CN111741480B - 一种车联网内容缓存决策优化方法 - Google Patents

Abstract

本发明涉及一种车联网内容缓存决策优化方法，属于移动通信技术领域。本模型中，每个雾节点负责计算任务卸载并缓存具有高流行度的内容，同时，当今的智能设备，例如智能手机和平板电脑，通常具有大容量的存储容量，而这些容量通常并未得到充分利用。通过利用这些存储空间，可以有效地实现无基础架构的缓存，即在设备级别的缓存，降低内容获取时延。在发明提出的场景下，雾节点所覆盖的一部分物联网设备UEs也具有一定的缓存能力。该方法可以解决内容调度问题，并优化缓存决策，以最小化用户获取内容总时延。

Description

一种车联网内容缓存决策优化方法

技术领域

本发明属于移动通信技术领域，涉及一种车联网内容缓存决策优化方法。

背景技术

5G作为以信息为中心的网络，其关键特性之一:in-network caching可以有效地减少重复的内容传输。对无线缓存的研究表明，在无线设备中缓存内容可以显著降低访问延迟、能耗和总流量。大数据分析还表明，在有限的缓存大小下，网络边缘节点的主动缓存可以实现100％的用户满意度，同时卸载98％的回程流量。联合内容缓存和卸载可以解决移动用户的大数据需求与有限的数据存储和处理能力之间的差距。这也在某种程度上推动了雾网络(Fog Network)的研究。

通过在接近终端用户设备的位置部署计算资源和缓存功能，雾网络显著提高了需要密集计算和低延迟的应用程序的能源效率和QoS(Quality of Service)。

随着5G网络的不断商用，很多服务也会和这些新应用结合，如高分辨率图片、超清视频、区域地图等，这些丰富的服务内容增加了移动网络的流量负载，而请求这些内容需要的高访问速度和低延迟，尤其是视频服务，根据CISCO的技术报告，到2021年底，视频流量被估计将占据年度因特网流量的82％。考虑到网络中内容具有时效性和重复利用性，将流行内容存储到带有存储功能的缓存结点(CN)和雾节点服务器(FN)，其中缓存节点通过D2D链路向设备集群提供内容服务，同时FN也可通过下行链路将所需内容服务传输到请求内容的设备。FN可以在无线接入网络侧存储功能，便于内容的存储与传输。将用户端设备直接连接到最近的支持云服务的网络边缘，这样可以有效地提高需要密集计算和低延迟的应用程序的服务质量，极大地减小数据传输时延，提升用户的体验。

而对基于边缘计算的物联网场景中的缓存研究涉及到非常复杂的系统分析，因为在应用需求、QoS提供、移动模式、无线接入接口和无线资源方面具有异构性的移动用户之间存在强耦合。

基于学习的无模型方法(learning-based and model-free approach)是一种很有前景的管理巨大状态空间和优化变量的方法，特别是利用DNNs。在本发明中，通过利用DRL框架来对无线网络中缓存和资源控制策略进行建模和优化。

发明内容

有鉴于此，本发明的目的在于提供一种车联网内容缓存决策优化方法。该方法可以解决内容调度问题，并优化缓存决策，以最小化用户获取内容总时延。

为达到上述目的，本发明提供如下技术方案：

一种车联网内容缓存决策优化方法，该方法包括以下步骤：

S1：运营商从设备集群中选择一部分物联网设备UE作为缓存节点CU并初始化网络；

S2：雾节点FN根据云服务中心的内容热度，在其内容数据库中初始化缓存内容，同时收集全局信道状态信息CSI与设备信息，初始化缓存策略；

S3：FN通过缓存策略向各缓存节点CU推送预测内容供其缓存；

S4：设备以广播方式向各个CU发送内容请求，若CU未返回相关内容，继而向FN发送请求，若FN未缓存相关内容，FN将从服务商获取相关内容；设备将获取内容的总时延，及所请求内容相关信息发送给FN；

S5：FN分析在时间内收到的内容请求相关信息，通过特征提取生成缓存认知回馈，FN通过该回馈预测下一时刻的请求内容，并推送给CUs；

S6：各CU计算内提供缓存服务所耗费的缓存成本，并反馈给FN；系统效用函数定义为

其包括内容获取时延与缓存优化成本；通过优化策略最大化系统效用函数。

可选的，在所述步骤S1中，每个CU将上传其设备相关信息，CU会为设备簇提供其存储资源和通信资源，网络运营商支付一定费用以激励C＝UE参与内容缓存。

可选的，在所述步骤S2和S3中，FN根据当前时隙服务商所提供内容的Zipf分布初始化其缓存数据库，最大化地存储高流行度的内容，并且初始化其缓存策略，然后推送数据库中流行度最高的内容给RU临近的CUs；CU收到FN推送的内容队列

并初始化其缓存为

缓存内容集随RU的请求信息更新，通过更赋感知能力的缓存实现内容服务时延的最小化。

可选的，在所述步骤S4中，假设RU在当前时隙请求某个内容，并且该内容并未存储在其本地：

针对RU请求的内容，分为以下情况：

1)CU已缓存请求内容，将CU反馈给RU的内容表示为CU-feedback，用

表示RU通过D2D链路从缓存节点CU获取内容的时延，获取内容总时延为

2)CU未缓存请求内容，FN已存储请求内容，将FN反馈给RU的内容表示为FN-feedback，用

表示请求内容从FN传输到RU的时延，获取内容总时延为

3)CU和FN都未缓存请求内容，则该RU的请求被发送到云端的内容服务商CP，而CP将通过FN向RU传输该内容，定义内容服务商反馈给FN的内容为CP-feedback，用T^B表示内容通过回程链路从CP传输到FN的时延，获取内容总时延为

可选的，在所述步骤S5中，定义缓存认知回馈CCF，位于FN的深度强化学习代理将依据缓存认知回馈对缓存策略进行优化；

缓存认知回馈由两部分组成：

1)设备认知回馈：设备所在位置、设备存储空间，网络状态以及历史请求数据；

2)内容认知回馈：内容大小、内容类型，以及内容被请求的频率。

可选的，在所述步骤S6中，RU获取内容的平均时延

量化CU提供缓存服务消耗的通信与存储资源，求出运营商的网络优化成本

最小化用户获取内容总时延，同时减少运营商付出的成本，系统优化效用函数定义为：

其中随系统状态改变，

本发明的有益效果在于：本发明旨在减少内容获取的时延，提高用户获取数据的速率。本发明利用部分用户设备的存储功能和雾节点服务器的存储功能，将内容通过D2D链路传输的协作缓存方式，可减小D2I链路的传输压力和雾节点服务器的缓存压力，根据不同用户设备的内容偏好，对位于不同位置的CU进行区别化预缓存，减少网络中的用户内容获取时延，并减少运营商成本。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为基于D2D辅助的用户内容请求网络模型；

图2为内容缓存策略流程图；

图3为内容请求流行度分布图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，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。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

图1是用户内容请求的模型图。图2为内容缓存策略流程图。网络由部署在AP侧的雾节点FN、设备簇中的请求设备RU以及缓存设备CU组成。FN与边缘云通过有线连接，提供存储和计算卸载服务；各设备间可通过D2D技术进行通信，同时也可通过D2I技术与FN相连，向FN服务器请求内容。考虑为半静态场景，即在内容传输过程中设备仍在当前设备簇及FN覆盖范围内，不考虑设备簇的动态生成与FN的切换，设备分布服从1-DPPP模型。

表示FN的集合。

表示RU集合，

表示CU集合。RU可以通过D2I链路与FN通信获取缓存内容或云端内容，或者通过D2D链路从CU获取缓存内容，同一时刻，RU只能选择一条链路进行连接。为避免D2I链路和D2D链路间的干扰，假设D2I与D2D链路使用不同带宽资源W^I，W^D；每个D2I链路和D2D链路分别使用带宽为

的正交信道。

(1)缓存模型

设场景中所有RU共请求了C个内容数量，请求内容集为

内容请求概率服从Zipf流行度分布，t时刻内容被请求的概率为：

其中，c表示内容流行度的排名，即第c流行的内容。η表示Zipf分布的形状参数，当η值越大时，代表大部分RU所请求的内容越集中于少部分最热门的内容。设FN服务器缓存内容随时间而变化，服从先入先出准则(FIFO)，定义V_k为CUk的存储空间。

FN计算t时刻RU获取内容的平均时延以及CU的总缓存成本，其中：

定义系统的优化效用函数为：

其中

随系统状态改变，故缓存优化目标为：

(2)通信模型

在本网络场景中，每个FN覆盖范围内为用户分配正交信道，因此FN内没有传输干扰。FN间可使用相同的频谱，FN之间存在传输干扰。

则FN m和RU n的下行链路SINR可表示为：

其中

是在t时刻FN m的发送功率，

是t时刻FN m和RU n链路的信道增益，

是t时刻链路受到的干扰，σ²是高斯白噪声。对FN m与RU n之间下行链路的SINR

进行量化，分为个D个区间，

当

处于某个区间范围内时，用对应的量化值表示信干噪比，例如，当

时，用Γ₁表示信噪比的值，

设备簇内信道相互正交，RU n和CU k的D2D链路SINR可表示为：

其中

是在t时刻CU k的发送功率，

是t时刻RU n和CU k链路的信道增益，采用同样的量化标准对

进行量化，当

时，用Γ₁表示信噪比的值，

D2D模式时延

定义为RU n通过D2D链路从CU k获取内容c的平均时延满足如下等式：

表示RU n与CU k之间的数据传输速率，其满足如下等式：

其中，

为CU k的信道带宽，

为t时刻RU n和CU k的D2D链路SINR。

D2I模式时延

定义为RU n通过D2I链路从FN m获取内容c对应的平均传输时延，其满足如下等式：

表示RU n到FN m的数据传输速率，其满足如下等式：

其中，

为FN k的信道带宽，

为t时刻RU n和FN m的D2I链路SINR。

内容获取总时延

定义λ_n，c为内容文件c被RU n请求的概率，其中

表示c已缓存在FN m中，

表示c已缓存在CU k中，反之

表示RU n分别与FN m，CU k关联，反之

针对M个FN、K个CN以及N个RU组成的网络，可得RU获取内容c所耗费的平均延迟如下：

其中N_c≤N表示内容c共被N_c个不同的RU请求。

(3)初始优化问题建模

本发明提出一种基于雾价算的物联网中内容缓存决策优化方法，优化问题建模为：

st.C1：

C2：

C3：

C4：

C5：

C6：

其中，a(t)＝{a_x(t)，a_α(t)，a_d(t)}表示t时刻的缓存决策空间。该问题有三个优化变量，设备间关联变量、内容放置变量与和缓存指示变量，C1-C6是必要的约束条件保证优化目标有效且符合实际。C1约束任何一个CN缓存的内容大小不超过其最大存储容量V_k；C2约束RU通过D2D链接获取内容的时延低于通过D2I链路；C3限制任意RU在同一时刻只能从D2D或D2I中选择一种链接方式；C4保证RU在同一时刻只能选择单个CU或单个FN获取内容；C5与C6表示任意FN或CU上可分配的带宽资源应不超过其总带宽资源。

该优化问题是一个NP难问题。一方面传统方法复杂度较大而求解效率低，另一方面这些算法容易陷入局部最优解导致最终的近似解不理想。因此，本研究中采用了改进型的强化学习方式来建模缓存资源管理问题，从而针对UE的内容偏好情况决策出更优异的缓存策略使时延和存储、通信成本达到长期最低。

图1是本发明所设场景，按照该图例部署FN和CU。

表1内容热度排行TOP10

用户请求内容热度基于猫眼全网热度榜。表1列举出了热度排名前10内容的猫眼热度值，图3是请求内容流行度。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种车联网内容缓存决策优化方法，其特征在于：该方法包括以下步骤：

S1：运营商从设备集群中选择一部分物联网设备UE作为缓存节点CU并初始化网络；

S2：雾节点FN根据云服务中心的内容热度，在其内容数据库中初始化缓存内容，同时收集全局信道状态信息CSI与设备信息，初始化缓存策略；

S3：FN通过缓存策略向各缓存节点CU推送预测内容供其缓存；

S4：设备以广播方式向各个CU发送内容请求，若CU未返回相关内容，继而向FN发送请求，若FN未缓存相关内容，FN将从服务商获取相关内容；设备将获取内容的总时延，及所请求内容相关信息发送给FN；

S5：FN分析在时间内收到的内容请求相关信息，通过特征提取生成缓存认知回馈，FN通过该回馈预测下一时刻的请求内容，并推送给CUs；

S6：各CU计算内提供缓存服务所耗费的缓存成本，并反馈给FN；系统效用函数定义为

其包括内容获取时延与缓存优化成本；通过优化策略最大化系统效用函数；H(t)为运营商的网络优化成本；D(t)为获取内容的平均时延；

在所述步骤S5中，定义缓存认知回馈CCF，位于FN的深度强化学习代理将依据缓存认知回馈对缓存策略进行优化；

缓存认知回馈由两部分组成：

1)设备认知回馈：设备所在位置、设备存储空间，网络状态以及历史请求数据；

2)内容认知回馈：内容大小、内容类型，以及内容被请求的频率；

在所述步骤S6中，RU获取内容的平均时延

量化CU提供缓存服务消耗的通信与存储资源，求出运营商的网络优化成本

最小化用户获取内容总时延，同时减少运营商付出的成本，系统优化效用函数定义为：

其中Υ(t)随系统状态改变，

2.根据权利要求1所述的一种车联网内容缓存决策优化方法，其特征在于：在所述步骤S1中，每个CU将上传其设备相关信息，CU会为设备簇提供其存储资源和通信资源，网络运营商支付一定费用以激励C＝UE参与内容缓存。

3.根据权利要求2所述的一种车联网内容缓存决策优化方法，其特征在于：在所述步骤S2和S3中，FN根据当前时隙服务商所提供内容的Zipf分布初始化其缓存数据库，最大化地存储高流行度的内容，并且初始化其缓存策略，然后推送数据库中流行度最高的内容给RU临近的CUs；CU收到FN推送的内容队列

并初始化其缓存为

缓存内容集随RU的请求信息更新，通过更赋感知能力的缓存实现内容服务时延的最小化。

4.根据权利要求1所述的一种车联网内容缓存决策优化方法，其特征在于：在所述步骤S4中，假设RU在当前时隙请求某个内容，并且该内容并未存储在其本地：

针对RU请求的内容，分为以下情况：

1)CU已缓存请求内容，将CU反馈给RU的内容表示为CU-feedback，用

表示RU通过D2D链路从缓存节点CU获取内容的时延，获取内容总时延为

2)CU未缓存请求内容，FN已存储请求内容，将FN反馈给RU的内容表示为FN-feedback，用

表示请求内容从FN传输到RU的时延，获取内容总时延为

3)CU和FN都未缓存请求内容，则该RU的请求被发送到云端的内容服务商CP，而CP将通过FN向RU传输该内容，定义内容服务商反馈给FN的内容为CP-feedback，用T^B表示内容通过回程链路从CP传输到FN的时延，获取内容总时延为

Images