[发明专利]一种基于节点社交特性的D2D缓存方法

权利要求书

1.一种基于节点社交特性的D2D缓存方法,包括：定义节点社交亲密度、D2D复杂网络构建、用户影响度因子计算方面，其特征是：

一、分析离线社交层用户特性，定义亲密度因子

在本发明中，首先对用户离线社交层用户特性进行分析，具体如下：

基站能对D2D用户进行集中控制并获得其所在的地理位置信息，当用户u_i与u_j分别在其D2D传输范围内时，我们认为两用户具有潜在的D2D通信可能，因此，当其在彼此的范围内时，代表用户之间建立一次交互，其持续时间代表交互时长，通过一定的观测时间分析，用户交互持续时间符合γ(k,θ)分布，其中k为该分布的形状参数，θ为尺度参数，为求得参量k与θ，可分别根据用户交互历史记录求得用户交互持续时间的期望与方差，如下：

其中,M_ij与I_ij分别为通过基站对用户交互的历史观测的用户交互持续时间的期望与方差，在观测时间内，X_n代表用户u_i、u_j第n次交互持续时间，N_ij表示用户交互次数，因此，用户交互持续时间分布其交互持续时间概率密度函数如下：

其中，t为观测时间；

定义离线社交网络亲密度因子w_ij＝[0,1]，表示用户u_i、u_j建立成功通信的概率，其表示如下：

其中，X_min为随机变量，表示成功传输数据包所需的最小通信持续时间，其受到通信链路状态和传输的内容大小影响，w_ij越大，表示用户u_i、u_j未来建立通信的可能性越高；

二、根据离线社交层亲密度因子，划分社团

G＝(V,E)是指由一个点集V(G)和一个边集E(G)组成的一个图，以用户的终端映射为V(G)，边的映射方法如下：1)计算用户之间的亲密度因子w_ij，预测用户未来建立通信的概率；2)设定一个阈值w^th，当w_ij≥w^th时，连接两个终端的边被赋予权重“1”，否则为“0”，以网络社团量化指标——模块度为目标函数，其中N_c表示网络中社团的数目，M表示网络中连接的总数，m_c表示社团c内节点之间的连接数，d_c表示社团c内所有节点度数之和，应用优化算法将网络划分为不同的社团，同一社团内用户建立成功D2D通信的概率较高，不同社团内用户间建立成功通信的概率较低；

三、计算社团用户兴趣相似度，定义在线社交用户影响度因子

对于每个社团内用户，在保证社团内用户具有较高的D2D通信可能的基础上，计算社团内用户间的兴趣相似度，可获得在线社交用户影响度因子，用余弦相似度(cosinesimilarity)计算用户的兴趣相似度得：

其中,||L_ij||₁是用户i与j共同兴趣数，l_i和l_j分别代表用户i,j兴趣数，表示社团

根据社团用户兴趣相似度，定义用户i影响度因子,其表示如下：

四、基于印度自助餐过程的内容缓存策略

应用印度自助餐过程实现用户请求文件过程，假定网络中N个用户对K个内容请求过程建模为IBP过程，具体如下：

假设缓存内容库中有无穷个文件内容(即K→∞)，K＝K₀+K₊,K₀表示未被用户请求的新内容，K₊表示已有请求记录的内容，用π_k表示内容k被请求的概率，其服从β分布，即用户i独立请求内容k的过程服从参数为π_K的伯努利分布，即z_n|π_k～Bernoulli(π_k)，由于K→∞，其请求服从参数为α的泊松分布Possion(α),即用户请求已有请求记录内容数目服从参数为α的泊松分布Possion(α)，请求新的内容数目服从参数为的泊松分布对每个用户进行影响度标记，并按降序排序，用户i请求内容k的概率只受比其影响力更高的用户影响，其请求概率如下：

其中k₊为具有请求记录的内容，k₀为无请求记录内容，m^n-1为除用户i外，内容k的历史请求用户数目,α为当文件内容数趋向无穷大时，其用户请求内容的数目，z_ik＝1表示第i个用户请求内容k，z_-i,k表示除用户i外，请求内容k的用户集合，用一个N×K维矩阵Z表示所有用户对内容的请求结果，z_ik表示第i个用户对内容k的请求结果，当z_ik＝1时，用户i请求内容k，获得该内容请求矩阵的概率如下：

其中，表示用户请求内容的总数目，谐波数m_k表示内容k被请求的总次数；

对于每一个社团内用户，当用户i请求内容k时，实行缓存决策策略，用户是否缓存内容k取决于缓存该内容后，对其他请求该内容用户的平均贡献度

用影响度因子标记每一个请求用户，计算用户i在请求内容k时缓存该内容对其他用户的平均贡献度

其中，Z_-j,k表示除了用户j以外，排名在用户j之前的所有请求内容k的用户集合，设定贡献度阈值I_th当时，用户i缓存该请求内容，否则不存，当缓存空间不足时候采用LRU的缓存内容替换方式，剔除相应的内容。

2.根据权利要求1所述的基于节点社交特性的D2D缓存方法,其特征是：

Step1：设定观测时间T，基站BS根据移动用户地理位置信息，记录用户交互时长与交互次数，计算的离线社交层(OffSN)中用户之间亲密度因子w_ij；

Step2：设定一个阈值w_th，构建D2D网络图G＝(V,E)，当w_ij≥w^th时，连接两个终端的边被赋予权重“1”，否则为“0”，应用优化算法将网络划分为不同的社团；

Step3：根据社团内用户在线社交层(OnSN)特性，计算用户之间的兴趣相似度和影响度因子

Step4：

①存策略实施过程

用影响度因子标记每一个请求用户，当i请求内容k时，实行缓存决策策略来决定是否缓存请求内容，此时计算用户的平均贡献度设定贡献度阈值I_th，当时，用户i缓存该请求内容，否则不存，当缓存空间不足时候采用LRU的缓存内容替换方式，剔除相应的内容以提高内容缓存的多样性，降低冗余度；

②内容获取过程

当社团内用户i请求内容k时，若请求内容未缓存在自身社团内,则直接建立基站(Basestation)与设备通信(Device)B2D的通信；若请求内容已缓存在自身社团内，假设缓存该内容的用户集合为J，计算用户i与J集合用户中j的通信概率其中d_ij表示两用户通信距离，ζ为权值系数因子,根据C_ij将集合J用户进行排序其中，代表社团J中排序为j的用户，设定一定的时间窗TW，在TW内首先选择C_ij值最大的用户建立D2D通信，若通信中断，用户i选择次级用户进行通信，以此类推，直到时间窗到达，若在规定的时间窗TW内无法获得该请求内容，则建立B2D通信。