一种考虑内容分发能耗的异构网络选择方法与流程

本发明属于移动通信领域，描述了一种考虑内容分发能耗的异构网络选择方法。
背景技术：
：据思科白皮书预测，在2019年移动数据流将约占到全球数据总流量的75％，由于智能设备的普及，未来移动数据流量将呈现喷井式的增长趋势。现如今的宏蜂窝网络容量已经不能进一步扩大以满足日益增长的流量需求；为了解决这一问题，引入了小小区(SmallCell)网络，在宏蜂窝网络的覆盖下，大量部署FemtoCell、PicoCell、MicroCell、WiFiAP等，从而构成异构网络。通过小小区基站的密集部署，极大地提升了系统的容量，缓解了用户对网络的流量需求。但是，小小区基站的密集部署使得小区间的干扰严重加剧，且多余基站的运行带来了额外的能耗；通过单纯地部署小小区基站也已经不能满足网络的需求。通过对网络中数据流量包含的具体内容进行统计时发现，用户请求的内容多是重复的，此种大量重复内容的频繁请求和数据传输带来了数据错误率提升、时延增加、时延抖动更为剧烈等弊端，使用户的服务体验大为下降，造成了网络拥塞与网络整体性能的下降。而基于缓存技术的内容分发网络(ContentDeliveryNetwork,CDN)则为改善这一情况提供了一个理想的方案。通过向异构网络中的基站加装缓存，并将用户请求较为频繁的内容先存于缓存中，可以更好地提升用户的服务体验，如：时延更低、时延抖动更稳定、内容选择度更大和用户间公平性更好。与此同时，通信业的高速发展使得业界不仅关注有效满足用户的需求，还要考虑通信业的社会责任和环保需求。这一诉求集中体现在如何以较低的能量消耗处理并及时高效地传输信息，以更好地满足未来通信绿色、环保、节能的需求。在现有的内容分发机制中，由于大量内容的重复传输，导致无线回程链路的带宽资源极大浪费及传输功率的极大消耗。而在CDN中采取内容缓存措施，恰好可以满足未来网络的节能需求。通过将用户感兴趣的内容存储至基站的缓存中，运营商可以利用功耗较低的存储设备而非功耗较高的通信设备满足用户需求，能耗也可以进一步降低。同时将内容下发至基站的缓存也可减少无线回程链路的数据传输次数，并使用户请求的接入点更为集中，减少了多余接入点运行带来的额外功耗，因此基于缓存的CDN方案带来的能耗节约十分明显。尽管针对CDN中基于能耗的内容分发方案已经有了一些研究成果，比如：在异构网络选择研究中，文献“一种基于无线回程链路受限的小区选择策略”，该策略为了克服回程链路大小的限制并提高用户的体验，为接入点加入了缓存，通过对内容流行度的分析提前在基站中存入流行度高的内容。但这种方法只是泛泛地给出了基于内容流行度的内容分布情况，并没有很好地考虑用户的即时内容需求。基站中提前缓存的流行度高的内容并不一定就是当前用户请求的内容，即用户请求的内容命中率可能很低，这样会导致无线回程链路带宽资源开销，以及基站缓存能耗的进一步开销。此外，由于缓存的能耗确实较低，大多数工作会选择性忽略缓存能耗，现有的技术方案绝大多数从考虑系统整体吞吐量、用户时延、用户公平性等为优化目标，很少考虑系统的总能耗优化，不能很好地满足未来通信技术绿色节能的要求。技术实现要素：本发明针对现有的内容分发方案中，普遍根据内容的流行度分布情况提前在基站中缓存流行度高的内容，并没有考虑用户的即时内容需求这一问题，提出了一种考虑内容分发能耗的异构网络选择方法，该方法在考虑内容缓存能耗策略的前提下，进行用户的网络接入选择，以降低内容分发的能耗。具体步骤如下：步骤一、针对某个蜂窝网络的下行链路，建立宏基站、小小区基站与用户之间的通信系统；通信系统中包括：一个宏基站覆盖K个小小区基站，集合为SBSk，k∈{1,2,3,4......K}；I个用户集合为UEi，i∈{1,2,3,4......I}；J个内容集合为Cj，j∈{1,2,3,4......J}；每个用户在任何时间各连接到一个小小区基站上，用ai,k表示连接关系，如果用户i连接到小小区基站k上，则ai,k＝1，否则ai,k＝0；每个内容大小一样，同一个内容可同时缓存到不同的小小区基站上，用表示缓存关系，如果内容j缓存到小小区基站k上，则否则满足不同用户可同时请求同一个内容，根据用户需求获取用户请求内容；用户与内容的关联关系用表示，如果用户i请求内容j，则否则步骤二、在某个时间段，每个用户同时向与自身连接的各小小区基站发送各自的请求内容；步骤三、通信系统采用量子粒子群算法，计算当系统总能耗最小时，基站选择的用户以及基站缓存的内容的最优解；具体步骤如下：步骤301、初始化算法参数；初始化：粒子位置，粒子总数和最大迭代次数；每个粒子位置均包括两部分信息：I个用户接入基站的结果和J个内容缓存放置的结果；粒子总数设为M；最大迭代次数设为S；步骤302、针对每个基站和每个内容，分别初始化基站缓存内容位置的初始值与用户连接基站的初始值；针对小小区基站k，随机选取M组缓存参数向量作为基站缓存内容位置的初始值；zm,k满足基站缓存长度限制和用户接入数限制。针对用户i，选取M组接入向量am,i＝[ai,1′,ai,2′,...,ai,k′]作为用户连接基站的初始值；步骤303、利用K个基站缓存内容位置的初始值与I个用户连接基站的初始值，设定每个粒子的初始位置；每个粒子的初始位置就是迭代次数s＝0的每个粒子的位置；第m个粒子的初始位置Xm(0)：Xm(0)＝[am,1(0),am,2(0),...,am,I(0),zm,1(0),zm,2(0),...,zm,K(0)]从而第m个粒子的在第s次迭代中的位置为：Xm(s)＝[am,1(s),am,2(s),...,am,I(s),zm,1(s),zm,2(s),...,zm,K(s)]步骤304、在某个时刻，利用每个粒子的位置计算该粒子对应的系统总能耗值；每个粒子位置对应计算一个系统总能耗值；f(ai,k,zkj)=(Σi=1IΣk=1KΣj=1Jbijai.kzkjpi.k+Σk=1KΣj=1Jzkj(pkj+pk,j,c))+Σi=1IΣk=1KΣj=1Jbijai,k(1-zkj)(pi,k+pk,j,c)]]>pi,k表示小小区基站SBSk到用户UEi的发射功率，表示内容Cj缓存在小小区基站SBSk上的缓存功率，pk,j,c表示内容Cj从内容提供商上通过无线回程链路传输到小小区基站SBSk上的传输功率。步骤305、在下一时刻，更新每个粒子的位置和速度；粒子的下一位置由粒子的当前位置和当前速度共同决定：更新公式如下所示：Xm(s+1)=P+β|C(s)-Xm(s)|·ln(1/μ),γ≥0.5Xm(s+1)=P-β|C(s)-Xm(s)|·ln(1/μ),γ<0.5]]>其中，γ是取值范围为(0,1)的随机数，β代表收缩扩张系数，μ是取值范围为(0,1)的随机数；C(s)表示第s次迭代过程中的平均最好位置，Pm(s)表示第m个粒子在第s次迭代过程中的最好位置；计算如下：Pm(s)=Xm(s),ifF[Xm(s)]>F[Pm(s-1)]Pm(s-1),ifF[Xm(s)]≤F[Pm(s-1)]]]>当s＝0时，Pm(0)＝Xm(0)；F[Pm(s-1)]表示第m个粒子在第s-1次迭代过程中的最好位置的适应度函数；F[Xm(s)]表示第m个粒子在第s次迭代中的位置的适应度函数。向量P表达式如下：是0到1之间的随机数；G(s)表示所有粒子在第s次迭代过程中的全局最好位置：G(s)=Pξ(s),ξ=argmin1≤m≤M{F[Pm(s)]}]]>当s＝0时，从Pm(0)中选择一个最好位置作为全局最好位置G(0)。步骤306、每更新一次粒子的位置后，计算各粒子的适应度函数F(Xm(s))，并记录全部M个粒子的适应度函数值及M个粒子的对应惩罚函数值适应度函数F(Xm(s))包含两部分：总能耗函数以及惩罚函数；其表达式为：F(Xm(s))=f(ai,k,zkj)|m,s+αPf(ai,k,zkj)|m,s]]>其中α是惩罚因子，决定惩罚函数的值对适应度函数的具体影响；惩罚函数的表达式如下：Pf(ai,k,zkj)=[max(0,Σjzkj-sk)]2+[max(0,Σiai,k-lk)]2+ΣiΣk(ai,k2-ai,k)2+ΣkΣj(zkj2-zkj)2+ΣiΣj(bij2-bij)2+Σi(Σkai,k-1)2]]>sk(k∈{1,2,3......K})表示小小区基站SBSk的缓存容量大小，满足：缓存到其上的内容的总数目lk(k∈{1,2,3......K})表示小小区基站SBSk的负载能力大小，满足：接入到其上的用户的总数目步骤307、根据M个粒子的适应度函数更新各粒子的最佳位置Pm(s)，并记录M个粒子中全局最佳位置G(s)和真实能耗最低值对应的最优位置Gr(s)；更新规则如下：如果F(Xm(s))＜F(Xm(s-1))，则Pm(s)＝Xm(s)，否则Pm(s)＝Pm(s-1)。如果F(Pm(s))＜F(G(s))，则G(s)＝Pm(s)，否则G(s)＝G(s-1)。如果F(Pm(s))＜F(Gr(s))且则Gr(s)＝Pm(s)，否则Gr(s)＝Gr(s-1)。步骤308、判断迭代次数s是否达到最大迭代次数S，如果是，输出M个粒子中最优位置Gr(s)对应的解进入步骤309；否则，返回步骤305。步骤309、根据最优位置Gr(s)的最优解X*，得到通信系统中基站选择的用户以及基站缓存的内容；最优解X*包括：基站选择的用户最优解以及基站缓存的内容最优解，具体为：a12,a2*,...,aI*,z1*,z2*,...,zK*;]]>步骤四、根据基站选择的用户以及基站缓存的内容最优解，向各小小区基站及用户广播各自的连接关系和内容缓存对应关系。步骤五、针对已选择好用户以及缓存了内容的某个小小区基站，根据每个选择用户的请求判断基站本身是否存在请求内容，如果存在，用户直接从该小小区基站获取缓存内容；否则，用户通过无线回程链路从内容提供商处获取内容。本发明的优点在于：一种考虑内容分发能耗的异构网络选择方法，通过用具体的用户内容需求替代基于随机分布的内容流行度的需求预测，实现基于节能的联合内容缓存策略与用户接入网络选择的方案，充分利用QPSO算法求解NP问题的特性，即算法参数少和实现简单，降低了选择机制实现的复杂度；从而保证所提机制，在可接受的时间范围达到内容缓存策略和用户接入网络选择的最优解，使系统能耗达到最小。附图说明图1是本发明建立的宏基站、小小区基站与用户之间的通信系统示意图；图2是本发明一种考虑内容分发能耗的异构网络选择方法流程图；图3是本发明计算系统总能耗最小时基站选择用户以及缓存内容的方法流程图；图4是本发明在三种算法下用户数目与系统总能耗的关系图；图5是本发明不同基站缓存大小情况下，用户数目与系统总能耗关系图；图6是本发明不同缓存策略情况下，用户数目与系统总能耗关系图。具体实施方式下面将结合附图对本发明作进一步的详细说明。本发明针对异构网络选择方案中，用户速率不仅仅受前向链路速率的限制，还受后向无线回程链路速率的限制。通过将缓存技术引入异构网络，在接入点进行内容缓存，可以减少冗余数据传输，减缓无线回程链路负载，降低回程链路能耗。因此，本发明提出了一种考虑内容分发能耗的异构网络选择方法，考虑当前系统中用户的实时内容请求情况、基站的负载情况和缓存大小限制以及无线回程链路的限制，对用户请求次数多的内容进行提前缓存到基站中，并使用户集中接入到该基站中：首先根据系统中所有用户的即时内容需求情况，决定内容是否需要提前缓存到基站中以及缓存位置选择，然后把具有相同内容需求的所有用户集中接入到存有所需求内容的基站中；从而减少无线回程链路的负载与能耗开销，使系统能耗最小化。具体步骤如下：步骤一、针对某个蜂窝网络的下行链路，建立宏基站、小小区基站与用户之间的通信系统；如图1所示，考虑一个宏基站覆盖K个小小区基站的蜂窝网络的下行链路，通信系统中包括I个用户，J个内容。K个小小区基站，集合为SBSk，k∈{1,2,3,4......K}；I个用户集合为UEi，i∈{1,2,3,4......I}；J个内容集合为Cj，j∈{1,2,3,4......J}；假设每个用户在任何时间必须连接且最多只能连接到一个小小区基站上，用ai,k表示连接关系，定义关联矩阵A，表征用户与小小区基站的关联关系：ai,k=1,ifUEiisassociatedwithSBSk0,otherwise]]>如果用户i连接到小小区基站k上，则ai,k＝1，否则ai,k＝0；假设每个内容大小一样，同一个内容可同时缓存到不同的小小区基站上，用表示缓存关系，定义关联矩阵Z，表征内容与小小区基站的关联关系：zkj=1,ifCjiscachedinSBSk0,otherwise]]>如果内容j缓存到小小区基站k上，则否则满足考虑为内容Cj选择一个或多个最优的小小区基站进行提前存储，使得小小区基站上存储的内容Cj能满足更多用户对内容Cj的需求；在此前提下，再为用户选择最优的接入点，使得更多的用户可以从小小区基站的缓存上直接获取内容Cj，从减少从内容提供商到小小区基站的无线回程链路负载与能量开销。不同用户可同时请求同一个内容，并且已知用户需求，即用户所请求的某一个内容为已知；用户与内容的关联关系用表示，定义关联矩阵B，表征用户与请求内容的关联关系：bij=1,ifUEirequestsCj0,otherwise]]>如果用户i请求内容j，则否则步骤二、在某个时间段，每个用户同时向与自身连接的各小小区基站发送各自的请求内容；基站根据所有用户的请求情况决定是否对内容进行缓存，达到系统总能耗最小；同时，根据内容的缓存情况为用户选择接入基站，使得系统总能耗最小。用户UEi向系统请求内容Cj，若内容Cj能在UEi所接入的小小区基站SBSk上获取(小小区基站SBSk已经提前从内容提供商CP获取并缓存内容Cj)，则内容Cj直接从小小区基站SBSk发送到用户UEi；若内容Cj不能从小小区基站SBSk上获取，则内容Cj先通过无线回程链路从内容提供商CP传输到小小区基站SBSk，再从小小区基站SBSk传输到用户UEi。步骤三、通信系统采用量子粒子群算法，计算当系统总能耗最小时，基站选择的用户以及基站缓存的内容的最优解；基于量子行为粒子群优化算法的联合内容缓存位置放置策略，与用户接入网络选择最优化问题的流程图，如图3所示，具体步骤如下：步骤301、初始化算法参数；初始化：每个粒子的位置Xm(0)，粒子总数M和最大迭代次数S；为了将量子行为粒子群优化算法应用到所建立的内容缓存位置放置策略与用户的接入网络选择联合最优化问题中，将包含所有I个用户的接入基站选择结果和J个内容的缓存放置结果联合定义为一个粒子的位置。假设总共有M个粒子，第m个粒子的位置向量Xm，m＝1,2...,M表示为：Xm(a1,1,a1,2,...,a1,K,a2,1,a2,2,...,a2,K,...,aI,1,...,aI,K,z11,z12,...z1J,z21,...,z2J,...,zk1,...,zKJ)]]>可以看到，多维向量Xm的元素由多个变量组成，元素分成两部分。第一部分从第1维到第IK维，表示I个用户与K个基站的连接情况。第二部分从第IK+1维到第IK+JK维，表示为J个内容在K个基站上的缓存放置情况。也就是每个粒子位置均包括两部分信息：I个用户接入基站的结果和J个内容缓存放置的结果；初始化每个粒子的位置，即内容缓存位置与用户网络选择时，必须保证每个粒子一开始就处于可行解的范围内，同时设置Pm(0)＝Xm(0)。步骤302、针对每个基站和每个内容，分别初始化基站缓存内容位置的初始值与用户连接基站的初始值；针对小小区基站k，随机选取M组缓存参数向量作为基站缓存内容位置的初始值；zm,k满足基站缓存长度限制和用户接入数限制。针对用户i，选取M组接入向量am,i＝[ai,1′,ai,2′,...,ai,k′]作为用户连接基站的初始值；步骤303、利用K个基站缓存内容位置的初始值与I个用户连接基站的初始值，设定每个粒子的初始位置；每个粒子的初始位置就是迭代次数s＝0的每个粒子的位置；第m个粒子的初始位置Xm(0)：Xm(0)＝[am,1(0),am,2(0),...,am,I(0),zm,1(0),zm,2(0),...,zm,K(0)]从而第m个粒子的在第s次迭代中的位置为：Xm(s)＝[am,1(s),am,2(s),...,am,I(s),zm,1(s),zm,2(s),...,zm,K(s)]步骤304、在某个时刻，利用每个粒子的位置计算该粒子对应的系统总能耗值；系统的总能耗表示为系统中所有用户的前向链路功耗、无线回程链路功耗及基站缓存功耗之和。在保证系统总能耗最小的同时，兼顾考虑了小小区基站的缓存能力，小小区基站的负载能力，无线回程链路限制。每个粒子位置对应计算一个能耗值；f(ai,k,zkj)=(Σi=1IΣk=1KΣj=1Jbijai.kzkjpi.k+Σk=1KΣj=1Jzkj(pkj+pk,j,c))+Σi=1IΣk=1KΣj=1Jbijai,k(1-zkj)(pi,k+pk,j,c)]]>pi,k表示小小区基站SBSk到用户UEi的发射功率，表示内容Cj缓存在小小区基站SBSk上的缓存功率，pk,j,c表示内容Cj从内容提供商(ContentProvider，CP)上通过无线回程链路传输到小小区基站SBSk上的传输功率。为了使系统总能耗最小，即优化目标为：系统总能耗受以下条件制约：C1:Σk=1Kai,k=1,∀i]]>C2:Σj=1Jzkj≤sk,∀k]]>C3:Σi=1Iai,k≤lk,∀k]]>C4:ai,k∈{0,1},∀i,k]]>C5:zkj∈{0,1},∀j,k]]>C6:bij∈{0,1},∀i,j]]>sk(k∈{1,2,3......K})表示小小区基站SBSk的缓存容量大小，定义为缓存到其上的内容的总数目lk(k∈{1,2,3......K})表示小小区基站SBSk的负载能力大小，定义为接入到其上的用户的总数目C1表示每个用户必须接入到一个且最多只能接入到一个小小区基站下；C2表示内容的缓存受到小小区基站缓存能力的限制，即使用户对某一内容有需求，但若小小区基站缓存已满就不接受内容的缓存请求；C3表示用户的接入受到小小区基站负载能力的限制；C4表征用户UEi和小小区基站SBSk的关联性，当ai,k＝1时表示用户UEi接入到小小区基站SBSk上，当ai,k＝0时表示两者没有关联。C5表征内容Cj与小小区基站SBSk的关联性，当时表示内容Cj缓存在小小区基站SBSk上，当时表示内容Cj不缓存在小小区基站SBSk上；C6表征用户UEi和内容Cj的关联性，当时表示用户UEi请求内容缓Cj，当时表示用户UEi不请求内容Cj。考虑到最优化问题是整数非线性规划问题，属于非确定性多项式困难(Non-deterministicPolynomial-hard，NP-hard)问题，虽然可以用穷举法进行求解，但计算开销很大，通常的做法是采用启发式算法进行近似求解。为了降低计算复杂性，引入粒子群优化算法进行求解。由于量子行为粒子群优化算法是在粒子群优化算法的基础上改进而来，因此考虑采用量子行为粒子群优化算法对整数非线性规划问题进行求解，获得次优解。步骤305、在下一时刻，更新每个粒子的位置和速度；粒子的下一位置由粒子的当前位置和当前速度共同决定，通过不断更新粒子位置，也就是内容的缓存位置和用户的网络选择，计算对应的系统总能耗。迭代次数s从0开始，对于从1到M的每个粒子，执行以下步骤，直到迭代次数达到S次：更新公式如下所示：Xm(s+1)=P+β|C(s)-Xm(s)|·ln(1/μ),γ≥0.5Xm(s+1)=P-β|C(s)-Xm(s)|·ln(1/μ),γ<0.5]]>其中，γ是取值范围为(0,1)的随机数，β代表收缩扩张系数，μ是取值范围为(0,1)的随机数；C(s)表示第s次迭代过程中的平均最好位置，Pm(s)表示第m个粒子在第s次迭代过程中的最好位置；计算如下：Pm(s)=Xm(s),ifF[Xm(s)]>F[Pm(s-1)]Pm(s-1),ifF[Xm(s)]≤F[Pm(s-1)]]]>当s＝0时，Pm(0)＝Xm(0)；F[Pm(s-1)]表示第m个粒子在第s-1次迭代过程中的最好位置的适应度函数；F[Xm(s)]表示第m个粒子在第s次迭代中的位置的适应度函数。向量P表达式如下：是0到1之间的随机数；G(s)表示所有粒子在第s次迭代过程中的全局最好位置，它是根据适应度函数F(Xm(s))，从所有粒子的最好位置Pm(s)中挑选得到G(s)，即：ξ=argmin1≤m≤M{F[Pm(s)]}]]>G(s)＝Pξ(s)当s＝0时，从Pm(0)中选择一个最好位置作为全局最好位置G(0)；即全局最好位置是初始化后的粒子所对应的系统总能耗最小的粒子的位置。步骤306、每更新一次粒子的位置后，计算各粒子的适应度函数F(Xm(s))，并记录全部M个粒子的适应度函数值及M个粒子的对应惩罚函数值适应度函数F(Xm(s))包含两部分，即粒子所包含的连接关系和缓存关系决定的总能耗函数，以及用以表达限制条件的惩罚函数；惩罚函数主要用来判断粒子位置更新之后有没有满足限制条件，因为粒子的每一次位置更新所得到的解不一定是可行解，用这个来限制粒子更新位置后得到的解在可行解范围内，也即是满足C1-C6这六个限制条件。首先，根据惩罚函数方法，将原始的约束最优化问题转化成无约束条件的形式。这样，得到一个包含一个目标函数三类约束条件的适应度函数，其表达式为：F(ai,k,zkj)=f(ai,k,zkj)+αPf(ai,k,zkj)]]>其中α是惩罚因子，决定惩罚函数的值对适应度函数的具体影响；惩罚函数的表达式如下：Pf(ai,k,zkj)=[max(0,Σjzkj-sk)]2+[max(0,Σiai,k-lk)]2+ΣiΣk(ai,k2-ai,k)2+ΣkΣj(zkj2-zkj)2+ΣiΣj(bij2-bij)2+Σi(Σkai,k-1)2]]>惩罚函数包括六个部分，分别对应于三类约束条件。惩罚函数的第一项和第二项是一个不等式，为第一类约束条件；max(.,.)表示取两个数中较大的一个。惩罚函数的第三项、第四项和第五项转换成一个等式形式，为第二类约束条件，惩罚函数的第六项是一个等式形式，为第三类约束条件，适应度函数：F(ai,k,zkj)=f(ai,k,zkj)+αPf(ai,k,zkj)=f(ai,k,zkj)+α[max(0,Σjzkj-sk)]2+[max(0,Σiai,k-lk)]2+ΣiΣk(ai,k2-ai,k)2+ΣkΣj(zkj2-zkj)2+ΣiΣj(bij2-bij)2+Σi(Σkai,k-1)2]]>步骤307、根据M个粒子的适应度函数更新各粒子的最佳位置Pm(s)，并记录M个粒子中全局最佳位置G(s)和真实能耗最低值对应的最优位置Gr(s)；具体更新规则如下：如果F(Xm(s))＜F(Xm(s-1))，则Pm(s)＝Xm(s)，否则Pm(s)＝Pm(s-1)。如果F(Pm(s))＜F(G(s))，则G(s)＝Pm(s)，否则G(s)＝G(s-1)。如果F(Pm(s))＜F(Gr(s))且则Gr(s)＝Pm(s)，否则Gr(s)＝Gr(s-1)。步骤308、判断迭代次数s是否达到最大迭代次数S，如果是，输出M个粒子中最优位置Gr(s)对应的解进入步骤309；否则，返回步骤305。步骤309、根据最优位置Gr(s)的最优解X*，得到通信系统中基站选择的用户以及基站缓存的内容；比较不同分配情况子下内容的缓存位置与用户网络选择对应的的系统总能耗，确定最优解，即最优内容缓存位置和用户网络选择和最小系统能耗值。根据适应度函数，计算在全局最好位置处对应的适应值，并将得到的结果输出。最优解X*包括：基站选择的用户最优解以及基站缓存的内容最优解，具体为：a12,a2*,...,aI*,z1*,z2*,...,zK*;]]>步骤四、根据基站选择的用户以及基站缓存的内容最优解，向各小小区基站及用户广播各自的连接关系和内容缓存对应关系。步骤五、针对已选择好用户以及缓存了内容的某个小小区基站，根据每个选择用户的请求内容判断基站本身是否存在，如果存在，用户直接从小小区基站获取缓存内容；否则，用户通过无线回程链路从内容提供商处获取内容。仿真场景设置为异构网络的常用仿真网络配置；通信系统中设置了5个小小区基站，每个基站的负载能力大小为10，缓存大小能力为3；在基站的周围随机分布着用户；系统中总的内容数目为20，其中每个内容的大小一样。详细的仿真参数如表1所示：表1参数值无线回程链路功率26dBm(0.398w)基站的传输功率26dBm(0.398w)基站缓存功率5dBm(0.003w)本申请主要从用户的增加对系统总能耗的影响、不同基站缓存大小对系统总能耗的影响、不同缓存策略(所提模型中缓存策略与Zipf分布缓存策略)对系统总能耗的影响几方面来进行仿真分析。此外，为了体现提出的策略的性能，采用了经典粒子群优化算法(PSO)和穷搜法(ENUM)这两种算法，与本发明QPSO算法进行比较。如图4所示，通过对比QPSO算法、PSO算法和穷搜法，在基站数目和内容数目固定不变时，考虑用户数目与系统总能耗的关系。可以看出，随着用户数目的增加，系统总能耗在上升。这是因为系统中用户数目增加，需要传输的内容也在增加，所以系统耗能也在增加。此外，QPSO算法下的系统总能耗低于PSO算法下的总能耗，原因在于PSO算法容易陷入局部最优，QPSO算法能够克服PSO算法存在的不足，可以得到全局次优解。另外，通过与穷搜法得到的最优解相比，QPSO与PSO得到的次优解并没有相差很大，但在算法复杂度上却有明显的提高。由此可见，本发明基于量子行为粒子群优化算法的内容缓存位置放置与用户的接入网络选择，性能有较大提升。如图5所示，在基站数目和内容数目固定不变时，比较不同基站的缓存大小下用户数目与系统总能耗的关系。可以看出，随着用户数目的增加，系统总能耗在上升。这是因为系统中用户数目增加，需要传输的内容也在增加，所以系统耗能也在增加。此外，基站缓存大小为0(即基站不具备缓存能力)的曲线、基站缓存大小为3曲线、基站缓存大小为5的曲线位置依次降低。原因在于随着基站缓存大小的增加，基站能缓存的内容数目也增加，这样更多的用户能够直接从基站获取内容而不用通过无线回程链路从内容提供商处获取所请求的内容，而基站的缓存能耗又远低于无线回程链路的能耗。由此可见，在一定范围内增大基站缓存大小对降低系统总能耗有很大的性能提升。如图6所示，在基站数目和内容数目固定不变时，比较不同缓存策略(所提模型中缓存策略与Zipf分布缓存策略)下用户数目与系统总能耗的关系。Zipf分布缓存策略如下：最流行的内容所有基站一定会缓存；流行度排名第2名和第3名的内容，每个基站从二者随机选一个内容进行提前缓存；流行度排名第4-6名的内容，每个基站从三者之间选一个内容进行提前缓存；流行度排名第7-11名的，基站从这5个选择一个内容进行提前缓存；流行度排名12-20的内容，基站从这9个中选择一个内容进行提前缓存。可以看出，随着用户数目的增加，系统总能耗在上升。这是因为系统中用户数目增加，需要传输的内容也在增加，所以系统耗能也在增加。此外，所提模型中的根据用户的即时内容请求情况进行内容提前缓存的策略的能耗比根据内容流行度Zipf分布把内容提前缓存到基站中的能耗要小。原因在于通过Zipf分布提前缓存到基站中的内容并不满足用户的即时需求，用户当前请求的内容并不一定是流行度高的内容。本发明所提出的模型考虑了用户的即时需求，只缓存用户当前情况下请求次数频繁的内容。对于流行度高但是当前用户不请求的内容不提前缓存。这在一定程度上减少了基站的缓存能耗开销和后向无线回程链路的能耗。由此可见，本发明所提出的联合内容缓存策略与用户接入网络选择的方案对降低系统总能耗有很大的性能提升。综上，本发明以具体的用户内容需求替代基于随机分布的内容流行度的需求预测，利用QPSO算法对基于缓存的CDN系统中内容应当缓存的基站和用户应当接入的基站进行分配，使系统以较低的复杂度达到能耗最小化。通过联合调整内容的缓存策略与用户的接入网络选择方案，计算对应系统的最小能耗值，比较获得整个系统最优的内容缓存策略、用户接入网络选择方案以及系统最小能耗值。本发明为用户选择异构网络接入时，既保证了各用户对于所需求内容的质量，又兼顾了后向无线回程链路、前向链路及基站缓存的能耗参数，有效提升了异构网络中用户的服务体验并降低了系统的整体能耗，使系统总能耗最小化。当前第1页1 2 3