CN111586439A - 一种认知内容中心网络的视频绿色缓存方法 - Google Patents
一种认知内容中心网络的视频绿色缓存方法 Download PDFInfo
- Publication number
- CN111586439A CN111586439A CN202010450101.4A CN202010450101A CN111586439A CN 111586439 A CN111586439 A CN 111586439A CN 202010450101 A CN202010450101 A CN 202010450101A CN 111586439 A CN111586439 A CN 111586439A
- Authority
- CN
- China
- Prior art keywords
- content
- csbs
- model
- expression
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/20—Servers specifically adapted for the distribution of content, e.g. VOD servers; Operations thereof
- H04N21/23—Processing of content or additional data; Elementary server operations; Server middleware
- H04N21/231—Content storage operation, e.g. caching movies for short term storage, replicating data over plural servers, prioritizing data for deletion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L27/00—Modulated-carrier systems
- H04L27/26—Systems using multi-frequency codes
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/56—Provisioning of proxy services
- H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/156—Availability of hardware or computational resources, e.g. encoding based on power-saving criteria
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
- H04N21/433—Content storage operation, e.g. storage operation in response to a pause request, caching operations
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种认知内容中心网络的视频绿色缓存方法,包括以下步骤:步骤S1、建立系统模型,其包括C‑CCN模型、基于SVC的缓存策略和基于OFDM的干扰模型;步骤S2、通过系统模型进行成功内容传输概率分析,通过得出的成功内容传输概率表达式推导出SCDR;步骤S3、建立能量模型,以实现最大化EE。本发明用于认知内容中心网络,其中视频文件采用SVC技术进行编码和频谱资源通过OFDM进行调制,以EE最大化为目标来实现最优的内容放置;且为建立EE模型推导出成功内容传输速率的表达式,其考虑了由于信道状态信息不完善而导致的次级基站与PUs之间的冲突干扰,并建立缓存策略的总功耗模型,最终将受缓存大小约束的EE优化问题进行公式化表达,达到最大化能效的目的。
Description
技术领域
本发明涉及信息中心网络和认知无线电网络技术领域,具体是涉及一种认知内容中心网络的绿色视频缓存方法。
背景技术
当前的互联网体系结构已经作为一个全局信息基础设施使用多年,其主要适用于静态主机之间的通信。然而网络数据流量的极具增长和用户需求从传统的以主机为中心服务转变为以内容为中心服务,入社交网络、多媒体和移动手机应用。针对这种内容获取性应用所带来的低延时、冗余和高清晰度的挑战,内容中心网络(Content CentricNetworking,CCN)受到了研究者们的广泛关注。
CCN的一个重要特征是网络内缓存,它在非高峰时段提前将流行内容放置在临近用户的节点上,则时延和回路负载能有效地提高。因此,这一特征可用于支持由于移动设备的扩散而导致爆炸性增长的无线和移动通信流量,它也可被应用于无线移动网络中。这是因为数据流量的很大一部分是由对一些流行内容的相同请求生成的。在各种移动数据流量中,视频业务在未来几年将占据很大一部分。因此,缓存视频内容近年来受到了广泛的关注。为了满足对同一视频的各种质量要求和网络状态,研究者们提出将伸缩视频编码(scalable video coding,SVC)技术应用在缓存策略中。
认知无线电技术被认为是解决频谱资源短缺的重要手段,其允许次级用户(secondary users,SUs)共享主网络空闲的频谱。这是由于大部分的频谱资源没有被主级用户(primary users,PUs)所占用。为了进一步支持SUs的机会访问,提出了正交频分复用(orthogonal frequency division multiplexing,OFDM)技术,该技术是一种高效的多载波方法,可以提供灵活的频谱管理。
到目前为止,许多文献通过将缓存和频谱共享相结合的方法来有效提高用户的服务质量,例如下载时延、命中率等。由于环境问题和能源代价,能效(energy efficient,EE)被认定为未来第五代(fifthgeneration,5G)蜂窝网络的关键性能标准,能效被表示为平均每单位功耗有效传输速率。由于缓存能有效减少网络内重复内容的传输,从而有效降低功耗和提升EE,因此,一些研究人员致力于通过在无线网络上缓存内容来改进EE。然而,这些研究不能应用于更实际的场景,在这种场景中需要考虑不同用户对视频质量的需求。因此,在致力于缓存网络中的EE优化的同时,提供可伸缩的视频服务也是非常重要的。
综上所述,为了实现能效(即EE)最大化,研究一种基于SVC的缓存策略是至关重要的。
发明内容
本发明的目的在于提供一种基于SVC的概率缓存策略,该策略用于认知内容中心网络,并以能效最大化为目标来实现最优的内容放置。
本发明的目的及解决其技术问题是采用以下技术方案来实现。依据本发明提出的一种认知内容中心网络的视频绿色缓存方法,包括以下步骤:
步骤S1、建立系统模型;该系统模型包括C-CCN模型、基于SVC的缓存策略和基于OFDM的干扰模型;
步骤S2、通过所述系统模型进行成功内容传输概率分析,通过得出的成功内容传输概率表达式推导出SCDR;
步骤S3、建立能量模型:通过基于SVC的缓存策略设计一个功耗模型,并将该功耗模型与推导出的SCDR相结合来设计基于缓存大小的EE模型,通过最大化EE,获得最优的内容放置。
进一步的,步骤S1中,C-CCN模型是一个网络模型;基于SVC的缓存策略可使缓存的视频文件采用SVC技术以便于满足用户的多样化需求;基于OFDM的干扰模型使得次级基站间传输没有干扰;
则建立系统模型具体包括以下步骤:
步骤S101、建立C-CCN模型:其采用OFDM技术将频谱带W分为N个窄带信道,则每个信道带宽为B0=W/N;假设该N个窄带信道对应N个主网络并与一个异构的CR网络并存;CR网络中包括一个AP、多个SBs和一个给定的SU,主网络包含一个PB和多个Pus,SBs在每个时间戳T开始时协作感知频谱带宽,并且将感知情况报道给AP,AP根据感知结果融合规则将全部的空闲信道分配给SBs用于机会传输;在异构的CR网络中,SBs被分为MSB层和CSB层,MSBs和CSBs在CR网络中是独立同分布的,CSBs被分为集群和集群来缓存不同质量的内容,SU放置在CR网络的中心;
采用SVC将每个视频编码为一个BL和一个EL,仅在集群中的CSBs中缓存BL内容,用于提供基础视频质量;集群中的CSBs缓存EL内容,其与BL内容共存以提供优异的视频质量,定义只有BL内容的视频文件是SD视频,并将包含BL和EL内容的视频文件定义为HD视频;
步骤S102、基于SVC的缓存策略:假设用户请求的视频文件来自一个有限的视频库F={f1,...,fm,...,fM},且每个视频文件大小相等,每个BL和EL内容大小分别为Lb和Le,每个CSB的缓存空间为M,它能缓存的BL和EL内容的数量分别为和假设视频的流行度服从Zipf分布,令gsd(m)和1-ghd(m)代表第m个视频文件对SD和HD视频质量的偏好,得到:
步骤S103、基于OFDM的干扰模型:基于OFDM的干扰模型定义为:
令Si(i∈N)和Ai(i∈N)分别表示对信道i的感知结果和真实结果,其值都为1时,表明该信道被占用,其值为0时,表明该信道是空闲的,对应的式中i、j和m都表示信道;δj、δm表示对应信道漏检概率,∈j、∈m表示对应信道虚警概率;其中代表PUs在信道j上传输概率,假设它的值对于所有信道保持不变,代表PUs在信道m上传输概率,假设它的值对于所有信道保持不变;ωj和βm是常数,可重新表示为ω和β,ω代表OOB泄漏产生干扰的概率,β代表由于漏检产生干扰的概率。
进一步的,步骤S2中,要获得SCDR,需先得出成功内容传输概率表达式,则推导成功内容传输速率SCDR具体包括以下步骤:
步骤S201、SCDR定义:
基站能成功回复SU的请求分为两种情况,分别是:
A、SBs响应请求的BL和EL内容;
B、从协作CSBs或最近的MSB到SU的过程中视频层传送是成功的;
在情况A下,所请求的视频层由最近的MSB m0提供服务,并且SCDR是SINR的函数,它可以表示为:
在情况B下,请求的EL和BL内容被协作CSBs响应,令v1和v2分别表示缓存所请求的BL和EL内容的CSBs数量,当BL和EL内容被协作CSBs响应时,SCDR可表示为:
式(5)、式(6)中γb和γe表示协作CSBs分别提供BL和EL内容的最低QoS要求;
步骤S202、来自最近MSB的SCDR:
当来自库F的视频文件不能被CSBs完全提供,则剩余的内容将由SU最近的MSB m0通过回程链路从核心网络中获得,SU接收到的SINR可表示为:
在公式(4)至(7)中,是从m0到SU的瑞利衰落,服从hP,n是从第n个PU到SU的瑞利衰落,服从PM和PP分别是MSB和PU的发射功率;变量表示从m0到SU的距离,变量dP,n表示从第n个PU到SU的距离;αM>2是从m0到SU的路径损耗指数,αP>2是从第n个PU到SU的路径损耗指数;σ2是背景热噪声的方差;在公式(7)中,当时,代表由于PUs在被m0占用的信道i上传输而引发的干扰;
令η(μ)=exp(μ2)erfc(μ),令αM=αP=4,可直接得到U(0)=π/2,则上式变为:
使用公式:
进一步的,步骤S3中,能量模型的建立具体包括以下步骤:
步骤S301、功耗模型:令Ptr表示在感知信道上传输请求的BL和EL内容所消耗的功率、Pca表示缓存功率消耗、Pbh是回程功率消耗、Pse为感知功率消耗和Pci是循环功率消耗,则总功耗可如下表示:
PTotal=Ptr+Pca+Pbh+Pse+Pci (26)
忽略静态的能量消耗,并用Ptr/Pse=ζ来替换Pse。则上述表达式可转化成:
式中ξC和ξM是能耗系数,并分别反映了CSBs和MSB能量放大器的影响;
缓存功耗与CSBs缓存比特数有关,因此,缓存的平均能耗计算为:
式中ca是缓存功耗的系数,单位为W/比特。
回程功耗与回程链路传输的数据量有关,因此,该功耗表达式如下:
式中cb表示为回程功耗系数,单位是W/比特,且cb的值大于ca;
步骤S302、指定SU的平均总速率:
令和分别表示最近MSB响应请求的BL和EL内容的概率,pc,b(v1)表示提供BL内容的协作CSBs的数量是v1的概率和pc,e(v2)表示提供EL内容的协作CSBs的数量是v2的概率,则指定SU的平均总速率表示为:
步骤S303、建立最优EE模型:
式(32)中目标函数是光滑函数,且限制条件从C1到C3形成凸集。
本发明一种认知内容中心网络的视频绿色缓存方法,其中视频文件采用SVC技术进行编码和频谱资源通过OFDM进行调制,本发明以EE最大化为目标来实现最优的内容放置;为建立EE模型,推导出成功内容传输速率(successfulcontent delivery rate,SCDR)的表达式,其考虑了由于信道状态信息(channel state information,CSI)不完善而导致的次级基站(secondary base stations,SBs)与PUs之间的冲突干扰,并建立了缓存策略的总功耗模型;此外可将受缓存大小约束的EE优化问题进行公式化表达,由于该优化问题是非凸目标函数,则利用标准梯度投影算法可以有效地解决它,最终实现能效最大化。
上述说明仅是本发明技术方案的概述,为了能更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为让本发明的上述和其他目的、特征和优点能够更明显易懂,以下特举较佳实施例,并配合附图,详细说明如下。
附图说明
图1是本发明一种认知内容中心网络的视频绿色缓存方法中系统模型中的C-CCN模型结构示意图。
具体实施方式
以下结合附图及较佳实施例,对本发明的技术方案作进一步的详细说明。
请参阅图1,本发明实施例提供了一种认知内容中心网络的视频绿色缓存方法,本实施例中,考虑视频质量的偏好和内容的传输,提出了基于SVC概率缓存方法,其通过SVC技术将视频文件编码为多个层,提供给用户标清(Standard Definition,SD)视频和高清(High Definition,HD)视频;并推导出成功内容传输概率和成功内容传输速率的表达式,并从这些表达式中得到一些重要结论;此外根据提出的缓存方法,建立总能耗模型。基于上述表达式和模型,成功将EE优化问题公式化。本实施例中的认知内容中心网络的视频绿色缓存方法具体包括以下步骤:
步骤S1、建立系统模型:该系统模型是一个支持SVC的C-CCN系统模型,其由C-CCN模型、基于SVC的缓存策略和基于OFDM的干扰模型组成;
步骤S101、C-CCN模型:C-CCN的全称为认知内容中心网络,它是将认知无线电的频谱共享特性融入到内容中心网络(CCN)中,即C-CCN中的次级基站可以在主频谱空闲时使用空闲信道。
C-CCN模型如图1所示,它采用OFDM技术将频谱带W分为N个窄带信道,则每个信道带宽为B0=W/N。假设这N个窄带信道对应N个主网络,它们与一个异构的CR网络并存。为了不失一般性,本实施例中异构的CR网络中包含一个访问点(access point,AP)、多个SBs和一个给定的SU,它位于CR网络中心。主网络包含一个主基站(primary basestation,PB)和多个PUs。SBs在每个时间戳T开始时协作感知频谱带宽,并且将感知情况报道给AP,AP根据感知结果融合规则将全部的空闲信道分配给SBs用于机会传输,如“L中选K”:当至少有K个SBs感测到该信道被占用(空闲)时,AP则认为信道被占用(空闲)。剩余的信道被认为是被PUs占用,则它们不用于SB传输,并用来表示。根据OFDM特性,所有基站和相关用户仅需要配备一个天线。
在异构的CR网络中,SBs被分为两层:MSB层和CSB层。SB是指次级基站,本发明将次级基站分为两类,即MSB和CSB,其中MSB理解为宏次级基站,CSB为普通次级建站。MSBs和CSBs在CR网络中是独立同分布的,它们的位置服从同构泊松点过程(Poisson PointProcess,PPP)ΦC和ΦM,其强度分别为λC和λM。
为满足SU的不同需求,支持缓存的CSBs被分为两个集群来缓存不同质量的内容。特别地,将SU放置在CR网络的中心,位于半径为r1的圆中的CSBs集合形成集群并将该集群的大小定义为位于半径r1和r2之间的环形空间内CSBs集合形成集群因此该集群中的CSB的数量被定义为
为了方便阐述,采用SVC将每个视频编码为一个BL和一个EL。仅在集群中的CSBs中缓存BL内容,它能提供基础视频质量,而集群中的CSBs缓存EL内容,其与BL内容共存以提供优异的视频质量。由于BL内容的存在是EL内容解码的关键,因此更靠近SU的群集应该缓存BL内容;本实施例中定义只有BL内容的视频文件是SD视频,并将包含BL和EL内容的视频文件定义为HD视频。当SU请求第m个视频文件,位于的CSBs可以提供请求文件的BL内容。如果SU需要HD视频,属于集群的CSBs可以提供该请求文件的EL内容。由于有限的缓存空间,CR网络中的CSBs也许不能提供完整的视频层,因此,剩余的层需要由最近的MSB通过回程链路从核心网络获取。
步骤S102、基于SVC的缓存策略:
假设用户请求的视频文件来自一个有限的视频库F={f1,...,fm,...,fM},并且每个视频文件的大小相等。每个BL和EL内容的大小分别为Lb和Le。每个CSB的缓存空间为M,它能缓存的BL和EL内容的数量分别为和我们假设视频的流行度服从Zipf分布,其表达式如公式(3-1)所示。SD和HD视频质量的偏好根据不同的视频类型呈现不同的趋势。我们只考虑视频具有共同的视频类型。令gsd(m)和1-ghd(m)代表第m个视频文件对SD和HD视频质量的偏好,得到:
基于上述的内容传输协议和用户请求模型,我们提出了一个基于SVC缓存策略,它描述如下:
概率缓存(Probabilistic Caching,PC):完整的BL和EL内容依概率分别被缓存在集群和中。假设Hb,m和He,m表示为第m个视频文件的BL和EL内容被分别缓存在集群和中的概率,它们被表示为Hb={Hb,1,Hb,2,...,Hb,F}和He={He,1,He,2,...,He,F}。
步骤S103、基于OFDM的干扰模型:由于采用OFDM技术将PB的频谱带划分为N个信道,因此所有基站都通过正交的PB信道进行数据传输。这里,假设SB采用OFDM调制。在这种情况下,我们认为所有基站之间不存在同信道干扰。然而,CR网络可以通过以下情况引入PU干扰:(1)PUs带外(out-of-band,OOB)泄漏;(2)不完美的频谱感知。OOB泄漏的原因是PUs占用属于集群信道上的辐射功率泄漏到SBs占用的相邻信道,它通过系统设计可以避免由OOB泄漏引起的干扰。因此,我们没有考虑OOB泄漏。由于传播因子(即衰落和阴影)的影响,并且由于有限的SB感知,SBs感知结果将出现两种类型的检测错误,一种是虚警,可能导致频谱机会的丢失,从而导致整个CR网络吞吐量减少;另一种是漏检,其可以导致与PUs的冲突。第二种情况将导致对PU的严重干扰,反过来,PU也会对SB造成干扰。导致上述两个检测错误的原因具体如下所述:
由于不同的SBs感知结果是多变的,一些SBs偶尔会检测到低于感测阈值的弱PU信号。在这种情况下,SB k识别信道i是空闲的,但是实际上它是被占用的,这称为漏检,它发生的概率为δki。另一种情况是,SB k识别信道i是被占用的,但是实际上它是空闲的的,这称为虚警,它发生的概率为∈ki。由于SBs合作频谱感知协议,则所有SBs向AP汇报它们的感知结果,并根据融合规则来识别信道i,其合作漏检和虚警概率分别表示为δi和∈i。AP采用的融合规则可决定δki和δi或∈ki和∈i之间的关系,而1-δi和∈i之间的关系由接收者操作性能曲线决定,它代表频谱感知性能。在提出的模型中,我们假设对于所有信道i,δi和∈i是值保持不变。
在AP决策融合过程中,有两种情况会在SBs信道中引入干扰。一种是AP识别信道被PUs占用,并且这个感知结果与实际结果一致。另一种是AP识别信道是空闲的,但是实际上该信道是被PUs占用的。令Si和Ai分别表示对信道i的感知结果和真实结果,其值都为1时,表明该信道被占用的;其值为0时,表明该信道是空闲的。给定感知结果,则条件概率模型表示为:
注意ω代表OOB泄漏产生干扰的概率,我们不讨论它,而β代表由于漏检产生干扰的概率。
步骤S2、成功内容传输概率分析:在提出的网络模型中,SCDR是形式化EE模型的基石,EE可被表示为平均每单位功耗有效传输概率,因此本实施例中推导出当合作CSBs和最近MSB响应SU的请求时SCDR的表达式。
进一步而言,在步骤S2中对成功内容传输概率分析过程中具体包括以下步骤:
步骤S201、SCDR定义。
只有在以下情况下,基站才能成功地回复SU的请求:1、SBs响应请求的BL和EL内容,2、从协作CSBs或最近的MSB到SU的过程中视频层传送是成功的。因此,视频层的成功传送可表示为接收的信干噪比(signal-to-interference-plus-noise ratio,SINR)满足最小服务质量(quality of service,QoS)要求的事件。这里,背景热噪声是高斯白噪声,其服从注意,在从最近的MSB和协作CSBs服务视频层的两种情况下,SU接收到的SINR是不同的。在第一种情况下,所请求的视频层由最近的MSB m0提供服务,并且SCDR是SINR的函数,它可以表示为:
在第二种情况,请求的EL和BL内容被协作CSBs响应。因此,在SU端认为接受到来自协作CSBs的信号是叠加的,它们被看为是单一的流。由于响应EL和BL内容的CSBs数量不同,则它们的信号强度也不同。令v1和v2分别表示缓存所请求的BL和EL内容的CSBs数量。当BL和EL内容被协作CSBs响应时,SCDR可表示为:
式(5)、(6)中γb和γe表示协作CSBs分别提供BL和EL内容的最低QoS要求。从SCDR定义可以看出,给定的SCDR可以保证最低的QoS要求。
步骤S202、来自最近MSB的SCDR:
当来自库F的视频文件不能被CSBs完全提供,则剩余的内容将由SU最近的MSB m0通过回程链路i从核心网络中获得。SU接收到的SINR可表示为:
在公式(4)至(7)中,是从m0到SU的瑞利衰落,它服从复高斯分布(即hP,n是从第n个PU到SU的瑞利衰落,它服从复高斯分布(即PM和PP分别是MSB和PU的发射功率;变量表示从m0(第n个PU)到SU的距离;αM>2(αP>2)是从m0(第n个PU)到SU的路径损耗指数;σ2是背景热噪声的方差。在公式(7)中,当时,代表由于PUs在被m0占用的信道i上传输而引发的干扰。
为简单描述,令η(μ)=exp(μ2)erfc(μ),令αM=αP=4,可以直接得到U(0)=π/2,则上式变为
使用公式
步骤S3、能量模型。在本步骤中,首先针对提出的缓存策略设计了一个功耗模型,并将它与推导出的SCDR相结合来设计基于缓存大小的一个EE模型,具体包括以下步骤:
步骤S301、功耗模型。令Ptr表示在感知信道上传输请求的BL和EL内容所消耗的功率、Pca表示缓存功率消耗、Pbh是回程功率消耗、Pse为感知功率消耗和Pci是循环功率消耗,它是一个常数,则总功耗可如下表示:
PTotal=Ptr+Pca+Pbh+Pse+Pci (26)
忽略静态的能量消耗,并用Ptr/Pse=ζ来替换Pse。则上述表达式可转化成:
式中ξC和ξM是能耗系数,它们分别反映了CSBs和MSB能量放大器的影响。
缓存功耗与CSBs缓存比特数有关,因此,缓存的平均能耗计算为:
式中ca是缓存功耗的系数,单位为W/比特。
回程功耗与回程链路传输的数据量有关,因此,该功耗表达式如下:
式中cb表示为回程功耗系数,单位是W/比特,它的值要大于ca。
步骤S302、指定SU的平均总速率。
令和分别表示最近MSB响应请求的BL和EL内容的概率,pc,b(v1)表示提供BL内容的协作CSBs的数量是v1的概率和pc,e(v2)表示提供EL内容的协作CSBs的数量是v2的概率,则指定SU的平均总速率表示为:
步骤S303、最优的EE模型。
SCDR的表达式中已满足最小的QoS需求,因此,在EE优化模型中,QoS是它的固有特性,则该模型只需关注缓存大小的限制。
式中目标函数是光滑函数,并且限制条件从C1到C3形成了一个凸集,因此可采用标准梯度投影法解决上述优化问题,如下列的算法1所示。
在算法1中,步长∈(t)满足:
综上所述,本实施例采用基于SVC的概率缓存策略,其通过SVC技术将视频文件编码为多个层,提供给用户标清视频和高清视频,通过推导成功内容传输概率和成功内容传输速度的表达式以及建立的总能耗模型,成功将EE优化问题公式化,从而实现能效最大化。
以上所述,仅是本发明的较佳实施例而已,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (4)
1.一种认知内容中心网络的视频绿色缓存方法,其特征在于包括以下步骤:
步骤S1、建立系统模型;该系统模型包括C-CCN模型、基于SVC的缓存策略和基于OFDM的干扰模型;
步骤S2、通过所述系统模型进行成功内容传输概率分析,通过得出的成功内容传输概率表达式推导出SCDR;
步骤S3、建立能量模型:通过基于SVC的缓存策略设计一个功耗模型,并将该功耗模型与推导出的SCDR相结合来设计基于缓存大小的EE模型,通过最大化EE,获得最优的内容放置。
2.根据权利要求1所述的一种认知内容中心网络的视频绿色缓存方法,其特征在于,步骤S1中,C-CCN模型是一个网络模型;基于SVC的缓存策略可使缓存的视频文件采用SVC技术以便于满足用户的多样化需求;基于OFDM的干扰模型使得次级基站间传输没有干扰;
则建立系统模型具体包括以下步骤:
步骤S101、建立C-CCN模型:其采用OFDM技术将频谱带W分为N个窄带信道,则每个信道带宽为B0=W/N;假设该N个窄带信道对应N个主网络并与一个异构的CR网络并存;CR网络中包括一个AP、多个SBs和一个给定的SU,主网络包含一个PB和多个Pus,SBs在每个时间戳T开始时协作感知频谱带宽,并且将感知情况报道给AP,AP根据感知结果融合规则将全部的空闲信道分配给SBs用于机会传输;在异构的CR网络中,SBs被分为MSB层和CSB层,MSBs和CSBs在CR网络中是独立同分布的,CSBs被分为集群和集群来缓存不同质量的内容,SU放置在CR网络的中心;
采用SVC将每个视频编码为一个BL和一个EL,仅在集群中的CSBs中缓存BL内容,用于提供基础视频质量;集群中的CSBs缓存EL内容,其与BL内容共存以提供优异的视频质量,定义只有BL内容的视频文件是SD视频,并将包含BL和EL内容的视频文件定义为HD视频;
步骤S102、基于SVC的缓存策略:假设用户请求的视频文件来自一个有限的视频库F={f1,...,fm,...,fM},且每个视频文件大小相等,每个BL和EL内容大小分别为Lb和Le,每个CSB的缓存空间为M,它能缓存的BL和EL内容的数量分别为和假设视频的流行度服从Zipf分布,令gsd(m)和1-ghd(m)代表第m个视频文件对SD和HD视频质量的偏好,得到:
步骤S103、基于OFDM的干扰模型:基于OFDM的干扰模型定义为:
3.根据权利要求2所述的一种认知内容中心网络的视频绿色缓存方法,其特征在于,步骤S2中,要获得SCDR,需先得出成功内容传输概率表达式,则推导成功内容传输速率SCDR具体包括以下步骤:
步骤S201、SCDR定义:
基站能成功回复SU的请求分为两种情况,分别是:
A、SBs响应请求的BL和EL内容;
B、从协作CSBs或最近的MSB到SU的过程中视频层传送是成功的;
在情况A下,所请求的视频层由最近的MSB m0提供服务,并且SCDR是SINR的函数,它可以表示为:
在情况B下,请求的EL和BL内容被协作CSBs响应,令v1和v2分别表示缓存所请求的BL和EL内容的CSBs数量,当BL和EL内容被协作CSBs响应时,SCDR可表示为:
式(5)、式(6)中γb和γe表示协作CSBs分别提供BL和EL内容的最低QoS要求;
步骤S202、来自最近MSB的SCDR:
当来自库F的视频文件不能被CSBs完全提供,则剩余的内容将由SU最近的MSB m0通过回程链路从核心网络中获得,SU接收到的SINR可表示为:
在公式(4)至(7)中,是从m0到SU的瑞利衰落,服从hP,n是从第n个PU到SU的瑞利衰落,服从PM和PP分别是MSB和PU的发射功率;变量表示从m0到SU的距离,变量dP,n表示从第n个PU到SU的距离;αM>2是从m0到SU的路径损耗指数,αP>2是从第n个PU到SU的路径损耗指数;σ2是背景热噪声的方差;在公式(7)中,当时,代表由于PUs在被m0占用的信道i上传输而引发的干扰;
令η(μ)=exp(μ2)erfc(μ),令αM=αP=4,可直接得到U(0)=π/2,则上式变为:
使用公式:
4.根据权利要求3所述的一种认知内容中心网络的视频绿色缓存方法,其特征在于,步骤S3中,能量模型的建立具体包括以下步骤:
步骤S301、功耗模型:令Ptr表示在感知信道上传输请求的BL和EL内容所消耗的功率、Pca表示缓存功率消耗、Pbh是回程功率消耗、Pse为感知功率消耗和Pci是循环功率消耗,则总功耗可如下表示:
PTotal=Ptr+Pca+Pbh+Pse+Pci (26)
忽略静态的能量消耗,并用Ptr/Pse=ζ来替换Pse。则上述表达式可转化成:
式中ξC和ξM是能耗系数,并分别反映了CSBs和MSB能量放大器的影响;
缓存功耗与CSBs缓存比特数有关,因此,缓存的平均能耗计算为:
式中ca是缓存功耗的系数,单位为W/比特。
回程功耗与回程链路传输的数据量有关,因此,该功耗表达式如下:
式中cb表示为回程功耗系数,单位是W/比特,且cb的值大于ca;
步骤S302、指定SU的平均总速率:
令和分别表示最近MSB响应请求的BL和EL内容的概率,pc,b(v1)表示提供BL内容的协作CSBs的数量是v1的概率和pc,e(v2)表示提供EL内容的协作CSBs的数量是v2的概率,则指定SU的平均总速率表示为:
步骤S303、建立最优EE模型:
式(32)中目标函数是光滑函数,且限制条件从C1到C3形成凸集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010450101.4A CN111586439A (zh) | 2020-05-25 | 2020-05-25 | 一种认知内容中心网络的视频绿色缓存方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010450101.4A CN111586439A (zh) | 2020-05-25 | 2020-05-25 | 一种认知内容中心网络的视频绿色缓存方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111586439A true CN111586439A (zh) | 2020-08-25 |
Family
ID=72112347
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010450101.4A Pending CN111586439A (zh) | 2020-05-25 | 2020-05-25 | 一种认知内容中心网络的视频绿色缓存方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111586439A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113225584A (zh) * | 2021-03-24 | 2021-08-06 | 西安交通大学 | 一种基于编码和缓存的跨层联合的视频传输方法、系统 |
CN113596138A (zh) * | 2021-07-26 | 2021-11-02 | 东北大学 | 一种基于深度强化学习的异构信息中心网络缓存分配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104660392A (zh) * | 2015-03-09 | 2015-05-27 | 重庆邮电大学 | 认知ofdm网络中基于预测的资源联合分配方法 |
CN106998353A (zh) * | 2017-02-27 | 2017-08-01 | 上海大学 | 一种内容中心网络中文件的最优缓存配置方法 |
CN109068356A (zh) * | 2018-07-19 | 2018-12-21 | 天津大学 | 一种用于认知无线电网络中的无线缓存分配方法 |
-
2020
- 2020-05-25 CN CN202010450101.4A patent/CN111586439A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104660392A (zh) * | 2015-03-09 | 2015-05-27 | 重庆邮电大学 | 认知ofdm网络中基于预测的资源联合分配方法 |
CN106998353A (zh) * | 2017-02-27 | 2017-08-01 | 上海大学 | 一种内容中心网络中文件的最优缓存配置方法 |
CN109068356A (zh) * | 2018-07-19 | 2018-12-21 | 天津大学 | 一种用于认知无线电网络中的无线缓存分配方法 |
Non-Patent Citations (1)
Title |
---|
杨美怡: "认知内容中心网络的视频缓存方法", 《中国优秀硕士学位论文全文数据库-信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113225584A (zh) * | 2021-03-24 | 2021-08-06 | 西安交通大学 | 一种基于编码和缓存的跨层联合的视频传输方法、系统 |
CN113225584B (zh) * | 2021-03-24 | 2022-02-22 | 西安交通大学 | 一种基于编码和缓存的跨层联合的视频传输方法、系统 |
CN113596138A (zh) * | 2021-07-26 | 2021-11-02 | 东北大学 | 一种基于深度强化学习的异构信息中心网络缓存分配方法 |
CN113596138B (zh) * | 2021-07-26 | 2022-06-21 | 东北大学 | 一种基于深度强化学习的异构信息中心网络缓存分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peng et al. | Backhaul-aware caching placement for wireless networks | |
US10129356B2 (en) | Physical layer caching for flexible MIMO cooperation in wireless networks | |
Sun et al. | QoE-driven transmission-aware cache placement and cooperative beamforming design in cloud-RANs | |
Yu et al. | Millimeter-wave backhaul traffic minimization for CoMP over 5G cellular networks | |
Yin et al. | QoS-oriented dynamic power allocation in NOMA-based wireless caching networks | |
Zhang et al. | DMRA: A decentralized resource allocation scheme for multi-SP mobile edge computing | |
JP2008271558A (ja) | 無線ネットワークにおけるビデオ伝送方法及び装置 | |
CN111586439A (zh) | 一种认知内容中心网络的视频绿色缓存方法 | |
CN107302801B (zh) | 一种5G混合场景下面向QoE的双层匹配博弈方法 | |
Mehrabi et al. | A survey on mobility management for MEC-enabled systems | |
Yang et al. | Resource allocation for virtual reality content sharing based on 5G D2D multicast communication | |
Sai et al. | Cooperative and efficient content caching and distribution mechanism in 5G network | |
CN109068356A (zh) | 一种用于认知无线电网络中的无线缓存分配方法 | |
Yin et al. | Energy-aware joint user association and resource allocation for coded cache-enabled hetnets | |
Zhang et al. | An energy-efficient opportunistic multicast scheduling based on superposition coding for mixed traffics in wireless networks | |
Kabir et al. | Energy-aware caching and collaboration for green communication systems. | |
Chehri et al. | Real‐time multiuser scheduling based on end‐user requirement using big data analytics | |
Chien et al. | Resource management in 5g mobile networks: Survey and challenges | |
Zhang et al. | Smart collaborative video caching for energy efficiency in cognitive content centric networks | |
Fang et al. | Drl-driven joint task offloading and resource allocation for energy-efficient content delivery in cloud-edge cooperation networks | |
Hou et al. | Caching and resource allocation in small cell networks | |
CN106912059B (zh) | 支持互信息积累的认知中继网络联合中继选择及资源分配方法 | |
She et al. | Context aware energy efficient optimization for video on-demand service over wireless networks | |
Ma et al. | Performance analysis and optimization for layer-based scalable video caching in 6G networks | |
CN110177340B (zh) | 一种以用户为中心的超密集网络资源分配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200825 |