详情

原文传递基于动态交通流量的自适应高效协同缓存机制

论文题名：	基于动态交通流量的自适应高效协同缓存机制
关键词：	交通流信息;编码多播;车辆缓存;协作缓存
摘要：	近年来，伴随车联网的发展和智能车辆的普及，面向车联网的新型无线网络应用不断涌现。这其中如高清地图推送、交通路况分析、短视频娱乐等，不仅需要大量的数据，而且要求很低的请求时延，由此边缘缓存技术得到了广泛的关注。边缘缓存技术通过在网络边缘部署缓存并提供下载服务，能够有效缓解核心网络的工作压力。然而，在车联网场景下，特别是车流量密度较大的路段，数据需求较大，而由于路旁单元（RoadSideUnit,RSU）存储能力有限，难以应对突发大量的缓存服务需求。近期有研究提出利用车载缓存资源为车联网提供服务，可以有效地缓解地区缓存服务压力。然而这一研究方法仍然存在一些挑战：1）车联网中由于车辆间持续通信时间有限、车辆用户内容偏好差异、相邻缓存车辆服务覆盖范围重叠等因素，使得缓存车辆选取和缓存内容部署变得更加复杂；2）进一步在云-路-车三级缓存架构中，有限的回程链路带宽和大量、多样化用户请求间存在矛盾，如何利用云和路的缓存资源与缓存车辆协同服务，是仍待解决的问题。因此，论文重点关注车辆移动性、内容流行度、缓存车辆相互竞争对车辆缓存的影响，以及云-路与缓存车辆的协同服务，研究车辆动态缓存机制和基于编码多播的云-路-车三级协同缓存策略，具体研究如下。　　利用车辆提供缓存服务，最主要的挑战是如何根据车流量的时空分布特点，高效地部署缓存车辆，使得车辆在缓解地区缓存服务压力的同时，避免自身的缓存资源浪费。因此，论文针对影响车辆缓存效率的车辆间通信（Vehicle-to-Vehicle,V2V）时长、内容流行度差异以及与其他缓存服务车辆的竞争进行分析，建立以最大化车辆缓存服务效用为目标，以车辆缓存内容放置以及服务发射功率大小为决策变量，同时考虑车辆缓存空间以及发射功率限制等约束条件的优化模型，并设计了基于深度确定性策略梯度（DeepDeterministicPolicyGradient,DDPG）的车辆缓存服务算法对该模型求解。仿真表明，在该算法的决策条件下，车辆能够依据地区的车流信息自适应的调节内容部署和服务范围，与其他算法相比能够获取更高的缓存服务效用，通过高效的利用缓存资源，缓解地区的缓存服务压力。　　针对云-路-车三级缓存架构中受限的核心网络回程带宽，论文采用编码多播，将内容分片以协作缓存的方式部署在RSU，云端服务器收集内容请求，结合RSU的缓存部署对请求数据进行编码，仅需要一次多播，多个RSU通过解码同时获得各自所需的缓存内容，进而节省带宽。然而，引入编码多播机制使得不同RSU间缓存部署进一步耦合，同时由于编码多播需要收集RSU的缓存请求，会引入额外的时延。因此，论文提出了可变时间尺度的协作缓存机制，建立以最大化编码多播和对用户服务质量的联合效用为目标，以RSU协作缓存内容放置以及云端对RSU请求收集时长为决策变量，同时考虑RSU缓存空间以及用户请求时延等约束条件的优化模型，并设计了基于此模型的多级协同缓存服务算法。仿真表明，利用此算法设计的RSU协作缓存放置策略可以实现多播效用，与其他算法相比云端可以发送更少的多播数据包，在减轻核心网络回程带宽的同时确保对用户的服务质量。
作者：	邵尚祖
专业：	通信工程(含宽带网络、移动通信等)
导师：	吴凡
授予学位：	硕士
授予学位单位：	电子科技大学
学位年度：	2023