[发明专利]一种基于用户组偏好集中度差异的D2D概率式缓存放置方法

说明书

本发明提供的一种基于用户组偏好集中度差异的D2D概率式缓存放置方法，包括：构建场景模型及数据包流行度模型，计算每个数据包的分享概率；根据每个数据包的分享概率计算缓存并乐意分享该数据包的HUE密度，构建传输模型；在兼顾数据包的请求概率以及传输模型的传输成功概率的基础上，构建概率式缓存放置优化问题；通过迭代分组优化算法求解概率式缓存放置优化问题，得到优化缓存放置概率；通过概率式随机划线法将优化缓存放置概率转成对数据包具体的缓存放置方法。本发明方法完善了用户数据包的多流行度模型，且针对用户的分享偏好提出一种基于话题集中度以及用户比例各异的缓存用户分享模型，综合考虑了用户的缓存容量存在限制的客观问题。

技术领域

本发明涉及移动通信领域，更具体的，涉及一种基于用户组偏好集中度差异的D2D概率式缓存放置方法。

背景技术

D2D通信技术的出现，打破了邻近缓存用户间不易直连共享的技术鸿沟，它可支持邻近的两个终端设备间直接建立通信链路，而无需经过基站中转业务数据，从而降低了基站的负载和传输时延，提高了系统的频谱效率。无线边缘缓存技术将用户请求概率较高的数据包放置在其邻近的缓存终端中，终端之间可进行数据包的交互分享提升本地缓存的多样性，从而可降低常规通信系统中所需要的回程链路通信所带来的时延，有效提升了用户通信的质量[1]3GPP Technical Specification 23.303V15.1.0(2018-06),“3rdGeneration Partnership Project；Technical Specification Group Services andSystem Aspects；Proximity-based services(ProSe)；Stage 2(Release 15)”,www.3gpp.org。

在D2D缓存系统中考虑不同话题类别下的数据包具有不同的流行集中程度，即多流行度模型，可以带来多流行度增益[2]K.Wu,M.Jiang,F.She and X.Chen,“Relay-aidedrequest-aware distributed packet caching for Device-to-Device communication,”IEEE Wireless Communications Letters,vol.8,no.1,pp.217-220,Feb.2019。进一步地，用户的偏好可分为用户对数据包的偏好以及用户对用户的偏好两类，而用户对数据包的偏好又可被划分为全局偏好、私有偏好两个子类。其中，全局偏好一般指系统中所有用户对数据包的请求概率都服从同一种概率分布函数，如Zipf分布等[2][3]S.H.Chae and W.Choi,“Caching Placement in Stochastic Wireless Caching Helper Networks:ChannelSelection Diversity via Caching,”IEEE Transactions on WirelessCommunications,vol.15,no.10,pp.6626-6637,Oct.2016.[4]B.Blaszczyszyn andA.Giovanidis,“Optimal geographic caching in cellular networks,”in 2015IEEEInternational Conference on Communications(ICC),Jun.2015,pp.3358-3363。在该子类下，用户之间没有区别个人属性，全局偏好概率分布函数是在所有用户的历史请求数据统计下产生的。另一方面，私有偏好是近年来在D2D缓存技术研究中出现的一种新模型。该模型常常假设不同用户间对数据包的偏好程度不一致，强调用户间或者用户组间的差异性[5]Y.Pan,C.Pan,H.Zhu,Q.Z.Ahmed,M.Chen and J.Wang,“On Consideration of ContentPreference and Sharing Willingness in D2D Assisted Offloading,”IEEEJournal onSelectedAreas in Communications,vol.35,no.4,pp.978-993,April 2017。Guo在文献[6]Y.Guo,L.Duan and R.Zhang,“Cooperative Local Caching Under HeterogeneousFile Preferences,”IEEE Transactions on Communications,vol.65,no.1,pp.444-457,Jan.2017中进一步对组内数据包的流行度分布进行探讨，其假设邻近用户的偏好有一定的相似程度，将这些偏好相同的用户聚集成多组，设定同组内对数据包的请求概率服从Zipf分布。Chen[7]B.Chen and C.Yang,“Caching Policy for Cache-Enabled D2DCommunications by Learning User Preference,”IEEE Transactions onCommunications,vol.66,no.12,pp.6586-6601,Dec.2018在统计Movielens数据集时发现用户对数据包的偏好相似度较小，而每个用户对话题类的偏好随时间变化缓慢，因此设计了一种学习算法用于预测请求数据包的流行度分布。此外，文献[8]M.Lee,A.F.Molisch,N.Sastry and A.Raman,“Individual Preference Probability Modeling andParameterization for Video Content in Wireless Caching Networks,”IEEE/ACMTransactions on Networking,vol.27,no.2,pp.676-690,Apr.2019则通过全局流行度和局部流行度来共同模拟用户的偏好属性。