超密集网络中基于聚类的缓存配置方法及装置制造方法及图纸

本发明专利技术针对超密集场景下现有小基站缓存方法在计算复杂度和缓存命中率间难以权衡的问题，提供了一种超密集网络中基于聚类的缓存配置方法及装置。该方法首先以最大化由小基站服务的用户数为目标，建立缓存配置策略优化问题；然后基于用户偏好及用户位置利用谱聚类算法对用户进行聚类，根据聚类结果对小基站进行分组，分组后小基站只能服务同类内用户，而不能服务其他类内用户；再根据聚类结果将原始优化问题分解为各个子问题，子问题的优化目标为最大化由各自类别中小基站服务的用户数；最后采用贪心缓存算法独立求解各个子问题，得到各类中小基站的缓存配置策略。本发明专利技术与现有技术相比在计算复杂度和缓存命中率间达到了较好的折中。

Cache allocation method and device based on clustering in super dense network

The present invention provides a clustering-based cache configuration method and device for ultra-dense network, aiming at the problem that it is difficult to balance the computation complexity and cache hit ratio of existing small base station cache methods in ultra-dense scene. Firstly, this method aims at maximizing the number of users served by small base stations, and then uses spectral clustering algorithm to cluster users based on user preferences and user locations. Then, small base stations are grouped according to the clustering results. After grouping, small base stations can only serve the same kind of users, but can not be satisfied. Secondly, the original optimization problem is decomposed into sub-problems according to the clustering results, and the optimization objective of sub-problems is to maximize the number of users served by the small and medium base stations in their respective categories. Finally, greedy cache algorithm is used to solve each sub-problem independently, and the cache configuration strategy of all kinds of small and medium base stations is obtained. Compared with the existing technology, the invention achieves a good compromise between computational complexity and cache hit rate.

【技术实现步骤摘要】
超密集网络中基于聚类的缓存配置方法及装置
本专利技术涉及一种无线边缘缓存技术，特别是涉及一种超密集网络中基于聚类的缓存配置方法及装置，属于无线通信

技术介绍
近些年来，随着新兴移动互联网应用的不断涌现和发展，以及智能终端数量的持续增加，移动数据流量爆炸式增长，移动通信技术的进一步发展面临巨大挑战。无线边缘缓存技术被视为应对这种挑战的一种非常有前景的技术。无线边缘缓存技术利用移动网络边缘的各种网络设备，例如基站、接入点、甚至用户的移动设备等，在非高峰时间预先下载和缓存受欢迎的文件，大大减少了高峰时段流行文件的重复传输，降低了回程链路负载，同时有效降低了服务延时，提升了用户体验。如何针对特定场景设计一种有效的缓存配置策略是无线边缘缓存技术研究的核心问题。超密集网络是第五代移动通信中的一种重要组网技术，其基本思想是通过覆盖不同范围、承担不同功能的大/小基站在空间中的极度密集部署，让访问节点尽可能接近终端用户，从而提升终端用户性能。超密集网络可以有效提高网络容量，但随着部署基站数量及用户请求的不断增加，将会面临严重的回程瓶颈问题。利用基站或者移动终端的缓存能力可以解决回程链路容量限制问题。所以在超密集网络场景下进行缓存配置算法设计极具现实意义，已经引起学术界及工业界的广泛关注。超密集网络是从无线异构网络演化发展而来，所以传统的异构网络缓存方案理论上也可以应用于超密集网络缓存中。异构网络中，我们通常采用的缓存方案为最热门缓存策略、随机缓存策略或贪心缓存策略(详见K.Shanmugam,N.Golrezaei,A.G.Dimakis,etal,“FemtoCaching:WirelessContentDeliverythroughDistributedCachingHelpers,”IEEETransactionsonInformationTheory,vol.59,pp.8402-8413,Dec.2013)。但是实际上这些算法并不适用于超密集场景。超密集场景下，小基站(SmallcellBaseStation，SBS)数量和用户数量相较于传统的异构网络大幅增加，并且将可能进一步增加，如果使用贪心算法，计算复杂度将会呈指数级增长；最热门缓存算法和随机缓存算法虽然简单，但是算法性能较差，缓存命中率低。所以现有算法应用在超密集场景时难以在性能和计算复杂度间达到一个很好的折中，我们需要探索新的更为有效的缓存配置算法。
技术实现思路
专利技术目的：基于以上现有技术存在的问题，本专利技术提供了一种超密集网络中的基于聚类的缓存配置方法及装置，以在缓存命中率和计算复杂度间实现较好的折中。技术方案：为实现上述专利技术目的，本专利技术采用如下技术方案：一种超密集网络中基于聚类的缓存配置方法，包括如下步骤：(1)以M×N的矩阵表示所有小基站的缓存配置策略，以M×K的矩阵表示小基站是否可以服务用户，在保证缓存在小基站的文件不会超过小基站缓存容量的约束条件下，以最大化由小基站服务的用户数为目标，建立缓存配置策略优化问题；其中M为小基站总数目，N为一段时间内所有用户请求的文件总数目，K为超密集网络中移动用户总数目；(2)基于用户偏好及用户位置对用户进行聚类，并根据聚类结果对小基站进行分组，分组后小基站只能服务同类内用户，而不能服务其他类内用户；(3)根据聚类结果，将原始优化问题分解为C个子问题，其中C为用户分类后的类别总数，所述子问题的优化目标为最大化由各自类别中小基站服务的用户数；(4)采用贪心缓存算法独立求解各个子问题，得到各类中小基站的缓存配置策略。进一步地，步骤(1)中建立的优化问题描述为：其中，xmn表示第m个小基站是否缓存了文件n，ymk表示第m个小基站是否可以服务用户k，qkn表示第k个用户请求第n个文件的概率，Sm表示第m个小基站归一化后的存储容量，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。进一步地，步骤(3)中分解后的子问题描述为：其中，Kc表示第c类中的用户总数，表示第c类中的小基站集合，Mc表示第c类中的小基站数目。进一步地，步骤(2)中基于用户偏好及用户位置对用户进行聚类，包括：(2.1)计算用户请求的相似度矩阵W＝(wij)K×K，并确定聚类数目C和选取的特征向量数目g，其中qi和qj分别表示用户i和用户j请求各文件的概率向量；(2.2)将W的对角线值置为0，排除用户自身的相似度；(2.3)计算相似度矩阵的归一化对角矩阵以及归一化拉普拉斯图矩阵G；(2.4)计算G的特征向量，将前g个特征值最大的向量按列放置成一个矩阵E，然后归一化矩阵E形成矩阵H；(2.5)令矩阵Z＝[ΗL]，其中L＝(ai)K×1表示用户的空间位置矩阵，其中ai＝[a1,a2]表示第i个用户所在位置的横纵坐标；(2.6)对矩阵Z按每行为一个数据点进行聚类。进一步地，步骤(2)中根据聚类结果对小基站进行分组的方法是：令bm表示小基站m所属类别，则其中，表示类别集合，K′cm为第c类中处于小基站m通信范围内的用户总数。进一步地，步骤(4)中采用贪心缓存算法求解各个子问题，包括：(4.1)初始化(4.2)选择能够使得上述优化问题中的目标函数取得最大值的小基站-文件组合(4.3)更新缓存配置：令(4.4)返回执行步骤(4.2)，直到当前类中小基站得到其缓存配置策略。一种超密集网络中基于聚类的缓存配置装置，包括存储器和处理器，所述存储器中存储有多条指令，所述指令被加载至处理器时执行所述的超密集网络中基于聚类的缓存配置方法。有益效果：本专利技术提供的超密集网络中基于聚类的缓存配置方法，首先，以最大化由SBS服务的用户数为目标建立缓存配置策略优化问题；然后，基于用户偏好和用户位置对用户进行聚类，并根据聚类结果对SBS进行分组，分组后SBS只能服务其所在类内的用户；最后，提供一种贪心缓存算法为各类内小基站指定缓存配置策略。本专利技术提供的基于聚类的贪心缓存策略性能显著优于最热门缓存策略，而相较于非聚类贪心缓存策略的性能有大约5％的损失，但计算复杂度可降低2～3个数量级，所以本专利技术提供的方法可以在系统性能和计算复杂度间达到较好的折中。附图说明图1为超密集缓存网络的系统模型图。图2为本专利技术与现有技术的满意用户数随SBS数目的变化而变化的仿真曲线图。性能评价指标满意用户数定义为由SBS服务的用户总数目。图3为本专利技术与现有技术的计算复杂度随SBS数目的变化而变化的仿真曲线图。图4为本专利技术与其他算法的满意用户数随SBS存储空间大小的变化而变化的仿真曲线图。性能评价指标满意用户数定义为由SBS服务的用户总数目。图5为本专利技术与现有技术的满意用户数随Zipf分布参数α的变化而变化的仿真曲线图。性能评价指标满意用户数定义为由SBS服务的用户总数目。具体实施方式下面结合附图对本专利技术的具体实施方式做详细说明。本专利技术针对超密集场景下现有小基站缓存方法在计算复杂度和缓存命中率间难以权衡的问题，提出了一种基于聚类的缓存配置方法。首先，基于用户偏好及用户位置利用谱聚类算法对用户进行聚类；然后根据聚类结果对小基站进行分组，分组后小基站只能服务同类内用户，而不能服务不同类的用户。最后，提出一种贪心缓存算法以制定各类中小基站的缓存配置策略。作为本专利技术的一种实施例，本专利技术提供一种超密集网络中本文档来自技高网...

【技术保护点】
1.一种超密集网络中基于聚类的缓存配置方法，其特征在于，包括如下步骤：(1)以M×N的矩阵表示所有小基站的缓存配置策略，以M×K的矩阵表示小基站是否可以服务用户，在保证缓存在小基站的文件不会超过小基站缓存容量的约束条件下，以最大化由小基站服务的用户数为目标，建立缓存配置策略优化问题；其中M为小基站总数目，N为一段时间内所有用户请求的文件总数目，K为超密集网络中移动用户总数目；(2)基于用户偏好及用户位置对用户进行聚类，并根据聚类结果对小基站进行分组，分组后小基站只能服务同类内用户，而不能服务其他类内用户；(3)根据聚类结果，将原始优化问题分解为C个子问题，其中C为用户分类后的类别总数，所述子问题的优化目标为最大化由各自类别中小基站服务的用户数；(4)采用贪心缓存算法独立求解各个子问题，得到各类中小基站的缓存配置策略。

【技术特征摘要】
1.一种超密集网络中基于聚类的缓存配置方法，其特征在于，包括如下步骤：(1)以M×N的矩阵表示所有小基站的缓存配置策略，以M×K的矩阵表示小基站是否可以服务用户，在保证缓存在小基站的文件不会超过小基站缓存容量的约束条件下，以最大化由小基站服务的用户数为目标，建立缓存配置策略优化问题；其中M为小基站总数目，N为一段时间内所有用户请求的文件总数目，K为超密集网络中移动用户总数目；(2)基于用户偏好及用户位置对用户进行聚类，并根据聚类结果对小基站进行分组，分组后小基站只能服务同类内用户，而不能服务其他类内用户；(3)根据聚类结果，将原始优化问题分解为C个子问题，其中C为用户分类后的类别总数，所述子问题的优化目标为最大化由各自类别中小基站服务的用户数；(4)采用贪心缓存算法独立求解各个子问题，得到各类中小基站的缓存配置策略。2.根据权利要求1所述的一种超密集网络中基于聚类的缓存配置方法，其特征在于，步骤(1)中建立的优化问题描述为：其中，xmn表示第m个小基站是否缓存了文件n，ymk表示第m个小基站是否可以服务用户k，qkn表示第k个用户请求第n个文件的概率，Sm表示第m个小基站归一化后的存储容量，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。3.根据权利要求2所述的一种超密集网络中基于聚类的缓存配置方法，其特征在于，步骤(3)中分解后的子问题描述为：其中，Kc表示第c类中的用户总数，表示第c类中的小基站集合，Mc表示第c类中的小基站数目。4.根据权利要求1所述的一种超密集网络中基于聚类的缓存配置方法，其特征在于，步骤(2...

【专利技术属性】
技术研发人员：杨绿溪，张珊，陶文武，李春国，黄永明，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32