近海通信中缓存与资源分配联合优化方法.pdf

第47卷总第516期602023年8月第8期“面向6G的物联网技术”专题近海通信中缓存与资源分配联合优化方法*Joint Optimization Method of Cache and Resource Allocation in Offshore Communication研究了应用边缘缓存技术以解决近海无线网络流量激增问题。引入一种配备无线缓存服务器的浮标，为船舶和用户提供无线通信服务，可有效缓解岸基基站负载。由于浮标的缓存容量和传输功率有限，可能会导致传输时延变大。为了解决这个问题，提出了一种基于Dinkelbach和连续凸近似法的缓存放置和功率分配联合优化算法。仿真结果表明，该算法可以提高缓存命中率并降低系统成本。近海通信；边缘缓存；资源分配This paper investigates the edge caching in maritime wireless networks to cope with traffic surge issue in offshore region.A buoy equipped with a wireless cache server is introduced to provide wireless communication services for ships and users to relieve traffic load of onshore base station.Due to limited cache capacity and transmit power on the buoy,the transmission delay may become large.To tackle this problem,a joint cache placement and power allocation algorithm is proposed based on the Dinkelbach method and successive convex approximation.Simulation results show that the proposed algorithm can improve the cache hit rate and reduce the system cost.offshore communication;edge caching;resource allocation（大连海事大学，辽宁 大连 116026）(Dalian Maritime University,Dalian 116026,China)【摘 要】孙世煊，戴燕鹏SUN Shixuan,DAI Yanpengdoi:10.3969/j.issn.1006-1010.20230623-0001 中图分类号：TN929.5文献标志码：A 文章编号：1006-1010(2023)08-0060-07引用格式：孙世煊,戴燕鹏.近海通信中缓存与资源分配联合优化方法J.移动通信,2023,47(8):60-66.SUN Shixuan,DAI Yanpeng.Joint Optimization Method of Cache and Resource Allocation in Offshore CommunicationJ.Mobile Communications,2023,47(8):60-66.Abstract Keywords【关键词】OSID：扫描二维码与作者交流收稿日期：2023-06-23*基金项目：国家自然科学基金项目“立体密集网络连续覆盖的非正交多址协同接入方法”，“面向工业网络系统感知与控制的边缘协作传输机制”（62101089，62002042）；中国博士后科学基金项目“立体密集无线网络连续覆盖的空地多点协作方法”，“工业网络系统边缘协作传输与协调控制的联合优化”（2021M700655，2021M690022）0 引言随着我国海洋经济的快速发展以及近海活动的不断增多，近海移动数据流量正在呈现爆发式增长1。同时随着近海智能终端设备不断更新升级，近海用户对数据传输速率和通信质量提出了更高的要求，这在航运和港口导航场景中尤为明显2。在进出港口时，近海船舶和用户只能向岸基基站请求并获取信息，当请求数量较多或较频繁时，会使得岸基基站负载过重，进而引发网络拥塞3。为解决这一问题，无线缓存技术被引入到近海无线网络4，通过在近海区域部署装载边缘缓存服务器的网络节点，可直接为周围用户和船舶提供信息存取服务，有效减轻岸基基站负载，提升网络传输效率5。浮标凭借部署灵活的优势，已在近海区域得到了广泛应用，近年来随着技术水平不断提升，逐渐成为近海无线网络节点的理想载体6。镇江市港航事业发展中心设计了一种基于现代智能技术的内河航道智能浮标系统，可以预先对航道轨迹进行碰撞分析并制定防护策略，降低后期维护成本及人员工作压力7；九天微星公司推出了支持北斗 3 代和蜂窝物联网 Cat-1 多模异构的海上浮标通信节点，支持文本、语音、图片等多种多媒体数据的传输。由此可见，将边缘缓存服务器装载至浮标上，为周围的近海用户和船舶提供信息存取服务，是近海无线缓存网络组网的一个有效技术途径。然而，浮标的发射功率和缓存容量有限，如何高效地利第47卷总第516期61 2023年8月第8期图1 支持边缘缓存的近海通信架构用户的请求状态变量记作，若k,f=1，则第k个用户请求第f个文件；否则k,f=0。设每个用户最多提交一个文件请求，即,11,Fk ffk=。用0,1f表示第f个文件在浮标上的缓存状态：(1)由于服务器缓存容量有限，则有：(2)其中，CF表示服务器所缓存的所有文件大小之和。用户的请求到达浮标后，先检索浮标内服务器缓存的文件。若在服务器中检索到所请求文件，将直接传输给用户；否则，用户请求将被发送到基站，检索后通过浮标将文件交付给用户。1.2 传输和能耗模型由于请求信息的数据量明显小于请求文件大小，因此忽略了上行传输的成本和时延11，本模型中只考虑下行传输时延。此外，由于浮标电池能量有限，因此本模型中考虑浮标所产生的传输能耗。首先是传输阶段1（浮标-用户）：在近海通信环境下，浮标与用户的通信链路主要有两条，一条为视距链路，另一条为海面反射链路。因此，采用双射线路径损耗模型12。因此，浮标与第k个用户间的大尺度衰落为：(3)其中，为信号波长，dk表示用户k和浮标间的距离，H和hk分别表示浮标的发射机和用户k的接收机的天线高度。本系统中，浮标需要同时服务多个用户，为了避免各用户之间的干扰并简化系统模型，浮标与用户之间采用FDMA（Frequency Division Multiple Access，频分多址）技术进行数据传输。由于采用了FDMA技术，可以用有限通信资源和缓存容量保障缓存命中率并降低系统成本具有重要意义。当前已有许多文献研究了无线缓存策略和资源分配8-10。文献8针对非正交多址异构网络，提出了一种新的联合资源分配和协同缓存方案，显著降低了网络平均总成本。文献9研究了无人机辅助无线缓存网络中的用户延迟问题，将问题分解为无人机部署，混合波束形成和功率分配三个子问题，降低了求解的复杂度。文献10研究了支持5G的大规模物联网中协同边缘缓存和无线资源分配的联合优化问题，通过对边缘节点的缓存决策优化和通信资源分配，显著提高了文件缓存命中率，同时减少了文件检索延迟。然而，由于海洋环境的复杂性，适用于近海无线通信网络场景的缓存放置和资源分配方法依然有待研究。本文设计了一种支持边缘缓存的近海通信架构，包括一个具有足够的计算能力和频谱资源的岸基基站、一个配有小型服务器的浮标和多个用户。在此架构下，通过联合优化缓存决策和功率资源，提升缓存命中率并降低传输时延和能耗。本文的主要贡献是：（1）针对浮标有限的发射功率、缓存容量以及近海无线通信网络数据传输特点，在支持边缘缓存的近海通信架构下，建立了一个最大化基于缓存命中率的时延、能耗、缓存容量加权成本的效用函数模型。该模型可评估缓存命中率对效用函数值的影响，并可以改变时延、能耗、缓存容量的权重，满足不同场景的要求。（2）本文提出了基于Dinkelbach方法的联合优化算法，该算法首先将分数型问题转化为参数型问题，然后将原问题分解为缓存决策和发射功率两个子问题，通过交替优化方式得到最大化问题的次优解。最后给出了联合优化算法的收敛性和复杂度。1 系统模型1.1 网络模型本文设计的支持边缘缓存的近海通信架构包括一个OBS（Offshore Base Station，岸上基站）、一个浮标以及K个用户，如图1所示。OBS部署在海岸，假定具有足够的计算能力和频谱资源，提供F个文件，表示为，每个文件大小不同，表示为12,.,FS SS=。浮标作为近海接入点，负责OBS与用户间的通信，并配有接收和发送文件功能的小型服务器。服务器缓存容量有限，记为CM。浮标覆盖K个用户，用户的集合表示为。孙世煊,戴燕鹏:近海通信中缓存与资源分配联合优化方法第47卷总第516期622023年8月第8期“面向6G的物联网技术”专题把信道频带划分为N个互不相交的子频带，子频带的集合为，把每个子频带分给用户k专用，因此它们之间不会互相干扰。此外，假设发射总功率为Pmax，根据信道质量和位置关系分配不同的发射功率。因此，浮标与用户k间的信道容量为：(4)其中，B为每个子频带的带宽，为小尺度衰落信道系数，2为噪声功率谱密度。则浮标与用户k间的传输时延为：(5)然后是传输阶段2（OBS-浮标）：OBS和浮标采用光纤连接，则OBS与浮标间的传输一个文件的时延为一个固定常数13，记作TOBS_buoy。因此，用户k请求文件f的传输时延表示为：(6)文件f的传输能耗为：(7)因此，所有用户的传输时延之和为：(8)浮标的总传输能耗为：(9)1.3 缓存命中率和效用函数通常用缓存命中率这一指标来描述缓存与用户请求的关系。缓存命中率是指缓存中的文件命中次数与用户请求的文件总数之比。缓存命中率Phit表示为：(10)缓存命中率与用户请求以及缓存决策有关，缓存命中率越高，满足的用户请求越多，从而减少了回程流量。然后，采用多目标加权求和法来计算系统的归一化成本14，系统成本包括时延、能耗和缓存资源，表示为：(11)其中，Tmax表示系统的最大时延，Emax表示系统的最大能耗，、分别表示时延、能耗、缓存资源所占的比例，相加等于1。此外，还定义了一个效用函数，即缓存命中率与系统成本之比，表示为：(12)1.4 优化问题形成基于式(12)，本文的目标是最大化效用函数值。为了实现这一目标，提出了一个联合优化文件缓存决策和浮标发射功率分配的问题。令表示文件缓存决策变量集合，表示浮标发射功率的集合。因此，效用函数值最大化问题可表示为：(13)在此优化问题中，约束条件C1和C2确保了缓存文件的大小不能超过缓存容量；约束条件C3表示浮标发射功率的非负性；约束条件C4限制了浮标的最大发射功率；约束条件C5和C6分别限制了最大传输时延以及最大传输能耗。需要注意的是，问题（P1）包含了二进制的缓存决策变量以及连续的发射功率变量，这使得优化问题是一个混合整数非凸问题。标准凸优化方法很难解决该优化问题，也很难找到该问题的最优解。2 算法设计由于问题（P1）目标函数是分数形式，使其难以直接求解。采用Dinkelbach算法15，将分数型问题转化为：(14)其中，为求解过程中迭代更新的参数。为了解决问题（P2），将问题分解为两个子问题：缓存优化问题和功率分配问题。提出了两个阶段的联合优化算法，第一阶段通过固定P,q更新，第二阶段通过固定,q更新P。使用交替优化的方法，将两个子问题联合优化求解，在每次迭代求解后，更新q的值。最终获得目标函数的次优解。2.1 缓存优化在第一阶段，目标是优化浮标中服务器的缓存决策。开始时，首先将浮标的最大发射功率平均分配给每个用户16，然后将约束C1松弛为，于是，问题（P2）改写为：第47卷总第516期63 2023年8月第8期然而，约束C2.8仍是一个非凸约束，证明如下：设二元函数是两次可微的，可得二元函数f(p,z)的Hessian矩阵，其中：(19)二元函数f(p,z)的Hessian矩阵的秩，根据凸优化判别条件：一个函数的Hessian矩阵的秩小于0，则说明该矩阵存在负特征值，即该函数不是凸函数。因此，约束C2.8是一个非凸约束，证明完毕。为了解决这个问题，引入松弛变量，将约束C2.8重新表述为：(20)问题（P2.2b）改写为：(21)定理1：问题（P2.2b）等价于问题（P2.2c）。证明：在问题（P2.2c）最优解处，式(21)中的等式约束成立。否则，松弛变量，总是可以在其他变量固定的情况下增加，那么（P2.2c）的目标值保持不变，并且所有其他约束仍然满足。因此，（P2.2c）总是存在一个最优解，使得所有约束都满足等式。因此，问题（P2.2b）等价于问题（P2.2c），从而得出结论。可以看出，由于约束C2.10是一个非凸约束，问题（P2.2c）仍然是非凸的。为了解决这个问题，首先将约束C2.10两边取对数，可得：(22)是凹函数，可以应用连续凸近似技术18，逼近函数的下界，在每次迭代中，在给定的局部点上，原始函数变成一个更易于处理的近似函数。另外，在给定的局部点上，任何可微凹函数的一阶泰勒展开都是全局下界。因此，可在第r次迭代中，对于给定的局部点应用泰勒一阶展开，得到式(22)左边函数的下界，即：(23)(15)约束C1.1、C1.2、C1.3均为关于变量f的线性约束，问题的凹凸性没有被改变。问题（P2.1）是一个标准线性规划问题，可以利用如内点法17等凸优化方法来求解，得到缓存决策的松弛解。2.2 功率分配在第二阶段，基于问题（P2.1）解得的缓存决策，优化浮标的发射功率。于是，问题（P2）改写为：(16)从 问 题（P 2.2）可 以 看 出，最 大 化 效 用 函 数值 问 题 转 化 为 最 小 化 时 延 与 能 耗 之 和 问 题。定 义，然后问题（P2.2）可以重新表述如下：(17)重写后的问题（P2.2a）仍然是一个非凸优化问题，其难以求解的主要原因之一是存在非凸约束C2.3、C2.4、C2.5。为了解决这个问题，首先引入松弛变量，并改写问题为：(18)孙世煊,戴燕鹏:近海通信中缓存与资源分配联合优化方法第47卷总第516期642023年8月第8期“面向6G的物联网技术”专题在局部点，式(23)等号成立。而且，式(23)左右两边具有相同的梯度。根据任意给定的局部点和式(23)中的下限表达式，问题（P2.2c）近似如下：(24)问题（P2.2d）是一个标准凸优化问题，可以利用标准凸优化工具，如CVX来有效地解决它。原始的非凸问题（P2.2b）可以通过迭代优化（P2.2d）来解决，每次迭代都会更新局部点。具体细节见算法1：算法1：问题（P2.2b）逐次优化算法初始化：浮标发射功率，迭代次数r=0，精度值；Repeat:在局部点解凸问题（P2.2d），将最优解表示为；更新局部点；设置；设置r=r+1；直到目标值A在规定精度范围内收敛。需要说明的是，算法1需要交替求解具有多项式复杂度的标准凸优化问题（P2.2d），且优化变量的数量仅取决于用户个数K。因此，算法1的时间复杂度为O(LK3.5)。其中L是迭代次数。2.3 联合优化算法问题（P2）的算法是通过分别求解问题（P2.1）和问题（P2.2），以迭代的方式交替优化浮标的缓存决策和发射功率P得到的，具体细节见算法2：如果，则跳出循环；更新r=r+1；直到目标值A在规定精度范围内收敛。直到超过最大迭代次数rrmax；更新，；输出最优解q*，*和p*。算法2：问题（P2）联合优化算法初始化：浮标发射功率，效用函数qr，精度值，最大迭代次数rmax，让迭代次数r=0；Repeat：根据qr，解问题（P2.1），将最优解表示为*；更新局部点；Repeat：根据qr，r+1，用算法1解问题（P2.2），将最优解表示为p*；更新局部点；计算效用函数值：可以看出，约束C1.3和约束C2.3是相等的。由于问题（P2.2）时延和能耗之和的最小化，在每次迭代之后约束C1.3和约束C2.3松弛，从而为问题（P2.1）中目标函数的最大化留下了更多的优化空间。此外，对于算法2，（P2.1）的目标值在迭代过程中是非减的。并且，由于（P2.1）的目标值有上界，因此，算法2是收敛的。另外，算法2需要交替求解具有多项式复杂度的标准凸优化问题（P2.1）和（P2.2d），且问题（P2.1）优化变量的数量取决于文件个数F，问题（P2.2d）优化变量的数量取决于用户个数K。因此，算法2的时间复杂度为。3 仿真结果在本节中通过软件评估所提出算法的性能。以真实的近海船舶分布和航道为数据基础。仿真参数根据3GPP LTE规范进行设置。所考虑的近海目标区域范围为100100 m2，浮标的最大发射功率为Pmax=0.3 W，每个子频带的带宽为B=10 MHz，噪声功率谱密度2=-50 dBm，浮标的天线高度H和用户的天线高度hk分别为15 m，接入链路载波频率为1.89 GHz，文件的数据大小在1,5 Mbits内随机分布。此外，还使用了两种方法进行性能比较，第一种方法是缓存优化，该方法仅对缓存决策进行优化，并固定发射功率；第二种方法是功率分配方法，该方法仅对发射功率进行优化，并在不超过服务器缓存容量的情况下，随机选择文件进行缓存。第47卷总第516期65 2023年8月第8期图2展示了不同方法的迭代收敛情况。由图2可知，不同方法经过迭代之后，均能达到收敛状态，“缓存优化”方法由于浮标的发射功率在迭代中没有发生变化，因此只需要优化2次就达到收敛。“联合优化算法”和“功率分配”方法还对发射功率进行了优化，因此，收敛速度相对较慢。“联合优化算法”的效用函数值最大，比“缓存优化”和“功率分配”方法分别提升了45%和97%，证明了所提算法的有效性。图2 不同方法的收敛情况图3展示了3种方法在服务器不同缓存容量下的效用函数值。其中，=0.7，=0.2，=0.1，K=4，F=5。可以看出，随着服务器缓存容量的增加，效用函数值也随之增加，这是因为服务器有更多的缓存空间，可以缓存更多的文件，缓存命中率变大，传输时延降低。虽然也会占用更多的存储空间，但是在系统成本中，传输延迟所占比例最高，故系统成本是减少的，因此效用函数值不断变大。另外，服务器缓存容量由20 M增加到24 M时，效用函数值增加速率逐渐减缓。这是因为，服务器缓存容量足以缓存较多的文件，已经能够满足用户的请求，缓存容量不再是影响效用函数值的主要因素。图3 效用函数值VS服务器缓存容量图4展示了3种方法在不同文件数目下的效用函数值的变化。其中，=0.7，=0.2，=0.1，K=4，CM=14 Mbits。可以看出，随着文件数量的增加，效用函数值逐渐减少，这是因为文件数量增加，用户请求的文件目标变得更加多样化，从而导致缓存命中率降低，并使传输时延增加。图4 效用函数值VS文件数目图5展示了3种方法在不同用户数目下的效用函数值的变化。其中，=0.7，=0.2，=0.1，F=7，CM=16 Mbits。可以看出，随着用户数目的增加，效用函数值不断降低，这是因为用户数目增加，分配给每个用户的功率资源减少，进而导致浮标与用户间的传输速率降低，传输时延变大，系统成本增加，效用函数值降低。另外，可以看出，随着用户数目的增加，效用函数值下降幅度逐渐变小，这是因为传输速率的降低率变得更加缓慢。图5 效用函数值VS用户数目图6展示了最大功率对效用函数值的影响。其中，=0.7，=0.2，=0.1，K=7，CM=14Mbits。可以看出，随着最大功率的增加，效用函数值也随之增加，这是因为可以有更多的功率资源分配给用户，浮标与用户间的传输速率增加，传输时延降低，虽然最大功率的增加会使得能耗变大，但是由于在系统成本中，传输时延占比较大，因此，整体系统成本减少，导致效用函数值变大。孙世煊,戴燕鹏:近海通信中缓存与资源分配联合优化方法第47卷总第516期662023年8月第8期“面向6G的物联网技术”专题孙世煊：大连海事大学在读硕士研究生，研究方向为海上无线通信资源管理与优化。戴燕鹏：博士毕业于西安电子科技大学，现任大连海事大学副教授、硕士生导师，主要研究方向为异构无线网络组网方法、海上立体异构无线网络等。作者简介图6 效用函数值VS最大功率HetNetsJ.IEEE Transactions on Mobile Computing,2022,21(6):2029-2044.9 Yin Y,Liu M,Gui G,et al.Minimizing Delay for MIMO-NOMA Resource Allocation in UAV-Assisted Caching NetworksJ.IEEE Transactions on Vehicular Technology,2023,72(4):4728-4732.10 Zhang F,Han G,Liu L,et al.Joint Optimization of Cooperative Edge Caching and Radio Resource Allocation in 5G-Enabled Massive IoT NetworksJ.IEEE Internet of Things Journal,2021,8(18):14156-14170.11 王朝炜,石玉君,于小飞,等.移动边缘计算中基于内容流行度的深度强化学习缓存机制 J.无线电通信技术,2022,48(1):68-73.12 Huang X,Wu K,Jiang M,et al.Distributed Resource Allocation for General Energy Efficiency Maximization in Offshore Maritime Device-to-Device CommunicationJ.IEEE Wireless Communications Letters,2021,10(6):1344-1348.13 Liu J,Bai B,Zhang J,et al.Content Caching at the Wireless Network Edge:A Distributed Algorithm via Belief PropagationC/2016 IEEE International Conference on Communications(ICC).IEEE,2016:1-6.14 Zhang Z,Yang Y,Hua M,et al.Proactive Caching for Vehicular Multi-View 3D Video Streaming via Deep Reinforcement LearningJ.IEEE Transactions on Wireless Communications,2019,18(5):2693-2706.15 Xu Y,Zhang T,Liu Y,et al.UAV-Assisted MEC Networks With Aerial and Ground CooperationJ.IEEE Transactions on Wireless Communications,2021,20(12):7712-7727.16 Cao J,Ma M,Li H,et al.A Survey on Security Aspects for 3GPP 5G NetworksJ.IEEE Communications Surveys&Tutorials,2020,22(1):170-195.17 廖乃稳,何攀峰,张余,等.无人机中继通信的轨迹与资源分配优化方法 J.移动通信,2023,47(2):92-98.18 Miao J,Wang P,Zhang Q,et al.Throughput Maximization for Multi-UAV Enabled Millimeter Wave WPCN:Joint Time and Power AllocationJ.China Communications,2020,17(10):142-156.4 结束语本文对近海场景中缓存决策和功率分配问题进行了研究，通过对缓存决策和功率分配的优化，最大化了目标效用函数值。提出基于Dinkelbach方法的联合优化算法，将分数型问题转化为参数型问题，并采用凸优化和连续凸近似法分别求解缓存优化和功率分配两个子问题，求得联合优化问题的次优解。仿真结果表明，相比其他算法，所提算法能做出更好的缓存决策并可以较好地分配功率资源，使效用函数值达到最大。通过该算法，近海用户可以更加高效地获取所需文件，同时降低了系统成本。未来，将考虑用户移动性以及回程链路容量等情况，进一步研究近海通信中的无线缓存与传输方案。参考文献：1 Yao J,Han T,Ansari N.On Mobile Edge CachingJ.IEEE Communications Surveys&Tutorials,2019,21(3):2525-2553.2 Su X,Meng L,Huang J.Intelligent Maritime Networking With Edge Services and Computing CapabilityJ.IEEE Transactions on Vehicular Technology,2020,69(11):13606-13620.3 Liu C,Feng W,Chen Y,et al.Cell-Free Satellite-UAV Networks for 6G Wide-Area Internet of ThingsJ.IEEE Journal on Selected Areas in Communications,2021,39(4):1116-1131.4 Feng H,Cui Z,Yang T.Cache Optimization Strategy for Mobile Edge Computing in Maritime IoTC/2022 5th Conference on Cloud and Internet of Things(CIoT).IEEE,2022:213-219.5 Jiang W,Feng G,Qin S,et al.Multi-Agent Reinforcement Learning for Efficient Content Caching in Mobile D2D NetworksJ.IEEE Transactions on Wireless Communications,2019,18(3):1610-1622.6 Huo Y,Dong X,Beatty S.Cellular Communications in Ocean Waves for Maritime Internet of ThingsJ.IEEE Internet of Things Journal,2020,7(10):9965-9979.7 宋若宇.内河航道智能航标系统的研究与开发分析 J.运输经理世界,2020,601(9):144-145.8 Moghimi M,Zakeri A,Javan M R,et al.Joint Radio Resource Allocation and Cooperative Caching in PD-NOMA-Based