异构网络中基于多播技术的分布式缓存和用户关联方法与流程

本发明涉及一种无线边缘缓存技术，特别是涉及一种异构网络中基于多播技术的分布式缓存和用户关联方法，属于无线通信技术领域。

背景技术

随着移动智能设备的不断增长，移动数据流量的急剧增加，对于新兴应用和服务的需求也开始呈现爆炸式增长。小基站密集部署是应对这种移动数据流量增长的一种关键技术但是这种方法将给回程链路带来巨大压力，同时也会使得系统能耗增加。

多播和无线缓存被视为应对上述问题的两种很有前景的技术。缓存通过充分利用流量的周期模式将流量从高峰时段(如白天)转移到非高峰时段(如夜晚)，具体做法是在非高峰时段将部分文件提前缓存在基站等设备中，而在高峰时段服务用户请求。缓存对于有足够多内容复用时的场景很有效。多播则是通过使用单点对多点而非点对点的传输方式来服务用户对相同文件的并发请求，从而减少通信流量，并且降低能耗及带宽消耗。多播在许多用户并发地产生对相同文件的请求时非常有效。这样的场景在人群聚集事件中更常见，因为有大量的共同定位的人对相同的内容感兴趣，例如，体育比赛和音乐会活动中，经常有成千上万的参与者。社交网络平台和新闻服务等多种新服务也采用了一对多的通信范例，例如，tweeter、facebook等的更新，预计多播技术将会被更频繁地应用。目前学术界和工业界一般都是将这两种技术分别应用于不同场景和方面。将无线缓存和多播进行结合的文献研究还较少。

技术实现要素：

发明目的：基于上述现有技术的不足，本发明结合无线缓存技术和多播技术两者的优势，提出一种异构网络中基于多播技术的分布式缓存和用户关联方法，旨在降低系统总回程成本，同时在一定程度上降低系统功耗。

技术方案：为实现上述发明目的，本发明采用如下技术方案：

一种异构网络中基于多播技术的分布式缓存和用户关联方法，包括如下步骤：

(1)以(m+1)×k的矩阵表示基站(包括宏基站和小基站)和用户关联策略，以(m+1)×n的矩阵表示基站的缓存配置策略，设每个时隙内请求相同文件的用户形成一个多播组，同组用户采用多播方式进行文件传输，在保证用户服务质量，保证每个用户在每个时隙内只能由一个基站提供服务，以及保证缓存在基站的文件不会超过基站缓存容量的约束条件下，以最小化各多播组中用户的最大传输速率之和为目标，建立用户关联策略和缓存配置策略的联合优化问题；其中基站包括宏基站和小基站，m为小基站总数目，网络中还包括1个宏基站，n为一段时间内所有用户请求的文件总数目，k为网络中移动用户总数目；

(2)对用户关联策略和缓存配置策略进行迭代优化，得到最优的用户关联策略和缓存配置策略，每轮迭代优化过程包括：

(2.1)基于给定缓存配置策略，采用博弈论方法求解用户关联策略；

(2.2)基于给定用户关联策略，采用拉格朗日松弛算法求解缓存配置策略。

进一步地，步骤(1)中建立的联合优化问题描述为：

其中，tmk表示用户k是否由基站m服务，xmn表示基站m中缓存文件n的比例，rmk表示基站m到用户k的文件传输速率，sinrmk表示关联到基站m的用户k的信干噪比值，γk表示用户k的接收信干噪比阈值，cm表示基站m的缓存容量，cn表示文件n的大小。代表基站集合，其中0代表宏基站，{1,2,...,m}代表小基站集合，代表一段时间内所有用户请求的文件集合，代表网络中移动用户集合，代表请求文件n的用户形成的一个多播组。

进一步地，步骤(2.1)中采用博弈论方法求解用户关联策略，包括：

(2.1.1)设置迭代次数j＝0，每个用户各个可能的关联策略被选择的初始概率向量为其中表示用户k的所有可能的关联策略集合；

(2.1.2)所有用户根据概率选择第bk(j)种基站关联策略进行基站关联；

(2.1.3)各用户更新其效用函数uk(j)及其当前归一化效用函数然后用户更新其各自概率向量，更新规则为：

其中，0＜β＜1是学习参数，用户k的效用函数定义为可服务用户k的基站的总回程成本；

(2.1.4)若对于都存在大于设定阈值，算法结束，否则返回步骤(2.1.2)继续循环，直到循环结束。

进一步地，步骤(2.1)中采用博弈论方法求解用户关联策略时，用来表示用户基站关联策略的博弈论模型，其中用户集合为该博弈论模型中的博弈者集合，sk表示表示用户k的基站关联策略集合，uk表示用户k的效用函数；策略集合sk＝{sk}，其中sk＝(t0k,t1k,t2k,t3k,...,tmk)^t，所有用户的基站关联策略表示为矩阵其表示所有用户的联合策略空间，除了用户k外的其他所有用户的基站关联策略为其中用户k的效用函数定义为可服务用户k的基站的总回程成本，表示为：

其中，表示可以服务用户k的基站集合，集合中基站满足约束sinrmk≥γktmk。

进一步地，步骤(2.2)中采用拉格朗日松弛算法求解缓存配置策略的方法为：

采用梯度下降法对缓存配置变量xmn和拉格朗日乘子进行迭代更新至收敛得到最优解：

其中，为更新缓存配置变量xmn的步长，为更新乘子的步长，参数j代表第j次迭代，表示：当z小于a时取值为a，当z大于b时取值为b，否则取值本身，[z]⁺＝max{0,z}表示：当z小于0时取值为0，否则取值本身。

有益效果：本发明针对异构网络，在保证所有用户的qos前提下，结合多播和缓存技术，以最小化系统总回程成本为目标建立缓存配置策略和用户关联策略的联合优化问题。为解决该np-hard问题，将其划分为了两个子问题，即基于给定缓存配置策略的用户关联问题和基于给定用户关联策略优化缓存配置策略的问题。本发明方法充分利用多播技术和缓存技术两者的优势，相对于现有单播缓存算法和多播缓存算法，该方法在保证系统中各用户qos前提下，不仅可以有效降低系统回程总成本，而且在降低能耗方面也具有明显优势。

附图说明

图1为异构网络的系统模型图。

图2为本发明的方法的流程图。

图3为本发明与现有技术的系统功耗随sbs存储空间大小的变化而变化的仿真曲线图。

图4-图6为本发明与现有技术的系统总回程成本随sbs存储空间大小、zipf分布参数α、系统中用户数目的变化而变化的仿真曲线图。

具体实施方式

下面结合附图对本发明的具体实施方式做详细说明。

如图1所示，本发明所基于的异构缓存网络由1个宏基站(macrobasestation，mbs)，m个小基站(smallcellbasestation，sbs)和k个用户组成。代表基站集合，其中0代表mbs，{1,2,...,m}代表sbs集合，代表移动用户集合。sbs密集部署，即用户可以处在多个sbs的覆盖范围之内。用矩阵表示基站和用户关联情况，其中tmk表示传输决策，当tmk＝1时表示用户k由基站m服务，tmk＝0时则表示用户k不由基站m提供服务，每个用户最多只能由一个基站服务。表示一段时间内所有用户请求的文件集合，文件总数目为n，每个文件大小相同，为方便，归一化为1。宏基站和小基站均具有缓存能力，缓存空间为本发明采用mds编码缓存方案，当用户以任意顺序接收的文件编码数据包总比特数超过阈值1时，就能恢复原文件。缓存配置策略用一个(m+1)×n的矩阵来表示，其中表示基站m中缓存文件n的比例。如果基站m缓存文件n的比例为1，则文件可以从基站m直接获取，如果基站m缓存文件n的比例在0和1之间，文件n的一部分可以从基站m直接获取，另一部分则需要通过基站从核心网获取，如果基站m未缓存文件n，文件需要全部由基站从核心网获取。

本发明实施例中的异构网络包括1个宏基站(macrobasestation，mbs)，m＝15个小基站(smallcellbasestation，sbs)和k＝100个用户组成。一段时间内所有用户请求的文件总数目为n＝100，每个文件大小相同，为方便，归一化为1。宏基站和小基站均具有缓存能力，mbs存储空间大小为15，sbs的存储空间大小为8。当mbs或sbs缓存了多播组请求文件时，直接通过无线链路将所请求文件多播给该多播组，当基站未缓存多播组请求文件时，基站首先通过有限回程从核心网获取文件然后再将文件多播给用户。

如图2所示，本发明实施例公开的一种异构网络中基于多播技术的分布式缓存和用户关联方法，具体包括以下步骤：

步骤1：基于上述异构缓存网络场景，以最小化系统总回程成本为目标，建立用户关联策略和缓存配置策略的联合优化问题。具体过程为：

首先，制定多播传输原则。

在每个时隙，请求相同文件的用户形成一个多播组，用表示，其中qkn表示用户k是否请求文件n，当qkn＝1表示用户k请求文件n，否则用户k在该时隙内没有请求文件n。同组用户采用多播方式进行文件传输；本例中假设用户请求服从参数为α＝0.5的zipf分布。

然后，计算用户从各基站接收信号的信干噪比值，并确定sinr门限值。

在传输阶段，每个基站(包括mbs)复用相同频段频谱。在某个基站覆盖范围内，请求不同内容的用户组间使用不同频段频谱进行错开，即同一基站请求不同内容的用户组间不存在干扰，而请求相同内容的用户间使用相同频段频谱，由于采用多播方式传输，这些用户间也不存在干扰。如果假设基站到用户间信道是平坦衰落信道，信道增益为hmk，基站发射功率为pm，则关联到基站m的用户k的信干噪比值可以表示为：

本例中，考虑一个(1000×1000)的区域，区域内只有一个mbs，位于区域中心，即mbs坐标为(500,500)，sbs和用户则相对随机地撒入该区域范围内。mbs的覆盖范围半径为500m，每个sbs的覆盖范围半径为300m。mbs和sbs的发射功率分别为33dbm和23dbm，系统总带宽为10mhz，噪声功率谱密度为-174dbm/hz。至于大尺度衰落，mbs和sbs的路径损耗模型分别为l0k＝128.1+37.6log10(d0k)和其中dmk定义为用户k与基站m间的距离(km)。阴影衰落则取为标准差为8db的对数正态(log-normal)阴影衰落。此外，每个用户的接收信干噪比阈值γ设为-5db。

接着，建立系统总回程成本表达式。

从用户体验角度考虑，为使得用户获取文件延时较低，基站从核心网获取某一文件并多播该文件给其调度用户组时，文件下载速率需要满足该组中所有用户的传输速率需求，即基站从核心网获取文件的数据速率需至少和文件传输速率一样大，所以可定义系统回程成本为各多播组中用户的最大传输速率之和，具体可表示为：

其中，cb表示系统总回程成本，rmk表示基站m到用户k的文件传输速率，rmk的具体表示为rmk＝bmklog(1+sinrmk)，其中w为系统总带宽；

最终，以最小化系统总回程成本为目标，建立用户关联策略和缓存配置策略的联合优化问题。该优化问题可描述为：

其中，c1约束保证用户服务质量(qualityofservice，qos)，c2约束保证每个用户每个时隙只能由一个基站提供服务，c3约束则保证缓存在基站的文件不会超过基站缓存容量；

步骤2：基于多播协作缓存算法迭代地对用户关联策略和缓存配置策略进行优化，得到最优的用户关联策略和缓存配置策略。上述优化问题为一个np-hard问题。为解决该问题，首先将其划分为了两个子问题，即基于给定缓存配置策略的用户关联问题和基于给定用户关联策略优化缓存配置策略的问题；具体包括：

步骤2.1：基于给定缓存配置策略，采用博弈论方法求解用户关联策略。具体如下

首先，建立博弈论模型。

用来表示用户基站关联策略的博弈论模型，其中用户集合为该博弈论模型中的博弈者集合，sk表示表示用户k的基站关联策略集合，uk表示用户k的效用函数。策略集合sk＝{sk}，其中sk＝(t0k,t1k,t2k,t3k,...,tmk)^t，这样所有用户的基站关联策略可以表示为一个矩阵其中表示所有用户的联合策略空间。为满足约束c2，每个用户的每种关联策略向量中仅有一个元素为1，其余元素均为0。还可以定义除了用户k外的其他所有用户的基站关联策略为其中此外，认为当用户k既处在基站的覆盖范围内又满足优化问题中的c1约束sinrmk≥γktmk时，用户k可以选择基站m进行关联，也即用户k可以由基站m提供服务，用表示可以服务用户k的基站集合，则用户k的效用函数可以定义为可服务用户k的基站的总回程成本，即

定义博弈者k的归一化效用函数为可表示为：

当用户k的邻近用户已关联基站后，用户k会根据这些用户的关联策略选择合适的基站进行关联以提高其效用函数。此外，每个用户的效用函数仅取决于其自身及其邻近用户，所以该博弈可以通过分布式进行局部信息交换；

可以证明上述用户关联问题为势博弈问题。

本例中采用一种基于随机自动学习(stochasticlearningalgorithm，sla)的用户关联算法，其中用户通过各自的动态反馈来调整各自行为以逐步接近纳什均衡点，从而得到用户关联问题的最优解。

在基于sla的用户关联算法中，将扩展为一个博弈的混合策略形式，并给出以下定义。首先，令用户k的所有可能的关联策略集合为集合的大小为而所有用户可能的关联策略空间为策略空间的大小为然后，令p＝(p1,p2,...,pk)表示的混合策略组合，也即用户各个可能的基站关联策略被选择的概率矩阵，其中表示用户k各关联策略选择的概率向量，pkb表示表示用户k选择第b种关联策略的概率。

具体包括以下子步骤：

步骤2.1.1：初始化：设置迭代次数j＝0，每个用户各个可能的关联策略被选择的初始概率向量为

步骤:2.1.2：为各用户分配关联基站：所有用户根据现在的概率pk(j)选择第bk(j)种基站关联策略进行基站关联；

步骤2.1.3：动态更新策略：各用户更新其效用函数uk(j)及其当前归一化效用函数然后用户更新其各自概率向量，更新规则为：

其中0＜β＜1是学习参数；

步骤2.1.4：判断程序结束或返回步骤6.3.2：若对于都存在接近于1，即算法结束，否则返回步骤6.3.2继续循环，直到循环结束；

步骤2.2：基于给定用户关联策略，采用拉格朗日松弛算法求解缓存配置策略。采用梯度下降法对缓存配置变量xmn和拉格朗日乘子进行更新：

其中为更新缓存配置变量xmn的充分小且固定的步长，为更新乘子充分小且固定的步长。参数j代表第j次迭代。表示：当z小于a时取值为a，当z大于b时取值为b，否则取值本身。[z]⁺＝max{0,z}表示：当z小于0时取值为0，否则取值本身。乘子迭代更新过程将收敛至最优解。

本实施例步骤2中采用多播协作缓存算法迭代地对用户关联策略和缓存配置策略进行优化，得到最优的用户关联策略和缓存配置策略。具体为：首先初始化迭代次数j＝0，初始化最大迭代次数t＝500、拉格朗日乘子及缓存配置策略x⁰，并根据初始x⁰，采用博弈论方法求得用户关联策略t⁰；然后对于每次迭代，先更新缓存配置策略x^j及拉格朗日乘子再采用博弈论方法重新计算用户关联策略t^j，直到迭代结束。

图3给出了本发明方案与现有技术方案的系统功耗随sbs存储空间大小的变化而变化的仿真曲线图，性能评价指标为系统功耗。图4-图6则给出了本发明方法方案与现有技术方案的系统总回程成本随sbs存储空间大小、zipf分布参数、系统中用户数目的变化而变化的仿真曲线图，性能评价指标为系统总回程成本。可见，本发明的性能都要显著优于单播协作缓存方案、单播最热门缓存方案、多播为缓存方案以及多播最热门缓存方案，其不仅可以有效降低系统总回程成本，解决由于移动数据量激增和小基站密集部署带来的回程拥塞问题，而且还可以在一定程度上降低系统功耗成本。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。