[论文解读] Performance Analysis of Energy Consumption in Cache-Enabled Multicast D2D Communications

Bao Wenhuan, Mansour Naslcheraghi+1 more|arXiv (Cornell University)|Oct 11, 2017

Caching and Content Delivery参考文献 14被引用 4

一句话总结

本文提出了一种在5G网络中用于缓存启用的设备到设备（D2D）广播通信的最优缓存策略，利用随机几何方法以最大化缓存命中概率（LHC）并最小化能量消耗（LEC）。结果表明，仅缓存最热门的文件可实现最高性能，在高用户密度时（γ=1.4）可节省高达70%的能量，且在高γ值下最优缓存文件数量收敛至缓存容量。

ABSTRACT

Device-to-Device (D2D) communication as a promising technology in 5G cellular networks provides the communication of the users in the vicinity and thereby decreases end-to-end delay and power consumption. In addition to the aforementioned advantages, it also supports the high-speed data transmission services such as content delivery. In this paper, we consider the D2D multicast communications opportunity in the D2D-cellular hybrid network, in which that one transmitter targets multiple receivers at the same time. We provide the analysis for the proposed system by using tools from stochastic geometry, to calculate the cache hitting probability of the receivers as well as the energy consumption of the hybrid network aiming to seek the optimal number of caching contents in the D2D multicast opportunities.

研究动机与目标

• 通过减少冗余内容传输和卸载蜂窝网络流量，应对5G网络中对高质量视频传输日益增长的需求。
• 分析D2D广播增强型混合蜂窝网络中缓存命中概率与能量消耗之间的权衡。
• 确定在不同用户需求模式下，D2D集群头应缓存的视频文件最优数量，以实现最大性能。
• 对比两种缓存策略——最大缓存命中概率（LHC）与最低能量消耗（LEC）——在D2D广播系统中的表现。

提出的方法

• 使用独立的泊松点过程（PPPs）对蜂窝小区中的集群头（发射机）和集群成员（接收机）进行建模。
• 利用随机几何推导出在不同缓存策略下缓存命中概率（CHP）和能量消耗比（REC）的闭式表达式。
• 提出两种缓存策略：LHC通过优先缓存最热门文件以最大化CHP；LEC通过平衡活跃集群头数量与文件缓存以最小化能耗。
• 分析系统性能随用户需求集中度（γ）、缓存容量（CH）及集群头/成员数量的变化。
• 通过在不同网络条件下平衡CHP与REC，推导出最优缓存文件数量。
• 通过仿真验证结果，展示在不同γ值和缓存配置下CHP与REC的变化趋势。

实验结果

研究问题

• RQ1 在广播增强型混合网络中，D2D集群头应缓存多少视频文件才能使缓存命中概率最大化？
• RQ2 能量消耗比（REC）如何随用户需求集中度（γ）和缓存策略变化？
• RQ3 在缓存命中概率与能量效率的性能权衡方面，LHC与LEC策略的表现有何差异？
• RQ4 在何种γ值下，最优缓存文件数量收敛至集群头缓存容量？
• RQ5 在不同缓存策略下，集群成员数量如何影响能量消耗比？

主要发现

• 最大缓存命中概率（LHC）策略通过仅缓存最热门的视频文件，实现了最高的缓存命中概率。
• 最低能量消耗（LEC）策略在γ = 1.4时相比全缓存可将能量消耗降低高达70%。
• 缓存所有视频文件会导致缓存命中概率低且平缓，因有限缓存空间利用效率低下。
• 当γ = 1.4时，系统在(γ, CH) = (1, 150)条件下可节省约52%的能量消耗，而在γ = 1.4时可节省超过70%。
• 随着γ增大，最优缓存文件数量减少，并在高γ值下收敛至集群头缓存容量。
• 当用户需求高度集中（高γ）时，LEC策略在能量效率方面优于LHC，因其激活的集群头数量更少。