CN111432380B - 面向d2d辅助数据卸载的缓存优化方法 - Google Patents

Abstract

本发明提供的是一种面向D2D辅助数据卸载的缓存优化方法。通过链路质量计算出协助用户选择D2D模式进行通信的概率模型，将内容推送给具有更高的D2D通信概率的协助用户；通过Zipf分布得到用户偏好模型，缓存用户更感兴趣的内容在缓存空间个数有限的约束下，对协助用户的缓存方法进行优化以得到最大化整个系统的缓存命中概率的模型，并设计GREEDY‑I算法对模型进行求解。本发明根据协助用户模式选择确定协助用户进行D2D通信的概率，根据请求用户的偏好模型确定请求用户对每个内容感兴趣的概率，对协助用户的缓存方法进行优化，将邻居请求用户更感兴趣的内容缓存在具有更高的D2D通信概率的协助用户设备中，以此来最大化缓存命中概率，提高了系统的整体吞吐量。

Description

面向D2D辅助数据卸载的缓存优化方法

技术领域

本发明涉及的是一种移动边缘技术，尤其是一种面向D2D辅助数据卸载的缓存优化方法。

背景技术

近年来，随着无线设备(如智能手机和笔记本电脑)的普及，移动用户对在线应用程序(例如，视频服务、网页浏览和社交网络等)的需求日益增长，这一现象导致了移动数据流量的指数级增长。给移动网络运营商(带来网络拥塞和巨大的流量负载。为了解决回程拥塞问题，移动边缘缓存技术便被提出了。移动边缘网络(Mobile Edge Network)中存在各种各样的缓存位置，如小基站、WiFi接入点和用户设备。近年来，随着D2D(Device-to-Device)通信技术的发展，邻近的移动用户可以绕过蜂窝基站(Base Station，BS)，直接建立设备间通信来传输内容，在提升用户满意度的同时，也实现了移动数据卸载(Mobile DataOffloading)，为蜂窝网卸载了一部分的移动数据，大大提高了系统的整体吞吐量。因此，在保证用户之间正常通信的基础上，研究D2D辅助数据卸载的缓存优化对于减轻移动网络流量负载具有重要的意义。

面向D2D辅助数据卸载的终端缓存技术，也可称为协作终端缓存技术，即终端用户在缓存内容后，可以通过D2D通信技术为周围的请求用户进行内容传输，这样就将一部分原本需要通过蜂窝网进行传输的数据卸载到D2D网络中。在协作终端缓存技术中，由于内容数量的庞大而用户设备的缓存空间又相对有限，那么为协助用户缓存哪些内容才能以更大的概率通过D2D通信将内容分享给请求用户，便成为一个重要的问题。目前在移动边缘缓存技术领域，主要对基于用户偏好的缓存优化进行了研究。第一类研究提出了一种D2D缓存网络中的缓存部署算法，并定义用户偏好来度量用户对内容的兴趣，并在此基础上给出了用户兴趣相似度的定义，通过对缓存部署和缓存空间分配的联合优化，来最大化缓存效用，但是没有考虑用户如何在D2D缓存和蜂窝网之间进行选择这一问题[Zhang T,Fan H,Loo J,etal.User preference aware caching deployment for device-to-device cachingnetworks[J].IEEE Systems Journal,2017,13(1):226-237.]。第二类研究通过概率潜在语义分析对用户的请求行为进行建模，从而预测每个用户对内容的偏好，并对无干扰模式下的缓存优化方法进行了研究，但没有考虑带内复用模式而引起的传输干扰问题[OptimalContent Caching Policy Considering Mode Selection and User Preference underOverlay D2D Communications[C].2018 14th International Conference on MobileAd-Hoc and Sensor Networks(MSN).IEEE,2018:212-217]。

综上所述，目前的研究工作主要存在以下问题：

(1)大多数的缓存优化方法只考虑了基于用户偏好，并未考虑用户的模式选择给数据卸载的性能带来的影响。

(2)大多数的缓存优化方法只考虑了无干扰模式下的用户模式选择，并未考虑带内复用模式而引起的传输干扰问题。

发明内容

本发明的目的在于提供一种能够提高系统整体吞吐量的面向D2D辅助数据卸载的缓存优化方法。

本发明的目的是这样实现的：

步骤一：通过链路质量计算出协助用户选择D2D模式进行通信的概率模型，将内容推送给具有更高的D2D通信概率的协助用户；

步骤二：通过Zipf分布得到用户偏好模型，缓存用户更感兴趣的内容；

步骤三：在缓存空间个数有限的约束下，对协助用户的缓存方法进行优化以得到最大化整个系统的缓存命中概率的模型，并设计GREEDY-I算法对模型进行求解。

本发明还可以包括：

1.步骤具体包括：

(1.1)计算D2D最大通信距离：

其中，设置路径损耗参数η＞2，每个链路其各自的路径损耗指数分别为η_c和η_d，传输端的最大传输功率为T，接收端收到的信号功率保持在一个平均阈值α；

(1.2)计算D2D链路距离d的概率密度函数：

(1.3)通过设置基站的位置分布服从强度为λ_b的泊松点过程，计算蜂窝链路距离b的概率密度函数：

(1.4)通过功率控制和模式选择为蜂窝网链路质量提供干扰保护机制：

设置k为偏置因子，用来调节网络中蜂窝用户和D2D用户的密度，只有当

时，潜在的D2D传输端选择D2D模式；

(1.5)计算协助用户h∈H的D2D通信概率：

其中，

d_h为协助用户h的D2D链路距离，b_h为协助用户h与最近的基站之间的距离，T_h为协助用户h的最大传输功率，

为不完全伽玛函数，上式的最后一步是由变量替换x＝πλ_bω并整合求出的。

2.步骤二具体包括：

(2.1)内容库中包含c＝{1,...,C}个内容，计算第c个内容被请求的概率：

其中β为Zipf分布的参数，并且有

(2.2)定义一个核函数来反映用户u和第c个内容之间的相关性：

其中g(X_u,Y_c)在区间[0,1]内取值，g(X_u,Y_c)＝0意味着用户u不会请求第c个内容，g(X_u,Y_c)＝1意味着第c个内容属于用户u的偏好类型，参数0＜θ＜1，

用q_u,c表示用户请求第个内容的概率，

(2.3)计算用户u∈U对第c个内容的偏好概率：

其中，q_u,c表示用户请求第c个内容的概率，

w_u为用户u发送一个内容请求的概率，反应了用户的活跃程度，

3.步骤三具体包括：

(3.1)计算请求用户u的缓存命中概率：

其中，N_u表示请求用户u的邻居协助用户集合，并将协助用户按照D2D通信概率P_h进行降序排列，(j)_u表示用户u附近的第j个协助用户，x_h,c表示协助用户h的缓存决策，x_h,c＝1表示协助用户h缓存了第c个内容，x_h,c＝0则相反；

(3.2)对协助用户的缓存方法进行优化，优化模型表示为

(3.3)每个协助用户设备中最多缓存M个内容，增加了如下约束：

(3.4)设有两个内容放置X和X'，若内容放置集合X'中，用户u原本从协助用户(j)_u处获取第c个内容，当加入元素

后，

边际效益为0。假设内容放置集合X中，用户u原本从协助用户(j)_u处获取第c个内容(j≥j')；如果j＜i，那么加入元素

后，边际效益也为0；如果j＞i，边际效益为

由此得出

(3.5)划分拟阵约束下的单调次模函数最大化问题通过GREEDY-I贪心算法进行求解，最终求出面向D2D辅助数据协助的缓存优化方法的模型的近似最优解。

本发明提出面向D2D辅助数据协助的缓存优化方法。其思想是缓存优化方法分为三个阶段进行解决，其中第一阶段是根据基于协助用户的模式选择模型来确定协助用户的D2D通信概率，将内容推送到具有更高D2D通信概率的协助用户设备中，以提高内容分享的成功率，并通过协助用户的模式选择和功率控制方案将基站受到的干扰控制在一定范围内；第二阶段是基于请求用户的偏好模型可以确定用户对每个内容的偏好概率，将邻居请求用户感兴趣的内容推送到具有更高D2D通信概率的协助用户设备中，使得缓存命中概率达到最大；第三阶段是把该优化问题转化为一个拟阵约束下的次模函数最大化(组合数学中一个数学结构，被引用到文件缓存中解决缓存放置问题)问题，通过GREEDY-I算法得到面向D2D辅助数据协助的缓存优化方法的近似最优解。

本发明研究了面向D2D辅助数据卸载的缓存优化问题。面向D2D辅助数据卸载的终端缓存技术中，协助用户设备中缓存的内容能否通过D2D通信的方式分享给周围的请求用户，将直接影响到数据卸载的性能表现。每个D2D用户可以根据蜂窝链路和D2D链路的质量来决定选择传统的蜂窝模式进行通信，还是选择D2D模式进行通信，如果用户选择了蜂窝模式进行通信，那么在协助用户设备中缓存再多的内容，也无法通过D2D通信的方式进行用户间的内容分享，也就无法达到D2D辅助数据卸载的目的。本发明考虑了以下几方面的问题：(1)如何将内容缓存在具有更高的D2D通信概率的协助用户设备中，以此提高内容成功分享的概率；(2)如何将用户更感兴趣的内容缓存到协助用户设备中，以此最大化缓存命中率。

本发明提出面向D2D辅助数据协助的缓存优化方法，根据协助用户的模式选择来确定协助用户进行D2D通信的概率，同时根据请求用户的偏好模型来确定请求用户对每个内容感兴趣的概率，进而对协助用户的缓存方法进行优化，将邻居请求用户更感兴趣的内容缓存在具有更高的D2D通信概率的协助用户设备中，以此来最大化缓存命中概率(协助用户缓存的内容通过D2D通信的方式成功分享给邻居请求用户的概率)，提高了系统的整体吞吐量。

本发明的有益效果为：

(1)本发明优化了D2D复用模式下协助用户的缓存方法，通过考虑用户通信模式的选择和对每个内容的偏好，将请求用户更感兴趣的内容推送到具有更高的D2D通信概率的协助用户设备中进行缓存，最大化缓存命中概率，提高了系统的整体吞吐量。

(2)本发明证明该优化方法为一个划分拟阵约束下的单调次模函数最大化问题，并通过GREEDY-I算法对优化模型进行求解，提高了近似解的近似保证，缓解了移动网络流量负载问题。

附图说明

图1面向D2D辅助数据协助的缓存优化方法架构图；

图2面向D2D辅助数据协助的缓存优化方法场景图；

图3面向D2D辅助数据协助的缓存优化方法实例图；

图4面向D2D辅助数据协助的缓存优化方法参数表.

具体实施方式

本发明的面向D2D辅助数据协助的缓存优化方法，主要包括以下具体步骤：

(1)通过链路质量计算出协助用户选择D2D模式进行通信的概率模型，将内容推送给具有更高的D2D通信概率的协助用户，以提高内容的成功分享率。

(2)用户偏好反映了每个用户对于内容的个人兴趣，直接影响每个内容被请求的概率，通过Zipf分布得到用户偏好模型，缓存用户更感兴趣的内容，提高缓存命中率。

(3)考虑到协助用户设备的缓存空间有限，于是在缓存空间个数有限的约束下，对协助用户的缓存方法进行优化以得到最大化整个系统的缓存命中概率的模型，并设计GREEDY-I算法对模型进行求解。

前述的步骤(1)中将内容推送给具有更高D2D通信概率的协助用户具体还包括以下步骤：

(1.1)计算D2D最大通信距离：

其中，设置路径损耗参数η＞2，每个链路其各自的路径损耗指数分别为η_c和η_d，传输端的最大传输功率为T，接收端收到的信号功率保持在一个平均阈值α。

(1.2)计算D2D链路距离d(即协助用户和请求用户之间的距离)的概率密度函数：

(1.3)通过设置基站的位置分布服从强度为λ_b的泊松点过程，计算蜂窝链路距离b(即用户和最近基站之间的距离)的概率密度函数：

(1.4)通过功率控制和模式选择为蜂窝网链路质量提供干扰保护机制：

模式选择方案中考虑了偏置的链路质量，设置k为偏置因子，用来调节网络中蜂窝用户和D2D用户的密度，于是只有当

时，潜在的D2D传输端才会选择D2D模式，率控制方案和模式选择方案为蜂窝上行链路提供了一个固有的干扰保护机制，将一个D2D传输端对基站造成的干扰控制在了αk范围内，有效降低了复用模式中信号干扰问题对通信质量造成的影响。

(1.5)计算协助用户h∈H的D2D通信概率(即协助用户h选择D2D模式进行通信的概率)：

其中，

d_h为协助用户h的D2D链路距离，b_h为协助用户h与最近的基站之间的距离，T_h为协助用户h的最大传输功率，

为不完全伽玛函数，上式的最后一步是由变量替换x＝πλ_bω并整合求出的。

前述的步骤(2)中缓存用户更感兴趣的内容具体还包括以下步骤：

(2.1)内容库中包含c＝{1,...,C}个内容，计算第c个内容被请求的概率(即第c个内容的流行度)：

其中β为Zipf分布的参数，并且有

(2.2)定义一个核函数来反映用户u和第c个内容之间的相关性：

其中g(X_u,Y_c)在区间[0,1]内取值，g(X_u,Y_c)＝0意味着用户u不会请求第c个内容，g(X_u,Y_c)＝1意味着第c个内容属于用户u的偏好类型，参数0＜θ＜1。

用q_u,c表示用户请求第个内容的概率，那么有

(2.3)计算用户u∈U对第c个内容的偏好概率：

其中，q_u,c表示用户请求第c个内容的概率，那么有

w_u为用户u发送一个内容请求的概率，反应了用户的活跃程度，应且有

前述的步骤(3)中最大化整个系统的缓存命中概率具体还包括以下步骤：

(3.1)计算请求用户u的缓存命中概率：

其中，N_u表示请求用户u的邻居协助用户集合，并将协助用户按照D2D通信概率P_h进行降序排列，(j)_u表示用户u附近的第j个协助用户，x_h,c表示协助用户h的缓存决策，x_h,c＝1表示协助用户h缓存了第c个内容，x_h,c＝0则相反。

(3.2)考虑到协助用户设备的缓存空间有限，于是需要对协助用户的缓存方法进行优化以最大化整个系统的缓存命中概率，优化模型表示为

(3.3)由于缓存空间有限，每个协助用户设备中最多缓存M个内容，所以增加了如下约束：

(3.4)通过证明优化模型的单调性和次模性以及约束条件的划分拟阵表示，来证明面向D2D辅助数据协助的缓存优化问题为一个划分拟阵约束下的单调次模函数最大化问题：

假设有两个内容放置X和X'，若内容放置集合X'中，用户u原本从协助用户(j)_u处获取第c个内容，当加入元素

后，

边际效益为0。假设内容放置集合X中，用户u原本从协助用户(j)_u处获取第c个内容(j≥j')。如果j＜i，那么加入元素

后，边际效益也为0。如果j＞i，边际效益为

由此可以得出

即在集合X中加入新元素带来的边际效益要大于或等于在集合X'中加入新元素带来的边际效益，由于

这也就说明当集合越大时，向集合内放置新的元素，带来的边际效益反而越小，于是证明了目标函数为单调次模函数。

(3.5)划分拟阵约束下的单调次模函数最大化问题通过GREEDY-I贪心算法进行求解，最终求出面向D2D辅助数据协助的缓存优化方法的模型的近似最优解。

下面举例对本发明作进一步描述。

本发明提出了一种面向D2D辅助数据协助的缓存优化方法，将用户模式选择与用户的偏好模型相结合，将请求用户更感兴趣的内容推送到具有更高的D2D通信概率的协助用户设备中进行缓存，最大化了缓存命中概率。下面结合附图进行详细说明。

如图1，用户在蜂窝网的覆盖范围中，既可以选择基站进行文件请求，也可以选择临近的协助用户进行文件请求。

如图2，用户附近有多个协助用户的时候，用户会在协助用户之间进行连接选择，这时候需要把用户感兴趣的内容缓存到用户连接概率最大的那个协助用户中。

如图3，在该实施实例中，共有三个协助用户，五个请求用户(其中四个请求用户都在辅助用户的传输范围内)；并且基站分布的强度λ_b＝10BSs/km²，路径损耗参数η_c＝η_d＝4，Zipf分布的参数β＝0.6，核函数的参数θ＝0.5，功率控制方案中的阈值α＝-80dBm，D2D传输端设备的最大传输功率T＝200mW，用户请求内容c＝{1,2,3,...,8}，每个协助用户设备中最多缓存M＝4个内容。

面向D2D辅助数据协助的缓存优化方法主要包括以下步骤：

(1)计算D2D最大的通信距离R，其中路径损耗参数η＞2，η_c＝η_d＝4，α＝-80dBm，T＝200mW。

(2)计算D2D链路距离d和蜂窝链路距离b的概率密度函数，其中λ_b＝10BSs/km²。

(3)通过

设置干扰保护机制。

(4)计算协助用户h∈H的D2D通信概率P_h。

(5)计算第c个内容被请求的概率r_c，β＝0.6，c＝{1,2,3,...,8}。

(6)计算用户u和第c个内容之间的相关性g(X_u,Y_c)，θ＝0.5。

(7)计算用户u∈U对第c个内容的偏好概率ρ_u,c。

(8)最大化整个系统的缓存命中概率

Claims (1)

1.一种面向D2D辅助数据卸载的缓存优化方法，其特征是包括如下步骤：

步骤一：通过链路质量计算出协助用户选择D2D模式进行通信的概率模型，将内容推送给具有更高的D2D通信概率的协助用户；

(1.1)计算D2D最大通信距离：

其中，设置路径损耗参数η＞2，每个链路其各自的路径损耗指数分别为η_c和η_d，传输端的最大传输功率为T，接收端收到的信号功率保持在一个平均阈值α；

(1.2)计算D2D链路距离d的概率密度函数：

(1.3)通过设置基站的位置分布服从强度为λ_b的泊松点过程，计算蜂窝链路距离b的概率密度函数：

(1.4)通过功率控制和模式选择为蜂窝网链路质量提供干扰保护机制：

设置k为偏置因子，用来调节网络中蜂窝用户和D2D用户的密度，只有当

时，潜在的D2D传输端选择D2D模式；

(1.5)计算协助用户h选择D2D模式进行通信的概率：

其中，

d_h为协助用户h的D2D链路距离，b_h为协助用户h与最近的基站之间的距离，T_h为协助用户h的最大传输功率，

为不完全伽玛函数，上式的最后一步是由变量替换x＝πλ_bω并整合求出的；

步骤二：通过Zipf分布得到用户偏好模型，缓存用户更感兴趣的内容；

(2.1)内容库中包含c＝{1,...,C}个内容，计算第c个内容被请求的概率：

其中β为Zipf分布的参数，并且有

(2.2)定义一个核函数来反映用户u和第c个内容之间的相关性：

其中g(X_u,Y_c)在区间[0,1]内取值，g(X_u,Y_c)＝0意味着用户u不会请求第c个内容，g(X_u,Y_c)＝1意味着第c个内容属于用户u的偏好类型，参数0＜θ＜1，

用q_u,c表示用户请求第个内容的概率，

(2.3)计算用户u∈U对第c个内容的偏好概率：

其中，q_u,c表示用户请求第c个内容的概率，

w_u为用户u发送一个内容请求的概率，反应了用户的活跃程度，

步骤三：在缓存空间个数有限的约束下，对协助用户的缓存方法进行优化以得到最大化整个系统的缓存命中概率的模型，并设计GREEDY-I算法对模型进行求解；

(3.1)计算请求用户u的缓存命中概率：

其中，N_u表示请求用户u的邻居协助用户集合，并将协助用户按照D2D通信概率P_h进行降序排列，(j)_u表示用户u附近的第j个协助用户，x_h,c表示协助用户h的缓存决策，x_h,c＝1表示协助用户h缓存了第c个内容，x_h,c＝0则相反；

(3.2)对协助用户的缓存方法进行优化，优化模型表示为

(3.3)每个协助用户设备中最多缓存M个内容，增加了如下约束：

(3.4)设有两个内容放置X和X′，若内容放置集合X′中，用户u原本从协助用户(j)_u处获取第c个内容，当加入元素

后，

边际效益为0；假设内容放置集合X中，用户u原本从协助用户(j)_u处获取第c个内容(j≥j′)；如果j＜i，那么加入元素

后，边际效益也为0；如果j＞i，边际效益为

由此得出

(3.5)划分拟阵约束下的单调次模函数最大化问题通过GREEDY-I贪心算法进行求解，最终求出面向D2D辅助数据协助的缓存优化方法的模型的近似最优解。

Images