[论文解读] Optimizing Joint Probabilistic Caching and Communication for Clustered D2D Networks

Ramy Amer, Hesham ElSawy+4 more|arXiv (Cornell University)|Sep 22, 2018

Caching and Content Delivery参考文献 27被引用 11

一句话总结

本论文提出了一种基于Thomas聚类过程建模设备分布的联合概率缓存与通信优化方法，用于集群化的设备到设备（D2D）网络。通过利用随机几何与块坐标下降法，该方法同时优化了卸载增益、能耗与延迟，相较于基于Zipf分布的缓存方案，平均延迟最高可提升300%。

ABSTRACT

Caching at mobile devices and leveraging device-to-device (D2D) communication are two promising approaches to support massive content delivery over wireless networks. The analysis of such D2D caching networks based on a physical interference model is usually carried out by assuming that devices are uniformly distributed. However, this approach does not fully consider and characterize the fact that devices are usually grouped into clusters. Motivated by this fact, this paper presents a comprehensive performance analysis and joint communication and caching optimization for a clustered D2D network. Devices are distributed according to a Thomas cluster process (TCP) and are assumed to have a surplus memory which is exploited to proactively cache files from a known library, following a random probabilistic caching scheme. Devices can retrieve the requested files from their caches, from neighbouring devices in their proximity (cluster), or from the base station as a last resort. Three key performance metrics are optimized in this paper, namely, the offloading gain, energy consumption, and latency.

研究动机与目标

• 通过使用Thomas聚类过程建模设备分布，以反映现实世界中的聚类现象，解决D2D缓存网络中均匀设备分布模型的局限性。
• 在集群化的D2D网络环境中，同时优化三个关键性能指标——卸载增益、能耗与延迟。
• 设计一种联合的概率缓存与通信策略，利用设备邻近性与基站回传资源，以最小化系统成本。
• 利用块坐标下降法与KKT条件，制定并求解能量最小化与延迟最小化问题。
• 推导出在实际物理层约束下的带宽分配闭式解，并获得最优缓存概率。

提出的方法

• 使用Thomas聚类过程（TCP）建模设备位置，其中设备以聚类中心为基准，按正态分布以半径σ聚集。
• 应用随机几何方法，推导出同簇内设备产生的干扰功率的拉普拉斯变换，假设为瑞利衰落信道与路径损耗指数为α的路径损耗模型。
• 利用高斯泊松点过程（GPPP）的概率生成泛函（PGFL），刻画信干比（SIR）与中断概率。
• 通过联合优化信道接入与缓存概率，并采用凹近似方法，制定卸载增益最大化问题。
• 设计一种迭代块坐标下降（BCD）算法以求解延迟最小化问题，并为D2D与蜂窝链路之间的带宽分配获得闭式解。
• 应用Karush-Kuhn-Tucker（KKT）条件求解能量最小化问题，推导出在总缓存大小约束下的最优缓存概率。

实验结果

研究问题

• RQ1 与均匀分布模型相比，设备聚类对D2D缓存网络性能有何影响？
• RQ2 在集群化的D2D网络中，实现卸载增益最大化的最优联合概率缓存与通信策略是什么？
• RQ3 如何通过最优缓存与传输资源分配，最小化集群化D2D网络中的能耗？
• RQ4 为最小化每文件请求的加权平均延迟，D2D链路与基站链路之间的最优带宽分配策略是什么？
• RQ5 所提出的联合优化方法相较于传统基于Zipf分布的缓存方案，在卸载增益、能量效率与延迟方面表现如何？

主要发现

• 所提出的联合优化方法相较于基于Zipf分布的缓存基线方案，卸载概率最高可提升10%。
• 通过最优概率缓存与传输资源分配，能耗最高可降低17%。
• 与基于Zipf分布的缓存方案相比，平均延迟最高可提升300%，展现出显著的性能增益。
• 块坐标下降（BCD）算法收敛高效，且在延迟最小化问题中可获得带宽分配的闭式解。
• 所推导的缓存概率在KKT条件下为最优，确保了能量最小化问题的全局最优性。
• 使用Thomas聚类过程相较于泊松点过程能提供更真实的模型，可有效捕捉真实网络中设备的空间相关性与聚类特性。