一种基于D2D的无线缓存网络中系统吞吐量优化方法与流程

一种基于d2d的无线缓存网络中系统吞吐量优化方法
技术领域
[0001]
本发明属于无线缓存网络中内容共享与资源分配领域；具体涉及一种基于d2d的无线缓存网络中系统吞吐量优化方法。


背景技术：

[0002]
基于d2d的无线缓存网络作为一种非常有前景的技术，通过将网络中的内容部署在临近d2d用户的缓存中，可以有效地减小基站的回程链路负载和用户获取服务的时延；而通过复用蜂窝用户的频谱资源，d2d通信可以有效提高频谱利用率和系统的吞吐量。然而，如果不能有效处理频谱复用带来的蜂窝用户和d2d用户间的相互干扰，将不能充分发挥基于d2d的无线缓存网络的优势。当前无线缓存网络中的资源分配算法虽然已经发展出了很多重要的技术成果，但是大部分研究只考虑单一d2d用户复用单一蜂窝用户频谱资源，没有考虑多d2d用户接入对资源分配的影响。因此，研究联合d2d用户接入和信道分配的资源分配方法能有有效地改善蜂窝系统频谱效率，提高系统吞吐量。


技术实现要素：

[0003]
针对以上现状，本发明设计出一种基于d2d的无线缓存网络系统吞吐量优化方法，包括以下步骤：
[0004]
建立无线缓存网络在约束条件下的系统吞吐量最优化模型；
[0005]
将无线缓存网络系统吞吐量最优化模型分解为接入选择与分配模型和功率控制模型；
[0006]
根据接入选择和分配模型为d2d请求用户提供接入服务和信道分配；
[0007]
判断并维护d2d用户所分配的信道的功率控制的可行性；
[0008]
响应于功率控制可行，将功率控制模型转化为dc规划并求出该dc规划的解，基于所述dc规划的解进行吞吐量优化。
[0009]
在一些实施方式中，无线缓存网络在约束条件下的系统吞吐量最优化模型为：
[0010][0011]
其中，p
ic
和分别表示蜂窝用户i的发射功率和d2d请求用户j的服务用户发射功率；
[0012]
ζ
j
表示d2d请求用户j的本地存储是否缓存了其请求的网络内容；
[0013]
ρ
m,j
表示d2d请求用户j是否可由d2d服务用户m服务；
[0014]
v
i,j
表示d2d请求用户j是否复用蜂窝用户i的频谱资源；
[0015]
和表示蜂窝用户集合；
[0016]
分别表示蜂窝用户集合和d2d请求用户集合；
[0017]
n
c
和n
r
分别为蜂窝小区中的蜂窝用户数和d2d请求用户数；
[0018]
表示d2d请求用户j的候选服务用户集合；
[0019]
和分别表示蜂窝用户和d2d请求用户的传输速率；
[0020]
约束条件为：
[0021][0022]
其中，约束条件(a)表示蜂窝用户和d2d链路的发射功率约束，和分别为蜂窝用户和d2d服务用户的最大发射功率；
[0023]
约束条件(b)表示蜂窝用户和d2d链路的传输速率约束，r
c
和r
d
分别为蜂窝用户和d2d链路的最小速率约束；
[0024]
约束条件(c)表示单个d2d请求用户只能由单个d2d发射用户服务；
[0025]
约束条件(d)表示单条d2d链路只能复用单个蜂窝用户的频谱资源。
[0026]
在一些实施方式中，在无线缓存网络系统吞吐量最优化模型中和分别表示为：
[0027][0028][0029]
其中和分别表示蜂窝链路和d2d链路的噪声功率；
[0030]
g
i,b
分别表示蜂窝用户i到基站的信道增益；
[0031]
g
i,j
表示为蜂窝用户i对d2d请求用户j的干扰链路增益，g
j
表示为d2d请求用户j的信道增益，g
j,i
表示为d2d请求用户j的服务用户对蜂窝用户i的干扰链路增益；g
k,j
d2d请求用户k的服务用户对d2d请求用户j的干扰链路增益。
[0032]
在一些实施方式中，接入选择与信道分配模型表示为：
[0033]
[0034][0035]
在一些实施方式中，功率控制模型为：
[0036][0037][0038]
其中，ds
i
表示复用第i个蜂窝用户频谱资源的d2d请求集合。
[0039]
在一些实施方式中，根据接入选择和分配模型为d2d请求用户提供接入服务和信道分配包括：
[0040]
将接入选择和信道分配模型的三维匹配转化为二维双边图匹配；
[0041]
根据双边图匹配算法计算得到d2d请求用户的服务用户。
[0042]
在一些实施方式中，根据接入选择和分配模型为d2d请求用户提供接入服务和信道分配还包括：
[0043]
采用启发式迭代算法计算得到d2d请求用户的信道分配共信道干扰总和最小的蜂窝用户频谱资源。
[0044]
在一些实施方式中，判断并维护d2d用户所分配的信道的功率控制的可行性，包括：
[0045]
通过perron-frobenius理论判断功率控制的可行性；
[0046]
若不可行，执行链路移除算法移除信道分配中共信道干扰最大的请求用户，直到功率控制可行。
[0047]
在一些实施方式中，将功率控制模型转化为dc规划包括：
[0048]
将功率控制模型转化为dc规划形式的目标函数；
[0049]
并通过一阶泰勒展开式，使用连续凸优化方法求解dc规划，得出最优解。
[0050]
在一些实施方式中，无线缓存网络包括多个d2d请求用户、多个d2d服务用户和多个蜂窝用户；蜂窝用户在给定授权信道上传输数据，d2d服务用户缓存网络内容，d2d请求用
户请求网络内容。
[0051]
本发明提出的基于d2d无线缓存网络系统吞吐量优化方法，为d2d用户提供了良好的接入选择和信道匹配，提高频谱利用率，为d2d用户提供了最优的发射功率，最小化共信道干扰，从而使得系统数据传输的吞吐量最大化，为高效率d2d无线缓存网络系统提供了解决方案。
附图说明
[0052]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
[0053]
图1为本发明与现有技术中两种算法的系统吞吐量随蜂窝用户信干燥比约束变化的结果对比图。
[0054]
图2为本发明与现有技术中两种算法中系统接入d2d链路数量随蜂窝用户信干燥比约束变化的结果对比图。
[0055]
图3为本发明方法的流程图。
具体实施方式
[0056]
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。
[0057]
在本发明中。基于underlaying-d2d的无线缓存网络模型包含n
r
个d2d请求用户，n
s
个d2d服务用户和n
c
个蜂窝用户。蜂窝用户在给定授权信道上传输数据，d2d服务用户根据一定的缓存概率分布缓存网络内容，d2d请求用户请求网络内容；当d2d请求用户请求网络内容时，首先检查本地存储是否缓存了该网络内容，若本地存储缓存了该网络内容则完成服务；否则，向临近d2d服务用户请求服务：如果存在临近d2d服务用户缓存了其请求的数据并满足信干噪比条件，则复用蜂窝用户的频谱资源由d2d服务用户提供服务；否则由基站为d2d请求用户分配特定的频谱资源提供服务。
[0058]
如图3所示，本发明提供了一种基于d2d的无线缓存网络系统吞吐量优化方法，包括以下步骤：
[0059]
s1、建立无线缓存网络在约束条件下的系统吞吐量最优化模型；
[0060]
s2、将无线缓存网络系统吞吐量最优化模型分解为接入选择与分配模型和功率控制模型；
[0061]
s3、根据接入选择和分配模型为d2d请求用户提供接入服务和信道分配；
[0062]
s4、判断并维护d2d用户所分配的信道的功率控制的可行性；
[0063]
s5、响应于功率控制可行，将功率控制模型转化为dc规划并求出该dc规划的解，基于所述dc规划的解进行吞吐量优化。
[0064]
在步骤s1中，建立基于underlaying-d2d的无线缓存网络模型，且基于underlaying-d2d的无线缓存网络模型在约束条件下的系统吞吐量最优化模型表示为：
[0065][0066]
其中，p
ic
和分别表示蜂窝用户i的发射功率和d2d请求用户j的服务用户发射功率；
[0067]
ζ
j
表示d2d请求用户j的本地存储是否缓存了其请求的网络内容，若d2d请求用户j的本地存储缓存了其请求的网络内容，则ζ
j
＝1，反之ζ
j
＝0；
[0068]
ρ
m,j
表示d2d请求用户j是否可由d2d服务用户m服务，若d2d请求用户j可由d2d服务用户m服务，则ρ
m,j
＝1，反之ρ
m,j
＝0；
[0069]
v
i,j
表示d2d请求用户j是否复用蜂窝用户i的频谱资源，若d2d请求用户j复用蜂窝用户i的频谱资源，则v
i,j
＝1，反之v
i,j
＝0；
[0070]
和表示蜂窝用户集合；
[0071]
表示d2d请求用户集合；
[0072]
n
c
和n
r
分别为蜂窝小区中的蜂窝用户数和d2d请求用户数；
[0073]
表示d2d请求用户j的候选服务用户集合；
[0074]
和分别表示蜂窝用户和d2d请求用户的传输速率；
[0075]
约束条件为：
[0076][0077]
其中，约束条件(a)表示蜂窝用户和d2d链路的发射功率约束，和分别为蜂窝用户和d2d服务用户的最大发射功率；
[0078]
约束条件(b)表示蜂窝用户和d2d链路的传输速率约束，r
c
和r
d
分别为蜂窝用户和d2d链路的最小速率约束；
[0079]
约束条件(c)表示单个d2d请求用户只能由单个d2d发射用户服务；
[0080]
约束条件(d)表示单条d2d链路只能复用单个蜂窝用户的频谱资源。
[0081]
在本发明的一些实施例中，在无线缓存网络系统吞吐量最优化模型中，和分别表示为：
[0082]
[0083][0084]
其中和分别表示蜂窝链路和d2d链路的噪声功率；
[0085]
g
i,b
分别表示蜂窝用户i到基站的信道增益；
[0086]
g
i,j
表示为蜂窝用户i对d2d请求用户j的干扰链路增益，g
j
表示为d2d请求用户j的信道增益，g
j,i
表示为d2d请求用户j的服务用户对蜂窝用户i的干扰链路增益；g
k,j
d2d请求用户k的服务用户对d2d请求用户j的干扰链路增益。
[0087]
在步骤s2中，将无线缓存网络系统吞吐量最优化模型分解为接入选择与分配模型和功率控制模型，在d2d接入选择和信道分配确定后，每个信道的状态是确定的，依次对每个信道求吞吐量最优化，即可得系统总吞吐量最优。
[0088]
在本发明的一些实施例中，d2d接入选择与信道分配模型为：
[0089][0090][0091]
其中，相比与上述的无线缓存网络的系统吞吐量模型，p
ic
和均为固定的发射频率：且
[0092]
在本发明的一些实施例中，功率控制模型为：
[0093]
[0094][0095]
其中，ds
i
表示复用第i个蜂窝用户频谱资源的d2d请求集合。
[0096]
在步骤s3中，根据接入选择和分配模型为d2d请求用户提供接入服务和信道分配包括：将d2d接入选择和信道分配模型的三维匹配转化为双边图匹配，并使用双边图匹配算法确定d2d用户接入选择，然后通过启发式迭代算法求得d2d请求用户的信道分配状态。
[0097]
其中，在本发明的一些实施例中，双边图匹配算法的具体过程为：
[0098]
第一步，初始化d2d链路矩阵然后根据d2d请求用户和d2d服务用户的缓存内容，确定d2d请求用户的候选服务用户矩阵也就是说，若d2d请求用户j的本地存储缓存了其请求的网络内容，则否则
[0099]
若d2d服务用户m缓存了d2d请求用户j请求的网络内容且d2d用户m和j的通信距离小于d2d最大通信距离r
d
，则dc
j,m
＝1，反之，dc
j,m
＝0。
[0100]
第二步，为每个d2d请求用户计算流行度如果则从d2d请求用户集合中移除d2d请求用户j。
[0101]
第三步，从d2d请求用户集合中选择最小的d2d请求用户j，从d2d服务用户集合中为d2d请求用户j选择满足dc
j,m
＝1且i
m,j
最大的候选d2d服务用户m；设定dl
j,m
＝1。
[0102]
第四步，分别从和中移除d2d请求j和d2d服务用户m；
[0103]
第五步，若为空集，则结束算法；否则，返回第三步。
[0104]
其中，定义为d2d请求用户j的偏好选择，i
m,j
越大表示请求用户j获得的增益越大，因此传输速率越大。
[0105]
在本发明的一些实施例中，信道分配的启发式迭代算法的具体过程为：
[0106]
第一步，输入蜂窝用户发射功率p
c
，d2d服务用户发射功率p
d
，信道增益矩阵g以及d2d链路矩阵dl；
[0107]
第二步，初始化信道分配矩阵设定wt
i
＝0存储子信道i中的总共信道干扰，复用蜂窝用户i的频谱资源的d2d请求用户集合为初始化j＝0表示当前为d2d请求用户j分配信道；
[0108]
第三步，j＝j+1；依次计算d2d请求用户j复用每个蜂窝用户i的频谱资源时，每个信道i的共信道干扰，即
[0109]
第四步，将d2d请求用户j复用蜂窝用户i
*
的频谱资源，其中更新将d2d请求用户j添加到集合设定
[0110]
第五步，若j＝n
r
，则结束算法；否则，返回第三步。
[0111]
其中，根据dl得出每个d2d请求用户的服务用户：
[0112]
1)如果则w
i,j
为d2d链路与蜂窝用户之间的共信道干扰w
i,j
为：
[0113][0114]
2)如果则w
i,j
为不同d2d链路之间的共信道干扰，w
i,j
为：
[0115][0116]
sinr
c
和sinr
d
分别为蜂窝用户链路和d2d链路的信干噪比门限，为d2d链路集合。
[0117]
在步骤s4中，判断并维护d2d用户所分配的信道的功率控制的可行性包括：
[0118]
使用perron-frobenius理论确定功率控制的可行性；
[0119]
若不可行，则执行链路移除算法，移除当前信道分配中共信道干扰最大的d2d请求用户，直到功率控制可行。
[0120]
在本发明的实施例中，将功率控制模型的约束条件转化为矩阵形式：
[0121]
i-γz p≥γn
[0122]
其中，p为蜂窝用户链路和d2d链路的发射功率向量，i为|ds
i
|+1维单位矩阵，γ为蜂窝用户链路和d2d链路的信干噪比约束矩阵，z表示归一化路径增益矩阵，n表示归一化噪声功率向量。具体定义如下所示：
[0123]
[0124][0125]
如果γz的最大特征值大于1，则功率控制无解；否则，存在一个正功率向量使得蜂窝用户链路和d2d链路满足信干噪比约束。由(i-γz)ρ≥γn得出最小发射功率为ρ
*
＝(1-γz)-1
γn；即任意的可行发射功率满足如果p
*
满足蜂窝用户和d2d服务用户的发射功率约束，则功率控制可行；否则，功率控制无解。
[0126]
功率控制不可行，则依次移除ds
i
中与其他链路产生最大共信道干扰即metric
j
最大的链路，直到可行，这样可以保证尽可能多地将d2d链路接入蜂窝用户频谱资源，提高系统吞吐量。
[0127]
其中
[0128][0129]
在本发明的一些实施例中，链路移除算法的具体过程是：
[0130]
第一步，根据信道分配状态和信道增益，计算γ、z和n。
[0131]
第二步，计算γz的最大特征值以及功率控制的最小发射功率p
*
。
[0132]
第三步，若γz的最大特征值小于1且p
*
满足蜂窝用户和d2d用户的发射功率约束，则问题可行，结束算法；否则，为每个d2d请求用户j计算metric
j
，移除metric
j
最大的d2d请求用户，返回第一步。
[0133]
在步骤s5中，响应于功率控制可行，将功率控制模型转化为dc规划并求出该dc规划的解包括：将功率控制子问题模型转化为dc规划问题，并通过一阶泰勒展开式，使用连续凸优化方法求解dc规划。
[0134]
在本发的一些实施例中，功率控制的dc规划形式的目标函数为：t
i
＝g
i-h
i
,其中，g
i
和h
i
的数学表达式分别为：
[0135]
[0136][0137]
然后通过将h
i
替换为一阶泰勒展开式，将dc规划问题转化为凸优化问题，使用连续凸优化方法求解功率控制。
[0138]
连续凸优化方法是将h
i
替换为以为初始点的一阶泰勒展开式i
i
，i
i
的定义如下所示：
[0139][0140]
其中，p0是功率控制子问题的任意一个可行点，分别为h
i
关于p
ic
和的一阶偏导数，具体表达式如下所示：
[0141][0142][0143]
通过上述近似我们可以将功率控制的目标函数转化为t
i
＝g
i-i
i
，并通过连续凸优化方法求解。
[0144]
连续凸优化方法的具体步骤为：
[0145]
第一步，初始化迭代次数k＝0，最大迭代次数l。以可行域内任意可行点初始化p0。
[0146]
第二步，以h
i
在p0点展开的一阶泰勒展开式i
i
代替h
i
，更新k＝k+1。
[0147]
第三步，使用内点法优化问题，得出当前问题最优解p
k
。
[0148]
第四步，如果k≤l，则更新p0＝p
k
，返回步骤2；否则，p
k
即为问题的最优解。将p
k
作为无线缓存网络在约束条件下的系统吞吐量最优化模型中的发射功率，对无线缓存网络进行优化。
[0149]
将本发明的技术方案进行实验得到的系统吞吐量与未考虑d2d接入选择的多用户复用单一蜂窝用户频谱资源方案(算法1)以及单一d2d用户复用单一蜂窝用户频谱资源方案(算法2)进行比较。如图1所示，本发明的技术方案将会获得更高的系统吞吐量。
[0150]
将采用发明提供的方法进行的实验得到的d2d链路接入数目与采用未考虑d2d接
入选择的多用户复用单一蜂窝用户频谱资源方案(算法1)以及单一d2d用户复用单一蜂窝用户频谱资源方案(算法2)进行比较。如图2所示，本发明技术方案中系统接入的d2d链路数更多，这是由于我们同时考虑了不同链路的共信道干扰以及信干噪比的影响。
[0151]
与现有技术相比，本发明的有益效果是：该技术方案通过将系统吞吐量最大化分解为d2d接入选择与信道分配子模型与功率控制子模型分别确定d2d请求用户的服务用户，信道分配，蜂窝用户最优发射功率以及d2d用户最优发射功率，从而使系统吞吐量最大化，该技术方案不仅解决了现有技术中难以解决的问题，而且方法简单，结果准确。其中系统吞吐量最优化问题的限制条件中保证了蜂窝用户和d2d用户的服务质量要求；允许单一蜂窝用户的频谱资源可以被多个d2d用户复用，能够有效提高系统频谱效率；同时对蜂窝用户和d2d用户的发射功率加以限制，保证设备的正常工作；其中将系统吞吐量最优化问题为混合整数非线性规划问题，通过将原问题分解为d2d接入选择与信道分配子问题和功率控制子问题，降低了求解复杂度，实现了运算复杂度与算法性能的折中；d2d接入选择与信道分配子问题仍然是np-hard难题，通过将三维匹配转化为双边匹配，使用双边图匹配算法确定d2d请求用户的服务用户；然后通过一种启发式迭代算法最小化每个蜂窝用户信道的共信道干扰，确定频谱复用状态。
[0152]
更进一步的，本技术方案中使用perron-frobenius理论确定功率控制子问题的可行性。若问题不可行，则执行链路移除算法，移除当前信道分配中共信道干扰最大的d2d请求用户，直到功率控制子问题可行，这样能够尽可能接入更多的d2d用户。
[0153]
更进一步的，功率控制子问题模型转化为dc规划问题，并通过一阶泰勒展开式，通过求解dc规划的一个局部最优解，降低了求解复杂度。