一种超密集网络中基于小型基站自组织协作的缓存方法与流程

本发明属于无线通信技术领域，具体涉及一种超密集网络中基于小型基站自组织协作的缓存方法。

背景技术：

超密集组网，即超密集网络udn技术，通过密集部署小型基站sbs，可实现频率复用效率的巨大提升，是满足5g千倍容量增长需求的关键技术之一。超密集网络udn被认为是用来满足用户需求，提高系统容量的关键技术之一。udn通常包含了大量的低功率小型基站sbss并且部署密度远远高于当前的移动网络场景，可以为用户提供极高的数据传输速率。同时，将缓存技术引入超密集网络，网络边缘缓存近几年来吸引了很多关注，其主要思想是将频繁被用户请求的内容缓存到网络边缘中，使得网络中的文件更贴近用户，可以减少冗余数据传输，缩短用户下载时延，提升用户体验的同时提高频谱利用率。udn场景和网络边缘缓存技术相结合，既可以提高网络中的吞吐量，降低用户下载时延，又能减轻回程压力，将大大提升网络的性能。但是考虑到udn中sbss超密集部署情况下的成本问题，单个sbs的缓存容量十分有限，因此每一个sbs无法将用户可能需要的所有文件都缓存下来，在这种条件下需要结合多种因素考虑sbss的缓存方式，比如要综合考虑到文件流行度以及命中率和用户的体验，还可以考虑小型基站间的互相协作和自组织。

在针对超密集网络场景的缓存研究中，参考文献1考虑到缓存空间的限制想要最大化缓存利用率。首先将优化目标转换为回程负载最小化问题，然后使用机器学习相关算法预测并缓存相应内容到小型基站中，算法复杂度较低并且准确率很高。参考文献2提出了一种小型基站社交感知缓存策略来提升网络吞吐量和能量效率。首先利用社交网络理论研究小型基站的社交行为，从社交纽带因子高的基站中选出少数非常重要的基站，基于这些基站来与其他小小区调度分配资源。

在超密集的场景下，现有技术主要围绕单一基站来优化缓存内容，没有充分考虑到小型基站间的互相协作和自组织，如何在单个sbs的缓存容量十分有限的条件下，高效地为用户提供服务，减小用户下载时延，考虑这些问题可以进一步提高缓存命中率和用户的业务体验。

参考文献：

[1]g.shen,l.pei,p.zhiwen,l.nanandy.xiaohu,"machinelearningbasedsmallcellcachestrategyforultradensenetworks,"20179thinternationalconferenceonwirelesscommunicationsandsignalprocessing(wcsp),nanjing,2017,pp.1-6.

[2]y.li,x.zhang,j.zhang,s.wangandd.wang,"basestationsocial-awarecachingstrategyfor5gultradensenetworks,"2017ieeeglobecomworkshops(gcwkshps),singapore,2017,pp.1-6.

技术实现要素：

针对于现有技术并没有综合考虑到文件流行度以及命中率和用户的体验，也没有充分考虑小型基站间的互相协作和自组织，本发明提出一种超密集网络中基于小型基站自组织协作的缓存方法，以实现减小用户下载时延的目的。

本发明的超密集异构网络场景，包括：一个核心网，一个宏基站，在宏基站覆盖范围下密集分布的s个小型基站，在整个网络场景下随机分布的u个移动用户；宏基站与核心网、宏基站与小型基站通过无线链路连接。本发明提出的一种超密集网络中基于小型基站自组织协作的缓存方法，包括如下步骤：

步骤1，根据超密集网络中小型基站的负载能力和位置，得到小型基站的相似度矩阵；

所述的相似度矩阵记录任意不同两个小型基站的相似度，小型基站s1和s2的相似度表示为：θ∈[0,1]；其中，θ是设定的常数，是基站s1和s2的位置相似度，是基站s1和s2的负载能力差异度；

步骤2，根据小型基站的相似度矩阵和每簇中小型基站的个数k，将所有小型基站进行分簇，选取每簇中负载能力最好的小型基站充当簇头；k为正整数；

步骤3，依据文件缓存策略将文件缓存到小型基站和宏基站中；

所述的文件缓存策略为：设小型基站的缓存容量均相同，最多缓存m个完整文件；将用户所有可能请求的文件按照文件流行度进行排序；对一个簇，选取流行度靠前的km个文件并将每个文件分割为k个片段分别缓存到对应的小型基站中；在宏基站中继续按照文件流行度缓存剩余的流行度靠前的文件；

步骤4，用户接入基站后，开始请求获取文件，此时将出现三种情况：

首先判断用户所需文件是否缓存在小型基站内，如果是，出现第一种情况：小型基站内缓存了用户请求的文件；如果否，再判断用户所需文件是否缓存在宏基站内，如果是，出现第二种情况：用户请求的文件缓存在宏基站中；如果以上两种情况都不是，那么出现第三种情况：用户所请求的文件并没有缓存在网络中，用户通过核心网获取所请求的文件；

计算三种情况下的用户的传输时延，进而获得用户平均下载时延，然后执行步骤5；

步骤5，设每簇内小型基站数量最多为k个，k为正整数；判断k的取值是否超过k，若是，则选取使得用户的平均下载时延最小的k值输出；否则，继续更新k值，使k自增1，然后转步骤2继续执行。

本发明与现有技术相比，具有以下明显优势：

(1)本方法提出了基于sbs分簇的协作缓存策略，根据仿真结果可以看出，该方法有效地提高了缓存命中率同时减小了用户下载时延，证实该策略在密集场景下满足多种业务需求的可行性和适用性。

(2)本方法可以利用小型基站的分簇与相互协作，利用网络自优化思想实现资源管理效率的提升。

附图说明

图1是本发明中sbs自组织协作缓存方法流程图；

图2是本发明中sbs分簇的协作缓存方法系统模型图；

图3是本发明中sbs分簇的协作缓存策略示意图；

图4是本发明缓存命中率与簇内小型基站数量关系图；

图5是本发明中用户平均下载时延与簇内小型基站数量关系图；

图6是本发明中用户平均下载时延与场景中小型基站总数量关系图；

图7是本发明中用户平均下载时延与齐普夫衰减常数α关系图。

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，下面结合附图和实施例对本发明作进一步的详细描述。

本发明针对如何在单个sbs的缓存容量十分有限的条件下，高效地为用户提供服务，减小用户下载时延，提出了一种超密集网络中基于sbs自组织协作的缓存方法。本发明方法基于sbss的负载能力和位置信息将所有sbss进行分簇，每簇中选出簇头利用自组织思想分配簇内资源。然后将相应文件分片并将不同碎片缓存到不同的sbss中，每个基站缓存文件的大小相同并且按照文件流行度排序。接下来将优化目标设定为最小化用户平均下载时延，最终改变簇内小型基站数量，通过遍历法找到最优解。

如图1所示，为本发明提出了一种基于sbs自组织的协作缓存方法，具体包括步骤1～步骤5，下面依次说明各步骤。

步骤1，初始化参数，根据超密集网络中所有小型基站的位置信息与负载能力信息，得到小型基站的相似度矩阵。初始化的参数包括基站的位置信息和负载能力。

如图2所示，为本发明sbs分簇的协作缓存方法系统模型，本发明考虑超密集异构网络场景下的缓存策略，在该网络中，包括：一个宏基站mbs与核心网，宏基站与核心网、宏基站与小型基站通过无线链路连接。有s个小型基站sbs在宏基站覆盖范围下密集分布，u个移动用户随机分布在整个网络场景下，本方法假设用户在接受文件时处于静止状态。网络中的s个小型基站用一个集合表示，其形式为，用集合表示网络中的u个移动用户，其形式为，

小型基站分簇的关键在于选取基站间的相似度特征，虽然有许多的相似度特征可供选择，但是其中较为重要的两项特征分别是小型基站的位置信息和负载能力[参考文献3：s.samarakoon,m.bennis,w.saad,andm.latva-aho,“dynamicclusteringandon/offstrategiesforwirelesssmallcellnetworks,”ieeetransactionsonwirelesscommunications,vol.15,no.3,pp.2164–2178,march2016.]。位置信息反映了基站间相互协作的能力，决定了基站间协作的可操作性。负载能力引发了基站间相互干扰问题同时显示了基站参与协作的意愿度，决定了是否有必要进行协作。接下来，将分别计算出基站间位置信息和负载能力的相似度。

一方面，从小型基站的位置信息计算超密集网络中任意两个不同小基站的位置相似度，对于任意两个不同的小基站，计算两个小基站s1和s2对应的高斯相似度，即位置相似度公式如下：

其中，分别表示两个小型基站在欧式空间内的坐标；σx为设定常数；r表示小型基站互为邻居的最大间距。可以看出，小型基站间距离越小，位置相似度越高，基站更容易相互协作。更进一步，所有的s个小型基站彼此之间的位置相似度可以用一个s×s的矩阵来表示。

另一方面，从小型基站的负载能力方面来计算相似度。由于小型基站的负载能力差别越大，越应该组成一簇来进行簇间任务卸载，因此本发明方法将计算小型基站间负载差异度。为了简便计算，本发明方法假设每个用户请求文件的频率一样。所以小型基站的负载能力可以简化为最大可连接用户数量。最终得到小型基站s1和s2之间的负载能力差异度计算公式如下：

其中，σn是设定的常数，用来调整的大小，以方便数值计算；σn决定了差异度数值范围的大小。分别表示小型基站s1和s2的最大可连接用户数。与上述的一样，也将组成一个s×s的矩阵，其值越大，对应的两个小型基站越容易成簇。

然后，根据小型基站s1和s2之间的位置相似度和负载能力差异度，得到最终用来决定分簇的相似度，小型基站s1和s2的相似度计算公式如下：

其中，θ是设定的常数，用来调整决定分簇的因素影响占比；θ的大小决定了位置信息相似度和负载能力差异度对整体相似度的影响程度。计算所有任意两个不同小型基站的相似度形成大小为s×s的相似度矩阵以此基于sbs的负载能力相似度和位置信息相似度在下一步进行分簇。

步骤2，根据计算获得的相似度矩阵，依据小型基站分簇策略对小型基站进行分簇，确定每簇中小型基站的个数为k。可以将网络场景下的所有小型基站均分成若干个簇内小型基站数量相同的簇。在分好的各簇中选取每簇中负载能力最好的小型基站充当簇头。

本步骤在确定每簇中的小型基站的个数k后，随机选取场景中的一个小型基站作为簇的中心点，根据相似度矩阵得到与其相似度最高的k-1个小型基站组成一簇。选择未成簇中离当前簇中心点最近的小型基站作为下一组分簇的中心点，再依据小型基站的相似度矩阵，选取与簇中心点的相似度最高的k-1个小型基站组成一簇。如此重复分簇操作。随着分簇的进行，如果出现符合条件的小型基站不足k-1个，此时选取已成簇的小型基站中相似度较高的几个将新簇中的基站补齐至k个。以此类推，直至所有的小型基站完成分簇，每簇中的簇头由负载能力最好的基站担任，簇头利用自优化思想来分配簇内的资源，以及协调分配簇内任务。

步骤3，依据文件缓存策略将文件缓存到对应的小型基站。由于小型基站缓存容量十分有限，为了提高缓存命中率，本方法令同一簇的不同小型基站缓存流行度高的文件的不同碎片，宏基站缓存网络中剩余的未缓存的完整文件。

文件缓存策略为小型基站统计用户所有可能请求的文件种类数i，并按照文件流行度将所有文件排序，序号越小所代表文件的流行度越高。然后按照文件缓存策略对文件流行度靠前的那些文件进行分片并将对应碎片缓存至小型基站中；宏基站中将缓存一些流行度靠前的完整文件，依然按照文件流行度排序来缓存文件，先缓存流行度靠前的文件，直至缓存空间用尽。

本发明方法假设所有的小型基站的缓存容量均相同，最多缓存m个完整文件，宏基站可以缓存n个完整文件，而网络中的用户需要的文件共有i种，且m＜n＜i。将网络中所有的i种文件按照文件流行度进行排序，得到流行度文件库文件下标值越小说明其对应的文件越流行。由于一个簇内有k个小型基站，因此每簇最多可以缓存km个完整文件。如图3所示，本发明中sbs分簇的协作缓存策略，选取流行度靠前的k×m个文件，并将每种文件均匀分割成k个片段，然后将这些文件碎片缓存到不同的小型基站中。文件流行度处于k×m和k×m+n之间的文件将被完整的缓存在宏基站中。

根据上述的缓存策略，可以对每簇中的k个小型基站缓存的文件进行数学建模。用f1,k表示流行度第一的文件的第k个文件碎片，则对于第k个小型基站，其所缓存的所有文件ck表示为：

ck＝{f1,k,f2,k,…,fk(m-1)+1,k…,fkm,k}

其中，fkm,k表示流行度第km的文件的第k个文件碎片。

步骤4，用户接入基站后，开始请求获取文件，传输策略与缓存策略相互依托，分为三种情况，计算每种情况下的传输时延，进而得到用户平均下载时延，然后执行步骤5。

当用户想要从网络中获取某一文件时，涉及到文件传输问题时，此时会出现三种情况，用户将通过三种形式来获取其想要的文件。

第一种情况是小型基站内缓存了用户请求的文件，用户所请求的文件通过小型基站传输。

用户首先向其所连接的小型基站发送索要该文件请求，该基站将请求信息反馈给簇头。簇头根据请求文件的流行度判断簇内是否有用户所需的文件，如果有，则查看当前簇内各个小基站目前的负载情况来确定哪些小型基站共同为此用户服务，同时分配相应资源，如果某些缓存了用户所需文件碎片的小型基站无法直接与用户进行通信，簇头还将确认通过哪个基站进行中继传输。本传输过程通过自组织思想实现了小型基站与用户的文件传输。

第二种情况是用户请求的文件缓存在宏基站中，根据mbs传输计算下载时延。如果簇头发现簇内没有用户所需要的文件，那么簇头将会向宏基站索取此文件。宏基站中如果缓存了相应文件，则此文件先经由宏基站传输给簇头，再由簇头传送至用户。

第三种情况是用户所请求的文件并没有缓存在网络中，文件需要通过核心网传输，根据核心网传输计算下载时延。如果宏基站中仍没有此文件，则宏基站将继续向核心网发送请求，核心网通过无线链路将用户所需文件传至宏基站，宏基站又通过无线链路将文件传送给簇头，再由簇头传至该用户。这种情况下文件下载时延会由于传输路径变长而变大。

每一个文件的流行度不同，用户向小型基站索取对应文件的概率就不同。本方法假设用户请求不同文件的概率服从齐普夫定律[参考文献4：l.breslau,p.cao,l.fan,g.phillips,ands.shenker,“webcachingandzipf-likedistributions:evidenceandimplications,”ininfocom’99.eighteenthannualjointconferenceoftheieeecomputerandcommunicationssocieties.proceedings.ieee,vol.1,mar1999,pp.126–134vol.1.]。用pi表示用户向小型基站请求流行度排序为i的文件的概率，根据齐普夫定律，得到pi为：

其中，α表示衰减常数；j表示文件种类；i表示流行度排序；根据其计算出每个文件被请求的概率之后便可计算出理论上小型基站对于用户的缓存命中率

为了便于计算，当小型基站向用户发送文件时，本发明方法假设小型基站不与宏基站共用频谱资源。并且同一个簇内的不同小型基站会被分配彼此正交的频带用于传送文件，避免了小型基站之间的互相干扰。设小型基站和宏基站的可用带宽分别为ωs,ωm；hs,u为第s个小型基站与第u个用户之间的信道增益，hm,s为宏基站与第s个小型基站之间的信道增益。分别用和计算对应的信道增益，其中，l0表示增益系数，是一个常量，β是路径损耗指示因子，ds,u表示第s个小型基站与第u个用户之间的距离，dm,s表示宏基站与第s个小型基站之间的距离。

通过以下公式计算出第s个小型基站与第u个用户之间的信噪比snrs,u和宏基站与第s个小型基站之间的信噪比snrm,s。

snrs,u＝ps·hs,u/σ²

snrm,s＝pm·hm,s/σ²

其中，σ²表示网络场景中噪声功率；pm设定为宏基站与单个小型基站通信时的发射功率；ps设定为小型基站与单个用户通信时的发射功率。

对于第一种情况，簇头利用自优化的思想分配簇内资源，控制簇内直接与用户相连的所有小型基站共同协作传输该文件，从而缩短下载时延。但是还可能存在簇内小型基站需要通过中继才能为用户传输文件的情况，所以下载时延还与簇内与用户直连的基站个数相关。

第一种情况下，以香农公式作为基础，得到第u个用户通过小型基站获取文件时的传输时延为：

其中，nums表示第s个小基站需要为用户传输的文件碎片的个数；f为所需文件的大小；t表示直接与用户进行通信的小型基站数量。

第二种情况下，第u个用户通过宏基站获取文件时的传输时延包含了宏基站向簇头传输文件和簇头向用户传输文件两部分：

第三种情况下，第u个用户通过核心网获取文件。第u个用户通过核心网获取文件时的传输时延除了包含之外，还包括了核心网与宏基站通信的时间，为了简化计算，本发明方法将此部分时延用常数const来表示。因此的计算如下：

设第u个用户从小型基站、宏基站和核心网获取文件的概率分别表示为如下：

所以计算的第u个用户的平均下载时延delay^u如下：

步骤5，给定每簇内最多可存在的小型基站数量为k，本发明方法的优化目标是在满足一定缓存命中率的条件下最小化用户平均下载时延，优化目标的计算公式如下：

subjectto:k∈{1,2,…,k}

改变k的大小，将调整分簇后每簇中小型基站的个数，每次改变k之后，需要按照k的值执行步骤2，重新分簇，再继续执行步骤3和4，求取对应的小型基站缓存命中率和用户平均下载时延。通过遍历k的取值，获得使得用户的平均下载时延最小的k值。

在步骤5中，首先判断k的取值是否超过k，如果是，输出使得用户的平均下载时延最小的k值，结束本发明方法；如果否，继续改变k值，执行步骤二。本发明将k的取值从小到大一直取到k进行遍历。

下面对本发明方法进行仿真验证，本次仿真的对比算法是“最流行”文件缓存方案[参考文献5：t.wu,x.li,h.ji,andh.zhang,“anenergy-efficientsleepmanagementalgorithmforudnwithedgecaching,”in2017ieeeglobecomworkshops(gcwkshps),dec2017,pp.1–5.]。在“最流行”文件缓存方案中，所有的小型基站都缓存相同的流行度最高的m个完整的文件。

仿真验证如下：

如果不做特殊说明，用户可能请求的文件种类数共为i＝200，请求文件的大小为f＝10mbits，将齐普夫定律中的衰减常数α设定为α＝0.8，小型基站的存储容量为m＝10个文件，宏基站的存储容量为n＝100个文件。仿真场景大小为200m*200m并且将宏基站放在中心。网络中小型基站数量为50且覆盖半径为r＝30m，宏基站和小型基站的子信道可用带宽ωm＝ωs＝1mhz，发射功率分别为ps＝100mw、pm＝20w，噪声功率σ²＝-100dbm，增益系数l0＝-30db。为了简化计算，本方法将核心网到宏基站的传输时延设为固定值c＝1s。

如图4所示，为本发明方法缓存命中率与簇内小型基站数量关系图，表明了缓存平均命中率和簇内小型基站数量k之间的关系，横轴表示基站数量，纵轴表示缓存平均命中率，不同曲线代表不同的文件种数，从图4中选取任意曲线，可以看出小型基站缓存命中率随着簇内小型基站数量的增加而增加，并且增加的趋势越来越慢。因为簇内小型基站数量越多，意味着簇内缓存的不同文件的种类越多，用户请求的文件可以直接从小型基站获取的概率就越大，也就是说缓存命中率越高。根据齐普夫定律可知，流行度越靠后的文件被用户请求的概率就越小，而本方法的缓存策略就是按照文件流行度排序依次缓存的，因此后面被缓存的文件对缓存命中率的贡献不大，所以会出现增加趋势越来越慢的情况。同时，改变网络中用户请求的文件种数i也会影响到小型基站缓存命中率。网络中文件种数越多，意味着用户请求单个文件所占的概率比例就越小，从而导致簇内缓存的文件被用户请求的概率变小。因此从图4中可以看到，文件种数i＝200、i＝240、i＝280、i＝320时，随着文件种数i越小，小型基站的缓存命中率反而越大。

单从缓存命中率来看，好像簇内小型基站数量越多越好。但是，随着簇内小型基站数量的增加，簇内的资源分配问题和簇头的计算能力都将受到考验，并因此可能会增加用户的平均下载时延。所以接下来将在缓存命中率和用户平均下载时延之间作出权衡。

如图5所示，为本发明方法中用户平均下载时延与簇内小型基站数量关系图，表明了用户平均下载时延和簇内小型基站数量k之间的关系。这里要指出当簇内小型基站数量为1时，所有文件不需要分片，基站内缓存的都是完整的文件，此时与“最流行”缓存方案一致。从图5中可以看出，簇内小型基站数量从1增加到6的过程中，用户平均下载时延先减少然后再增加。用户平均下载时延减少的原因是用户从小型基站获取文件的速度要比从宏基站或者核心网获取文件的速度更快。之后时延又开始增加是因为随着簇内基站数量的增加，簇内小型基站之间的协作变的复杂了，有可能需要更多的中继，而且簇内的频谱资源也是固定的，从而导致用户从小型基站获取完整文件的速度变慢。除此之外，当小型基站总数量为50个时，可以从图5中对比“最流行”缓存方案，k＝1时的两个点代表“最流行”缓存方案和本方法所提的基于sbs分簇的协作缓存机制(k＝4)，两者的用户平均下载时延基本没有什么差异，但是缓存命中率却从0.35上升到0.6，从图4中i＝200对应的曲线可以看到，此时参数设置与图5一致。这证实了本发明方法所提的缓存机制的确可以提升udn场景下的缓存命中率，同时将大大减少回程网络的压力。

如图6所示，为本发明中用户平均下载时延与场景中小型基站总数量关系，表明了用户平均下载时延和场景中小型基站总数量之间的关系。在仿真过程中，簇内小型基站的数量为4。网络中小型基站的总个数从50个开始，每次增加10个，最终增加到100个。从图6中可以看出，在本发明所提的基于sbs分簇的协作缓存机制下，用户平均下载时延随着场景中小型基站总数量的增加而减小，而“最流行”文件缓存方案下的用户平均下载时延基本上没有什么变化。这是因为在仿真时为了简化计算，本发明方法假设用户与簇头基站间的距离是固定的，所以小型基站总数量的变化并不影响“最流行”缓存方案下用户与基站之间的距离，因此用户平均下载时延不怎么变化。但是在基于sbs分簇的协作缓存机制下，用户与除簇头之外其他基站之间的距离随着场景中小型基站总数量的增加而减小，因此用户平均下载时延也随之减小。

如图7所示，为本发明中用户平均下载时延与齐普夫衰减常数α关系，表明了用户平均下载时延和齐普夫衰减常数α之间的关系。在本图的仿真过程中，簇内小型基站的数量为4，网络中小型基站的个数为50，齐普夫衰减常数α从0.6增加到2.0。在图7中，随着齐普夫衰减常数α的增加，用户平均下载时延不断减小，同时减小趋势也越来越小。这是因为高的α意味着流行度靠前的文件被请求的概率将变得更大，而这些文件往往被缓存在小型基站中，同时一般来说从小型基站获取文件的时延要低于从宏基站或者从核心网获取文件的时延，所以用户平均下载时延将随之减小。此外，考虑到簇内所有的小型基站共同分配簇内的频谱资源，而“最流行”缓存方案中每个小型基站都有自己对应的频谱资源，因此使用“最流行”缓存方案时，小型基站传输所需的时延更小。但是用户平均下载时延还与缓存命中率相关，在α＜0.9时，使用基于sbs分簇的协作缓存策略使得用户从小型基站获取文件的概率更大，此时其平均用户下载时延要优于“最流行”缓存方案。随着α的进一步增大，两种方案在缓存命中率上的差距越来越小，从而导致“最流行”缓存方案的时延变化相对较大，优于本发明方法提出的策略。一般情况下，α的值取0.6～0.8。