CN110225572B - 一种基于社交社区的d2d通信用户配对方法 - Google Patents

Abstract

本发明公开了一种基于社交社区的D2D通信用户配对的方法，在设备到设备(D2D)通信的设备发现中，引入社交网络的社交属性，将移动用户之间的社交互动促进D2D用户的合作，优化D2D用户之间的配对。根据社交网络中的三个社交属性，分别是社交关系，社交群体和中心度，来进行加权组合，形成用户间社交信任值。根据基于模块度的社区发现算法Louvain算法和用户之间的社交信任值，D2D通信用户配对利用社交网络的属性来设计，将系统投放到两个层面：物理层面和社交层面。在物理层方面，缩短D2D用户之间的距离，寻找最短距离目标用户，增加D2D用户的吞吐量。在社交层方面，根据利用社交网络属性来划分网络的算法，提出一种基于社交社区的D2D用户配对发方法。

Description

一种基于社交社区的D2D通信用户配对方法

技术领域

本发明涉及通信技术领域，具体涉及D2D通信技术，尤其涉及一种基于社交社区的D2D通信用户配对方法。

背景技术

在向第五代移动通信系统的演进中，D2D通信作为5G的其中一项关键技术，D2D通信使允许终端通过复用蜂窝用户的授权频带资源与近距离用户直接传输数据，而不需经过基站，解决基站负载问题，提高频谱利用率和系统吞吐量。D2D通信法关键技术包括用户配对、模式选择、资源分配、功率控制和干扰协调。在D2D通信的关键技术，用户配对是D2D通信的第一步，同时也是关键的一步，因为用户配对是D2D通信建立的基础和前提，对D2D通信系统的性能有很大的作用，因此，有效的用户配对策略能够很好的提高D2D通信系统的性能。通常，在D2D通信中用户配对方法可以分为两种类型：分布式方法和集中式方法。在分布式方法中，用户设备会周期性地广播它们的身份，这样方便其他的用户设备可以知道它们的存在并决定是否开始D2D通信。分布式方法比较灵活，但由于采用信标信号和复杂的扫描，会增加配对时间和设备的能耗。在集中式发方法中，用户配对是在基站的帮助下相互检测和识别的。一个用户设备需要与另一个用户设备进行D2D通信需要在基站的帮助下进行，用户设备发送自己的信标信号，然后基站执行消息交换以获取潜在链接的身份和信息，告诉该设备目标设备的信息。此外，通信的设备由人来携带，人与人交往过程中形成的具有稳定性和规律性的社交网络，利用社交网络的属性可以增加D2D通信的安全性和通信效率。在本发明中，利用移动用户之间的社交互动促进D2D用户的合作，我们利用了社交网络特性来进行D2D用户配对。

发明内容

针对上述技术问题，本发明将D2D通信与社交网络相融合，使用一种改进的算法S-Louvain算法划分社区，提出一种基于社交社区的D2D通信用户配对方法。本发明的目的在于提高D2D用户的吞吐量，增加D2D用户配对成功率。

本发明旨在至少解决现有技术中存在的技术问题。为此，本发明公开了一种基于社交社区的D2D通信用户配对方法，包括：

在D2D通信用户配对中，从两个层面考虑选择目标用户和目标用户是否同意D2D发射端的通信请求：物理层与社交层，在物理层方面，缩短D2D用户之间的距离，减少路径损耗，增加系统的吞吐量；在社交层方面，选择社交关系强的用户进行配对，增加配对的成功率；

对于物理层，在用户发起D2D连接请求后，基站查看附近小于D2D通信最大约束距离d_max的用户，根据系统吞吐量最优的原则，选择距离短且可配对的用户，使系统的吞吐量最大；

对于社交层，在D2D通信网络中引入移动社交网络，将物理无线移动网络和虚拟社交网络组合在一起，利用移动用户的组成的社交网络的社交属性来增强网络性能；

根据用户间交流的类型，对社交关系进行亲密度的定义：

其中，I(u,v)表示用户u与用户v之间的亲密度，I(u,v)∈(0,1),E_i(u,v)表示用户u与用户v是交流类型i进行交流，ω₁,ω₂…ω_n表示不同交流类型的权重，用于对不同交流类型进行归一化，则，

使用余弦相似度来定义两个用户之间是否具有相似的背景属性：

其中，S′(u,v)∈(-1,1)，A_u,A_v表示用户u与用户v具有的属性，由于用户具有多个属性，需要计算所有属性的相似度，假如用户有m个属性，则可以表示为：

其中，a_u,i,a_v,i表示用户u与用户v的第i个属性，因为余弦相似度S′(u,v)∈(-1,1)，需进行归一化，则，

在D2D通信中的用户配对中，中心度高的用户与附近的用户具有更高的配对可能性，在此，中心度可以表示为：

其中，C_u∈(0,1),Z_uj表示用户u与用户j相连，一共有l个用户与u连接。L指一共有L个用户；

利用社交网络属性的社交关系、社交群体和中心度共同来定义社交信任度，定义如下：

其中，T(u,v)表示用户u与用户v之间的社交信任度，λ₁,λ₂,λ₃分别代表社交关系，社交群体和中心度的权重参数，λ₁+λ₂+λ₃＝1；

更进一步地，所述社交网络的社交属性包括三个社交属性：社交关系，社交群体和中心度。

更进一步地，其特征在于，包括：

基于距离的社交信任度，提出一种S-Louvian算法，所述社交信任度为T(u,v)，由于D2D的通信是近距离的通信，考虑最大的通信约束距离d_max，对此，引入基于距离的用户社交信任度为：

其中，

取决于用户u与用户v之间的距离d_uv，即

模块度是社区的评价指标，将社交网络的信任度引入模块度中，基于社交信任度，模块度的定义如下：

其中，T(u,v)表示用户u，v之间的社交信任度，m表示所有社交信任度之和。δ(c_u,c_v)表示用户u与用户v是否在同一社区内，是则为1，否则为0，k_u表示所有用户与用户u的社交信任度之和，k_v表示所有用户与用户v的社交信任度之和，即

基于社交信任度，当用户之间的亲密度或者是相似度亦或者是用户的中心度高时，社交信任度高，模块度也会高。

对于S-Louvain算法划分社区，模块度增益的计算如下：

其中，k_u,in表示社区内所有用户与用户u的社会信任度之和，∑_tot表示社区内所有用户之间的社区信任度之和。

更进一步地，S-Louvain算法划分社区的步骤如下：

步骤1：计算用户之间的社交亲密度和相似度，再计算用户的社交中心度，并通过加权组合得到社交信任矩阵T；

步骤2：首先每个用户分配一个不同的社区，社区的数量与用户的数量相同；

步骤3：对于每个节点，分别考虑用户u的邻居用户，并且通过将用户u从其社区中移除并将其放置在邻居用户的社区中来，然后计算放置前和放置后的模块度增益ΔQ_s，记录邻居用户中ΔQ_s最大的用户，若最大的ΔQ_s>0，就将用户u放置到ΔQ_s最大的用户所在的社区中，否则用户u留着原来的社区；

步骤4：对所有节点重复和顺序地应用步骤2的过程，直到所有用户所属的社区不变，然后完成第一阶段迭代；

步骤5：对整个网络进行压缩，将相同社区的所有用户当作一个新用户，相同社区的用户之间的社交信任值形成新用户环的社交信任值，新用户之间的社交信任值由相应两个社区中的用户之间的社交信任值的总和得出；

步骤6：对步骤5形成的新用户网络应用第一阶段迭代相同的过程，再重复迭代，直到整个网络模块度没有更多变化并且达到最大的模块度。

更进一步地，所述对于物理层进一步包括，D2D用户请求者在小于最大通信约束距离d_max的集合中选择最短距离配对，根据用户之间的距离d_uv，计算信道增益：

其中，k为规格化因子，α为路径损耗因子；则用户之间的信噪比为：

其中，P_d为D2D用户的发射功率，N₀为高斯白噪声的功率，I_c表示蜂窝用户对D2D用户的干扰，然后得到D2D用户之间的传输速率为：

R_uv＝B·log(1+γ_uv)

更进一步地，所述对于社交层进一步包括，根据用户的社交属性计算用户的社交信任值，根据社交信任值使用S-Louvain算法划分社区。在D2D通信过程中，出于安全性考虑，选择的用户与请求用户的社交信任度应该大于一个社交信任度阈值σ_s，用户之间的社交信任值大于该阈值时，才能进行D2D通信，由于用户已经划分为不同的社区，在同一社区内，用户之间的社交信任度高，因此，匹配的成功率提高。

本发明相较于现有技术来说，具有以下优势：

将社交网络与D2D通信相结合，我利用了社交网络特性来进行用户发现。根据社交网络的社交属性，定义了用户之间的社交信任值。基于社交信任值，提出一种改进的算法S-Louvain算法，使用该算法，能够有效的在社交网络中划分社区。通过利用社交网络的属性来设计D2D通信用户发现，将系统投放到两个层面：物理层面和社交层面。在物理层方面，缩短D2D用户之间的距离，寻找最短距离的用户，增加D2D用户的吞吐量。在社交层方面，根据社交网络属性，使用一种改进的算法S-Louvain算法划分社区，提出一种基于社交社区的D2D用户配对方法，该方法能够有效的提高用户配对的成功率。

附图说明

从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在图中，在不同的视图中，相同的附图标记指定对应的部分。

图1是本发明一种基于社交社区的D2D用户配对方法的流程图；

图2是本发明的一实施例中用户数量—用户配对成功率的曲线；

图3是本发明的一实施例中用户数量—D2D用户总吞吐量的曲线。

具体实施方式

实施例一

本实施例提供了一种基于社交社区的D2D通信用户配对方法，其特征包括：

(1)在D2D通信用户配对中，需要考虑如何选择目标用户和目标用户是否同意D2D发射端的通信请求。可以从两个层面来考虑：物理层与社交层，在物理层方面，缩短D2D用户之间的距离，减少路径损耗，增加系统的吞吐量。在社交层方面，选择社交关系强的用户进行配对，增加配对的成功率。

(2)对于物理层，在用户发起D2D连接请求后，基站查看附近小于D2D通信最大约束距离d_max的用户，根据系统吞吐量最优的原则，选择距离短且可配对的用户，使系统的吞吐量最大。

(3)对于社交层，在D2D通信网络中引入移动社交网络，将物理无线移动网络和虚拟社交网络组合在一起，利用移动用户的组成的社交网络的社交属性来增强网络性能。根据社交网络的三个社交属性：社交关系，社交群体和中心度，在社交层面解决D2D用户配对的问题，提高用户配对的成功率。

(4)社交关系代表着个体移动用户之间的强弱联系，用于衡量用户间的亲密程度。一般来说，通过亲属关系，友谊，同事关系以及在人类行为中认识到社会关系。在D2D通信网络中，社交关系对节点之间的弱或强链接进行分类，并在一定程度上反映D2D对之间的通信需求。因此，根据用户间交流的类型，对社交关系进行亲密度的定义：

其中，I(u,v)表示用户u与用户v之间的亲密度，I(u,v)∈(0,1),E_i(u,v)表示用户u与用户v是交流类型i进行交流，ω₁,ω₂…ω_n表示不同交流类型的权重，用于对不同交流类型进行归一化，则，

(5)社交群体是移动用户的组织群体，代表了具有相似背景，兴趣或行为的真实社会群体。在社交网络中，社交群体被认为是关键特征之一，相同背景的人具有相似的感兴趣内容。在D2D通信，可以利用社交群体一系列优点，来进行用户配对。对此，可以使用余弦相似度来定义两个用户之间是否具有相似的背景属性：

其中，S′(u,v)∈(-1,1)，A_u,A_v表示用户u与用户v具有的属性，由于用户具有多个属性，需要计算所有属性的相似度，假如用户有m个属性，则可以表示为：

其中，a_u,i,a_v,i表示用户u与用户v的第i个属性。因为余弦相似度S′(u,v)∈(-1,1)，需进行归一化，则，

(6)在社交网络中，会有一些“明星”成员，他们比其他人更受欢迎，并与更多人互动，因此他们充当网络中的交流中心。某社交成员的中心度表示为与其他成联系的数量。中心度高表明该用户在连接其他用户或成员的强大能力方面，在网络节点中具有重要性。在D2D通信中的用户配对中，中心度高的用户与附近的用户具有更高的配对可能性。在此，中心度可以表示为：

其中，C_u∈(0,1),Z_uj表示用户u与用户j相连，一共有l个用户与u连接。L指一共有L个用户。

(7)在D2D通信基础蜂窝网络中，通信节点之间的信任关系对于构建相互协作的通信有重要意义，可靠性和安全性方面优化系统目标是必不可少的。利用社交信任的概念来实现D2D通信现有的技术挑战和应用场景将带来一系列显着的好处。在此，利用社交网络属性的社交关系、社交群体和中心度共同来定义社交信任度，定义如下：

其中，T(u,v)表示用户u与用户v之间的社交信任度，λ₁,λ₂,λ₃分别代表社交关系，社交群体和中心度的权重参数，λ₁+λ₂+λ₃＝1。

(8)如上所述D2D用户之间的社交信任度为T(u,v),由于D2D的通信是近距离的通信，需要考虑最大的通信约束距离d_max，对此，引入基于距离的用户社交信任度为：

其中，

取决于用户u与用户v之间的距离d_uv，即

(9)基于距离的社交信任度，提出一种S-Louvian算法。Louvain算法是基于模块度的社区发现算法，该算法的效率高，划分社区的效果好。但Louvain算法只考虑网络中边的关系，忽略了节点的属性。因此，将社交信任度引入Louvain算，提出一种改进的算法S-Louvain算法。同时考虑用户之间的亲密度、相似度和用户的中心度，可以更加有效的划分社区。

(10)模块度是社区的评价指标，将社交网络的信任度引入模块度中，基于社交信任度，模块度的定义如下：

其中，T(u,v)表示用户u，v之间的社交信任度。m表示所有社交信任度之和。

δ(c_u,c_v)表示用户u与用户v是否在同一社区内，是则为1，否则为0。k_u表示所有用户与用户u的社交信任度之和，k_v表示所有用户与用户v的社交信任度之和，即

基于社交信任度，当用户之间的亲密度或者是相似度亦或者是用户的中心度高时，社交信任度高，模块度也会高。

(11)对于S-Louvain算法划分社区，模块度增益的计算如下：

其中，k_u,in表示社区内所有用户与用户u的社会信任度之和，∑_tot表示社区内所有用户之间的社区信任度之和。

(12)本发明的S-Louvain算法划分社区的步骤如下：

步骤1：计算用户之间的社交亲密度和相似度，再计算用户的社交中心度，并通过加权组合得到社交信任矩阵T。

步骤2：首先每个用户分配一个不同的社区，社区的数量与用户的数量相同。

步骤3：对于每个节点，分别考虑用户u的邻居用户，并且通过将用户u从其社区中移除并将其放置在邻居用户的社区中来，然后计算放置前和放置后的模块度增益ΔQ_s，记录邻居用户中ΔQ_s最大的用户。假如最大的ΔQ_s>0，就将用户u放置到ΔQ_s最大的用户所在的社区中，否则用户u留着原来的社区。

步骤4：对所有节点重复和顺序地应用步骤2的过程，直到所有用户所属的社区不变，然后完成第一阶段迭代。

步骤5：对整个网络进行压缩，将相同社区的所有用户当作一个新用户，相同社区的用户之间的社交信任值形成新用户环的社交信任值，新用户之间的社交信任值由相应两个社区中的用户之间的社交信任值的总和得出。

步骤6：对步骤5形成的新用户网络应用第一阶段迭代相同的过程，再重复迭代，直到整个网络模块度没有更多变化并且达到最大的模块度。

(13)如上所述，在物理层面，D2D用户请求者在小于最大通信约束距离d_max的集合中选择最短距离配对。根据用户之间的距离d_uv，计算信道增益：

其中，k为规格化因子，α为路径损耗因子。则用户之间的信噪比为：

其中，P_d为D2D用户的发射功率，N₀为高斯白噪声的功率，I_c表示蜂窝用户对D2D用户的干扰，然后得到D2D用户之间的传输速率为：

R_uv＝B·log(1+γ_uv)

在社交层，根据用户的社交属性计算用户的社交信任值，根据社交信任值使用S-Louvain算法划分社区。在D2D通信过程中，出于安全性考虑，选择的用户与请求用户的社交信任度应该大于一个社交信任度阈值σ_s，用户之间的社交信任值大于该阈值时，才能进行D2D通信，由于用户已经划分为不同的社区，在同一社区内，用户之间的社交信任度高，因此，能够增加匹配的成功率。

本实施例使用来自于电子科技大学大数据研究中心的社交网络数据，该数据记录了一个上市公司所有员工在内部社交平台上的关注关系和交互行为。一共是一百个员工的数据，包括员工之间的互动数据、员工的背景属性和员工关注的对象。

(1)互动数据：数据集中记录了所有员工之间互动的数据，每行数据表示员工u与员工v之间互动的频次。按照上文的提出的计算公式，分别计算出员工之间的亲密度。

(2)背景属性数据：数据集中记录了所有员工的背景信息。包括员工的性别、年龄、工龄和学历等。按照上文提到的相似度计算公式，分别计算出员工的之间的相似度。

(3)关注数据：数据集中记录了所有员工关注的对象，通过员工关注的对象得出所有用户被关注的次数。按照上文的中心度计算公式，分别算出所有员工的中心度。

此外，物理层参数设计如下：

小区半径为500m，蜂窝用户为50个，路径损耗因子为3.5，D2D用户的功率为20dBm，最大D2D约束距离为200m，带宽为1MHz社交信任阈值为0.3，D2D用户数量在20到100之间。

假设这些员工随机分布在小区内，利用matlab软件对上述所有情况进行仿真实验，得出的结果如图2、图3所示。

实施例二

本实施例提供一种基于社交社区的D2D通信用户配对方法，包括：

在D2D通信用户配对中，从两个层面考虑选择目标用户和目标用户是否同意D2D发射端的通信请求：物理层与社交层，在物理层方面，缩短D2D用户之间的距离，减少路径损耗，增加系统的吞吐量；在社交层方面，选择社交关系强的用户进行配对，增加配对的成功率；

对于物理层，在用户发起D2D连接请求后，基站查看附近小于D2D通信最大约束距离d_max的用户，根据系统吞吐量最优的原则，选择距离短且可配对的用户，使系统的吞吐量最大；

对于社交层，在D2D通信网络中引入移动社交网络，将物理无线移动网络和虚拟社交网络组合在一起，利用移动用户的组成的社交网络的社交属性来增强网络性能；

根据用户间交流的类型，对社交关系进行亲密度的定义：

其中，I(u,v)表示用户u与用户v之间的亲密度，I(u,v)∈(0,1),E_i(u,v)表示用户u与用户v是交流类型i进行交流，ω₁,ω₂…ω_n表示不同交流类型的权重，用于对不同交流类型进行归一化，则，

使用余弦相似度来定义两个用户之间是否具有相似的背景属性：

其中，S′(u,v)∈(-1,1)，A_u,A_v表示用户u与用户v具有的属性，由于用户具有多个属性，需要计算所有属性的相似度，假如用户有m个属性，则可以表示为：

其中，a_u,i,a_v,i表示用户u与用户v的第i个属性，因为余弦相似度S′(u,v)∈(-1,1)，需进行归一化，则，

在D2D通信中的用户配对中，中心度高的用户与附近的用户具有更高的配对可能性，在此，中心度可以表示为：

其中，C_u∈(0,1),Z_uj表示用户u与用户j相连，一共有l个用户与u连接。L指一共有L个用户；

利用社交网络属性的社交关系、社交群体和中心度共同来定义社交信任度，定义如下：

其中，T(u,v)表示用户u与用户v之间的社交信任度，λ₁,λ₂,λ₃分别代表社交关系，社交群体和中心度的权重参数，λ₁+λ₂+λ₃＝1；

更进一步地，所述社交网络的社交属性包括三个社交属性：社交关系，社交群体和中心度。

更进一步地，其特征在于，包括：

基于距离的社交信任度，提出一种S-Louvian算法，所述社交信任度为T(u,v)，由于D2D的通信是近距离的通信，考虑最大的通信约束距离d_max，对此，引入基于距离的用户社交信任度为：

其中，

取决于用户u与用户v之间的距离d_uv，即

模块度是社区的评价指标，将社交网络的信任度引入模块度中，基于社交信任度，模块度的定义如下：

其中，T(u,v)表示用户u，v之间的社交信任度，m表示所有社交信任度之和。δ(c_u,c_v)表示用户u与用户v是否在同一社区内，是则为1，否则为0，k_u表示所有用户与用户u的社交信任度之和，k_v表示所有用户与用户v的社交信任度之和，即

基于社交信任度，当用户之间的亲密度或者是相似度亦或者是用户的中心度高时，社交信任度高，模块度也会高。

对于S-Louvain算法划分社区，模块度增益的计算如下：

其中，k_u,in表示社区内所有用户与用户u的社会信任度之和，∑_tot表示社区内所有用户之间的社区信任度之和。

更进一步地，S-Louvain算法划分社区的步骤如下：

步骤1：计算用户之间的社交亲密度和相似度，再计算用户的社交中心度，并通过加权组合得到社交信任矩阵T；

步骤2：首先每个用户分配一个不同的社区，社区的数量与用户的数量相同；

步骤3：对于每个节点，分别考虑用户u的邻居用户，并且通过将用户u从其社区中移除并将其放置在邻居用户的社区中来，然后计算放置前和放置后的模块度增益ΔQ_s，记录邻居用户中ΔQ_s最大的用户，若最大的ΔQ_s>0，就将用户u放置到ΔQ_s最大的用户所在的社区中，否则用户u留着原来的社区；

步骤4：对所有节点重复和顺序地应用步骤2的过程，直到所有用户所属的社区不变，然后完成第一阶段迭代；

步骤5：对整个网络进行压缩，将相同社区的所有用户当作一个新用户，相同社区的用户之间的社交信任值形成新用户环的社交信任值，新用户之间的社交信任值由相应两个社区中的用户之间的社交信任值的总和得出；

步骤6：对步骤5形成的新用户网络应用第一阶段迭代相同的过程，再重复迭代，直到整个网络模块度没有更多变化并且达到最大的模块度。

更进一步地，所述对于物理层进一步包括，D2D用户请求者在小于最大通信约束距离d_max的集合中选择最短距离配对，根据用户之间的距离d_uv，计算信道增益：

其中，k为规格化因子，α为路径损耗因子；则用户之间的信噪比为：

其中，P_d为D2D用户的发射功率，N₀为高斯白噪声的功率，I_c表示蜂窝用户对D2D用户的干扰，然后得到D2D用户之间的传输速率为：

R_uv＝B·log(1+γ_uv)

更进一步地，所述对于社交层进一步包括，根据用户的社交属性计算用户的社交信任值，根据社交信任值使用S-Louvain算法划分社区。在D2D通信过程中，出于安全性考虑，选择的用户与请求用户的社交信任度应该大于一个社交信任度阈值σ_s，用户之间的社交信任值大于该阈值时，才能进行D2D通信，由于用户已经划分为不同的社区，在同一社区内，用户之间的社交信任度高，因此，匹配的成功率提高。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。因此，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以下权利要求(包括所有等同物)旨在限定本发明的精神和范围。以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (4)

1.一种基于社交社区的D2D通信用户配对方法，其特征在于，包括：

在D2D通信用户配对中，从两个层面考虑选择目标用户和目标用户是否同意D2D发射端的通信请求：物理层与社交层，在物理层方面，缩短D2D用户之间的距离，减少路径损耗，增加系统的吞吐量；在社交层方面，选择社交关系强的用户进行配对，增加配对的成功率；

对于物理层，在用户发起D2D连接请求后，基站查看附近小于D2D通信最大约束距离d_max的用户，根据系统吞吐量最优的原则，选择距离短且可配对的用户，使系统的吞吐量最大；

对于社交层，在D2D通信网络中引入移动社交网络，将物理无线移动网络和虚拟社交网络组合在一起，利用移动用户的组成的社交网络的社交属性来增强网络性能；

根据用户间交流的类型，对社交关系进行亲密度的定义：

其中，I(u,v)表示用户u与用户v之间的亲密度，I(u,v)∈(0,1),E_i(u,v)表示用户u与用户v是交流类型i进行交流，ω₁,ω₂…ω_n表示不同交流类型的权重，用于对不同交流类型进行归一化，则，

使用余弦相似度来定义两个用户之间是否具有相似的背景属性：

其中，S′(u,v)∈(-1,1)，A_u,A_v表示用户u与用户v具有的属性，由于用户具有多个属性，需要计算所有属性的相似度，假如用户有m个属性，则可以表示为：

其中，a_u,i,a_v,i表示用户u与用户v的第i个属性，因为余弦相似度S′(u,v)∈(-1,1)，需进行归一化，则，

在D2D通信中的用户配对中，中心度高的用户与附近的用户具有更高的配对可能性，在此，中心度可以表示为：

其中，C_u∈(0,1),Z_uj表示用户u与用户j相连，一共有l个用户与u连接，L指一共有L个用户；

利用社交网络属性的社交关系、社交群体和中心度共同来定义社交信任度，定义如下：

其中，T(u,v)表示用户u与用户v之间的社交信任度，λ₁,λ₂,λ₃分别代表社交关系，社交群体和中心度的权重参数，λ₁+λ₂+λ₃＝1；

基于距离的社交信任度，提出一种S-Louvian算法，所述社交信任度为T(u,v)，由于D2D的通信是近距离的通信，考虑最大的通信约束距离d_max，对此，引入基于距离的用户社交信任度为：

其中，

取决于用户u与用户v之间的距离d_uv，即

模块度是社区的评价指标，将社交网络的信任度引入模块度中，基于社交信任度，模块度的定义如下：

其中，T(u,v)表示用户u，v之间的社交信任度，m表示所有社交信任度之和，δ(c_u,c_v)表示用户u与用户v是否在同一社区内，是则为1，否则为0，k_u表示所有用户与用户u的社交信任度之和，k_v表示所有用户与用户v的社交信任度之和，即

基于社交信任度，当用户之间的亲密度或者是相似度亦或者是用户的中心度高时，社交信任度高，模块度也会高；

对于S-Louvain算法划分社区，模块度增益的计算如下：

其中，k_u,in表示社区内所有用户与用户u的社会信任度之和，∑_tot表示社区内所有用户之间的社区信任度之和；

所述对于社交层进一步包括，根据用户的社交属性计算用户的社交信任值，根据社交信任值使用S-Louvain算法划分社区，在D2D通信过程中，出于安全性考虑，选择的用户与请求用户的社交信任度应该大于一个社交信任度阈值σ_s，用户之间的社交信任值大于该阈值时，才能进行D2D通信，由于用户已经划分为不同的社区，在同一社区内，用户之间的社交信任度高，匹配的成功率提高。

2.如权利要求1所述的所述一种基于社交社区的D2D通信用户配对方法，其特征在于，所述社交网络的社交属性包括三个社交属性：社交关系，社交群体和中心度。

3.如权利要求2所述的所述一种基于社交社区的D2D通信用户配对方法，其特征在于，S-Louvain算法划分社区的步骤如下：

步骤1：计算用户之间的社交亲密度和相似度，再计算用户的社交中心度，并通过加权组合得到社交信任矩阵T；

步骤2：首先每个用户分配一个不同的社区，社区的数量与用户的数量相同；

步骤3：对于每个节点，分别考虑用户u的邻居用户，并且通过将用户u从其社区中移除并将其放置在邻居用户的社区中来，然后计算放置前和放置后的模块度增益ΔQ_s，记录邻居用户中ΔQ_s最大的用户，若最大的ΔQ_s>0，就将用户u放置到ΔQ_s最大的用户所在的社区中，否则用户u留着原来的社区；

步骤4：对所有节点重复和顺序地应用步骤2的过程，直到所有用户所属的社区不变，然后完成第一阶段迭代；

步骤5：对整个网络进行压缩，将相同社区的所有用户当作一个新用户，相同社区的用户之间的社交信任值形成新用户环的社交信任值，新用户之间的社交信任值由相应两个社区中的用户之间的社交信任值的总和得出；

步骤6：对步骤5形成的新用户网络应用第一阶段迭代相同的过程，再重复迭代，直到整个网络模块度没有更多变化并且达到最大的模块度。

4.如权利要求1所述的所述一种基于社交社区的D2D通信用户配对方法，其特征在于，所述对于物理层进一步包括，D2D用户请求者在小于最大通信约束距离d_max的集合中选择最短距离配对，根据用户之间的距离d_uv，计算信道增益：

其中，k为规格化因子，α为路径损耗因子；则用户之间的信噪比为：

其中，P_d为D2D用户的发射功率，N₀为高斯白噪声的功率，I_c表示蜂窝用户对D2D用户的干扰，然后得到D2D用户之间的传输速率为：

R_uv＝B·log(1+γ_uv)。

Images