CN110035415A - 一种时延驱动的d2d网络缓存下载方法 - Google Patents

Abstract

本发明公开了一种时延驱动的D2D网络缓存下载方法，利用Zipf分布来近似设备对文件的请求概率即文件的流行度，考虑网络中的D2D设备兼具缓存功能和下载需求。同时考虑设备根据缓存策略从基站下载数据提前缓存产生的时延和设备发送数据需求时下载数据所需的时延，构建了最小化网络平均时延的优化问题，通过优化缓存策略和缓存下载链路的选择来提升系统性能。我们提出了一种时延驱动的缓存下载算法解决该优化问题。仿真结果显示，所提出的时延驱动的D2D网络缓存下载方案相比以往方案能够有效的减小时延提升系统性能。

Description

一种时延驱动的D2D网络缓存下载方法

技术领域

本发明属于5G网络中D2D缓存技术，是一种时延驱动的D2D网络缓存下载方法。

背景技术

随着5G无线通信的发展，无线通信中传统性能指标如速率、频谱效率等都需要进一步的提高，对频谱资源的需求也大大增加。作为面向5G的关键技术，D2D通信技术有助于提升系统容量和频谱效率在学术研究和工业应用中都得到了广泛的关注。D2D通信能够不经过基站中转实现设备到设备间的直接通信从而大大减少了基站对D2D通信建立连接的负担。D2D用户复用蜂窝用户的频段进行通信同时也提高了频谱的利用率。现在的网络中，除传统的语音通信，以数据传输为主的通信业务模式也占据了较大比例。而在数据业务流量报告中可以看出，一部分流行数据具有非实时性且占用了较大的传输负载而给传输带来负担，缓存是解决该问题的有效手段之一。缓存即设备根据流行度的预测，提前存储请求的数据或文件，在发生数据请求时能够不经过网络下载而获取数据从而提升网络性能。而通过D2D设备进行缓存能够有效较小网络负载，提升网络吞吐量。D2D设备根据缓存策略，向基站请求下载数据并进行缓存。当网络中设备出现数据请求时，可通过自身缓存、向邻近D2D设备请求下载和向基站请求下载几种方式获取数据。如何设计缓存策略，最大化缓存所带来的增益是现有研究中关注点之一。然而现有大部分D2D缓存研究设计缓存策略时，仅根据流行度和周边节点的需求进行缓存，忽略了设备提前缓存数据所产生的时延，同时未能充分考虑下载路径的选择问题。

发明内容

本发明的目的在于克服上述现有技术不足，提供一种时延驱动的D2D网络缓存下载方法，能够有效的提升系统性能，降低缓存下载网络中的平均传输时延。

一种时延驱动的D2D网络缓存下载方法，包括以下步骤：

步骤1：构建一个具有N个D2D设备的单小区缓存下载网络具有L个文件在自身发生数据请求前，D2D设备可从基站端提前下载文件进行存储，由基站(BS)到设备D_i的传输速率设备D_i向基站请求提前下载存储文件的时延

用a＝{a₁,a₂,…,a_N}表示下载策略，D_i的缓存策略可用c_i＝{c_i,1,c_i,2,…,c_i,L}表示，当设备发生数据下载需求时，设备可以通过检查自身缓存、由已缓存数据的D2D设备处下载或由基站处下载，若自身已缓存则下载时延为零，假设一个D2D设备只能向一个其余D2D设备或基站发出请求，而一D2D设备也仅能为一个设备提供下载帮助，同时所有D2D链路复用相同资源传输，用表示设备D_i下载文件的链路选择，由设备D_j到设备D_i的传输速率由基站(BS)到设备D_i的传输速率设备从给其提供下载服务的设备或基站处下载文件的传输速率R_j,i，时延为

步骤2：基于步骤1中构建的网络，构建通过优化缓存策略，下载策略和链路选择最小化网络的平均传输时延的优化问题，时延包括从基站处提前下载存储产生的时延和产生文件下载需求进行下载所产生的传输时延两个部分，优化问题如下：

其中下载链路选择，表示文件缓存策略，a表示提前下载策略，下载成功概率因该门限ε，ε∈[0,1]；

步骤3：一种时延驱动的缓存下载算法解决步骤2中所提优化问题，该算法通过固定另外两个优化变量求其中一个优化变量的解，反复迭代求解上诉优化问题，如算法1所示；

在算法1的基础上，设计了分别求解每一步迭代中v，c和a的子算法；

根据优化问题，可以得出以下结论：

定理1：如果给定其余设备的下载策略，可以得到当前设备的最优下载策略；

定理2：如果给定其余设备的缓存策略，可以得到当前设备的最优缓存策略；

根据定理1设计了求解a的子算法，如算法2所示；

根据定理2设计了求解c的子算法，如算法3所示；

求解v时，利用一种基于惩罚函数的二元粒子群算法进行求解；

求解v的子算法，如算法4所示。

步骤1中，假设网络中的N个设备服从密度为λ独立泊松点过程(PPP)，假设每个D2D设备兼具有下载所需数据的需求和缓存功能，D2D设备索引用集合表示，代表N个活跃D2D链路假设每个D2D只能存储一个文件，所有信道将服从瑞利衰落模型，基站可为个M设备提供下载服务，假设网络中一共有L个文件可能被D2D设备请求下载，文件大小均为F_Lbit，根据文件流行度由大到小用集合表示文件索引，该集合表示了L个文件设备D_i对文件f_l的请求概率为p_i,l，用a＝{a₁,a₂,…,a_N}表示下载策略，其中a_i＝1表示设备D_i从基站中提前下载存储了文件，a_i＝0表示D_i未进行提前下载存储，同时为每个设备考虑一个独立的概率缓存策略，D_i的缓存策略可用c_i＝{c_i,1,c_i,2,…,c_i,L}表示，其中c_i,l表示设备D_i缓存文件f_l的概率，用表示设备D_i下载文件的链路选择，如果v_j,i＝1则设备D_i将从设备D_j(或基站)处进行文件下载。

步骤3中，算法1：

1)在定义域内初始化v(0)，c(0)和a(0)，迭代次数t＝0

2)固定v(t)和a(t)，求出c(t+1)

3)固定v(t)和c(t+1)，求出a(t+1)

4)固定a(t+1)和c(t+1)，求出v(t+1)

5)t＝t+1，更新结果重复步骤2)直到收敛

6)得到a＝a(t)，c＝c(t)和v＝v(t)。

步骤3中，算法2：

1)初始化a(0)

2)重复迭代t＝1,...,T_max,其中T_max为最大迭代次数

3)重复用户间迭代i＝1,...,N

4)更新a_-k(t)＝[a₁(t),…a_k-1(t),a_k+1(t),…a_N(t)]

5)更新

6)更新a(t)＝[a₁(t),…a_k(t),a_k+1(t),…a_N(t)]

7)重复步骤3)直到遍历所有设备

8)重复步骤2)直到t＝T_max

9)得到a＝a(t)

其中

步骤3中，算法3：

1)初始化c(0)

2)重复迭代t＝1,...,T_max,其中T_max为最大迭代次数

3)重复用户间迭代i＝1,...,N

4)更新c_-k(t)＝[c₁(t),…c_k-1(t),c_k+1(t),…c_N(t)]

5)更新c_k ^*＝{0,…,c_k,q,…,0},c_k,q＝1,其中

6)更新c(t)＝[c₁(t),…c_k(t),c_k+1(t),c_N(t)]

7)重复步骤3)直到遍历所有设备

8)重复步骤2)直到t＝T_max

9)得到c＝c(t)

其中，

步骤3中，算法4：

1)随机初始化x,t＝0

2)为当前位置，为种群目前找到的最优位置

3)对每个粒子，更新

4)对每个粒子，更新

5)对每个粒子，根据更新后结果计算，如果当前结果更优，更新

6)若出现种群更优解，更新

7)若未到达最大迭代次数，t＝t+1,至步骤3)

其中，μ₁,μ₂为加速常数，ω为惯性因子，z₁,z₂为[0,1]范围内服从均匀分布的随机数。同时速度s_max为常数。rand为[0,1]范围内服从均匀分布的伪随机数，S(·)为Sigmoid函数。

算法4中，求解v时，利用一种基于惩罚函数的二元粒子群算法进行求解，首先将优化问题进行变形，利用惩罚函数可以将带约束的优化问题转化为无约束问题：

惩罚函数P_penalty(v)≥0为总违反约束，δ_k＞0表示惩罚因子；

优化问题的优化变量包含N²个变量，因此该粒子群算法的搜索空间为N²维的，初始化m个N²维向量表示m个粒子，其中同时用另一个m个N²维向量表示粒子的速率，每个粒子定义个体最优位置和集体最优位置

本发明考虑了现有研究中仅根据流行度和周边节点的需求进行缓存，忽略了设备提前缓存数据所产生的时延，同时未能充分考虑下载路径的选择问题。在设计方案中，构建优化问题时综合考虑了提前缓存所带来的时延和下载的传输时延，通过优化缓存下载策略最小化系统的平均传输时延。仿真表明，本发明所提方案相比现有的方案，能够有效的提升系统性能，降低缓存下载网络中的平均传输时延。

附图说明

图1是本发明系统模型。

图2是本发明平均传输时延随文件大小的变化趋势。

图3是本发明平均传输时延随流行度参数γ的变化趋势。

具体实施方式

图1为N个D2D设备的单小区缓存通信场景，具体内容在系统模型中已详细说明，在此不再赘述。

图2为不同方案的平均传输时延随文件大小的变化趋势。随着文件大小的增加，传输时延也增大。对比分别方案在本发明所提下载策略条件下进行全部缓存的缓存策略方案，一种基于时延的缓存策略方案和一种具有中继的缓存方案。可以看出，本发明所提的方案在减小网络的平均传输时延中优于其余对比方案。因为本发明所提方案在设计缓存策略时充分考虑了提前下载时延，因此能够有效的减少平均传输时延。

图3为不同方案的平均传输时延随流行度参数γ的变化趋势。随着流行度参数的增加，传输时延随之减小。因为流行度参数增大，会导致最流行的文件的流行度增大，即请求概率增大，使得设备对的请求概率集中于最流行的几种文件中。由于流行度的集中，大大减小了缓存时延。对比方案分别在本发明所提下载策略条件下进行全部缓存的缓存策略方案，一种基于时延的缓存策略方案和一种具有中继的缓存方案。由于本发明考虑了提前缓存时延，同时还充分考虑了下载链路的选择，因此本发明在不同的流行度参数中都优于对比方案，能够有效的减少网络的平均传输时延。

本发明利用Zipf分布来近似设备对文件的请求概率即文件的流行度，考虑网络中的D2D设备兼具缓存功能和下载需求。同时考虑设备根据缓存策略从基站下载数据提前缓存产生的时延和设备发送数据需求时下载数据所需的时延，构建了最小化网络平均时延的优化问题，通过优化缓存策略和缓存下载链路的选择来提升系统性能。本发明提出了一种时延驱动的缓存下载算法解决上述提出大优化问题。仿真结果显示，本发明提出的时延驱动的D2D网络缓存下载方案相比以往方案能够有效的减小时延提升系统性能。

1.系统模型：

如图1所示，考虑一个具有N个D2D设备的单小区的场景，网络中的N个设备服从密度为λ独立泊松点过程(PPP)。假设每个D2D设备既具有请求下载所需数据的需求，同时也能够提前从基站下载数据进行缓存满足自身需求或给其余D2D节点提供下载。D2D设备索引用集合表示，代表N个活跃D2D链路由于D2D设备缓存容量有限，假设每个D2D只能存储一个文件。此外所有信道将服从瑞利衰落模型。

假设网络中一共有L个文件可能被D2D设备请求下载，文件大小均为F_Lbit。根据文件流行度由大到小用集合表示文件索引，该集合表示了L个文件根据帕累托定律，设备对文件内容的偏好即请求概率可由Zipf分布来进行近似。因此，本发明假设文件请求概率即文件流行度服从Zipf分布。设备D_i对文件f_l的请求概率p_i,l可以表示为：

其中γ为Zipf分布参数，γ的值越大越靠前文件被请求到的概率越大。

在自身发生数据请求前，D2D设备可从基站端提前下载文件进行存储。假设基站能够服务M个设备，每个设备分配不同时隙进行下载。若设备D_i向基站请求下载存储文件，由基站(BS)到设备D_i的传输速率可表示为：公式(2)中B表示带宽，P_BS表示基站发射功率，h_BS,i表示基站到设备D_i的信道增益，r_BS,i表示基站到设备D_i的距离。α为路径损耗因子，σ²为高斯白噪声。由此设备D_i向基站请求提前下载存储文件的时延为：

本发明用a＝{a₁,a₂,…,a_N}表示下载策略，其中a_i＝1表示设备D_i从基站中提前下载存储了文件，a_i＝0表示D_i未进行提前下载存储。同时为每个设备考虑一个独立的概率缓存策略。D_i的缓存策略可用c_i＝{c_i,1,c_i,2,…,c_i,L}表示，其中c_i,l表示设备D_i缓存文件f_l的概率，且满足

当设备发生数据下载需求时，如果该设备自身已经缓存该文件则设备可直接获得文件。若设备自身未存储该文件，则其可根据其余设备存储情况和信道条件选择由其余D2D设备处下载或由基站处下载。假设一个D2D设备只能向一个其余D2D设备或基站发出请求，而一D2D设备也仅能为一个设备提供下载帮助，基站可向M个设备提供下载服务。基站将为由基站处进行下载的设备分配不同时隙进行传输，同时将分配一定资源给D2D设备间进行传输，D2D设备间的传输将复用相同信道进行。用表示设备D_i下载文件的链路选择，如果v_j,i＝1则设备D_i将从设备D_j(或基站)处进行文件下载。

设备D_i发生下载文件需求后若已存储该文件，则下载时延为零。若设备D_i选择由另一已缓存文件的D2D设备D_j处进行下载，则由设备D_j到设备D_i的传输速率可表示为：

其中p_j表示D2D设备D_j的发射功率，h_j,i表示由设备D_j到设备D_i的信道增益，r_j,i表示设备D_j到设备D_i的距离。β表示资源分配比。

如果设备D_i向基站请求下载文件，由基站(BS)到设备D_i的传输速率可表示为：

因此发生文件下载需求时，设备从给其提供下载服务的设备或基站处下载文件的传输速率R_j,i可表示为：

由此设备D_i下载所请求文件的时延为：

2.优化问题

平均传输时延表示网络中有文件下载需求的链路发起请求到接收到请求的平均时延。总时延包括从基站处提前下载存储产生的时延和产生文件下载需求进行下载所产生的传输时延两个部分。同时为了保证各设备的下载成功率，本发明要求网络中的平均下载成功概率大于某一门限。平均下载成功概率p_success可以表示为：

本发明将通过优化缓存策略，下载策略和链路选择最小化网络的平均传输时延。优化问题可以表示为：

p_success≥ε (9i)

其中下载链路选择，表示文件缓存策略，a表示提前下载策略。约束条件(9a)和(9b)表示缓存任意文件概率取值约束和缓存所有文件的概率和小于等于1。约束条件(9c)和(9d)要求一个D2D设备只能向一个其余D2D设备或基站发出请求，而一D2D设备也仅能为一个设备提供下载帮助。约束条件(9e)和(9f)表示基站能够为M个设备提供服务。约束条件(i)表示下载成功概率因该大于门限ε，其中ε∈[0,1]。

3.时延驱动的缓存下载算法

所以优化问题是混合整数优化问题，求解过程是NP-hard的。本发明提出了一种时延驱动的缓存下载算法求解该优化问题。该算法通过固定另外两个优化变量求其中一个优化变量的解，反复迭代求解上诉优化问题。如算法1所示

算法1：

1)在定义域内初始化v(0)，c(0)和a(0)，迭代次数t＝0

2)固定v(t)和a(t)，求出c(t+1)

3)固定v(t)和c(t+1)，求出a(t+1)

4)固定a(t+1)和c(t+1)，求出v(t+1)

5)t＝t+1，更新结果重复步骤2)直到收敛

6)得到a＝a(t)，c＝c(t)和v＝v(t)

之后，本发明将分别给出每一次迭代中固定另外两个优化变量后，v，c和a的求解算法。

A.下载策略a

为了求解下载策略，本发明提出了一种迭代求解下载策略的算法。描述算法前，本发明先给出以下结论：

定理1：如果给定其余设备的下载策略，可以得到当前设备的最优下载策略。

证明：假设当前设备为D_k，其下载策略为a_k，给定其余设备下载策略为a_-k＝[a₁,…,a_k-1,a_k+1,…a_N]。则对于设备其下载策略优化问题可以表示为：

对优化问题进行化简后可得：

其中：

令可以得到在给定其余设备下载策略后，当前设备D_k最优下载策略为a_k ^*为：

根据定理1，本发明给出了设备间通过固定其余设备下载策略求当前最优值的迭代算法求解网络的下载策略，如算法2所示：

算法2：

1)初始化a(0)

2)重复迭代t＝1,...,T_max,其中T_max为最大迭代次数

3)重复用户间迭代i＝1,...,N

4)更新a_-k(t)＝[a₁(t),…a_k-1(t),a_k+1(t),…a_N(t)]

5)更新

6)更新a(t)＝[a₁(t),…a_k(t),a_k+1(t),…a_N(t)]

7)重复步骤3)直到遍历所有设备

8)重复步骤2)直到t＝T_max

9)得到a＝a(t)

B.缓存策略c

与下载策略算法类似，为了求解缓存策略，本发明提出了一种迭代求解缓存策略的算法。根据所构建的优化问题，可以得到以下结论：

定理2：如果给定其余设备的缓存策略，可以得到当前设备的最优缓存策略。

证明：假设当前设备为D_k，其下载策略为c_k＝{c_k,1,c_k,2,…,c_k,L}，给定其余设备下载策略为c_-k＝[c₁,…,c_k-1,c_k+1,…c_N]。则对于设备其下载策略优化问题可以表示为：

对该优化问题进行化简后可得

其中

令可以看出，F(c_k|c_-k)是关于c_k,l的单调减函数，因此会选择能够得到最大y_l(c_-k)值的文件进行缓存。c_k的最优解为c_k ^*＝{0,…,c_k,l,…,0}，其中c_k,l＝1。可以表示为：

根据定理2，本发明给出了设备间通过固定其余设备下载策略求当前最优值的迭代算法求解网络的缓存策略，如算法3所示：

算法3：

1)初始化c(0)

2)重复迭代t＝1,...,T_max,其中T_max为最大迭代次数

3)重复用户间迭代i＝1,...,N

4)更新c_-k(t)＝[c₁(t),…c_k-1(t),c_k+1(t),…c_N(t)]

5)更新c_k ^*＝{0,…,c_k,q,…,0},c_k,q＝1,其中

6)更新c(t)＝[c₁(t),…c_k(t),c_k+1(t),c_N(t)]

7)重复步骤3)直到遍历所有设备

8)重复步骤2)直到t＝T_max

9)得到c＝c(t)

C.链路选择v

在已知设备的提前下载策略和缓存策略后，网络中设备通过优化链路选择来最小化平均传输时延的优化问题可以表示为：

p_success(v)≥ε (18e)

可以看出上述整数优化问题求解复杂，本发明将通过算法来求解优化问题。同时为了保证搜索结果满足约束条件，将引入惩罚函数。因此将利用基于惩罚函数的二元粒子群算法(PSO)来求解上述优化问题。

粒子群算法是模拟鸟群觅食活动规律，利用群体中的个体对信息的共享，搜索最优值到获得全局最优。通过初始化一群粒子，迭代求得最优解。每次迭代中每个粒子分别能够获得一个个体最优值和集体最优值，每个粒子将根据这两个值更新自己的适应度，调整下一次搜索的方向和距离。利用群体中粒子的搜索，把问题求解又无序向有序演变，从而获得全局最优解。

由提出的优化问题可知，最优解为最小的平均传输时延。为了保证粒子能够在解空间内搜索，将利用二元粒子群搜索算法保证满足约束条件(18c)，同时将引入惩罚函数来约束粒子的搜索范围，满足约束条件(18a)、(18b)、(18d)和(18e)。

根据优化问题，可将优化问题进行表示为：

g_2N+2(v)＝ε-p_success(v)≤0 (19d)

将约束条件(e)中v_j,i∈{0,1}变换为可以将优化问题转化为：

s.t.g_n(v)≤0,n＝1,…,2N+2 (20a)

在此利用惩罚函数可以将带约束的优化问题转化为无约束问题：

其中：

惩罚函数P_penalty(v)≥0为总违反约束，δ_k＞0表示惩罚因子，取值为一足够大的正数。通过惩罚函数将优化问题转化为无约束的优化问题，使得算法求解中能够在定义域范围内搜索。

本发明使用的二元粒子群优化算法进行最优解求解。优化问题的优化变量包含N²个变量，因此该粒子群算法的搜索空间为N²维的。初始化m个N²维向量表示m个粒子，其中同时用另一个m个N²维向量表示粒子的速率。每个粒子定义个体最优位置和集体最优位置

在每一次迭代中，每个粒子都会根据当前的个体最优位置和集体最优位置调整其速度，在第t次迭代中粒子中的每个变量的速度更新公式如下：

其中，μ₁,μ₂为加速常数，ω为惯性因子，z₁,z₂为[0,1]范围内服从均匀分布的随机数。同时速度s_max为常数，是用来限定粒子的速度的。为了保证粒子中个变量能够在0和1之间取值，根据更新的速度，在第t次迭代中粒子中值的更新公式如下：

其中rand为[0,1]范围内服从均匀分布的伪随机数，S(·)为Sigmoid函数。

基于惩罚函数的粒子群算法在随机初始化粒子后，让粒子根据更新公式进行迭代，直到找到最优解，具体算法如算法4所示：

算法4：

1)随机初始化x,t＝0

2)为当前位置，为种群目前找到的最优位置

3)对每个粒子，更新

4)对每个粒子，更新

5)对每个粒子，根据更新后结果计算，如果当前结果更优，更新

6)若出现种群更优解，更新

7)若未到达最大迭代次数，t＝t+1,至步骤3)

4.仿真结果

在这一部分，我们通过仿真来评估我们所提方案的系统性能，为证明算法的优越性，将和一种具有时延意识的缓存策略以及一种具有中继的D2D缓存策略进行对比。仿真参数如下表所示：

仿真结果如图2，图3所示。

以上内容是对本发明进行的详细说明，不能认定本发明的仅限于此，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单的推演或替换，都应当视为属于本发明由所提交的权利要求书确定专利保护范围。

Claims (7)

1.一种时延驱动的D2D网络缓存下载方法，其特征在于，包括以下步骤：

步骤1：构建一个具有N个D2D设备的单小区缓存下载网络具有L个文件在自身发生数据请求前，D2D设备可从基站端提前下载文件进行存储，由基站(BS)到设备D_i的传输速率设备D_i向基站请求提前下载存储文件的时延

用a＝{a₁,a₂,…,a_N}表示下载策略，D_i的缓存策略可用c_i＝{c_i,1,c_i,2,…,c_i,L}表示，当设备发生数据下载需求时，设备可以通过检查自身缓存、由已缓存数据的D2D设备处下载或由基站处下载，若自身已缓存则下载时延为零，假设一个D2D设备只能向一个其余D2D设备或基站发出请求，而一D2D设备也仅能为一个设备提供下载帮助，同时所有D2D链路复用相同资源传输，用表示设备D_i下载文件的链路选择，由设备D_j到设备D_i的传输速率由基站(BS)到设备D_i的传输速率设备从给其提供下载服务的设备或基站处下载文件的传输速率R_j,i，时延为

步骤2：基于步骤1中构建的网络，构建通过优化缓存策略，下载策略和链路选择最小化网络的平均传输时延的优化问题，时延包括从基站处提前下载存储产生的时延和产生文件下载需求进行下载所产生的传输时延两个部分，优化问题如下：

其中下载链路选择，表示文件缓存策略，a表示提前下载策略，下载成功概率因该门限ε，ε∈[0,1]；

步骤3：一种时延驱动的缓存下载算法解决步骤2中所提优化问题，该算法通过固定另外两个优化变量求其中一个优化变量的解，反复迭代求解上诉优化问题，如算法1所示；

在算法1的基础上，设计了分别求解每一步迭代中v，c和a的子算法；

根据优化问题，可以得出以下结论：

定理1：如果给定其余设备的下载策略，可以得到当前设备的最优下载策略；

定理2：如果给定其余设备的缓存策略，可以得到当前设备的最优缓存策略；

根据定理1设计了求解a的子算法，如算法2所示；

根据定理2设计了求解c的子算法，如算法3所示；

求解v时，利用一种基于惩罚函数的二元粒子群算法进行求解；

求解v的子算法，如算法4所示。

2.根据权利要求1所述的一种时延驱动的D2D网络缓存下载方法，其特征在于，步骤1中，假设网络中的N个设备服从密度为λ独立泊松点过程(PPP)，假设每个D2D设备兼具有下载所需数据的需求和缓存功能，D2D设备索引用集合表示，代表N个活跃D2D链路假设每个D2D只能存储一个文件，所有信道将服从瑞利衰落模型，基站可为个M设备提供下载服务，假设网络中一共有L个文件可能被D2D设备请求下载，文件大小均为F_Lbit，根据文件流行度由大到小用集合表示文件索引，该集合表示了L个文件设备D_i对文件f_l的请求概率为p_i,l，用a＝{a₁,a₂,…,a_N}表示下载策略，其中a_i＝1表示设备D_i从基站中提前下载存储了文件，a_i＝0表示D_i未进行提前下载存储，同时为每个设备考虑一个独立的概率缓存策略，D_i的缓存策略可用c_i＝{c_i,1,c_i,2,…,c_i,L}表示，其中c_i,l表示设备D_i缓存文件f_l的概率，用表示设备D_i下载文件的链路选择，如果v_j,i＝1则设备D_i将从设备D_j(或基站)处进行文件下载。

3.根据权利要求1所述的一种时延驱动的D2D网络缓存下载方法，其特征在于，步骤3中，算法1：

1)在定义域内初始化v(0)，c(0)和a(0)，迭代次数t＝0

2)固定v(t)和a(t)，求出c(t+1)

3)固定v(t)和c(t+1)，求出a(t+1)

4)固定a(t+1)和c(t+1)，求出v(t+1)

5)t＝t+1，更新结果重复步骤2)直到收敛

6)得到a＝a(t)，c＝c(t)和v＝v(t)。

4.根据权利要求1所述的一种时延驱动的D2D网络缓存下载方法，其特征在于，步骤3中，算法2：

1)初始化a(0)

2)重复迭代t＝1,...,T_max,其中T_max为最大迭代次数

3)重复用户间迭代i＝1,...,N

4)更新a-_k(t)＝[a₁(t),…a_k-1(t),a_k+1(t),…a_N(t)]

5)更新

6)更新a(t)＝[a₁(t),…a_k(t),a_k+1(t),…a_N(t)]

7)重复步骤3)直到遍历所有设备

8)重复步骤2)直到t＝T_max

9)得到a＝a(t)

其中

5.根据权利要求1所述的一种时延驱动的D2D网络缓存下载方法，其特征在于，步骤3中，算法3：

1)初始化c(0)

2)重复迭代t＝1,...,T_max,其中T_max为最大迭代次数

3)重复用户间迭代i＝1,...,N

4)更新c_-k(t)＝[c₁(t),…c_k-1(t),c_k+1(t),…c_N(t)]

5)更新c_k ^*＝{0,…,c_k,q,…,0},c_k,q＝1,其中

6)更新c(t)＝[c₁(t),…c_k(t),c_k+1(t),…c_N(t)]

7)重复步骤3)直到遍历所有设备

8)重复步骤2)直到t＝T_max

9)得到c＝c(t)

其中，

6.根据权利要求1所述的一种时延驱动的D2D网络缓存下载方法，其特征在于，步骤3中，算法4：

1)随机初始化x,t＝0

2)为当前位置，为种群目前找到的最优位置

3)对每个粒子，更新

4)对每个粒子，更新

5)对每个粒子，根据更新后结果计算，如果当前结果更优，更新

6)若出现种群更优解，更新

7)若未到达最大迭代次数，t＝t+1,至步骤3)

其中，μ₁,μ₂为加速常数，ω为惯性因子，z₁,z₂为[0,1]范围内服从均匀分布的随机数。同时速度s_max为常数。rand为[0,1]范围内服从均匀分布的伪随机数，S(·)为Sigmoid函数。

7.根据权利要求6所述的一种时延驱动的D2D网络缓存下载方法，其特征在于，算法4中，求解v时，利用一种基于惩罚函数的二元粒子群算法进行求解，首先将优化问题进行变形，利用惩罚函数可以将带约束的优化问题转化为无约束问题：

惩罚函数P_penalty(v)≥0为总违反约束，δ_k＞0表示惩罚因子；

优化问题的优化变量包含N²个变量，因此该粒子群算法的搜索空间为N²维的，初始化m个N²维向量表示m个粒子，其中同时用另一个m个N²维向量表示粒子的速率，每个粒子定义个体最优位置和集体最优位置