CN111212405B - 基于多流行度的分组d2d多阈值缓存放置方法 - Google Patents

Abstract

本发明提供的基于多流行度的分组D2D多阈值缓存放置方法，包括：基站收集HUE信息；HUE依据区域用户的服务公平性划分为L组，设定L值并初始化HUE分组矩阵等量划分HUE；构建HUE分组的优化模型目标函数，求解得到最优HUE分组结果；构建缓存放置优化模型；判断每个HUE用于缓存最流行包MPP的容量K是否为定值，求解第s类包中MPP的数量和第s类包中次流行包SPP的数量，对MPP全部缓存，对SPP分组缓存，完成缓存放置。本发明针对不同流行度的偏好分类设计，考虑了各分类的流行集中度不同会导致类内MPC与LCDG的缓存包数量的最优阈值划分不同、且各类被缓存包的总数量阈值也不同问题，对不同偏好类之间的缓存数量差异所形成的缓存差异分集增益，有效地提高系统的总体性能。

Description

基于多流行度的分组D2D多阈值缓存放置方法

技术领域

本发明涉及移动通信技术领域，更具体的，涉及一种基于多流行度的分组终 端直通(Device-to-Device，D2D)多阈值缓存放置方法。

背景技术

D2D通信技术作为5G移动通信中的关键技术之一，可以使得邻近两终端设 备间直接建立通信信道而不经过基站中转，从而降低基站负载，提高系统的频谱 效率。

随着信息时代高速发展，各种移动通信业务带来了爆炸式增长的数据量，迫 切需要新的缓存技术提高频谱资源的利用效率以及数据传输效率。无线边缘缓存 技术将用户请求概率较高的包放置在邻近的缓存终端中，从而降低常规通信中所 需要的回程链路通信所带来的时延，有效提升了用户通信的质量[1]。而D2D技 术具有支持终端之间直接进行数据交互的特点，其通信主体为非核心网设备的终 端，因而能够更易于部署边缘缓存技术，可被广泛应用在商用通信、公共安全通 信(如地震等灾害发生时的应急通信)等场景。缓存放置问题则是D2D边缘缓 存技术的核心。类似背包问题，它主要研究如何在有限的存储空间下最大化系统 传输效率。因此，许多缓存方案的设计趋向于放置能满足更多用户需求的包，此 外还同时考虑对于放置的包是否能被成功传输等问题。

现有关于边缘缓存放置的方案[2]-[5]，均存在不同层面的设计缺陷。例如， 方案[2]中提出了一种基于阈值来选择最大流行度(Most Popular Content，MPC) 与最大内容多样性(Largest Content Diversity，LCD)策略的联合缓存方案，但 其在LCD缓存策略中，假设缓存相同包的终端仅有一个，因而不能保证系统内 所有请求同一缓存包的用户都能成功获得该包。方案[3][4]中对LCD缓存策略进 行了改进，令部分缓存设备形成组，同时缓存若干相同的包，以增加该部分包的 传输概率，即基于阈值来选择MPC和最大分组内容多样性(Largest Content Diversity Grouping，LCDG)策略的联合缓存方案。然而，方案[3]中仅考虑了单 接收机位置固定的情况，未考虑实际应用中可能存在多个不同位置的终端设备同 时发出包请求的需求；而方案[4]虽然考虑了多终端设备的需求，但它假设用户 间的社交距离和物理距离均存在较大的相似度，即邻近用户的兴趣相似，因此该 方案将聚集在相同偏好用户附近的缓存设备形成组缓存相同的包，以增强相邻用 户的包传输质量——然而在现实网络中，不同用户的社交距离和物理距离往往存 在较大的差异，因此上述假设并不适用于一般场景。此外，在数据量激增的5G 时代，方案[3][4]中考虑的所有请求包服从单流行度模型的假设条件不再适用， 而应采用多流行度模型。为此，方案[5]提出应考虑不同偏好用户请求的包对应 的流行集中程度不同的现象，但是，该方案中使用的MPC缓存策略，限制了系 统的包多样性。

发明内容

本发明为克服现有的边缘缓存放置方法存在的限制了原有系统的包多样性 的技术缺陷，提供一种基于多流行度的分组D2D多阈值缓存放置方法。

为解决上述技术问题，本发明的技术方案如下：

基于多流行度的分组D2D多阈值缓存放置方法，包括以下步骤：

S1：基站收集进行包缓存所需的缓存用户设备(Helper UE，HUE)信息；

S2：设定HUE分组数量L值并初始化HUE分组矩阵等量划分HUE；

S3：依据区域用户的服务公平性构建HUE分组的优化模型目标函数，求解 得到最优HUE分组结果；

S4：构建缓存放置优化模型，记为问题P2；

S5：根据应用需求判断每个HUE用于缓存最流行包(Most Popular Packets， MPP)的容量K是否为定值；若是，执行步骤S7；否则执行步骤S6；

S6：将问题P2进行简化为问题P3，求解问题P3得到第s类包中MPP的数 量

和第s类包中次流行包(Secondary Popular Packets，SPP)的数量

执 行步骤S8；

S7：将问题P2进行转化为问题P4，求解问题P4得到第s类包中MPP的数 量

和第s类包中次流行包SPP的数量

S8：根据计算得到得MPP数量

和SPP数量

对MPP全部缓存，对 SPP分组缓存，完成缓存放置。

与现有技术相比，本发明技术方案的有益效果是：

本发明提供的基于多流行度的分组D2D多阈值缓存放置方法，通过构建优 化模型目标函数，充分考虑了区域用户的服务公平性；同时，针对不同流行度的 偏好分类设计的多阈值缓存方案，考虑了各分类的流行集中度不同会导致类内 MPC与LCDG的缓存包数量的最优阈值划分不同，且各类被缓存包的总数量阈 值也不同。在多流行度场景下，对于较高流行度的偏好类，只需放置请求程度最 高的少量包；对于流行度不集中的偏好类，则需要放置更多的包来提高缓存命中 率。因此，不同偏好类之间的缓存数量差异所形成的所谓缓存差异分集增益，能 有效地提高系统的总体性能。

附图说明

图1为本发明所述方法流程图；

图2为本发明面对的三种场景示意图；

图3为用户请求的数据包的双维度示意图；

图4为HUE组的缓存空间示意图；

图5为HUE分组示意图；

图6为系统平均传输中断概率随HUE缓存容量变化性能图；

图7为系统传输中断概率随MPP占比变化性能图；

图8为系统平均传输中断概率随HUE分组数量变化性能图；

图9为不同偏好类包的平均缓存数量随类1流行集中度变化性能图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实 际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理 解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，基于多流行度的分组D2D多阈值缓存放置方法，包括以下步 骤：

S1：基站收集进行包缓存所需的缓存用户设备HUE信息；

S2：设定HUE分组数量L值并初始化HUE分组矩阵等量划分HUE；

S3：依据区域用户的服务公平性构建HUE分组的优化模型目标函数，求解 得到最优HUE分组结果；

S4：构建缓存放置优化模型，记为问题P2；

S5：根据应用需求判断每个HUE用于缓存最流行包MPP的容量K是否为 定值；若是，执行步骤S7；否则执行步骤S6；

S6：将问题P2进行简化为问题P3，求解问题P3得到第s类包中MPP的数 量

和第s类包中次流行包SPP的数量

执行步骤S8；

S7：将问题P2进行转化为问题P4，求解问题P4得到第s类包中MPP的数 量

和第s类包中次流行包SPP的数量

S8：根据计算得到得MPP数量

和SPP数量

对MPP全部缓存，对 SPP分组缓存，完成缓存放置。

在具体实施过程中，本发明提出的新的缓存方法，即基于多流行度、多阈值 的分组D2D缓存(Multi-popularity Multi-threshold Grouped Caching for D2D， MMGC-D2D)方案。其特点是：

在包已根据偏好分类(如体育、文娱等)后，该新方案拓展了单流行度下的 MPC与LCDG分段缓存方案，设计了多流行度条件下，依据每类包偏好流行度 的集中特性差异而分段各异的MPC与LCDG联合缓存方案；

进一步地，该新方案对LCDG的分组方式提出改进，考虑了区域用户的服 务公平性，可提供比现有方案更低的系统平均传输中断概率，因而更适用于实际 的D2D通信系统。

在具体实施过程中，本发明考虑系统中存在多个缓存用户设备HUE用于帮 助服务多个请求用户设备(VictimUE，VUE)预储存或者转发包的请求。其中， HUE和VUE可分别对应于3GPP用户设备-网络(UE-NW)中继(Relay)场景 及其拓展场景中定义的中继用户设备(RelayUE)和远程用户设备(Remote UE)。 在本文定义的应用场景下，HUE作为公共服务设备提供辅助通信服务。

为描述D2D UE的空间分布，本发明采用随机几何中的二项点分布 (BinomialPoint Process，BPP)模型，即：假设HUE和VUE的地理位置服从 均匀分布，其数量分别为N_HUE和N_VUE。通常情况下，HUE数量小于VUE数量， 即N_HUE＜N_VUE。本发明考虑了以下三种3GPPLTE标准制定组在D2D通信协议 制定讨论中的常见场景，如图2所示。

场景一[6][7]：VUE和HUE均无法连接至基站，VUE只能从HUE预先缓存 库中获得想要的包。其可对应于公共安全场景下基础设施不可用的场景，称为脱 网(Out-of-Coverage，OC)场景。

场景二[6][7]：VUE处于基站覆盖区域的边缘，而HUE处于基站覆盖区域 内，VUE向HUE发送请求后，对于HUE中已经缓存的包可直接发送给请求的 VUE；对于未缓存的包HUE向基站发送请求，基站转发包给HUE后，HUE再 转发给VUE。其可对应于公共安全场景中边缘通信场景，称为部分在网 (Partial-Coverage，PC)场景。

场景三[6][7]：VUE和HUE均处于基站的覆盖范围内，若HUE缓存了VUE 所需的包，VUE可以从HUE的预缓存库中获取包，否则VUE将直接向基站发 送请求获得包。该场景可对应于以减缓基站负载为目的的商业应用场景，称为在 网(In-Coverage，IC)场景。

面向上述三种场景，本发明综合考虑数据包的请求概率(即流行度)及物理 传输性能，针对不同流行程度的包形成两种不同的缓存方案，即所有HUE缓存 (MPC)与HUE分组缓存(LCDG)，目标为最小化系统内所有包的传输中断概 率。下面将分别从数据包模型、传输模型、分组优化模型以及缓存放置优化模型 四个部分展开详细的介绍。

在具体实施过程中，依据用户对包的偏好情况，可将请求的包从两个维度进 行划分，如图3所示。

从多偏好维度，可将所有VUE请求的包集合划分为S类，定义VUE对第s类 请求包的数量占所有类包的总数量比例为q_s，其所构成的向量q为：

从流行分布维度，可将每一类包划分成三部分：最流行包(Most PopularPackets，MPP)，次流行包(Secondary Popular Packets，SPP)和不流行包(Less PopularPackets，LPP)。

图3中，不同的纹理代表不同的偏好类；本发明假定第s类偏好集合中含有F_s个包。为简化分析，假定每个包均占用单位存储单元。对于实际系统中任意尺寸 大于单位存储单元的包，可以被划分成多个单位大小的包进行处理。一般情况下， 不同偏好类的包的流行集中度可能不同，因此每一偏好类均存在相应的流行分 布。

在第s类中，第i个包的请求概率f_i ^s可由Zipf流行度分布描述[8]：

其中γ_s是Zipf参数，其取值越大，则第s类包的流行度越集中。

在具体实施过程中，对第s类包的三种流行程度进行划分，包括最流行包 MPP、次流行包SPP和不流行包LPP；其中：

定义

为第s类包中MPP的数量，MPP为请求用户数量最多的包，方案 设计时趋向于通过最大化HUE分集增益来提升这部分包的传输通信可靠性，以 满足占比最大的用户需求。可令所有HUE缓存相同的MPP，即采用MPC方式 缓存；

定义

为第s类包中SPP的数量，SPP相比于MPP而言，请求的用户数量 较少，方案设计时考虑将部分HUE分集增益转换为缓存空间增益，即不同HUE 缓存不同SPP提升包多样性，相应地，为保障SPP传输性能，考虑将HUE分组， 令同组内的HUE缓存相同的SPP，组间HUE缓存不同的SPP，即采用LCDG 方式缓存；

将第s类包中除了MPP、SPP外的剩余包定义为LPP；由于LPP的请求用户 数较少，在HUE缓存容量受限的条件下，系统趋向于缓存MPP和SPP。在IC、 PC场景下，VUE可以直接或通过HUE间接向基站获取LPP；在OC场景下， VUE无法获取LPP。

综上，定义M为每个HUE的总存储容量，该缓存空间可被划分为两部分： MPP缓存区和SPP缓存区，如图4所示。

定义K为每个HUE用于缓存MPP的容量，所有S类MPP包的集合为

的元素数量为

设

以MPC方式缓存，即所有HUE的MPP 缓存区对各类MPP的缓存放置分布比例都相同，故对每一个HUE均有

相应地，M-K为每个HUE用于缓存SPP的容量，定义所有S类SPP包的 集合为

其元素数量为

设

以LCDG方式缓存，即假设 HUE依据区域用户的服务公平性被等量划分为L个组，其中L≥2。具体地，每 个组内的HUE数量N_l定义为：

因组内HUE数量必须为整数，因此在系统设计时参数L取值应为N_HUE的约 数。定义第l组的全体HUE构成的集合为G_l，同组内的HUE缓存相同的SPP， 第l个HUE组缓存的所有S类SPP的集合为

由于每个HUE组可用于缓存 SPP的容量均为M-K，而不同的HUE组缓存的是不同的SPP，因此，系统内L 个HUE组可以用于缓存不同SPP的容量为(M-K)·L，故有

换言之，有

其含义为

中的元素 被等量划分到L个不同的组中。

综上，每个HUE的存储空间可被表示为：

在实际执行包的放置时，第s类MPP包将会被放置到每一个HUE组中，因 此每个HUE组中的每个HUE的MPP缓存数量均为

而第s类SPP具体被 放置到哪个(些)HUE组中取决于一些现实因素，例如HUE的偏好情况等。为 更好地研究单个HUE缓存空间中不同偏好类包的数量之间的关系，在后续的分 析中，用L组第s类SPP的平均缓存数量代替实际HUE中的第s类SPP缓存数 量，即第s类包(包含MPP和SPP两部分)占每个HUE的平均缓存容量可被定 义为：

其中

为单个HUE缓存第s类SPP的平均数量。另外，系统中单个HUE 缓存的

与其缓存容量的比值ξ定义为：

并令达到系统平均最小传输中断概率时的ξ的最优值为ξ_opt，至此，确定了 数据包模型。

更具体的，在所述步骤S3中，将所述HUE分组的优化模型目标函数记为问 题P1，其具体表达式为：

受限于：

其中，定义二元选择变量

指示HUE的分组情况，其中

表示 第x个HUE m_x属于组G_l，

则表示其不属于该组；G_l为第l组的所有HUE 构成的集合；Ω_l表示第l个组内的HUE覆盖区域的交集面积；Ψ_HUE表示系统内 HUE的集合，m_x∈Ψ_HUE为第x个HUE，x∈{1,2,...,N_HUE}；N_l表示每个组内的 HUE数量；

其中，式(1)定义为最小化多个分组的覆盖区域交集面积之和，式(2)中 限制条件C1表示每个HUE组内包含的HUE数量均为N_l，C2表示每个HUE 只能属于一个组；将问题P1转化为凸问题，使用经典的凸优化理论的内点法[9] 进行求解获得最优HUE分组结果。

更具体的，在所述步骤S1中，定义

为A_z的交集的面积，其中A_z为设 备z的通信覆盖区域面积，Z为符合条件的设备z的集合，所述变量Ω_l具体表示 为：

其中，为简化分析，将组内任意两个HUE的覆盖区域的交集面积之和作为 组内全部HUE覆盖区域的交集的总面积。

在具体实施过程中，通过提出一种HUE分组方法，即基于区域用户的服务 公平性的最小化交叠面积分组(Regional-Fairness based Minimal Overlapping-areaGrouping，RF-MOG)方法，令任一HUE分组内的所有HUE的服务覆盖区域的 交集最小化。该方法的优点是，因同一组内不同HUE的覆盖区域交叠最小，故 在相同区域范围内，可满足更多VUE的服务需求，且可使得缓存相同包的HUE 的地理分布更加均匀。

在具体实施过程中，如图5所示的HUE分组的一个示意图。其中，左子图 为现有典型方案中HUE缓存空间分配示意图[4]，右子图为本发明提出的 RF-MOG算法实施后的结果示意图。该场景以HUE被分为两个组为例，同组内 的HUE缓存的

与

都相同；不同组的HUE缓存的

相同，

不同。 由图5可见，现有方案就近分配HUE组，因此可能会导致同一HUE组覆盖的区 域出现较大的重叠，从而降低了区域用户的服务公平性；而基于本发明的分组算 法，因确保组内HUE的覆盖区域交集最小，因而可使得同组的HUE的分布较为均匀，即可令不同区域的VUE成功获得包的概率近似相等，进而可提升区域用 户的服务公平性。

更具体的，在所述步骤S4中，所述问题P2具体表示为：

受限于：

其中，式(4)定义将系统平均传输中断概率P_out最小化，式(5)中的限制 条件C1表示HUE端的缓存容量为M；限制条件C2表示对任意偏好类中能缓 存包总数不超过用户可能请求该偏好类包的总数，F_s表示第s类偏好集合中含有 包的数量；限制条件C3要求整个缓存过程中的所有S类MPP包的集合

所有S类SPP包的集合

中第s类包的数量应为正整数；其中，

的元素数 量为

的元素数量为

更具体的，在所述步骤S4中，所述平均传输中断概率P_out的计算过程具体包 括以下步骤：

A1：对第s类包的三种流行程度进行划分，包括最流行包MPP、次流行包 SPP和不流行包LPP，其中，第s类包中除了MPP、SPP外的剩余包为LPP，由 于LPP的请求用户数较少，在HUE缓存容量受限的条件下，系统趋向于缓存 MPP和SPP；

A2：定义系统请求用户设备VUE的集合为Ψ_VUE，n_y∈Ψ_VUE为第y个VUE， y∈{1,2,…,N_VUE}，基站为B；同时，定义发射机χ和接收机

在通信时的传输 信道性能参数的通用表达形式，其中：χ∈{B}∪Ψ_HUE，

χ和

二者不能同时属于集合Ψ_HUE；当χ和

之间存在潜在通信链路时，定义传输信 噪比SNR为

具体表达式为：

其中，

表示发射机χ和接收机

之间的瑞利衰落信道增益，

服从独 立的指数分布，

表示χ和

之间的距离，P_χ为χ的发射功率，α为路损指数，

为高斯白噪声功率；

A3：定义θ_th为χ和

之间的通信链路中断SNR阈值，其传输中断概率P定 义如下：

其中，将式(7)进行简化，得到如下表达式[10]：

A4：令θ_x,y表示第x个HUE发射机m_x和第y个VUE接收机n_y之间的SNR， θ_B,x和θ_B,y分别表示基站B作为发射机和m_x、n_y作为接收机之间的SNR，再定义 三种流行程度的包的传输中断概率，具体为：

1)MPP

接收机VUE从所有HUE中选取对其链路传输质量最好，即中断概率最小的 HUE作为其发射机，因此

传输的中断概率P_MPP为：

2)SPP

接收机VUE需要确定缓存了其所需要的数据包所在的HUE组G_l，并从该 组中选取链路质量最好的HUE，向其发送数据传输服务的请求，该情况下

传 输的中断概率

为：

3)LPP

此类包的传输在不同场景下的中断概率各异，在脱网场景，即OC场景中， HUE和VUE均无法连接基站，均不能直接获得该部分包，因此LPP传输的中断 概率P_LPP为：

P_LPP＝1 (11)

在部分在网场景中，即PC场景中，当请求包未被缓存时，VUE选取传输链 路质量最好的HUE作为中继向基站发送请求；基站收到请求后，将信息发送给 该HUE，后者再转发给VUE，在该场景下，LPP传输的中断概率P_LPP为：

其中定义

为该场景下传输中断概率最小的HUE，

在在网场景中，即IC场景中，根据LPP的定义，其不被HUE所缓存，故 VUE需直接向基站请求获得HUE未缓存的LPP，因此，IC场景下的LPP传输 中断概率P_LPP表示为：

P_LPP＝Pr{θ_B,y≤θ_th} (13)

根据OC场景和PC场景的定义，缓存包的传输中断概率应小于未缓存包的 传输中断概率，即有

在IC场景下，通过设置合适的HUE分组数量L 对同组内缓存相同SPP的HUE数量N_l进行调整，若组内HUE数量越多，VUE 成功获得

的概率越大，

则越小，以使得

成立；相应地，缓存

的HUE数量为系统全部HUE数量N_HUE，而缓存

的HUE数量为第l个HUE 组内HUE的数量N_l，由于N_l＜N_HUE，即缓存MPP的HUE数量更多，因此VUE成功获得

的概率更大，传输中断概率更小，故有

因此得到：

其中，当HUE中的某个包被多个用户同时请求，采用多播方式发送；当HUE 中的不同包被不同用户同时请求，采用单播方式发送；

A5：定义系统内所有VUE请求的包的平均传输中断概率为P_out，其数值为系 统中每一个包对应的传输中断概率与VUE对该包的请求概率的乘积的求和，根 据式(9)-(13)可知，由于MPP和SPP、LPP的传输中断概率各异，故将求 和表达式具体分为三项，即：

的传输中断概率与其请求概率的乘积、

的 传输中断概率与其请求概率的乘积及LPP的传输中断概率与其请求概率的乘积， 具体为：

其中：

表示组G_l的缓存第s类SPP的数量，

q_s表示VUE 对第s类请求包的数量占所有类包的总数量比例，如式(25)所示；f_i ^s表示在第 s类中第i个包的请求概率，如式(16)所示。

更具体的，在所述步骤A5中，所述f_i ^s由Zipf流行度分布进行描述：

其中γ_s是Zipf参数，其取值越大，则第s类包的流行度越集中。

更具体的，在所述步骤S6中，将问题P2简化为问题P3的过程具体为：

观测式(15)可知，

的传输中断概率需对

中断概率累计求和十分复 杂，直接求解难度大；结合HUE地理位置的随机性及其RF-MOG分组过程的特 性，假设不同HUE组间的公平性一致，即：

另外，利用式(16)及以下近似表达式[11]：

结合式(17)将P2简化为问题P3，具体表达式为：

受限于：式子(5)。

更具体的，在所述步骤S6中，求解问题P3的过程具体为：

由于P3为拥有2×S个整数变量的组合整数规划问题，是NP-难问题，考虑 将变量松弛成连续变量后计算，在一定程度上降低复杂度；经检验可知P3为凸 问题，使用经典凸优化理论的内点法对其进行求解；其中：对P3求得拉格朗日 对偶解析表达式组[9]如下：

其中μ和λ为引入的非负拉格朗日算子；由求解式(20)得到如下解析解：

进一步地，计算第s类MPP数量占该偏好类总被缓存包数量之和的比例为：

由式(22)可知，在任意第s类包中，MPP和SPP之间的比值与其他偏好 类的流行集中度无关，因此，在系统设计时，考虑由分布式节点，即HUE收集 第s类包γ_s的信息发送给基站，基站收集所有偏好类包的γ_s后划分不同类包的总 空间并告知HUE，HUE获取每类应该被划分的总空间后，通过式(22)计算该 类MPP与SPP的数量划分来决定缓存的存储方式，从而使得系统的平均传输中 断概率最小。

更具体的，在所述步骤S7中，所述问题P4具体为：

当K值有定值需求时，将问题P2转换为问题P4，具体为：

受限于：

其中，对比问题P4与问题P3可知，二者仅在限制条件存在区别，即由问题 P3中的C1转变成问题P4中的C1和C2；在问题P4中，式(24)的限制式子 C1表示缓存

总数不超过K，其值由运营商预先设定，限制式子C2表示L个 HUE分组能缓存的SPP的最大数量为(M-K)·L，经检验可知C1和C2为仿射 条件，因此不影响问题P4的凸性，最后使用经典的凸优化理论的内点法对问题 P4进行求解。

在具体实施过程中，本发明针对现有方案的不足，提出了一种基于多流行度、 多阈值的联合MPC和新型LCDG的缓存方案。具体地，考虑到区域用户的服务 公平性，本发明提出的新型LCDG缓存策略使得其能应用于现有方案[4]中假设 不成立的一般情况。本发明所述的“区域用户的服务公平性”是指，处于不同的 地理区域位置但请求相同包的用户能够成功获取包的概率的差异程度。此外，本 发明针对不同流行度的偏好分类设计的多阈值缓存方案，考虑了各分类的流行集 中度不同会导致类内MPC与LCDG的缓存包数量的最优阈值划分不同，且各类 被缓存包的总数量阈值也不同。在多流行度场景下，对于较高流行度的偏好类， 只需放置请求程度最高的少量包；对于流行度不集中的偏好类，则需要放置更多的包来提高缓存命中率。因此，不同偏好类之间的缓存数量差异所形成的所谓缓 存差异分集增益，能有效地提高系统的总体性能。

实施例2

更具体的，在实施例1的基础上，为了更充分地阐述本发明所具有的有益效 果，以下结合具体实施例与相关的仿真结果及分析，进一步对本发明的有效性和 先进性予以说明。

系统仿真选取若干典型参数取值，如表1所示。

表1系统仿真参数设置

不失一般性，本发明中假设系统小区的坐标区域为(0m,0m)至(500m,500m) 的方形区域。为便于展示仿真结果，假设仅同时存在两类偏好包，且二者占比均 为0.5，类流行集中程度的差异仅由γ_s体现。在实际应用中，可根据系统设计需 求灵活扩展到多种偏好、不同占比的情况。

本发明和两种现有方案进行了比较，即：

对比方案1：基于单流行度的分组中继单阈值缓存(Single-popularity Single-threshold Grouped Caching for Relay，SSGCR)方案[4]，该方案为一种单 流行度下的联合MPC及LCDG策略缓存方案。此外，为统一在多流行度环境下 进行比较，分类之间的包缓存容量划分通过不同类用户的比例计算得到，即

为保障仿真结果对比的公平性，SSGCR的HUE分组方式 与本发明设为一致。

对比方案2：基于包需求多样性的分布式中继D2D包缓存算法 (Packet-Request-Diversity-based D2D Relay-aided distributed Packet Caching Algorithm，PRD-D2D-RPC)[5]，该方案为多流行度下的MPC策略缓存方案。

在具体实施过程中，图6所示，对比了不同方案中的平均传输中断概率。其 中，在图6(a)和图6(b)分别对应的OC、PC场景下，当γ₁＝2.2,γ₂＝1.2， 即两种包偏好分类具有不同的流行度时，本发明提出的MMGC-D2D方案可获得 最低的系统平均传输中断概率。对比现有的SSGCR方案，MMGC-D2D方案考 虑了不同偏好流行集中度的差异；对比PRD-D2D-RPC方案，MMGC-D2D方案 利用分组缓存的方式，能缓存更多样的包。另一方面，当γ₁＝γ₂＝1.2时，本方案 比PRD-D2D-RPC方案性能更优，但与SSGCR方案性能相当。这是因为，由于 两类偏好包的流行集中度相同，本发明中的分配方式不再能从多流行度的方面带 来更多增益，因此各类包的缓存空间的划分方式回退至SSGCR方案的方式。在 图6(c)对应的IC场景下，当γ₁＝2.2,γ₂＝1.2时，本方案相较于SSGCR方案依 旧能够提供多流行度增益，但相较于PRD-D2D-RPC方案性能提升很小，这是由 于在IC场景下采用LCDG缓存方式时，VUE从分组HUE获取包的传输性能仅 略优于直接从基站获取包的传输性能；此时，从最小化系统中断概率的角度考虑， 优化放置时应尽量考虑MPC缓存方式。当γ₁＝γ₂＝1.2时，此时无法体现多流行 度增益，三种方案性能几近一致。

在具体实施过程中，图7研究了在三种场景下，单个HUE中缓存

数量 与其缓存容量比例ξ对系统平均传输中断概率的影响。三种场景下对应的P_LPP分 别为：OC场景中HUE和VUE均无法连接基站，由式(11)可知P_LPP为1；PC 场景中VUE处于基站边缘覆盖区域，需要HUE作为中继接收，基站坐标设为区 域中相对偏远的位置点(600m,600m)，由式(12)计算得到P_LPP均值为0.359； IC场景中VUE可直接从基站获取包，基站坐标设为(500m,500m)，由式(13) 计算得到P_LPP均值为0.173。假设系统中存在两类偏好包的流行集中度一致，即 有γ₁＝γ₂＝{0.8,1.2,1.6,2.2}。

在具体实施过程中，观察图7可知，在不同的流行度下，纵轴系统平均传输 中断概率均存在一个最低值，横轴ξ因此对应存在一个最优值ξ_opt，表明MPC和 LCDG缓存策略存在一个折中点。其次，在任一子图中对比不同流行集中度条件 下的仿真结果可知，流行集中度越高的方案，其ξ_opt取值越大，即

占比越高， 同时发现中断概率越低。这是因为，此场景下只需要缓存少量包即可满足系统中 大部分VUE的服务需求，故LCDG不能带来更多增益，系统趋向于通过MPC 缓存包。当需求的包基本都被缓存时，最优MPC缓存的包比例变大也意味着系 统平均传输中断概率越低，传输性能越好。相反地，对于流行集中度较低的场景， 则ξ_opt的取值趋于减小，即

的占比增大。此时系统能够缓存更多不同的包， 提升了包的多样性，从而满足更多用户的不同需求，但由式(14)可知

LCDG相较于MPC缓存方式传输性能更差，因而导致系统平均传输中断概率相 比流行集中度高的场景要高。进一步对比图7中的三个场景下的仿真结果可知， 由于从OC场景、PC场景再到IC场景，基站对系统的增益贡献变大，因而缓存 能带来的传输性能增益逐渐减小，系统尽可能选用传输性能较好的MPC方式缓 存包，

的比例呈现增大的趋势。

在具体实施过程中，以图8、图9仿真均以OC场景为例进行分析。图8研 究了HUE分组的数量对系统性能的影响，其中假设两类包的流行度为 γ₁＝γ₂＝0.8。由该图可知，L存在最优值使得系统平均传输中断概率最低。当L 过小，则LCDG近似于MPC缓存，减少了通过分组缓存带来的内容多样性增益； 当L过大，每个组内缓存相同包的HUE过少，不能满足不同区域用户的需求，

的占比将变高而导致系统整体传输中断概率变高。对比图8(a)和图8(b)可 以发现，在不同的HUE数量下，当L相同时，HUE数量越多，使得可用的包资 源变多，则系统平均传输中断概率越小，系统性能越好。另外，还可发现当区域 中HUE的数量增加时，最优的L值也呈上升趋势。这是因为HUE数量的增加可 同时提高

和

传输性能；而当缓存包的传输性能较好时，系统趋向于使用 一部分传输性能增益换取内容多样性增益，具体表现形式为增加分组L的数量。

在具体实施过程中，图9给出了单个HUE中两种偏好类对应的包缓存平均 容量

随类1包流行集中程度变化的关系。图中仿真假设系统中两类包的 流行集中程度不同。可以看出，当γ₁＝γ₂时，

单个HUE缓存空间中 两类包占用相等；当γ₁＜γ₂时，

HUE缓存空间中类1包占每个HUE 的平均缓存容量更多，即系统趋向于缓存更多的类1包。这是因为对于包流行集 中度高的类(此时为类2)，系统只需缓存较少的包即可满足该类大部分用户的 需求，此时将缓存容量用于缓存其他流行集中度低的偏好类(此时为类1)的包， 可带来更多的增益。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非 是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明 的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施 方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

[1]3GPP Technical Specification 23.303 V15.1.0(2018-06),“3rdGeneration Partnership Project；Technical Specification Group Services andSystem Aspects； Proximity-based services(ProSe)；Stage 2(Release 15)”,www.3gpp.org.

[2]Z.Chen,J.Lee,T.Q.S.Quek and M.Kountouris,“Cooperative caching andtransmission design in cluster-centric small cell networks,”IEEE Transactionson Wireless Communications,vol.16,no.5,pp.3401-3415,May.2017.

[3]G.Zheng,H.A.Suraweera and I.Krikidis,“Optimization of hybrid cacheplacement for collaborative relaying,”IEEE Communications Letters,vol.21,no.2, pp.442-445,Feb.2017.

[4]F.Zhou,L.Fan,X.Lei,G.Luo,H.Zhang and J.Zhao,“Edge caching withtransmission schedule for multiuser multirelay networks,”IEEE CommunicationsLetters,vol.22,no.4,pp.776-779,Apr.2018.

[5]K.Wu,M.Jiang,F.She and X.Chen,“Relay-aided request-awaredistributed packet caching for Device-to-Device communication,”IEEE WirelessCommunications Letters,vol.8,no.1,pp.217-220,Feb.2019.

[6]3GPP Technical Report 36.843 V12.0.1(2014-03),“3rd GenerationPartnership Project；Technical Specification Group Radio Access Network；Studyon LTE Device to Device Proximity Services；Radio Aspects(Release 12)”,www.3gpp.org.

[7]3GPP Technical Report 36.746 V15.1.1(2018-04),“3rd GenerationPartnership Project；Technical Specification Group Radio Access Network；Studyon further enhancements to LTE Device to Device(D2D),User Equipment(UE)tonetwork relays for Internet of Things(IoT)and wearables(Release 15)”,www.3gpp.org.

[8]L.Breslau,P.Cao,L.Fan,G.Phillips,and S.Shenker,“Web Caching andZipf-like Distributions:Evidence and Implications,”in 1999 IEEE INFOCOM(INFOCOM’99),Mar.1999,pp.126–134.

[9]C.-Y.Chi,W.-C.Li,and C.-H.Lin,Convex optimization for signalprocessing and communications:from fundamentals to applications.CRC press,2017.

[10]H.Min,W.Seo,J.Lee,S.Park and D.Hong,“Reliability improvementusing receive mode selection in the Device-to-Device uplink periodunderlaying cellular networks,”IEEE Transactions on Wireless Communications,vol.10,no.2,pp. 413-418,Feb.2013.

[11]M.Taghizadeh,K.Micinski,S.Biswas,C.Ofria and E.Torng,“Distributedcooperative caching in social wireless networks,”IEEE Transactions on MobileComputing,vol.12,no.6,pp.1037-1053,Jun.2013.

[12]J.Meinila,P.Kyosti,L.Hentila,T.Jamsa,E.Suikkanen,E.Kunnari,and M.Narandzic,“D5.3 WINNER+Final Channel Models,”PU D5.3 V1.0,Jun.2010。

Claims (1)

1.基于多流行度的分组D2D多阈值缓存放置方法，其特征在于，包括以下步骤：

S1：基站收集进行包缓存所需的缓存用户设备HUE信息；

S2：设定HUE分组数量L值并初始化HUE分组矩阵等量划分HUE；

S3：依据区域用户的服务公平性构建HUE分组的优化模型目标函数，求解得到最优HUE分组结果；

S4：构建缓存放置优化模型，记为问题P2；

S5：根据应用需求判断每个HUE用于缓存最流行包MPP的容量K是否为定值；若是，执行步骤S7；否则执行步骤S6；

S6：将问题P2进行简化为问题P3，求解问题P3得到第s类包中MPP的数量

和第s类包中次流行包SPP的数量

执行步骤S8；

S7：将问题P2进行转化为问题P4，求解问题P4得到第s类包中MPP的数量

和第s类包中次流行包SPP的数量

S8：根据计算得到得MPP数量

和SPP数量

对MPP全部缓存，对SPP分组缓存，完成缓存放置；

其中，在所述步骤S3中，将所述HUE分组的优化模型目标函数记为问题P1，其具体表达式为：

受限于：

其中，定义二元选择变量

指示HUE的分组情况，其中

表示第x个HUE m_x属于组G_l，

则表示其不属于该组；G_l为第l组的所有HUE构成的集合；Ω_l表示第l个组内的HUE覆盖区域的交集面积；Ψ_HUE表示系统内HUE的集合，m_x∈Ψ_HUE为第x个HUE，x∈{1,2,...,N_HUE}；N_l表示每个组内的HUE数量；

其中，式(1)定义为最小化多个分组的覆盖区域交集面积之和，式(2)中限制条件C1表示每个HUE组内包含的HUE数量均为N_l，C2表示每个HUE只能属于一个组；将问题P1转化为凸问题，使用内点法进行求解获得最优HUE分组结果；

其中，在所述步骤S1中，定义

为A_z的交集的面积，其中A_z为设备z的通信覆盖区域面积，Z为符合条件的设备z的集合，所述变量Ω_l具体表示为：

其中，为简化分析，将组内任意两个HUE的覆盖区域的交集面积之和作为组内全部HUE覆盖区域的交集的总面积；

其中，在所述步骤S4中，所述问题P2具体表示为：

受限于：

其中，式(4)定义将系统平均传输中断概率P_out最小化，式(5)中的限制条件C1表示HUE端的缓存容量为M；限制条件C2表示对任意偏好类中能缓存包总数不超过用户可能请求该偏好类包的总数，F_s表示第s类偏好集合中含有包的数量；限制条件C3要求整个缓存过程中的所有S类MPP包的集合

所有S类SPP包的集合

中第s类包的数量应为正整数；其中，

的元素数量为

的元素数量为

其中，在所述步骤S4中，所述平均传输中断概率P_out的计算过程具体包括以下步骤：

A1：对第s类包的三种流行程度进行划分，包括最流行包MPP、次流行包SPP和不流行包LPP，其中，第s类包中除了MPP、SPP外的剩余包为LPP，由于LPP的请求用户数较少，在HUE缓存容量受限的条件下，系统趋向于缓存MPP和SPP；

A2：定义系统请求用户设备VUE的集合为Ψ_VUE，n_y∈Ψ_VUE为第y个VUE，y∈{1,2,...,N_VUE}，基站为B；同时，定义发射机χ和接收机

在通信时的传输信道性能参数的通用表达形式，其中：χ∈{B}∪Ψ_HUE，

χ和

二者不能同时属于集合Ψ_HUE；当χ和

之间存在潜在通信链路时，定义传输信噪比SNR为

具体表达式为：

其中，

表示发射机χ和接收机

之间的瑞利衰落信道增益，

服从独立的指数分布，

表示χ和

之间的距离，P_χ为χ的发射功率，α为路损指数，

为高斯白噪声功率；

A3：定义θ_th为χ和

之间的通信链路中断SNR阈值，其传输中断概率P定义如下：

其中，将式(7)进行简化，得到如下表达式：

A4：令θ_x,y表示第x个HUE发射机m_x和第y个VUE接收机n_y之间的SNR，θ_B,x和θ_B,y分别表示基站B作为发射机和m_x、n_y作为接收机之间的SNR，再定义三种流行程度的包的传输中断概率，具体为：

1)MPP

接收机VUE从所有HUE中选取对其链路传输质量最好，即中断概率最小的HUE作为其发射机，因此

传输的中断概率P_MPP为：

2)SPP

接收机VUE需要确定缓存了其所需要的数据包所在的HUE组G_l，并从该组中选取链路质量最好的HUE，向其发送数据传输服务的请求，该情况下

传输的中断概率

为：

3)LPP

此类包的传输在不同场景下的中断概率各异，在脱网场景，即OC场景中，HUE和VUE均无法连接基站，均不能直接获得该部分包，因此LPP传输的中断概率P_LPP为：

P_LPP＝1 (11)

在部分在网场景中，即PC场景中，当请求包未被缓存时，VUE选取传输链路质量最好的HUE作为中继向基站发送请求；基站收到请求后，将信息发送给该HUE，后者再转发给VUE，在该场景下，LPP传输的中断概率P_LPP为：

其中定义

为该场景下传输中断概率最小的HUE，

在在网场景中，即IC场景中，根据LPP的定义，其不被HUE所缓存，故VUE需直接向基站请求获得HUE未缓存的LPP，因此，IC场景下的LPP传输中断概率P_LPP表示为：

P_LPP＝Pr{θ_B,y≤θ_th} (13)

根据OC场景和PC场景的定义，缓存包的传输中断概率应小于未缓存包的传输中断概率，即有

在IC场景下，通过设置合适的HUE分组数量L对同组内缓存相同SPP的HUE数量N_l进行调整，若组内HUE数量越多，VUE成功获得

的概率越大，

则越小，以使得

成立；相应地，缓存

的HUE数量为系统全部HUE数量N_HUE，而缓存

的HUE数量为第l个HUE组内HUE的数量N_l，由于N_l＜N_HUE，即缓存MPP的HUE数量更多，因此VUE成功获得

的概率更大，传输中断概率更小，故有

因此得到：

其中，当HUE中的某个包被多个用户同时请求，采用多播方式发送；当HUE中的不同包被不同用户同时请求，采用单播方式发送；

A5：定义系统内所有VUE请求的包的平均传输中断概率为P_out，其数值为系统中每一个包对应的传输中断概率与VUE对该包的请求概率的乘积的求和，根据式(9)-(13)可知，由于MPP和SPP、LPP的传输中断概率各异，故将求和表达式具体分为三项，即：

的传输中断概率与其请求概率的乘积、

的传输中断概率与其请求概率的乘积及LPP的传输中断概率与其请求概率的乘积，具体为：

其中：

表示组G_l的缓存第s类SPP的数量，

q_s表示VUE对第s类请求包的数量占所有类包的总数量比例；f_i ^s表示在第s类中第i个包的请求概率；

其中，在所述步骤A5中，所述f_i ^s由Zipf流行度分布进行描述：

其中γ_s是Zipf参数，其取值越大，则第s类包的流行度越集中；

其中，在所述步骤S6中，将问题P2简化为问题P3的过程具体为：

观测式(15)可知，

的传输中断概率需对

中断概率累计求和十分复杂，直接求解难度大；结合HUE地理位置的随机性及其RF-MOG分组过程的特性，假设不同HUE组间的公平性一致，即：

另外，利用式(16)及以下近似表达式：

结合式(17)将P2简化为问题P3，具体表达式为：

受限于：式子(5)；

其中，在所述步骤S6中，求解问题P3的过程具体为：

由于P3为拥有2×S个整数变量的组合整数规划问题，是NP-难问题，考虑将变量松弛成连续变量后计算，在一定程度上降低复杂度；经检验可知P3为凸问题，使用经典凸优化理论的内点法对其进行求解；其中：对P3求得拉格朗日对偶解析表达式组如下：

其中μ和λ为引入的非负拉格朗日算子；由求解式(20)得到如下解析解：

进一步地，计算第s类MPP数量占该偏好类总被缓存包数量之和的比例为：

由式(22)可知，在任意第s类包中，MPP和SPP之间的比值与其他偏好类的流行集中度无关，因此，在系统设计时，考虑由分布式节点，即HUE收集第s类包γ_s的信息发送给基站，基站收集所有偏好类包的γ_s后划分不同类包的总空间并告知HUE，HUE获取每类应该被划分的总空间后，通过式(22)计算该类MPP与SPP的数量划分来决定缓存的存储方式，从而使得系统的平均传输中断概率最小；

其中，在所述步骤S7中，所述问题P4具体为：

当K值有定值需求时，将问题P2转换为问题P4，具体为：

受限于：

其中，对比问题P4与问题P3可知，二者仅在限制条件存在区别，即由问题P3中的C1转变成问题P4中的C1和C2；在问题P4中，式(24)的限制式子C1表示缓存

总数不超过K，其值由运营商预先设定，限制式子C2表示L个HUE分组能缓存的SPP的最大数量为(M-K)·L，经检验可知C1和C2为仿射条件，因此不影响问题P4的凸性，最后使用经典的凸优化理论的内点法对问题P4进行求解。

Images