一种基于优化能量效率的线上协作缓存方法与流程

本发明属于通信
技术领域：
，具体是一种基于优化能量效率的线上协作缓存方法。
背景技术：
：超密集网络udn(ultra-densenetwork)是5g(thefifithgenerationmobilenetwork第五代移动通信)的有力候选技术，超密集组网技术通过增加基站部署密度，可实现频率复用效率的巨大提升，极大地提高系统容量。此外，在网络边缘部署缓存也是5g网络研究中一项公认的能够提升网络性能的技术。边缘缓存可以有效卸载回程链路的传输负载，从而降低文件分发给终端用户的时延以及节省文件传输过程中的能量消耗。成功的缓存内容决策以及位置分配能够极大程度上提升网络性能。因此，为了有效降低回程链路消耗和网络时延，进而提升频谱利用率和能量效率，针对超密集网络研究缓存技术是十分有必要的。在超密集网络中，加莱贝等人在2016年发表的《多小区协同系统中高效线上协同缓存算法研究》一文中，研究了在多小区协作系统中最小化内容提供商总体花费成本的问题，并提出了一种线上协作缓存算法。在加布里利等人于2017年国际通信会议上发表的《异构网络中的线上缓存》一文中，为无线边缘异构网络设计了一个分布式缓存系统，并针对缓存内容更新阶段提出了一个全新的线上缓存方式。哈米杜什等人于2014年发表的《无线小小区网络中基于主动社交缓存的多对多匹配算法》一文研究了基于超密集网络边缘缓存的问题，开发了一种基于本地用户行为的多对多匹配博弈算法，并通过该算法降低了回程链路负载以及终端用户的体验时延。在超密集网络边缘缓存技术的研究中，尽管已有关于线上缓存的研究，但是现有的线上缓存研究中都没有考虑本地用户行为对缓存命中率的影响。此外，现有线上缓存的研究也欠缺在能量效率优化方面的考虑。超密集网络海量的边缘接入节点会使回程链路成为超密集网络的瓶颈问题，并且网络中传输的海量信息中有很大一部分是重复传输的，如热门音视频、热点社交网络内容等，这些重复内容的传输占用了大量的网络资源，增加了网络消耗和负担。在超密集网络边缘部署缓存，能够降低数据的重复传输，节省网络资源，减轻网络负担。技术实现要素：本发明为了提高超密集网络udn边缘节点中缓存内容为用户提供的服务质量，降低网络资源的消耗，提出了一种基于优化能量效率的线上协作缓存方法。具体步骤如下：步骤一、搭建包括内容服务器cp，宏基站mbs，小基站sbs和用户ue的双层异构超密集网络场景；mbs通过回程链路连接到cp，同时与其覆盖范围内的所有sbs和ue进行无线连接；且mbs具有控制其覆盖范围内所有下属sbs的权利，控制的操作包括缓存，分发和替换等。每个sbs只与一个上级mbs通信，且可与其上级mbs覆盖范围内的其他sbs或ue连接，连接方式为直连或者多跳。每个用户ue可同时与一个mbs及其覆盖下的多个sbs连接，以得到它们协作的服务。针对某个mbs，该mbs覆盖范围内的所有sbs集合为m表示第m个sbs。所有ue的集合为n表示第n个用户ue。缓存文件的集合为f表示第f个文件。各个缓存文件对应的大小集合为sf表示缓存文件f对应的大小。步骤二、针对新的要缓存的内容l，mbs计算第n个用户ue对该内容的偏好因素和社交因素。第n个用户ue对内容l的偏好因素计算公式如下：vln是第n个用户ue对内容l所属类别的历史请求次数，l是所有类别的总数。第n个用户ue对内容l的社交因素计算公式如下：是向第n个用户ue分享内容l的朋友j在过去给该用户推荐成功的次数，即过去第n个用户ue看了几次朋友j推荐的内容l。k代表第n个用户的朋友的总数；代表没有朋友分享该内容。步骤三、分别计算mbs覆盖下的每个ue对内容l的偏好因素和社交因素，结合内容l的当前热度因素计算内容l的决策函数值；首先，对于网络场景中所有的ue，整体对内容l的偏好参数为：然后，网络场景中所有的ue，整体对内容l的社交参数为：进一步，计算内容l当前的热度参数为：ul是内容l在当前周期中被点击的总数，并且该周期中共有l′个内容在网络场景中。最后，计算内容l的决策函数值；公式如下：αp是偏好参数的权值，αs是社交参数的权值，αh是热度参数的权值，且αp+αs+αh＝1。步骤四、判断内容l的决策函数值il是否大于等于判定阈值i0，如果是，进入步骤五；否则，结束。步骤五、将内容l添加到缓存文件集合中，同时mbs计算能缓存该内容的各sbs。具体步骤如下：步骤501、针对缓存内容l，利用第n个用户ue对该内容l的偏好因素，社交因素和热度参数，计算该用户对内容l的请求概率步骤502、计算缓存内容l从第m个sbs分发到第n个用户ue需要消耗的传输能耗pm,n是第m个sbs到第n个用户的发送功率；sl表示缓存内容l对应的大小；rm,n表示第m个sbs与第n个用户间无线链路可达到的数据速率。w是信道带宽；gm,n是第m个sbs到第n个用户ue的信道增益；σ2是白高斯噪声的方差，in是第n个用户ue受到的干扰的功率；β是干扰消除参数，β∈[0,1]代表干扰管理技术消除干扰的程度，0代表干扰全部被消除，反之1是没有干扰被消除。步骤503、分别计算场景中每个ue对缓存内容l的请求概率，筛选出请求概率排名前a的ue，并按照从大到小的顺序将ue添加到新的集合中。步骤504、针对集合中的每个ue，分别计算缓存内容l从各sbs分发到当前用户需要消耗的传输能耗；步骤505、选择集合中的第一个ue，找到与该ue间传输能耗最低的第m‘个sbs作为缓存内容l的sbs；步骤506、删除集合中所有能得到第m‘个sbs服务的ue，并更新集合步骤507、选择更新后的集合中的第一个ue，返回步骤505；步骤508、直至集合为空集，得到能缓存内容l的各sbs。步骤六、判断需要缓存内容l的各sbs是否有足够的缓存空间，如果是，则直接缓存内容l；否则，在缓存空间不够的sbs中从最近最少被请求的文件开始删除，直到缓存空间足够存储该内容l。步骤七、同时，将该缓存内容l缓存到mbs中，判断mbs是否有足够的缓存空间，如果是，则直接缓存内容l；否则，从最近最少被请求的文件开始删除，直到缓存空间足够存储该内容l。本发明的优点在于：1)、一种基于优化能量效率的线上协作缓存方法，可以实现线上缓存决策以及实时完成基站的协作存储，根据仿真结果可以看出，该方案有效地节省了回程链路与mbs的传输能耗，这一结果证明了该方案在超密集网络中的可行性与适用性。2)、一种基于优化能量效率的线上协作缓存方法，可以综合多个因素完成内容缓存的决策，实现网络信息的充分利用，提升网络性能。3)、一种基于优化能量效率的线上协作缓存方法，可以实现缓存内容的实时分配，适应网络环境变化，保证能耗的节省，节约网络成本。附图说明图1是本发明搭建的双层异构超密集网络场景示意图；图2是本发明一种基于优化能量效率的线上协作缓存方法流程图；图3是本发明采用不同的决策函数权值网路回程链路的节省能耗受到mbs缓存空间的影响对比图；图4是本发明采用不同的决策函数权值网路mbs节省的传输能耗受到mbs缓存空间的影响对比图；图5是本发明采用不同的决策函数权值ue数量对回程链路中节省的传输能耗的影响对比图；图6是本发明与两种现有缓存算法下网路回程链路的节省能耗受到mbs缓存空间的影响对比图；图7是本发明与两种现有缓存算法下网路mbs节省的传输能耗受到mbs缓存空间的影响对比图。具体实施方式为使本发明的目的，技术方案和优点更加清楚，下面结合附图为本发明作进一步的详细描述。在超密集网络中，引入边缘缓存技术，可以减少相同内容在网络中的重复传输，从而降低回程链路的消耗。本发明采用基于缓存的双层异构无线密集网络架构，针对社交网络内容，提出了一种基于本地用户历史行为的线上协作缓存方案，其中利用本地用户的行为习惯作为参考因素定义了一个多维度的反应缓存决策函数，并根据实时网络环境分配内容的具体缓存位置。本方案的优化目标是基于边缘缓存节点的缓存空间限制，分配缓存内容的具体存储位置，实现缓存内容传输能耗的最小化，从而节省回程链路与宏基站的传输资源。如图2所示，具体步骤如下：步骤一、搭建包括内容服务器cp，宏基站mbs，小基站sbs和用户ue的双层异构超密集网络场景；如图1所示，以用户为中心的双层异构网络，该网络中有mbs(macrobasestation宏基站)与sbs(smallbasestation小基站)两种基站。mbs具备计算能力以及相对较高的缓存空间cm，而sbs没有计算能力且缓存空间相对有限为cs。mbs通过回程链路连接到cp，同时与其覆盖范围内的所有sbs和ue进行无线连接；且mbs具有控制其覆盖范围内所有下属sbs的权利，控制的操作包括缓存，分发和替换等。每个sbs只与一个上级mbs通信，且可与其上级mbs覆盖范围内的其他sbs或ue连接，连接方式为直连或者多跳。每个用户ue可同时与一个mbs及其覆盖下的多个sbs连接，以得到它们协作的服务。针对场景中某个mbs，该mbs覆盖范围内的所有sbs集合为m表示第m个sbs。网络中所有ue的集合为n表示第n个用户ue。缓存文件的集合为f表示第f个文件。各个缓存文件对应的大小集合为sf表示缓存文件f对应的大小。在该网络中，mbs缓存集合中所有的文件，各sbs缓存集合中的部分文件，具体哪个sbs缓存哪个文件受mbs控制。以变量表示文件f是否缓存在第m个sbs中，表示第m个sbs缓存了文件f，而时表示第m个sbs没有缓存文件f。步骤二、针对mbs覆盖的网络中新出现的要缓存的社交网络内容l，mbs计算第n个用户ue对该内容的偏好因素和社交因素。第n个用户ue对内容l的偏好因素计算公式如下：vln是第n个用户ue对内容l所属类别的历史请求次数，l是所有类别的总数。第n个用户ue对内容l的社交因素计算公式如下：是向第n个用户ue分享内容l的朋友j在过去给该用户推荐成功的次数，即过去第n个用户ue看了几次朋友j推荐的内容l。k代表第n个用户的朋友的总数；代表没有朋友分享该内容。步骤三、分别计算mbs覆盖下的每个ue对内容l的偏好因素和社交因素，结合内容l的当前热度因素计算内容l的缓存决策函数；为了实现线上缓存，做出即时决策，决策函数是必须的；本发明将三个方面作为参考因素定义出最终的决策标准。这三个参考因素分别为：偏好因素ip：用户一般更倾向于请求自己偏好的类别中的内容，因此利用用户偏好来判断是否缓存一个内容作为参考条件。基于用户之前浏览过的内容类别，用户偏好可以得到统计。社交因素is：用户是否会请求一个内容有很大关系取决于是否有朋友向他推荐该内容，以及该朋友对用户的影响力。事实上，如果一个用户经常浏览他其中一个朋友分享给他的内容，那么该用户就有很大可能再请求该朋友分享给他的内容。当前热度因素ih：当一个内容的热度足够高时，不论其归属于什么类别或者是否有朋友推荐该内容，用户都很有可能请求它。首先，对于网络场景中所有的ue，整体对内容l的偏好参数为：然后，网络场景中所有的ue，整体对内容l的社交参数为：进一步，计算内容l当前的热度参数为：ul是内容l在当前周期中被点击的总数，并且该周期中共有l′个内容在网络场景中。由于该参数是关于内容热度的，因此本实施例只截取该参数排名前十的内容，即当前热度排名前十的内容的值是有效的，其他内容的最后，计算内容l的决策函数值il；公式如下：αp是偏好参数的权值，αs是社交参数的权值，αh是热度参数的权值，且αp+αs+αh＝1。步骤四、判断内容l的决策函数值il是否大于等于判定阈值i0，如果是，进入步骤五；否则，结束。本发明设置i0为决策函数的判定阈值，如果初次出现在该网络的内容l的il值大于i0，mbs则会决定保留并在网络中缓存该文件；反之，不对该文件进行任何操作，直接删除。也就是说，当il≥i0时，将文件l添加到集合中。步骤五、将内容l添加到缓存文件集合中，同时mbs计算能缓存该内容的各sbs。具体步骤如下：步骤501、针对缓存内容l，利用第n个用户ue对该内容l的偏好因素，社交因素和热度参数，计算该用户对内容l的请求概率步骤502、计算缓存内容l从第m个sbs分发到第n个用户ue需要消耗的传输能耗本发明无线传输链路采用瑞利衰落模型，sbs与mbs共用下行信道资源。因此ue在接受文件时可能会受到来自于其他基站的干扰。在该网络中，缓存内容的传输从分发起点方面分类可以分为：mbs发送与sbs发送。对于mbs发送内容到第n个ue的无线链路，可达到的数据速率为：w是信道带宽；pm+1,n是mbs发送内容到第n个用户的发送功率，gm+1,n是mbs到第n个用户ue的信道增益。σ2是白高斯噪声的方差，in是第n个用户ue受到的干扰的功率；β是干扰消除参数，β∈[0,1]代表干扰管理技术消除干扰的程度，0为最理想的情况代表干扰全部被消除，反之1是最差的情况，没有干扰被消除。与之相似，第m个sbs与第n个用户间无线链路可达到的数据速率：其中，pm,n是第m个sbs发送内容到第n个用户的发送功率；gm,n是第m个sbs到第n个用户ue的信道增益；因此，分发缓存内容l从基站m∈[1,m+1]到第n个用户需要消耗的传输能耗为：sl表示缓存内容l对应的大小；步骤503、分别计算场景中每个ue对缓存内容l的请求概率，筛选出请求概率排名前a的ue，并按照从大到小的顺序将ue添加到新的集合中。步骤504、针对集合中的每个ue，分别计算缓存内容l从各sbs分发到当前用户需要消耗的传输能耗；步骤505、选择集合中的第一个ue，找到与该ue间传输能耗最低的第m‘个sbs作为缓存内容l的sbs；步骤506、删除集合中所有能得到第m‘个sbs服务的ue，并更新集合步骤507、选择更新后的集合中的第一个ue，返回步骤505；步骤508、直至集合为空集，得到能缓存内容l的各sbs。步骤六、判断需要缓存内容l的各sbs是否有足够的缓存空间，如果是，则直接缓存内容l；否则，在缓存空间不够的sbs中从最近最少被请求的文件开始删除，直到缓存空间足够存储该内容l。步骤七、同时，将该缓存内容l缓存到mbs中，判断mbs是否有足够的缓存空间，如果是，则直接缓存内容l；否则，从最近最少被请求的文件开始删除，直到缓存空间足够存储该内容l。本发明的目的是在所建网络模型以及定义的缓存策略中，最小化缓存内容的整体传输能耗，以实现网络能量效率的优化，节约回程链路的能量资源。综合上述内容，提高缓存文件分发能量效率的优化问题的具体表达为：s.t.c1：c2：c3：c4：变量为缓存系数，表示文件f是否缓存在第m个sbs中；表示缓存文件f从mbs传输到第n个用户ue需要消耗的传输能耗。即m＝m+1时，表示宏基站mbs。c1为mbs缓存空间的约束条件，即每个mbs缓存文件的内容的总量不能够超过其缓存空间阈值cm。c2为第m个sbs缓存空间的约束条件，即每个sbs缓存文件的内容的总量不能够超过其缓存空间阈值cs。c3为对缓存系数的约束条件，表示的取值只能为1或0；表示第m个sbs缓存了文件f，而时表示第m个sbs没有缓存文件f。c4为第n个用户ue对缓存文件f的请求概率的约束条件，表示的取值只能在0到1之间。针对缓存文件分发能量效率的优化问题进行求解：当用户请求的内容越靠近用户，内容的传输就越加节能，传输时延也越低。但是，sbs的缓存空间是有限的，而且由于单个sbs服务的ue数量十分有限，sbs也没有必要缓存边缘网络中的所有内容。因此，针对当前网络的特点，本发明以下列两点作为主要参考因素，设计了一个缓存内容分配算法用于计算每个文件的缓存位置：各个ue对每个文件的请求概率。每个缓存在sbs中的文件的覆盖范围。当一个文件f的决策函数值if大于判定阈值i0从而需要被缓存的时候，该算法就会以极低的复杂度找到优化的缓存位置，即应该缓存该内容的sbs。该算法确保请求概率高的ue能够直接从sbs中获取到该内容，并且充分利用了sbs的缓存空间。尽管对于单个文件来说其传输能耗不是最小的，但被缓存的不同文件种类数得到了提高，因此节省了更多mbs的传输能量。该算法的详细过程如下文所述，此时假设文件f是需要在网络中被分配的缓存文件。1)初始计算出每个ue对该文件的请求概率筛选出请求概率排名前a的几个ue，并按照从大到小的顺序将这些ue添加到集合中。2)选择集合中的第一个ue，找到与该ue间传输能耗最低的第m‘个sbs，令3)将场景中可以得到第m‘个sbs服务的所有ue添加到空集合中。4)同时，删除集合中所有可以得到第m‘个sbs服务的各ue。5)重复操作2-4，直到集合为空集。通过该算法计算后得到的集合中的ue即为能够通过sbs获取到文件f的所有ue。算法中的参数a可以随着sbs缓存空间的变化而改变，是一个适应性参数。详细的仿真参数如表1。表1参数取值mbs的发送功率pm+1,n1wsbs的发送功率pm,n0.1w噪声功率σ2-95dbm路径损耗因子α3信道带宽w200khz缓存内容体积sf1-10mb(随机)sbs缓存空间cs100mbmbs的覆盖半径100msbs的覆盖半径30msbs的密度λs0.002m-2缓存判定阈值i00.23算法参数a4另外，为了评估算法性能，在仿真最后部分还使用了以下两种算法与本发明所提的缓存分配算法进行对比：基于用户偏好的缓存分配算法：用户对内容的偏好为决定缓存的唯一标准。当网络中ue对某内容的类别偏好大于某一阈值时，网络则决定缓存该内容。该算法也与网络本地用户的行为有关。基于流行度的缓存分配算法：该算法决定缓存的判定条件为内容当前在网络中的流性度，当内容的流行度足够高时，这个内容即会被缓存在网络中。该算法的判定标准是在全网范围内统计出来的，与本地用户的行为无关。如图3所示，描述了mbs的缓存空间对网络性能的影响，此时网络中ue的数量为100。仿真图中共给出了三种不同的因素权值组合，分别为：组合1：组合2：αp＝0.4，αs＝0.4，αh＝0.2；组合3：αp＝0.5，αs＝0.3，αh＝0.2。显然，所有的曲线随着mbs缓存空间的增加都具有上升的趋势。其中，组合2和组合3对应的曲线差别不到，其上升均较为平缓，增加的量不多，但是这二者即使在缓存空间较低的时候仍然能够节省大量的回程链路传输能量。组合1的曲线上升的斜率更大，这意味着在权值组合1中，网路回程链路节省的传输能耗受到mbs缓存空间的影响较大。并且当mbs的缓存空间足够大时，权值组合1会超过另外两种组合。在与图3同样的场景下本地mbs节省的传输能量如图4所示，图中的三条轨迹线都有着不同程度的上升。组合1的曲线首先上升得最快，但到后来即使缓存空间继续增加，其节省的能量也不会再有变化。代表组合2的轨迹首先以较低的速度上升，但当缓存空间足够大时，大约在组合1不再上升的拐点处，其上涨速度开始加快。表示组合3的曲线总体上的增量是最少的，上升斜率与组合2的轨迹线的初始上涨斜率类似，甚至到后期上涨更慢，但是这条线始终都高于另外两条线，节省的能量是三者里最多的。综合分析图3与图4可以发现，组合3在节省回程链路与mbs的传输能耗方面的表现都很突出，尤其是在mbs的存储空间较低时仍有很好的效果。通过观察各权值组合的构成可以发现，当偏好因素所占权重相对较大时，网络的表现会更好。而当前热度权重相对较大时，网络性能相对受限，在mbs缓存空间较低的时候尤其明显。由此可以看出对网络本地用户行为分析的重要性，uudn中以用户为中心的目标的价值也得以体现。随着网络中ue数量的增多，回程链路中节省的传输能耗如图5所示，在这过程中mbs的缓存空间为1500mb，三种决策函数的权值组合与前文一致。从图中可以明显看出，回程链路的节省能耗与网络中的ue数呈正相关。也就是说，网络中存在的ue越多，就有越多的能量被节省，回程链路中相应其他的资源也会被解放。观察图中三条轨迹的走势，不管何种权值组合，其上升斜率均相差不大。但是当网络中ue数量大于600时，它们各自会出现不同程度的波动。组合1的上涨速度开始减缓，并最终保持不变。组合2开始有轻微下降之后恢复上涨，但是最终也保持不变，并略低于组合1。组合3依然在保持着上涨的趋势，但是上涨的速度比起之前减缓了不少。本发明所提线上缓存策略与现有的两种缓存算法之间的对比如图6和图7所示，这三种算法的区别主要在于做出缓存决策的参考条件，如多因素综合参考与单一因素参考，有无本地用户行为分析。此处关于本发明所提算法中使用的权值组合为上文中表现最好的组合3：αp＝0.5，αs＝0.3以及αh＝0.2。从这两张图中可以看出，本发明所提多维度参考的线上缓存算法在回程链路与mbs上都能节省更多的传输能量。如图6所示，在回程链路的节省方面，基于用户偏好缓存的轨迹趋势与本发明所提算法类似，然而基于流行度的缓存随着mbs缓存空间的增加却没有性能上的提升，与另外两者的差距越来越大。这是由于不管是本发明所提算法还是用户偏好算法，它们都有考虑本地用户的行为特点，而流行度是范围十分广泛的全网特征，难以体现某一区域内用户聚类的具体的内容需求特点，因此带来的增益并不明显。如图7所示，在mbs传输能量的节省方面，两种对比算法的表现均不甚理想，没有因为mbs缓存空间的增加而实现性能上的提升。在mbs上节省传输能量的多少体现出的是边缘sbs中分配到的缓存内容是否精确有效，显然两个对比算法在这方面做得是不够的。由此也可以看出，对于越少越精确的用户，具体的针对性缓存越重要。这也体现出uudn中以用户为中心的重要性，对用户行为的准确分析不仅能为用户带来更加优质的服务，同时也能一定程度上节省网络资源。当前第1页12