CN112004265B - 一种基于srm算法的社交网络资源分配方法 - Google Patents
一种基于srm算法的社交网络资源分配方法 Download PDFInfo
- Publication number
- CN112004265B CN112004265B CN201911322115.1A CN201911322115A CN112004265B CN 112004265 B CN112004265 B CN 112004265B CN 201911322115 A CN201911322115 A CN 201911322115A CN 112004265 B CN112004265 B CN 112004265B
- Authority
- CN
- China
- Prior art keywords
- social
- interference
- communication
- user
- node
- 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.)
- Active
Links
- 238000013468 resource allocation Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004891 communication Methods 0.000 claims abstract description 71
- 230000010267 cellular communication Effects 0.000 claims abstract description 40
- 230000005540 biological transmission Effects 0.000 claims abstract description 16
- 230000001413 cellular effect Effects 0.000 claims description 45
- 238000001228 spectrum Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 15
- 208000015181 infectious disease Diseases 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 208000035473 Communicable disease Diseases 0.000 claims description 5
- 230000005541 medical transmission Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 108010049640 osmotic shock released antigen Proteins 0.000 description 2
- 230000011273 social behavior Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0453—Resources in frequency domain, e.g. a carrier in FDMA
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/14—Spectrum sharing arrangements between different networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/70—Services for machine-to-machine communication [M2M] or machine type communication [MTC]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/541—Allocation or scheduling criteria for wireless resources based on quality criteria using the level of interference
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
- H04W72/542—Allocation or scheduling criteria for wireless resources based on quality criteria using measured or perceived quality
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/56—Allocation or scheduling criteria for wireless resources based on priority criteria
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于SRM算法的社交网络资源分配方法,在充分考虑D2D通信在物理域和社交域的特点,提出了一种以最小化加权干扰为目标的社区分簇模型。在系统中没有需求文件缓存的情况下,基站首先把文件通过有线链路发送给无线访问接入点,该无线访问接入点再将文件通过无线网络发送给每个社区簇的源节点,最后源节点通过D2D通信的方式将文件发送给簇内的每个移动用户。通过谱聚类算法我们解决了移动用户间社区分簇的问题,并在此基础上根据社区内稳定吞吐量的大小采用匹配算法设计了蜂窝通信和D2D通信的一对一的资源分配方法。本发明可大大提高了系统传输吞吐量、减轻了基站负载,进一步了优化蜂窝通信系统的整体性能。
Description
技术领域
本发明涉及D2D通信领域,特别涉及一种基于SRM算法的社交网络的社区分簇和资源分配方法。
背景技术
随着智能终端设备的迅速普及,过去的十年中我们见证了无线通信系统通讯能力的爆炸式增长。移动通信技术的跨越式进步使得人们的社交方式从传统的社交网站过渡到了移动网络中,移动用户之间千丝万缕的社交关系编织成了巨大的移动社交网络。移动社交网络的形成、演化及发展为人们提供了更加便捷的交流平台,使人与人之间的沟通变得更有质量也更加高效,同时也节省了物质时间成本。如今社交网络已经成为人类生活的重要部分,逐渐成为消息传递和信息承载的主体,其影响已经不可同日而语,同时也深刻影响着人与人之间的关系和沟通方式的发展趋势。
移动社交网络的形成的基础是无线通信理论,但也综合了社会科学方面的特点,目前已经得到了广泛的关注与研究。基于这种现状,一个自然的问题是“用户的社交行为能否协助 D2D(Device-to-Device,设备到设备)通信进而提高无线通信系统的性能”,答案是肯定的。众所周知,处于移动社交网络中的移动用户时刻在与别人发生社交接触,同时交换大量信息,且这种无处不在的社交关系,如同事、朋友圈等,具有一定的长期性、稳定性和可制定性。此外,用户日常的移动模式(如活动地点、开关机时间等)也是有迹可循的,使得产生的社交关系具备一定的周期性。尽管目前基于社交网络的D2D通信研究还不够深入,但将社交网络引入到D2D通信中,在未来D2D通信系统的整体设计方面十分具有研究意义,对提升无线通信系统的整体性能也将会有巨大价值。
随着无线网络的发展,移动用户除了可以通过基站以蜂窝通信的方式获取数据,还可以通过各用户之间的合作来完成数据的共享,D2D通信就是其中的一种。这种方式可以通过复用蜂窝通信的授权频谱实现用户间的内容转发,减轻了基站的负载并提高了频谱利用效率,因此成为了无线通信领域的研究重点。由于持有移动通信设备的用户一般处于相对稳定的社交网络中,因此将这种虚拟社交网络引入到D2D通信领域,进一步协助频谱资源的合理分配,可以提高无线通信的有效性。
此外,系统的性能受很多因素的影响,包括用户请求获得响应的成功或失败概率、用户的移动特性、用户受到的干扰大小的影响等,同时社交关系的强弱又影响着这些因素。而目前的社交网络资源分配方法,存在着社交关系利用不够合理,难以控制D2D通信受到的干扰等缺陷。如何在充分利用社交行为对资源分配协助作用的同时抑制系统干扰,成为了值得研究的问题。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于SRM算法的社交网络资源分配方法,该方法是一种基于蜂窝通信系统在社交关系协助下的D2D通信资源分配技术,该方法能有效提高系统传输速率,提高频谱利用效率的同时,能够减轻基站的一部分通信负载。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于SRM算法的社交网络资源分配方法,包括以下步骤:
步骤1,获取社交网络中的随机分布的访问接入点AP点、蜂窝用户、D2D链路、上行链路正交频谱,建立干扰有权无向图和社交关系有权无向图,将用户之间的联系过程描述为动态模型,确定用户间通信概率。
步骤2:将社交关系对小区蜂窝通信的影响描述为社交加权干扰In的形式,计算蜂窝通信对小区造成的干扰Is。计算D2D通信对小区造成的干扰Ia,并以权重ωa,b加权。
步骤3:根据蜂窝用户和D2D链路复用关系的情况,提出关于最优化系统吞吐量的最优化方程,系统吞吐量包括蜂窝通信和D2D通信的吞吐量之和,系统吞吐量一定程度上取决于 D2D链路造成的社交加权干扰的大小。
步骤4:进行社区分簇之前,先要确定第一个社区簇的源节点,即是进行蜂窝通信时对 AP点造成干扰最小的点为源节点。同时给定社区收敛的社交加权干扰阈值ε(n%),只有社交干扰大于该阈值的移动用户才能加入该社区簇,依次搜寻,不符合社区分簇干扰限制的用户节点一律视为蜂窝用户。
步骤5:分配资源前,制定D2D资源分配的定价策略,根据不同资源分配方案所能实现的系统吞吐量的大小利用基于稳定匹配的SRM算法完成蜂窝用户和D2D链路一对一的配对。
优选的:步骤1具体方法如下:获取社交网络中的随机分布的访问接入点AP点,蜂窝用户集合c表示蜂窝用户,D2D链路集合d表示D2D链路,上行链路正交频谱集合{Bk|k∈1,2,...,K},k表示可用频谱,在物理域,基站通过高速有限链路与AP点连接,AP点通过此从基站出获取大量数据,并且AP点通过蜂窝通信的方式分发给其他的移动用户。距离相对较近的用户获取某个内容不仅从AP点处获得,还可以通过具备社交信任的D2D用户处获得,用户a和任意用户b之间是存在社交信任的,用户b对用户a所拥有的内容时感兴趣的,那么用户a和小区内所有其他用户的社交关联为 表示链路的社交关系,s表示社交域,用户b从社交“嫌疑”态转换为“感染”态的概率为ωa,b。
根据真实社交网络中的邻接矩阵A来判断用户之间是否存在社交联系,然后根据基于社交联系的传播模型,确定节点a将内容分发给节点b的用户间通信概率ωa,b。
特别地,上述基于联系的传播模型是受传染病传播模型启发建立的,模型中所有的移动用户被分为“嫌疑”状态S和“感染”状态I两种,网络中的节点随时都可能从“嫌疑”状态转移到“感染”状态,而转移概率由真实社交网络的邻接矩阵决定。
不同信道上D2D通信不可以实现,则节点i和节点j造成的干扰为Is=Ii,j+Ij,i,其中,Ii,j表示节点i对节点j的干扰,Ij,i表示节点j对节点i的干扰。
将真实社交网络中的节点分为“嫌疑”态S和“感染”态I,状态S转换为状态I的状态转换概率,该概率即为节点a将内容分发给节点b的用户间通信概率ωa,b,ωa,b的大小为:
其中,εa表示节点a与其他节点之间的社交权重,εa,b表示节点a与节点b之间的社交权重。
优选的:步骤2中,移动用户a依照社交关系将所缓存的内容分发给移动用户b,其间产生的社交加权干扰为In,In的大小即为:
In=Is+ωa,bIa
其中,In表示产生的社交加权干扰,Is表示蜂窝通信对小区造成的干扰,ωa,b表示权重,Ia表示D2D通信对小区造成的干扰。
优选的:步骤4中社区分簇的方法:
步骤41:计算小区S内移动节点的社交加权干扰,获得邻接矩阵W。
步骤42:确定社区源节点为蜂窝通信中对AP点造成干扰最小的节点,但要保证此节点与其他节点的社交联系高于门限值ε(n%)。
步骤43:遍历搜寻社交加权干扰邻接矩阵W,将满足社交加权干扰小于指定门限值的移动节点加入到社区M(n%)中,且社区的大小L有一定的限制,即N-2(D×L)≥D。
步骤44:将小区S的大小重设为S=S-M(n%),重复步骤42、步骤43直到所有符合条件的节点加入到社区中。
步骤45:社区分簇完成后,未加入任何社区的节点默认为蜂窝节点,通过蜂窝通信向 AP点获取感兴趣的内容。
优选的:步骤5的具体过程如下:
步骤51:分配资源前,制定D2D资源分配的定价策略,将D2D用户竞争所获得的频谱资源的定价策略定义如下。
其中,x、y表示复用单位带宽的频谱资源获得单位比特传输速率所要支付的价格。
步骤52:由于D2D链路复用不同频谱资源所要支付的价格γ不同,导致不同的资源分配方案对应的系统吞吐量UN×K也不尽相同,根据稳定匹配原理,必然存在一种资源分配方案得到的系统吞吐量UN×K是最大的。
步骤53:计算不同资源复用方案对应的吞吐量,按降序排列获得优先级方案集合,即:
ON×K=(O1,O2,...,Onk)N×K
其中,ON×K表示复用不同频谱资源Bk所实现的吞吐量。
步骤54:根据获得的价格支付函数γN×K和吞吐量优先级集合ON×K确定基于稳定匹配 SRM算法的资源分配方案,具体如下:
每种资源分配方案实际获得的吞吐量为(O-γ)N×K,
当仅有一个D2D对向蜂窝用户k请求资源的时候,用户k会选择直接允许此次请求,当超过两个以上的用户向同一个蜂窝用户k请求资源的时候,蜂窝用户会按稳定匹配得到的优先级最高的方案Om选择对应的D2D对,以实现系统性能的最优。
本发明相比现有技术,具有以下有益效果:
1.本发明可以有效提高系统频谱资源的利用效率,有效提高系统数据吞吐的容量。
2.本发明可以在保证文件传输质量的同时,减轻基站的下载负担和系统的传输时延。
附图说明
图1为本发明设计的密集网络场景。
图2为本发明的社区分簇流程图。
图3为本发明的系统流程图。
图4为在D2D通信环境下,170名真实社交数据集中的用户的社区分簇情况。
图5为在D2D通信环境下,三种资源分配算法的系统总吞吐量比较图。(三角形、正方形、圆点折线分别代表SRM、UFM、OSRA算法)。
图6为在D2D通信环境下,三种资源分配算法实现的传输时间的比较图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种基于SRM算法的社交网络资源分配方法,如图3所示,该方法是在基站控制的D2D 通信环境下,提供了一种基于社交网络的频谱资源复用的新方法。该方法在充分考虑D2D通信在物理域和社交域的特点,提出了一种以最小化加权干扰为目标的社区分簇模型。在系统中没有需求文件缓存的情况下,基站首先把文件通过有线链路发送给无线访问接入点,该无线访问接入点再将文件通过无线网络发送给每个社区簇的源节点,最后源节点通过D2D通信的方式将文件发送给簇内的每个移动用户。通过谱聚类算法我们解决了移动用户间社区分簇的问题,并在此基础上根据社区内稳定吞吐量的大小采用匹配算法设计了蜂窝通信和D2D通信的一对一的资源分配方法。根据物理图抽象出系统干扰类型,在基于联系的传播模型下计算出真实社交网络环境下用户间内容分享的转移概率。随后,从社交联系对D2D通信的协助作用角度出发,提出社交加权干扰模型。紧接着,根据社交加权干扰的大小利用谱聚类算法对网络中的用户进行社区分簇。最后提出系统吞吐量最优化目标,并利用基于稳定匹配的 SRM算法完成蜂窝用户和D2D链路的一对一配对。
基于联系的传播模型:在真实社交网络中,我们将节点a与其他节点b之间的社交权重定义为节点a将内容分发给任意感兴趣的节点b的概率为ωa,b。参考传染病传播模型中,我们本网络中的内容分发过程定义为双重状态模型:“嫌疑”态S和“感染”态I。在此模型下,ωa,b表示的是节点a经过λ次尝试将内容成功分发给节点b,节点b从“嫌疑”态转换成“感染”态的概率,其具体计算公式如下:
其中,εa,b表示节点a与节点b之间的社交权重。
谱聚类算法:社交加权干扰可以作为社区分簇的依据,即:
In(B1,...,Bk)=Is(B1,...,Bk)+ωa,nIa(B1,...,Bk) (2)
其中Is为蜂窝通信带来的干扰的大小,Ia为潜在的D2D链路带来的干扰,其大小取决于联系转移概率ωa,b决定。
首先根据社交加权干扰构建相似度矩阵W,再根据相似度矩阵W构建拉普拉斯矩阵L,在对拉普拉斯矩阵L进行特征分解后选取特征向量组成特征空间。最后在特征空间中利用K 均值算法,即可输出社区分簇的结果。
SRM算法:D2D对可以随机复用不同资源块Bk的频谱,不同的复用方案得到的系统吞吐量不同。按照随机匹配理论,当D2D链路在可选资源块集合选区某个频段的资源时,必有一个有限的系统吞吐量集合与之对应。我们定义D2D对集合为T=(T1,T2,...,Tn),T1,T2,...,Tn表示n个D2D对,故所有的资源块分配情况为:
每个复用方案所能实现的系统吞吐量为:
其中,N表示D2D对数目,K表示蜂窝用户数目。
本发明所研究的基于社交网络的D2D文件资源分配方案的系统吞吐量为:
其中,Ri,j表示系统总吞吐量,C表示蜂窝用户集合,D表示D2D链路集合,和分别代表的是网络中蜂窝通信和D2D通信的吞吐量,pl代表的是D2D发射端的发射功率,其大小处于0和之间,表示D2D发射端的最大发射功率,xi,j表示D2D用户之间的复用因子,xi,j∈[0,1]。
基于以上理论,我们可以给出基于社交关系的资源分配方案,并对系统的吞吐量进行计算。本发明分为以下几个步骤,并对具体的实现方法作进一步说明:
步骤1:获取社交网络中的随机分布的访问接入点AP点、蜂窝用户、D2D链路、上行链路正交频谱,建立干扰有权无向图和社交关系有权无向图,将用户之间的联系过程描述为动态模型,确定用户间通信概率。
如图1所示,本方案设计场景为密集网络场景,包括随机分布的访问接入点AP点,蜂窝用户集合为D2D链路集合为除此之外上行链路正交频谱集合为{Bk|k∈1,2,...,K}。在物理域,基站通过高速有限链路与AP连接,AP点可以通过此从基站出获取大量数据,并且AP点可以通过蜂窝通信的方式分发给其他的移动用户。在内容分发的过程中,需要Bk中某一段频谱资源的支持,并不可避免地产生干扰Is。
另外,移动用户在社交网络中下相互的关联是千丝万缕的,距离相对较近的用户获取某个内容不仅可从AP点处获得,还可以通过具备社交信任的D2D用户处获得。假定用户a和任意用户b之间是存在社交信任的,用户b对用户a所拥有的内容时感兴趣的。那么用户a和小区内所有其他用户的社交关联为用户b从社交“嫌疑”态转换为“感染”态的概率为ωa,b。
根据真实社交网络中的邻接矩阵A来判断用户之间是否存在社交联系,然后根据基于联系的传播模型,来分析节点i将内容分发给节点j的用户间通信概率ωi,j。因此根据真实社交网络中节点之间的社交关系强度,将节点分为“嫌疑”态和“感染”态,并参考传染病传播模型,计算了节点间进行通信,即从“嫌疑”态转换为“感染”态的概率ωi,j。
特别地,上述基于联系的传播模型是受传染病传播模型启发建立的,模型中所有的移动用户被分为“嫌疑”状态S和“感染”状态I两种,网络中的节点随时都可能从“嫌疑”状态转移到“感染”状态,而转移概率由真实社交网络的邻接矩阵决定。
将社交关系对D2D通信的协助作用描述为社交加权干扰,社交加权干扰由两部分组成:蜂窝通信造成的干扰和与之社交关系较强的D2D链路带来的干扰,D2D链路带来的干扰的大小取决于状态转移概率(即用户间通信概率)ωi,j。
(2)假设不同信道上D2D通信不可以实现,我们将节点i和节点j造成的干扰定义为Is=Ii,j+Ij,i。
(3)将真实社交网络中的节点分为“嫌疑”态S和“感染”态I,状态S转换为状态I的状态转换概率为ωa,b。ωa,b的大小为:
步骤2:确定社交加权干扰的大小
在传统的D2D资源分配方案中,通常将资源分配问题转换为干扰协调的问题。由于社交关系权重越大的D2D链路传输任务越重,故造成的干扰越重。故可以将从社交加权干扰的角度考虑资源分配问题。
在已知蜂窝用户和D2D链路复用关系的情况,提出关于最优化系统吞吐量的最优化方程。系统吞吐量包括蜂窝通信和D2D通信的吞吐量之和,系统吞吐量一定程度上取决于D2D链路造成的社交加权干扰的大小。
(1)考虑将社交关系对小区蜂窝通信的影响描述为社交加权干扰In的形式。
(2)计算蜂窝通信对小区造成的干扰Is。
(3)计算D2D通信对小区造成的干扰Ia,并以权重ωa,b加权。
例如:移动用户a依照社交关系将所缓存的内容分发给移动用户b,其间产生的社交加权干扰的大小为In。In的大小即为:
In=Ia,b+ωa,bIb,a (8)
步骤3:提出最优化吞吐量目标方程:
(1)小区内总吞吐量由蜂窝通信和D2D通信两部分组成。
(3)计算考虑复用关系xi,j的D2D通信吞吐量。
步骤4:社区分簇:
进行社区分簇之前,先要确定第一个社区簇的源节点,即是进行蜂窝通信时对AP点造成干扰最小的点为源节点。同时给定社区收敛的社交加权干扰阈值只有社交干扰大于该阈值的移动用户才能加入该社区簇。依次搜寻,不符合社区分簇干扰限制的用户节点一律视为蜂窝用户。根据社交加权干扰构建相似度矩阵W,并将对AP点造成干扰最小的节点作为社区源节点,设定社交加权干扰门限,将满足条件的节点进行分簇。具体如下:
(2)确定社区源节点为蜂窝通信中对AP点造成干扰最小的节点,但要保证此节点与其他节点的社交联系高于门限值ε(n%)。
(3)遍历搜寻社交加权干扰邻接矩阵W,将满足社交加权干扰小于指定门限值的移动节点加入到社区M(n%)中,且社区的大小L有一定的限制,即N-2(D×L)≥D。
(4)将小区S的大小重设为S=S-M(n%),重复步骤(2)、(3)直到所有符合条件的节点加入到社区中,因此社区分簇后所得到的小区大小是有限制的。
(5)社区分簇完成后,未加入任何社区的节点默认为蜂窝节点,通过蜂窝通信向AP点获取感兴趣的内容。
步骤5:利用SRM算法实现稳定匹配
在对D2D链路抢夺蜂窝通信频谱资源这一行为进行定价之后,根据不同资源分配方案所能实现的系统吞吐量的大小利用基于稳定匹配的SRM算法完成蜂窝用户和D2D链路一对一的配对。因此在已知D2D复用各段频谱所需支付的价格的前提下,对稳定匹配后各方案所能获得的吞吐量建立优先级集合。随后,同时考虑单个或多个D2D对向同一个蜂窝用户发送复用请求情况下,资源分配方法的原则。
(1)分配资源前,需要制定D2D资源分配的定价策略。我们将D2D用户竞争所获得的频谱资源的定价策略定义如下。
γ=x+y·Bk,k∈1,2,...,K (9)
其中,x、y为非负常量,意味着复用单位带宽的频谱资源获得单位比特传输速率所要支付的价格,Bk表示D2D链路所复用的频段资源。
(2)由于D2D链路复用不同频谱资源所要支付的价格γ不同,导致不同的资源分配方案对应的系统吞吐量UN×K也不尽相同。根据稳定匹配原理,必然存在一种资源分配方案得到的系统吞吐量UN×K是最大的。
(3)计算不同资源复用方案对应的吞吐量,按降序排列获得优先级方案集合,即:
ON×K=(O1,O2,...,Onk)N×K (10)
(4)根据获得的价格支付函数γN×K和吞吐量优先级集合ON×K确定基于稳定匹配SRM算法的资源分配方案,具体如下:
每种资源分配方案实际可以获得的吞吐量为(O-γ)N×K。
当仅有一个D2D对向蜂窝用户k请求资源的时候,用户k会选择直接允许此次请求。而当另外一种情况出现,即是超过两个以上的用户向同一个蜂窝用户k请求资源的时候,蜂窝用户会按稳定匹配得到的优先级最高的方案Om选择对应的D2D对,以实现系统性能的最优化
同时,为了保证此方案在提升系统性能方面的优势,我们从理论和数学分析的角度出发证明了方案的稳定性和最优性:
(1)稳定性:不论吞吐量的优先级集合ON×K如何,总存在一个稳定的匹配方案。
证明:当蜂窝用户k收到来自不止一个D2D链路的请求的时候,仅仅只有接收优先级最高的方案的D2D链路。而D2D链路转而会去请求次优方案的蜂窝用户k'的频谱资源。
假定D2D链路有n条,最多在n2-2n+2次迭代过后,每个蜂窝用户都会收到至少一次请求。当n>k时,匹配过程将会在所有的D2D对都找到了最优匹配的蜂窝用户或者被所有蜂窝用户拒绝的时候终止。当n<k时,匹配过程会在所有蜂窝用户都收到请求之后终止。不论哪一种情况,最终都会得到一个稳定的匹配优先级集合。
(2)最优性:此方法得到的资源匹配方案必然是最优的
证明:假设在已获得最优匹配方案的情况下,对于蜂窝用户c1,存在最优的候选D2D 对d1,d2,...,dα,但却拒绝了候选者dβ。这种情况下,很明显c1,相比dβ,更倾向于di,i=1,2,...,α。如果我们将任意的di换成dβ,我们便不能得到最优的系统性能,这从反面证明了此方法是最优的资源分配方案。
以下为仿真结果
图4说明了在给定D2D通信环境下,本发明选取的Bitcoin Alpha真实社交数据集中170 名用户在500*500m范围内的社区分簇情况,170个用户被划分进了三个社区。由于此方法综合了小区内移动用户在物理域和社交域的特性,距离较近的用户不是全部被划分进了同一个社区,这也恰恰证明了本方法中社区分簇方案的可靠性。
图5和图6说明了在基于稳定匹配的SRM算法的资源分配方案下,总吞吐量随着D2D对数目的变化情况,同时我们选取了其他两种较为前沿的研究方案:
①UFM算法:利用博弈论理论比较社交联系和D2D通信引入的干扰的大小来决定网络中D2D链路的规划,再基于效用函数合理分配资源。
②OSRA算法:同时考虑社交网络中节点间社交联系和中心性协助展开资源分配方案的设计。
将上述两种算法的资源分配方案的仿真结果与基于SRM算法的方案仿真结果作为比较。由图中可以看出,本发明所提方法的吞吐量要比其他两种方案要高,同时所花费的传输时间也更短。同时,当我们改变社交加权干扰的门限大小使得小区内D2D链路数目变多时,本发明的优势变得不再明显。这是因为当小区内的D2D通信链路变多,蜂窝通信的频谱资源将显得十分匮乏,D2D通信复用间的干扰将会变大,自然吞吐量便下降了。因此本发明可大大提高了系统传输吞吐量、减轻了基站负载,进一步了优化蜂窝通信系统的整体性能。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (4)
1.一种基于SRM算法的社交网络资源分配方法,其特征在于,包括以下步骤:
步骤1:获取社交网络中的随机分布的访问接入点AP点、蜂窝用户、D2D链路、上行链路正交频谱,建立干扰有权无向图和社交关系有权无向图,将用户之间的联系过程描述为动态模型,确定用户间通信概率ωa,b;
步骤1具体包括获取社交网络中的随机分布的访问接入点AP点,蜂窝用户集合{C|c∈1,2,...,C},c表示蜂窝用户,D2D链路集合d表示D2D链路,上行链路正交频谱集合{Bk|k∈1,2,...,K},k表示可用频谱,在物理域,基站通过高速有限链路与AP点连接,AP点通过此从基站处获取大量数据,并且AP点通过蜂窝通信的方式分发给其他的移动用户;距离相对较近的用户获取某个内容不仅从AP点处获得,还可以通过具备社交信任的D2D用户处获得,用户a和任意用户b之间是存在社交信任的,用户b对用户a所拥有的内容时感兴趣的,那么用户a和小区内所有其他用户的社交关联为 表示链路的社交关系,s表示社交域,用户b从社交“嫌疑”态转换为“感染”态的概率为ωa,b;
根据真实社交网络中的邻接矩阵A来判断用户之间是否存在社交联系,然后根据基于社交联系的传播模型,确定节点a将内容分发给节点b的用户间通信概率ωa,b;
上述基于社交联系的传播模型是受传染病传播模型启发建立的,模型中所有的移动用户被分为“嫌疑”状态S和“感染”状态I两种,网络中的节点随时都可能从“嫌疑”状态转移到“感染”状态,而转移概率由真实社交网络的邻接矩阵决定;
不同信道上D2D通信不可以实现,则节点i和节点j造成的干扰为Is=Ii,j+Ij,i,其中,Ii,j表示节点i对节点j的干扰,Ij,i表示节点j对节点i的干扰;
将真实社交网络中的节点分为“嫌疑”态S和“感染”态I,状态S转换为状态I的状态转换概率,该概率即为节点a将内容分发给节点b的用户间通信概率ωa,b,ωa,b的大小为:
其中,用户间通信概率ωa,b表示的是节点a经过λ次尝试将内容成功分发给节点b,节点b从“嫌疑”态转换成“感染”态的概率,εa表示节点a与其他节点之间的社交权重,εa,b表示节点a与节点b之间的社交权重;
步骤2:将社交关系对小区蜂窝通信的影响描述为社交加权干扰In的形式,计算蜂窝通信对小区造成的干扰Is;计算D2D通信对小区造成的干扰Ia,并以用户间通信概率ωa,b加权;
步骤3:根据蜂窝用户和D2D链路复用关系的情况,提出关于最优化系统吞吐量的最优化方程,系统吞吐量包括蜂窝通信和D2D通信的吞吐量之和,系统吞吐量取决于D2D链路造成的社交加权干扰的大小;
步骤4:进行社区分簇之前,先要确定第一个社区簇的源节点,即是进行蜂窝通信时对AP点造成干扰最小的点为源节点;同时给定社区收敛的社交加权干扰阈值,只有社交加权干扰小于该阈值的移动用户才能加入该社区簇,依次搜寻,不符合社区分簇干扰限制的用户节点一律视为蜂窝用户;
步骤5:分配资源前,制定D2D资源分配的定价策略,根据不同资源分配方案所能实现的系统吞吐量的大小利用基于稳定匹配的SRM算法完成蜂窝用户和D2D链路一对一的配对。
2.根据权利要求1所述基于SRM算法的社交网络资源分配方法,其特征在于:步骤2中,移动用户a依照社交关系将所缓存的内容分发给移动用户b,其间产生的社交加权干扰为In,In的大小即为:
In=Is+ωa,bIa
其中,In表示产生的社交加权干扰,Is表示蜂窝通信对小区造成的干扰,ωa,b表示用户间通信概率,Ia表示D2D通信对小区造成的干扰。
4.根据权利要求3所述基于SRM算法的社交网络资源分配方法,其特征在于:步骤5的具体过程如下:
步骤51:分配资源前,制定D2D资源分配的定价策略,将D2D用户竞争所获得的频谱资源的定价策略定义如下;
γ=x+y·Bk,k∈1,2,...,K
其中,x、y表示复用单位带宽的频谱资源获得单位比特传输速率所要支付的价格;
步骤52:由于D2D链路复用不同频谱资源所要支付的价格γ不同,导致不同的资源分配方案对应的系统吞吐量UN×K也不尽相同,根据稳定匹配原理,必然存在一种资源分配方案得到的系统吞吐量UN×K是最大的;
步骤53:计算不同资源复用方案对应的吞吐量,按降序排列获得优先级方案集合,即:
ON×K=(O1,O2,...,Onk)N×K
其中,ON×K表示复用不同频谱资源Bk所实现的吞吐量;
步骤54:根据获得的价格支付函数γN×K和吞吐量优先级集合ON×K确定基于稳定匹配SRM算法的资源分配方案,具体如下:
每种资源分配方案实际获得的吞吐量为(O-γ)N×K,
当仅有一个D2D对向蜂窝用户k请求资源的时候,用户k会选择直接允许此次请求,当超过两个以上的用户向同一个蜂窝用户k请求资源的时候,蜂窝用户会按稳定匹配得到的优先级最高的方案Om选择对应的D2D对,以实现系统性能的最优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911322115.1A CN112004265B (zh) | 2019-12-20 | 2019-12-20 | 一种基于srm算法的社交网络资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911322115.1A CN112004265B (zh) | 2019-12-20 | 2019-12-20 | 一种基于srm算法的社交网络资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112004265A CN112004265A (zh) | 2020-11-27 |
CN112004265B true CN112004265B (zh) | 2023-02-14 |
Family
ID=73461897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911322115.1A Active CN112004265B (zh) | 2019-12-20 | 2019-12-20 | 一种基于srm算法的社交网络资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112004265B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112653765B (zh) * | 2020-12-24 | 2024-06-25 | 南京审计大学 | 一种基于社区重叠和内嵌分析的资源配置的方法和装置 |
CN112954406B (zh) * | 2021-05-17 | 2021-07-30 | 腾讯科技(深圳)有限公司 | 数据下载方法、装置、计算机设备和存储介质 |
CN113744073B (zh) * | 2021-09-10 | 2023-07-25 | 太原理工大学 | 一种基于节点簇的社交网络的社区划分方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012059044A1 (zh) * | 2010-11-05 | 2012-05-10 | 北京邮电大学 | 宏小区与毫微微小区的混合组网中的干扰抑制方法 |
CN105960024A (zh) * | 2016-06-08 | 2016-09-21 | 北京邮电大学 | 一种d2d通信中基于社交感知的用户发现及资源分配方法 |
CN107889082A (zh) * | 2017-11-01 | 2018-04-06 | 南京邮电大学 | 一种利用用户之间社交关系的d2d设备发现方法 |
-
2019
- 2019-12-20 CN CN201911322115.1A patent/CN112004265B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012059044A1 (zh) * | 2010-11-05 | 2012-05-10 | 北京邮电大学 | 宏小区与毫微微小区的混合组网中的干扰抑制方法 |
CN105960024A (zh) * | 2016-06-08 | 2016-09-21 | 北京邮电大学 | 一种d2d通信中基于社交感知的用户发现及资源分配方法 |
CN107889082A (zh) * | 2017-11-01 | 2018-04-06 | 南京邮电大学 | 一种利用用户之间社交关系的d2d设备发现方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112004265A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111447619B (zh) | 一种移动边缘计算网络中联合任务卸载和资源分配方法 | |
CN107766135B (zh) | 移动朵云中基于粒子群和模拟退火优化的任务分配方法 | |
CN112004265B (zh) | 一种基于srm算法的社交网络资源分配方法 | |
CN106912079B (zh) | 一种缓存异构网络中联合用户接入选择及资源分配方法 | |
CN111475274B (zh) | 云协同多任务调度方法及装置 | |
CN108900355B (zh) | 一种星地多级边缘网络资源分配方法 | |
CN109194763B (zh) | 一种超密集网络中基于小型基站自组织协作的缓存方法 | |
CN111182570A (zh) | 提高运营商效用的用户关联和边缘计算卸载方法 | |
Wang et al. | Joint resource allocation and power control for D2D communication with deep reinforcement learning in MCC | |
Deng et al. | Throughput maximization for multiedge multiuser edge computing systems | |
Zhang et al. | DMRA: A decentralized resource allocation scheme for multi-SP mobile edge computing | |
CN113784373A (zh) | 云边协同网络中时延和频谱占用联合优化方法及系统 | |
CN109548155A (zh) | 一种分布式非平衡边缘云网络接入与资源分配机制 | |
CN110868705B (zh) | 一种社会感知的基于多跳机会式d2d通信的内容分发方法 | |
CN112437156B (zh) | 一种基于mec-d2d的分布式协同缓存方法 | |
Zhao et al. | Survey on social-aware data dissemination over mobile wireless networks | |
Xiong et al. | A connectivity enhancement scheme based on link transformation in IoT sensing networks | |
Bansod et al. | Ga-based resource allocation scheme for d2d communcation for 5g networks | |
Lin et al. | Data-driven joint resource allocation in large-scale heterogeneous wireless networks | |
Shi et al. | Services management and distributed multihop requests routing in mobile edge networks | |
CN112887943B (zh) | 一种基于中心度的缓存资源分配方法及系统 | |
CN110035415A (zh) | 一种时延驱动的d2d网络缓存下载方法 | |
Li et al. | Joint access point selection and resource allocation in MEC-assisted network: A reinforcement learning based approach | |
Jiang et al. | Double DQN based computing offloading scheme for fog radio access networks | |
Nguyen et al. | Utility optimization for blockchain empowered edge computing with deep reinforcement learning |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |