CN111479312A

CN111479312A - 异构蜂窝网络内容缓存和基站休眠联合优化方法

Info

Publication number: CN111479312A
Application number: CN202010134165.3A
Authority: CN
Inventors: 马惠; 李云; 黄巍; 刘期烈
Original assignee: Chongqing University of Post and Telecommunications
Current assignee: Zhongyi Technology Co ltd
Priority date: 2020-03-02
Filing date: 2020-03-02
Publication date: 2020-07-31
Anticipated expiration: 2040-03-02
Also published as: CN111479312B

Abstract

本发明涉及移动通信技术领域，具体涉及一种蜂窝网络内容缓存和基站休眠联合优化方法，包括：建立联合优化模型；将第i周期的内容缓存状态设为随机缓存，基站休眠状态设为随机休眠，初始周期i＝1；确定第i个周期的用户关联状态，根据关联规则将用户关联至合适的基站；利用离散量子粒子群算法对联合优化模型进行求解，得到第i+1个周期的内容缓存状态和基站休眠状态；i＝i+1，进入步骤S3；本发明方法能够进一步的降低系统能耗，将用户关联作为受基站休眠影响的变量进行研究，场景更加符合实际情况，保证用户的服务质量；此外，本发明采用离散量子粒子群算法对问题进行求解，求解效率更高。

Description

异构蜂窝网络内容缓存和基站休眠联合优化方法

技术领域

本发明涉及移动通信技术领域，具体涉及一种蜂窝网络内容缓存和基站休眠联合优化方法。

背景技术

随着移动无线设备以及丰富的多媒体内容的迅猛增长，传统蜂窝网络中无线链路容量以及无线接入网和回传网络的带宽，实际上无法应付移动业务需求的爆炸式增长。针对以上困境，公认的解决方式为构建异构蜂窝网络，即：在传统的宏基站(Macro-BaseStation，MBS)覆盖下叠加部署低功率的小基站(Small-Base Station,SBS)，包括微基站(Micro-Base Station，mBS)、微微基站(Pico- Base Station，PBS)、家庭基站(Femto-BaseStation,FBS)等，这些小基站的传输功率相对宏基站要小很多，而且部署快速、布网灵活多变，能够增强传统蜂窝移动网络的覆盖，提供高速率、高服务质量的移动业务等。

在异构蜂窝网络中引入缓存，被认为是第五代移动通信系统中一种很有前途的技术，即将一些热门内容提前缓存在SBS中，可以使内容更接近用户，减少传输延迟，降低系统能耗，节省稀缺的带宽资源。而基站休眠技术作为一种节能技术由于其易于实现、不需对硬件进行改变等特点受到广泛关注，它将低负载或无负载的基站智能关闭或开启，可以有效的降低系统能耗。文献“Zhao Z, Peng M,Ding Z,et al.Cluster Content Caching:AnEnergy-Efficient Approach to Improve Quality of Service in Cloud Radio AccessNetworks[J].IEEE Journal on Selected Areas in Communications,2016,34(5):1207-1221.”基于云无线接入网 (Cloud RAN,C-RAN)提出了一种集群内容缓存架构，充分利用分布式缓存和集中式信号处理的优点，通过建立边缘C-RAN，让同一个集群内的射频拉远头接入一个公共的本地集群内容中心，从而减少回传链路的冗余流量。它还推导了有效容量和能效性能的可处理表达式，证明了该结构可以在较低的本地存储成本的前提下提高用户的QoS保证；文献“Dolfi M,Morosi S,Cavdar C,et al. Energy efficient optimizationof a sleep mode strategy in heterogeneous cellular networks[C]//2017EuropeanConference on Networks&Communications(EuCNC). Oulu,Finland:IEEE Press,2017:1-6.”通过联合考虑用户的服务质量(Quality of Service,QoS)保障，最小化异构蜂窝网络中的功耗和基站睡眠模式切换的数量, 提出了一个多目标优化框架。利用混合整数二次规划(Mixed Integer Quadratic Programming,MIQP)方法优化功耗以及宏蜂窝和微蜂窝的基站睡眠模式操作的数量。上述文献虽然降低了回程链路容量和系统能耗等问题，但目前仍存在待改进的地方：一是关于两种技术相结合的策略很少，大都以单一调整某一策略为主，因此很难同时优化系统能耗和用户服务质量；二是目前已有的解决方案，大都忽略了用户关联的状况，不满足实际关联场景。

发明内容

为了解决上述问题，本发明针对目前休眠策略和缓存策略的使用单一性，将两种技术相结合进行研究，以达到在降低系统能耗的同时保证用户服务质量的目的，提供一种蜂窝网络内容缓存和基站休眠联合优化方法。

一种异构蜂窝网络内容缓存和基站休眠联合优化方法，包括以下步骤：

S1、以系统整体能耗最小化为目标，建立内容缓存与基站休眠的联合优化目标函数，得到联合优化模型；

S2、将第i周期的内容缓存状态设为随机缓存，基站休眠状态设为随机休眠，初始周期i＝1；

S3、根据第i个周期的用户与各基站之间的传输速率和基站休眠状态，确定第i个周期的用户关联状态，根据关联规则将用户关联至合适的基站；

S4、根据第i个周期的用户关联状态、用户对内容的请求状态，利用离散量子粒子群算法对联合优化模型进行求解，得到第i+1个周期基站的内容缓存状态和基站休眠状态；

S5、判断当前迭代次数i是否满足预先设定的迭代结束条件，若满足迭代结束条件，则结束算法，输出第i+1个周期基站的内容缓存状态和基站休眠状态；否则，令i＝i+1，返回步骤S3，继续进行迭代计算。

进一步的，系统整体能耗包括为基站缓存能耗E₁、本地传输能耗E₂、回程链路传输能耗E₃、宏基站用户传输能耗E₄、静态维持能耗E₅之和。

进一步的，所述联合优化模型包括：

其中，E_total表示系统整体能耗，x_nf表示内容缓存变量，y_n表示基站休眠变量，S表示每个内容文件的大小，S_max表示SBS n存储容量的上限，

表示所有可能被请求的内容集合，

表示SBS的集合，

表示用户集合，z_nk表示用户关联变量，I_n表示SBS n可同时服务的用户数上限，u_k表示用户k，

代表SBS n缓存的内容总量不能超过其存储容量的上限S_max的约束条件；

是SBS n可同时服务的用户数不能超过其上限I_n的约束条件，即带宽分配限制；

表示一个用户最多只能关联一个SBS；

表示缓存策略必须要在基站工作状态下进行；

和

分别表示对内容缓存变量和基站休眠变量进行二元约束。

优选的，用户关联基站的关联规则包括：采取最大传输速率关联，计算各处于工作状态的SBS与用户u_k的传输速率r_n,k，如果

选取能够提供最大传输速率的基站进行关联；其中，max{r_1,k,r_2,k,...,r_n,k}表示u_k可以接收的最大传输速率，r_2,k表示第2个处于工作状态的SBS与用户u_k的传输速率，

为事先设定的最低传输速率阈值，该阈值能够保证用户接入的SBS为用户提供较高的服务质量。

进一步的，所述确定第i个周期的用户关联状态具体包括：设定二进制变量 z_nk表示用户u_k与SBS n的关联情况，当z_nk＝1时，表示用户u_k与SBS n关联，此时 SBS n处于工作状态并且该基站给用户u_k提供的传输速率最大，用户u_k请求的内容由SBS n传递给该用户；当z_nk＝0时，表示用户u_k与SBS n未关联，SBS n不满足用户u_k的关联条件，若所有SBS都无法满足用户u_k的关联条件，则将用户u_k直接接入MBS，与宏基站相关联，成为宏基站用户，用户u_k请求的内容由MBS 传递给该用户；

所述二进制变量z_nk是由决策变量y_n和r_n,k确定，即：

其中，y_n表示基站休眠变量，r_n,k表示各处于工作状态的SBS n与用户u_k的传输速率，r_2,k表示第2个处于工作状态的SBS与用户u_k的传输速率，

为事先设定的最低传输阈值。

进一步的，利用离散量子粒子群算法对联合优化模型进行求解包括以下步骤：

S41、初始化各类参数，获取各基站的内容缓存变量x_nf、基站休眠变量y_n和用户关联变量z_nk信息，将基站的内容缓存变量和基站休眠变量作为粒子；

S42、计算粒子的适应度，根据粒子的适应度得到所有粒子的个体最优位置pbest、平均最优位置mbest和全局最优位置gbest；

S43、由pbest和gbest交叉操作获得局部吸引子P_i；

S44、根据平均最优位置mbest对P_i进行粒子变异操作获得粒子的更新位置 X_i，得到第i+1个周期基站的内容缓存状态和基站休眠状态。

本发明的有益效果：

1.本发明针对休眠策略和缓存策略的使用单一性进行了改进，提出了一种异构蜂窝网络内容缓存和基站休眠联合优化方法，能够进一步的降低系统能耗。

2.本发明将用户关联作为受基站休眠影响的变量进行研究，场景更加符合实际情况，保证用户的服务质量。

3.采用离散量子粒子群算法对问题进行求解，求解效率更高。

附图说明

下面结合附图和具体实施方式对本发明做进一步详细的说明。

图1为本发明实施例的两层异构蜂窝网络基站内容缓存架构图；

图2为本发明的内容缓存与基站休眠联合优化方法的整体流程图；

图3为本发明实施例中系统能耗随SBS数量的变化对比图；

图4为本发明实施例中系统能耗随SBS静态能耗E_st的变化对比图；

图5为本发明实施例中系统能耗随SBS缓存容量S_max的变化对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示为本发明实施例的两层异构蜂窝网络基站内容缓存架构，上层为可连接核心网的MBS，下层为用户接入网部分。本发明基于以下假设：一个异构蜂窝网络中由一个宏基站(MBS)和多个微基站(SBS)组成，这些SBS 既可以是毫微微基站(Pico-cell BaseStation,PBS)也可以是家庭基站(Femto-cell Base Station,FBS)，它们具有缓存能力，并且必要时都可以执行休眠操作。用

来表示SBS的集合，SBS n表示第n个SBS。设用户总数为K，用户集合表示为

u_k表示第k个用户，且所有用户到达都服从泊松分布，泊松分布的参数λ＝1。文件类型的总量为F，用集合

表示所有文件的集合。每个SBS的缓存容量为S_max≥0(bit)。假设MBS在整个过程始终是处于工作状态，休眠操作只在SBS中执行。

本发明以所有用户到达并发送内容请求作为一个周期，在每个周期开始时，内容缓存和基站休眠会被初始化，基站会被随机选中执行休眠，内容会被随机缓存到各个SBS中。

假设每个SBS之间的频率子信道是相互正交的，不考虑信道间干扰。SBS n 可以使用的总带宽为B_n，SBS n将其下行链路分割成多个带宽相同的子信道，最多可划分为I_n个子载波，带宽为b_n＝B_n/I_n。MBS将下行链路划分为与每个SBS 以及各个宏蜂窝用户通信的子信道，带宽分别为b_m1和b_m2，b_m1表示MBS给SBS 分配的信道带宽，b_m2表示MBS分配给关联到宏基站的用户的带宽。当SBS给用户发送文件时，SBS与MBS共用下行资源，用户从SBS接收文件时可能会受到来自MBS的干扰。因此，用户与基站传输速率、基站与基站间传输速率计算如下：

其中，r_n,k表示SBS n与用户u_k的传输速率，P_n是SBS n的发射功率，h_n,k代表SBS n与用户u_k之间的信道增益，σ²表示高斯白噪声的功率，P_m1是MBS给各 SBS传输内容时的发射功率，h_m,n代表MBS与SBS n之间的信道增益，r_m,n表示 MBS与SBS n的传输速率，L₀是一个常量，α是路径损耗指示因子,SBS n与用户u_k之间的距离为d_n,k，MBS与SBS n之间的距离为d_m,n。

图2为本发明的内容缓存与基站休眠联合优化方法流程图，该方法针对目前休眠策略和缓存策略的使用单一性，将两种技术相结合进行研究，提出了一种基于内容缓存和基站休眠的联合优化方法，以达到降低系统能耗的目的。此外，针对基站休眠影响用户的服务质量问题，该方法考虑了用户关联这一要素，将用户关联作为受基站休眠影响的变量进行研究，场景更加符合实际情况，保证用户的服务质量。本实施例采用以下步骤实现异构蜂窝网络中内容缓存与基站休眠的联合优化。

本实施例考虑的系统能耗包括：基站缓存能耗E₁、本地传输能耗E₂、回程链路传输能耗E₃、宏基站用户传输能耗E₄、静态维持能耗E₅。

(1)基站缓存能耗E₁

在基站上缓存内容会产生一定的能耗，这是由缓存的硬件技术所决定的。本发明采用能量正比例模型来描述基站缓存的能耗，SBS上的基站缓存能耗如下：

其中，x_nf表示内容缓存变量，y_n表示基站休眠变量，E_ca表示单位比特内容缓存的能量消耗参数，其单位为焦耳/比特(J/bit)，S为缓存内容大小，单位为兆字节(Mbit)。

(2)本地传输能耗E₂

如果用户u_k关联了本地基站SBS n，则SBS n服务该用户的过程称为本地传输，无论SBS n是否已经缓存该用户请求的内容，只要用户关联该基站SBS n，则SBS n服务用户的过程将产生一定的能量消耗，该部分产生的能耗表示为：

其中，z_nk表示用户u_k与SBS n的关联情况，λ_kf为用户u_k在一个周期内对内容

的平均请求频次。

本地传输能耗E₂与用户u_k的关联情况z_nk以及所关联基站SBS n的休眠状态 y_n有关，因为SBS n会给不同的用户提供不等的信道速率r_n,k，因此产生不同的能量消耗。

(3)回程链路传输能耗E₃

如果用户u_k关联到本地基站SBS n但基站没有缓存用户请求的内容，则本地基站通过回程链路向MBS获取内容

则该过程产生的回程链路的传输能耗为：

其中，

表示MBS向SBS n传输的平均速率，其单位为比特/秒(bit/s)。

(4)宏基站用户传输能耗E₄

为了保证当前所有用户都可以接入基站并访问内容，本发明的策略将所有未接入SBS的用户统一接入到MBS中成为宏基站用户。因此，宏基站用户传输能耗为：

其中，P_m2是MBS向宏基站用户传输内容的发射功率，r_m,k是MBS向用户u_k传输内容的速率，单位为比特/秒(bit/s)。

(5)静态维持能耗E₅

由于考虑休眠策略，因此基站处于工作状态下的静态功耗为：

其中，E_st为一个SBS的静态功耗，其单位为焦耳(J)。

根据上述各部分的能耗分析，可以得出系统整体能耗为：

E_total＝E₁+E₂+E₃+E₄+E₅

考虑到基站存储容量和服务用户数量等限制，本发明实施例建立以用户获取内容的系统能耗最小化为目标的基站休眠和内容缓存联合优化模型，即联合优化模型，公式如下：

表示所有可能被请求的内容集合，

表示SBS的集合，

表示一个用户最多只能关联一个SBS；

表示缓存策略必须要在基站工作状态下进行；

和

分别表示对内容缓存变量和基站休眠变量进行二元约束。

以所有用户到达并发送内容请求作为一个周期。在每个周期开始时，内容缓存和基站休眠会被初始化，即各基站随机缓存一定内容，随机选取部分基站进入休眠状态。为了联合内容缓存和基站休眠技术来降低系统能耗并保证用户的服务质量，引入两个二进制决策变量：基站的内容缓存变量x_nf和基站休眠变量y_n。

在每个完整周期内，用户依据关联规则接入相应的基站，并向其关联的基站发送不固定次数与类型的内容请求。

所述关联规则包括：采取最大传输速率关联，计算各处于工作状态的SBS 与用户u_k的传输速率r_n,k，如果

选取能够提供最大传输速率的基站进行关联。其中，max{r_1,k,r_2,k,...,r_n,k}表示u_k可以接收的最大传输速率，r_2,k表示第2个处于工作状态的SBS与用户u_k的传输速率，

为事先设定的最低传输速率阈值，该阈值能够保证用户关联的SBS为用户提供较高的服务质量。

确定第i个周期的用户关联状态包括：设定二进制变量z_nk表示用户u_k与 SBS n的关联情况，当z_nk＝1时，表示用户u_k与SBS n关联，此时SBS n处于工作状态并且该基站给用户u_k提供的传输速率最大，用户u_k请求的内容由SBS n传递给该用户；当z_nk＝0时，表示用户u_k与SBS n未关联，SBS n不满足用户u_k的接入条件。

所述二进制变量z_nk是由决策变量y_n和r_n,k得到，即：

若所有SBS都无法满足用户u_k的接入条件，则将用户u_k直接接入MBS，与宏基站相关联，成为宏基站用户，用户u_k请求的内容由MBS传递给该用户。

为了降低回传链路的传输能耗，假设MBS可以满足所有用户发出的内容请求，即不考虑内容通过核心网传输给MBS的情况。用户u_k向关联的基站发送内容请求，接收内容的方式包括以下三种：

①当用户k与SBS n关联时，即z_nk＝1，用户接入SBS n。如果SBS n缓存了用户u_k在当前周期下请求的内容文件

即x_nf＝1，那么该内容将直接由SBS n发送给用户u_k。

②当用户u_k与SBS n关联时，即z_nk＝1，用户接入SBS n。但是SBS n没有缓存用户u_k在当前周期内所请求的内容文件

即x_nf＝0，那么SBS n将向MBS 索取内容

该内容通过MBS传输给SBS n，再传输给用户u_k。

③如果所有的SBS都不满足用户u_k的接入条件，即

那么用户u_k将直接由MBS提供服务，该用户为宏蜂窝用户，请求的内容由MBS直接传输。

S4、根据第i个周期的用户关联状态，结合第i个周期用户对内容的请求状态，利用离散量子粒子群算法对联合优化模型进行求解，得到第i+1个周期基站的内容缓存状态和基站休眠状态。

量子粒子群算法(Quantum-PSO)是一种有效的全局寻优算法，寻优能力强且收敛速度快。在QPSO中，需要通过波函数来描述粒子的状态，再通过求解薛定谔方程和蒙特卡罗随机模拟方式得到粒子的位置方程。QPSO的基本思想是在D维空间中随机初始化一个种群规模为H的群落，每个粒子在D维空间里以概率值确定加或减，更新粒子位置。将群落中的每个粒子视为一个可行解，在运行过程中不断的学习并保存最优值。

将基站的内容缓存变量和基站休眠变量作为粒子，第i个粒子在t次迭代的位置为

t+1次迭代的个体最优位置pbest为

t+1次迭代的全局最优位置gbest为

其中，

表示t次迭代时第i个粒子第D个量子位的位置，

表示t+1次迭代时第i个粒子的个体最优位置，

表示t次迭代时第i个粒子第D个量子位的个体最优位置，D表示量子位，即维度，

表示t+1次迭代时第i个粒子的全局最优位置，

表示t次迭代时第i个粒子第D个量子位的全局最优位置。

量子粒子群QPSO算法中迭代方程如下：

X_i,j(t+1)＝P(t)±α|mbest_j(t)-X_i,j(t)|ln(1/u_i,j(t)) (3)

其中，mbest表示平均最优位置，H表示群落的种群规模，P_i(t)表示t次迭代时第i个粒子的个体最优位置，P_i,1(t)表示t次迭代时第i个粒子第1个量子位的个体最优位置，P_i表示局部吸引子，pbest_i表示t次迭代的个体最优位置，t表示迭代次数，X_i,j(t+1)表示t+1次迭代时第i个粒子第j个量子位的位置，X_i,j(t) 表示t次迭代时第i个粒子第j个量子位的位置，i表示第i个粒子，j表示第j 个量子位，

为0和1之间的随机数，α为收缩扩张因子，u_i,j(t)为0到1之间随机数。

上述QPSO算法仅适合连续的状态模型，本发明的联合优化模型是一种离散的模型，所以本发明对QPSO算法进行离散化改进处理，即离散量子粒子群算法DQPSO。

进一步的，利用离散量子粒子群算法DQPSO对联合优化模型进行求解的具体实现方式包括以下步骤：

初始化各类参数，获得各基站的内容缓存变量x_nf、基站休眠变量y_n和用户关联变量z_nk等信息；

计算粒子的适应度，所述粒子的适应度即该粒子所在位置对应的系统整体能耗E_total，根据粒子的适应度得到所有粒子的个体最优位置pbest、平均最优位置mbest和全局最优位置gbest；

其中，根据粒子的适应度得到粒子的个体最优位置pbest包括：计算第i个粒子在当前迭代过程中每一维度的能耗(适应度)，然后将每一维度的能耗进行求和，得到当前迭代过程中第i个粒子所有维度的能耗之和，若在当前迭代过程中第i个粒子所有维度的能耗之和小于上一次迭代过程中该粒子所有维度的能耗之和，则将个体最优位置pbest替换为当前第i个粒子的位置，否则，个体最优位置pbest不变。

根据适应度得到所有粒子的全局最优位置gbest：计算当前迭代过程中全体粒子的能耗总量，若该能耗总量低于上一次迭代过程的能耗总量，则当前全体粒子的位置就是全体粒子的全局最优位置gbest，否则全局最优位置不变。

平均最优位置mbest：采用0和1出现的概率对方程式(1)中的平均最优位置 mbest进行求解，根据H个个体最优位置pbest中同一维度上的0和1出现的概率对mbest进行取值：如果出现0的次数大，则mbest对应维度上的值为0，反之为 1；如果0和1出现的次数相同，则mbest同维度上的值随机选择0或者1。

由pbest和gbest采用遗传算法中的交叉操作获得局部吸引子P_i，对P_i进行粒子变异操作获得粒子的新位置。在粒子变异获得粒子的新位置中，局部吸引子P_i每个维度上的值由变异概率P_r确定，如果P_r＞rand()，rand()表示一个随机数，则P_i中对应维度上的0或者1发生变换，反之对P_i不做处理。将获得的新P_i作为粒子的更新位置X_i，得到第i+1个周期基站的内容缓存状态和基站休眠状态。

其中，粒子变异操作通过以下公式实现：

b＝α|mbest-x_i|ln(1/u) (4)

其中，b表示交叉局部因子，α表示收缩扩张因子，x_i表示第i个粒子，u为随机因子，且u～U(0,1)，|mbest-x_i|表示mbest和x_i之间的海明距离。

S5、判断当前迭代次数是否满足预先设定的迭代结束条件，若满足迭代结束条件，则结束算法，输出第i+1个周期的内容缓存状态和基站休眠状态；否则，令i＝i+1，返回步骤S3，继续进行迭代计算。

本发明将内容缓存变量和基站休眠变量作为DQPSO算法中的粒子，每个粒子(每个变量)进行迭代计算，满足迭代结束条件算法终止时得到全局最优位置，所述全局最优位置对应每个变量取“0”或者“1”的结果，所述全局最优位置即当系统能耗最低时基站的内容缓存变量x_nf和基站休眠变量y_n对应的解。

为了进一步说明本发明的有效性，图3-5为MATLAB环境下本发明与现有技术系统性能仿真图。本发明实验场景设计为：在一个半径为350m的宏蜂窝小区内随机部署覆盖半径为50m的20个SBS，SBS之间存在重叠覆盖，系统带宽为20MHz，MBS和SBS的传输功率分别为43dBm和23dBm，用户数 M＝300，每个SBS可服务的最大用户数为10，设每种内容的所需缓存空间大小均为10Mbits，系统中共有100个内容。假设SBS的存储容量为200Mbits， MBS可以满足所有用户发出的内容请求类型。假设用户u_k对内容的请求次数服从均匀分布λ_kf～U(0,5)，设用户的最低下载速率为r_min＝1Mbit/s。假设SBS采用动态随机存取存储器(DRAM)作为高速缓存的硬件技术，且E_ca＝2.5×10-³J/bit。设用户对内容的请求服从齐夫Zipf分布，即

取θ＝0.8。

将本发明提出的内容缓存和基站休眠联合优化策略与另外两种缓存和休眠策略进行对比，可以从图3看出不同策略下系统能耗的变化。其中，内容缓存和基站休眠的联合优化算法利用离散量子粒子群算法，对内容缓存变量和基站休眠变量进行调整，达到降低能耗的目的；“流行度缓存”是根据到达用户对所有内容的请求次数进行计算，将内容按照请求次数由大到小进行排序，各SBS 优先缓存请求次数较多的内容，直到达到基站缓存的容量上限。该策略不考虑基站休眠带来的影响，即“流行度缓存”策略下所有SBS均处于工作状态；“仅休眠不缓存”指所有SBS都不缓存内容，用户关联到基站后，请求内容将通过 MBS传输给SBS，再由SBS传输给用户，基站休眠的策略与本发明的联合优化策略的休眠策略相同。从图中可以发现，三种策略下的系统能耗都会伴随着SBS 数量N的增长而不断增加。而相比之下，联合优化策略下的系统能耗最低，而“流行度缓存”策略下的系统能耗最高。

图4和图5分别展示了系统能耗随SBS的静态能耗E_st和缓存容量S_max的变化曲线。显然，随着SBS的静态能耗E_st的增加，由于工作状态下的SBS所占比例较高，因此各个策略下的系统能耗都在增加。但相比之下，联合优化策略下的系统能耗是各类策略下系统能耗最低的。通过图5可以看出，虽然由于缓存能耗较小的原因，伴随着缓存容量S_max的增加，各策略下的系统能耗降低幅度都不明显，但内容缓存和基站休眠联合优化策略下的系统能耗仍为最低，表现最优。

综上所述，根据本发明的上述实施例，提供了异构蜂窝网中内容缓存与基站休眠联合优化算法，根据用户与基站之间的传输速率采取合适的关联策略，降低了整个系统的能量消耗，减少了回程链路上的传输冗余，同时考虑用户获取内容的最小下载速率要求，保证了用户的服务质量。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：ROM、RAM、磁盘或光盘等。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种异构蜂窝网络内容缓存和基站休眠联合优化方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种异构蜂窝网络内容缓存和基站休眠联合优化方法，其特征在于，所述系统整体能耗为基站缓存能耗E₁、本地传输能耗E₂、回程链路传输能耗E₃、宏基站用户传输能耗E₄、静态维持能耗E₅之和。

3.根据权利要求2所述的一种异构蜂窝网络内容缓存和基站休眠联合优化方法，其特征在于，所述联合优化模型包括：

表示所有可能被请求的内容集合，

表示SBS的集合，

表示用户集合，z_nk表示用户关联变量，I_n表示SBSn可同时服务的用户数上限，u_k表示用户k。

4.根据权利要求1所述的一种异构蜂窝网络内容缓存和基站休眠联合优化方法，其特征在于，所述关联规则包括：采取最大传输速率关联，计算各处于工作状态的SBS与用户u_k的传输速率r_n,k，如果

选取能够提供最大传输速率的基站进行关联；其中，max{r_1,k,r_2,k,...,r_n,k}表示用户u_k接收的最大传输速率，r_n,k表示第n个处于工作状态的SBS与用户u_k的传输速率，

为事先设定的最低传输速率阈值。

5.根据权利要求1所述的一种异构蜂窝网络内容缓存和基站休眠联合优化方法，其特征在于，所述确定第i个周期的用户关联状态具体包括：设定二进制变量z_nk表示用户u_k与SBSn的关联情况，当z_nk＝1时，表示用户u_k与SBSn关联，此时SBSn处于工作状态并且该基站给用户u_k提供的传输速率最大，用户u_k请求的内容由SBSn传递给该用户；当z_nk＝0时，表示用户u_k与SBSn未关联，SBSn不满足用户u_k的关联条件，若所有SBS都无法满足用户u_k的关联条件，则将用户u_k直接接入MBS，与宏基站相关联，成为宏基站用户，用户u_k请求的内容由MBS传递给该用户；

所述二进制变量z_nk是由决策变量y_n和r_n,k确定，即：

为事先设定的最低传输速率阈值。

6.根据权利要求1所述的一种异构蜂窝网络内容缓存和基站休眠联合优化方法，其特征在于，所述利用离散量子粒子群算法对联合优化模型进行求解包括：

S43、由pbest和gbest交叉操作获得局部吸引子P_i；

S44、根据平均最优位置mbest对P_i进行粒子变异操作获得粒子的更新位置X_i，得到第i+1个周期基站的内容缓存状态和基站休眠状态。