本发明属于移动互联网技术领域,特别涉及一种基于stackelberg博弈的移动数据流量卸载方法。
背景技术:
近年来,随着智能手机、平板电脑、笔记本电脑等移动智能设备的普及,移动业务流量呈现指数型增长。移动数据流量的爆炸性增长给蜂窝网络服务提供商带来了十分巨大的压力来解决数据过载问题。传统的解决途径是建设更多的基站或者升级蜂窝网络配置来缓解巨大的流量压力,然而这种方案需要投入高额的成本和较长的建设周期,短期内不能跟随数据流量增长的速度。在这样的背景下,移动数据流量卸载作为解决蜂窝网络负载压力的有效措施,引起了业界学者的广泛关注。移动数据流量卸载是利用互补网络传输数据,从而降低蜂窝网络负载的一种技术。流量卸载的目标是在保障用户服务质量qos的前提下,降低移动网络上对带宽需求较大的服务的成本,减小其对网络负载的影响。该技术可以有效解决移动数据量的激增所造成的资源竞争和用户体验指数下降的问题。
在基于机会连接的移动数据流量卸载中,内容提供用户可以将自己下载过的内容缓存在终端设备上,在流量高峰期时,当在邻近范围内的其他内容需求用户请求这些内容时,可以通过d2d通信(device-to-device)的方式,将内容数据直接发送给内容需求用户。d2d通信方式不经过回程链路,使在邻近范围内的邻居用户可以直接进行通信。内容需求用户不仅可以从运营商获取流量,还可以通过机会通信从内容提供用户获取流量,其中从内容提供用户获取的流量即为卸载的流量,从而实现流量卸载,减轻运营商的流量负载压力。由于数据传输会消耗用户移动终端有限的电量,较大的数据文件也会给终端设备的存储空间造成负担,相关用户可能不愿意将内容数据分发给邻居范围内的订阅用户。
技术实现要素:
为了解决上述技术问题,本发明提出了一种基于stackelberg博弈的移动数据流量卸载方法。
本发明所采用的技术方案是:一种基于stackelberg博弈的移动数据流量卸载方法,其特征在于,包括以下步骤:
步骤1:基于手机用户上网记录数据,对各时段用户之间相遇行为进行预测,预测用户何时能够相遇进行机会通信;
步骤2:通过构建stackelberg博弈模型,制定在用户移动的动态场景下的流量卸载策略,指导两个用户相遇时,是否应该进行流量卸载,才能使得运营商、内容提供方和内容需求方的收益最大化。
本发明利用博弈论的思想,综合考虑了多方的收益和成本等因素,为运营商、内容提供用户方和内容需求用户方分别设计了效用函数,进行stackelberg博弈建模,制定流量卸载策略,在缓解蜂窝网络流量负载压力的同时,实现系统总效用目标函数最优化。
附图说明
图1是本发明实施例的流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明提供的一种基于stackelberg博弈的移动数据流量卸载方法,包括以下步骤:
步骤1:基于手机用户上网记录数据,提出用户相遇预测算法,对各时段用户之间相遇行为进行预测,预测用户何时能够相遇进行机会通信;
步骤1.1:构建用户相遇关系的复杂网络,网络中的节点为用户,边为用户之间的相遇关系。
步骤1.2:基于用户相遇关系的复杂网络,选取了cn指标、salton指标和adamic-adar指标3种经典的网络结构特征,衡量网络中两个用户节点的相似度;
步骤1.3:提取用户移动性特征,具体包括选取了余弦相似度、皮尔逊相似度、kl散度和js散度来表征用户个体对的相似度,进一步挖掘用户个体的行为规律;
步骤1.4:提取基于上网时长和上网流量的用户上网行为特征;
步骤1.5:采用随机森林(randomforest,rf)算法进行个体相遇预测;
步骤2:通过构建stackelberg博弈模型,制定在用户移动的动态场景下的流量卸载策略,指导两个用户相遇时,是否应该进行流量卸载,才能使得运营商、内容提供方和内容需求方的收益最大化;
步骤2.1:构建stackelberg博弈模型;
在模型中领导者为内容需求用户,跟随者为内容提供用户和运营商;stackelberg模型为两阶段主从博弈,在第一阶段,领导者声明初始总定价p,跟随者根据价格p,确定自身向领导者提供的流量;第二阶段,领导者在获知跟随者流量策略后,进一步调整总价格p;
步骤2.2:效用函数设计,包括领导者效用和跟随者效用;
所述领导者效用u0为:
其中,第一项为获得的流量收益,α是与用户体验相关的参数,fi是第i个跟随者向领导者提供的流量,n表示跟随者总数;第二项为领导者向提供流量的跟随者支付的总费用p;
跟随者效用为:
其中,第一项为跟随者i通过提供流量获得的收益,第二项为跟随者i提供流量的成本,ci为第i个跟随者的单位流量成本;followers表示跟随者集合;
步骤2.3:分布式梯度下降求解
利用分布式梯度下降算法,求解使效用函数最大化的流量卸载策略,分布式梯度下降算法是现有技术。
本实施例提出的stackelberg博弈模型存在nash均衡点。
跟随者的流量卸载策略fi是欧几里得空间中的有界闭集,并且效用函数ui在其策略空间上是连续的,对ui求一阶偏导为:
对ui求二阶偏导为:
因此跟随者的效用函数ui是严格凹函数,这保证了nash均衡的存在性,在nash均衡点时,各方效用函数达到最优;
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。