zh) * | 2020-07-30 | 2020-10-02 | 重庆邮电大学 | 一种车联网内容缓存决策优化方法 |
CN111741480B (zh) * | 2020-07-30 | 2022-06-17 | 重庆邮电大学 | 一种车联网内容缓存决策优化方法 |
CN112597388A (zh) * | 2020-12-18 | 2021-04-02 | 南京邮电大学 | 一种缓存使能的d2d通信联合推荐与缓存方法 |
CN112597388B (zh) * | 2020-12-18 | 2022-10-14 | 南京邮电大学 | 一种缓存使能的d2d通信联合推荐与缓存方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109587776B (zh) | 2021-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109587776A (zh) | D2d辅助的超密集网络中基站休眠和协作缓存的联合优化方法 | |
CN109660598B (zh) | 一种物联网暂态数据的缓存替换方法及系统 | |
CN108093435B (zh) | 基于缓存流行内容的蜂窝下行链路网络能效优化系统及方法 | |
CN112218337B (zh) | 一种移动边缘计算中的缓存策略决策方法 | |
CN106851731B (zh) | 一种最大化卸载概率的d2d缓存分配方法 | |
CN110290507B (zh) | 一种d2d通信辅助边缘缓存系统的缓存策略及频谱分配方法 | |
CN110138836B (zh) | 一种基于优化能量效率的线上协作缓存方法 | |
CN108600998B (zh) | 超密度蜂窝与d2d异构融合网络缓存优化决策方法 | |
CN108882269B (zh) | 结合缓存技术的超密集网络小站开关方法 | |
CN110166980B (zh) | 高铁场景下分布式天线系统缓存约束的功率优化方法 | |
CN109618399A (zh) | 多用户移动边缘计算系统中的分布式能量管理优化方法 | |
Yin et al. | A prediction-based coordination caching scheme for content centric networking | |
CN108737507A (zh) | 一种d2d无线缓存方法 | |
CN108153830A (zh) | 无线通信网络中基于学习的主动缓存控制方法 | |
CN108541025B (zh) | 一种面向无线异构网络的基站与d2d共同缓存方法 | |
Qi et al. | Learning a hybrid proactive and reactive caching policy in wireless edge under dynamic popularity | |
CN109831801A (zh) | 基于深度学习神经网络的用户行为预测的基站缓存算法 | |
CN110062356B (zh) | 一种d2d网络中的缓存副本布设方法 | |
Ricardo et al. | Caching policies for delay minimization in small cell networks with coordinated multi-point joint transmissions | |
CN113993168B (zh) | 一种雾无线接入网中基于多智能体强化学习的协作缓存方法 | |
CN111698732A (zh) | 微蜂窝无线网中面向时延的协作缓存优化方法 | |
CN114615730A (zh) | 回程受限密集无线网络面向内容覆盖的功率分配方法 | |
CN111479312B (zh) | 异构蜂窝网络内容缓存和基站休眠联合优化方法 | |
CN111556531B (zh) | 一种微蜂窝无线网中的协作缓存优化方法 | |
CN111556511B (zh) | 一种基于智能边缘缓存的部分机会性干扰对齐方法 |
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 |