无人机辅助蜂窝网络中的无人机与用户协同缓存算法
发布时间：2021-02-01 20:03
针对无人机辅助蜂窝网络中的海量数据内容传输与无人机无线回程带宽受限这一矛盾,提出了一种无人机与用户协同缓存算法。通过在无人机以及用户设备上部署存储设备,将用户请求的热点内容缓存后进行共享分发,以减少无人机回程链路资源与能量开销,减轻业务负载并降低用户时延。以用户内容获取时延最小化为目标建立了无人机与用户缓存联合优化问题,将其分解为无人机缓存子问题与用户缓存子问题,并分别基于交替方向乘子法和全局贪婪算法进行求解,通过迭代获得收敛的优化结果,实现了无人机与用户的协同缓存。仿真结果表明,所提算法能够有效降低用户的内容获取时延,提升系统性能。
【文章来源】：通信学报. 2020,41(09)北大核心
【文章页数】：9 页
【部分图文】：
无人机辅助蜂窝网络系统模型
?43dBm、30dBm、23dBm，噪声功率谱密度为174dBm/Hz，宏基站、无人机、D2D以及回程链路带宽分别为10MHz、20MHz、20MHz、20MHz，网络中的内容大小为10Mbit/s。为了验证所提算法的有效性，本文采用以下2种算法进行对比分析。1)随机缓存：每个无人机或者用户随机选择缓存内容，直到缓存空间已满。2)最大流行度缓存：每个无人机或者用户缓存网络中内容流行度最高的内容，直到缓存空间已满。4.1所提算法的收敛性及最优性分析为了验证所提算法的收敛性与最优性，图2给出了小规模网络场景下所提算法迭代次数与时延的关系。无人机数量K1，用户数量N5，内容数量M8，无人机缓存空间4KQ，用户缓存空间1NQ。可以看出，在小规模场景下，所提算法在迭代10次以内可以达到收敛。当迭代10次时，所提算法得到的结果（0.02266）非常接近遍历搜索得到的全局最优解（0.02242），差距约为1.07%。这表明所提算法可在较低复杂度情况下得到具有较小差距的近似最优解，实现较高的优化性能。图2小规模网络场景下所提算法迭代次数与时延的关系4.2无人机与用户协同算法有效性分析图3展示了K=3、M=80场景下无人机与用户均无缓存、无人机有缓存、无人机与用户均有缓存这3种情况下的时延性能。与无人机与用户均无缓存（KQ0NQ）相比，无人机有缓存（40KQ）在N60情况下可降低约18%的用户时延，这表明在无人机上部署缓存，可有效降低用户时延；通过无人机与用户协同缓存（40KQ，5NQ），可继续降低约30%的用户时延，这说明在用户设备上进行
第9期张天魁等：无人机辅助蜂窝网络中的无人机与用户协同缓存算法·137·提出的无人机与用户协同缓存算法可有效提升系统的时延性能。图3时延性能分析4.3缓存空间对时延性能的影响分析图4和图5给出了不同无人机和用户缓存空间下所提算法、随机缓存算法以及最大流行度算法的时延性能对比结果，其中K3、M80。图4为不同无人机缓存空间下时延性能随着用户数目变化曲线。可以看出，无人机缓存空间由20增加至40后，缓存内容也随之增加，3种算法的用户平均内容获取时延均下降，所提算法的时延最校图5为不同用户缓存空间下时延性能随着用户数目变化曲线。可以看出，相对于随机缓存与最大流行度缓存，所提算法在5NQ以及10NQ时的时延均处于最低水平。图4和图5的仿真结果表明，随着用户数量的增加，所有算法的时延均有所上升，但所提算法时延一直小于对比算法，且随着网络规模的增大，所提算法的时延性能优势更加明显。图4无人机缓存空间对时延性能的影响（5NQ）图5用户缓存空间对时延性能的影响（40KQ）5结束语本文提出了一种无人机辅助蜂窝网络中的无人机与用户协同缓存算法，通过在无人机与用户设备上同时部署缓存来降低用户获取内容的时延。所提算法通过无人机缓存决策与用户缓存决策的优化迭代，实现了无人机与用户的协同缓存优化。在每一迭代周期内，分别基于ADMM与全局贪婪算法得到当前无人机与用户缓存的内容。仿真结果表明，所提算法可以有效降低用户获取内容的时延。参考文献：[1]SHARMAV,BENNISM,KUMARR.UAV-assistedheterogeneousnetworksforcapacityenhance
【参考文献】：
期刊论文
[1]信息中心网络缓存技术研究综述[J]. 张天魁,单思洋,许晓耕,刘银龙. 北京邮电大学学报. 2016(03)
本文编号：3013353
【文章来源】：通信学报. 2020,41(09)北大核心
【文章页数】：9 页
【部分图文】：
无人机辅助蜂窝网络系统模型
?43dBm、30dBm、23dBm，噪声功率谱密度为174dBm/Hz，宏基站、无人机、D2D以及回程链路带宽分别为10MHz、20MHz、20MHz、20MHz，网络中的内容大小为10Mbit/s。为了验证所提算法的有效性，本文采用以下2种算法进行对比分析。1)随机缓存：每个无人机或者用户随机选择缓存内容，直到缓存空间已满。2)最大流行度缓存：每个无人机或者用户缓存网络中内容流行度最高的内容，直到缓存空间已满。4.1所提算法的收敛性及最优性分析为了验证所提算法的收敛性与最优性，图2给出了小规模网络场景下所提算法迭代次数与时延的关系。无人机数量K1，用户数量N5，内容数量M8，无人机缓存空间4KQ，用户缓存空间1NQ。可以看出，在小规模场景下，所提算法在迭代10次以内可以达到收敛。当迭代10次时，所提算法得到的结果（0.02266）非常接近遍历搜索得到的全局最优解（0.02242），差距约为1.07%。这表明所提算法可在较低复杂度情况下得到具有较小差距的近似最优解，实现较高的优化性能。图2小规模网络场景下所提算法迭代次数与时延的关系4.2无人机与用户协同算法有效性分析图3展示了K=3、M=80场景下无人机与用户均无缓存、无人机有缓存、无人机与用户均有缓存这3种情况下的时延性能。与无人机与用户均无缓存（KQ0NQ）相比，无人机有缓存（40KQ）在N60情况下可降低约18%的用户时延，这表明在无人机上部署缓存，可有效降低用户时延；通过无人机与用户协同缓存（40KQ，5NQ），可继续降低约30%的用户时延，这说明在用户设备上进行
第9期张天魁等：无人机辅助蜂窝网络中的无人机与用户协同缓存算法·137·提出的无人机与用户协同缓存算法可有效提升系统的时延性能。图3时延性能分析4.3缓存空间对时延性能的影响分析图4和图5给出了不同无人机和用户缓存空间下所提算法、随机缓存算法以及最大流行度算法的时延性能对比结果，其中K3、M80。图4为不同无人机缓存空间下时延性能随着用户数目变化曲线。可以看出，无人机缓存空间由20增加至40后，缓存内容也随之增加，3种算法的用户平均内容获取时延均下降，所提算法的时延最校图5为不同用户缓存空间下时延性能随着用户数目变化曲线。可以看出，相对于随机缓存与最大流行度缓存，所提算法在5NQ以及10NQ时的时延均处于最低水平。图4和图5的仿真结果表明，随着用户数量的增加，所有算法的时延均有所上升，但所提算法时延一直小于对比算法，且随着网络规模的增大，所提算法的时延性能优势更加明显。图4无人机缓存空间对时延性能的影响（5NQ）图5用户缓存空间对时延性能的影响（40KQ）5结束语本文提出了一种无人机辅助蜂窝网络中的无人机与用户协同缓存算法，通过在无人机与用户设备上同时部署缓存来降低用户获取内容的时延。所提算法通过无人机缓存决策与用户缓存决策的优化迭代，实现了无人机与用户的协同缓存优化。在每一迭代周期内，分别基于ADMM与全局贪婪算法得到当前无人机与用户缓存的内容。仿真结果表明，所提算法可以有效降低用户获取内容的时延。参考文献：[1]SHARMAV,BENNISM,KUMARR.UAV-assistedheterogeneousnetworksforcapacityenhance
【参考文献】：
期刊论文
[1]信息中心网络缓存技术研究综述[J]. 张天魁,单思洋,许晓耕,刘银龙. 北京邮电大学学报. 2016(03)
本文编号：3013353
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3013353.html
