CN107608803B - 一种社交d2d中继选择方法 - Google Patents

Abstract

本发明提供一种社交D2D中继选择方法，该方法对输入数据进行预处理得到所需类型的数据；对得到的数据进行指标即目标决策权重生成计算；对获得的单目标输出量与服务质量QoS条件进行转换整合，进而通过分布式消息传递机制进行求解，获得最终输出结果。该算法基于修改的IFAHP法和熵权法的结合，将多目标优化问题转换为单目标优化问题，并进一步转换服务质量条件的表达式，进而通过合适的消息传递算法分布式地求解出D2D UE‑NW中继选择结果。本发明将VUE带犹豫程度的主观偏好和客观信息决策权重相结合进行考虑，因而使得中继选择结果获得更全面的性能提升，拥有更高的设备接入比例、吞吐量和系统公平性。

Description

一种社交D2D中继选择方法

技术领域

本发明涉及移动通信领域，更具体地，涉及一种社交D2D中继选择方法。

背景技术

D2D通信技术可以使得用户终端(UE)之间进行直接通信，而不需要经过基站(eNB)等设备的传输或转发，从而达到降低eNB负载以及扩大通信覆盖的目的。

UE-NW(UE-to-Network)中继是3GPP LTE标准制定组在D2D通信议题中引入的新特性，具有灵活部署的优点，能够在不增加现有网络设备的情况下扩大网络覆盖范围，因而能被广泛地应用于商用通信、公共安全通信(如地震、战争)等领域。如图1所示，典型的D2DUE-NW系统中包括一个eNB、若干中继用户设备Relay UE(RUE)以及若干Victim UE(VUE，即需要D2D中继连接服务的UE)。eNB与RUE通过蜂窝通信链路相连接，而RUE与VUE则通过3GPP规定的D2D通信专用的副链路相连接。VUE可进一步分为两种类型：蜂窝网络覆盖范围内的In-Coverage VUE(IC VUE)、蜂窝网络覆盖范围外的Out-of-Coverage VUE(OOC VUE)。

虽然D2D UE-NW中继通信技术具备上述优势，但现有的方案中仍存在问题，即如何在满足现有3GPP规定的结论的基础上，有效地执行D2D中继选择功能。在此问题中，一个关键的问题就是基于何种标准和方法来执行多目标优化下的D2D中继选择。3GPP RAN2工作组在2015年形成的结论中，提出了如下要求：“VUE选择的中继UE，需同时满足链路最佳质量以及其它高层所规定的条件”。

与此同时，随着社交网络技术的发展，D2D UE也越来越多地呈现出持有者的社交属性。UE间的社交相似度越高，往往也意味着更高的信任程度，也即更高程度的连接安全性。此外，高的社交相似度往往也意味着VUE能够有更大的可能从社交相近的UE中获取到感兴趣的数据内容。因此，D2D的社交连接属性获得了越来越广泛的研究关注度。

然而，现有的技术方法均存在不同程度的设计缺陷。典型的关注物理链路性能的方案，现有技术中，通过迭代更新分簇内D2D链路的最大可达广播速率，获得可靠重传机制下最小时频资源消耗的分簇以及相应的分簇头。然而，该方案忽视了D2D设备呈现的社交连接属性，且有着过高的计算复杂度。现有技术中有提出了联合社交和物理连接属性的D2D中继选择方案，但该类方案都是在假设社交和物理连接属性有着相同的处理优先权重下执行的，并不一定符合实际的应用场景。另一方面，这些方法都为关注单一目标下的优化方案，未考虑多目标优化的情况，会使得UE-NW系统的接入性能提升较为单一化。

除上述单优化目标的方案外，现有技术中还有提出了一种基于互补模糊层次分析法(Complementary Fuzzy Analytic Hierarchy Process，CFAHP)和马氏距离(Mahalanobis Distance，MD)相结合的多目标D2D中继选择方案。然而，这个方案中的多目标并不包含社交属性。此外，该方案依赖于CFAHP带来的主观判断，忽略了客观数据可提供的用于中继选择的有利决策信息。与此同时，CFAHP法的执行并未考虑UE主观模糊判断存在的犹豫度心理特性。另一方面，该方法未能区分收益型和损耗型指标的不同处理策略。

发明内容

本发明提供一种提升获取目标类型的数据的概率的社交D2D中继选择方法。

为了达到上述技术效果，本发明的技术方案如下：

一种社交D2D中继选择方法，包括以下步骤：

S1：对输入数据进行预处理得到所需类型的数据；

S2：对S1中的数据进行指标即目标决策权重生成计算；

S3：将S2中获得的单目标输出量与服务质量QoS条件进行转换整合，进而通过分布式消息传递机制进行求解，获得最终输出结果。

进一步地，所述步骤S1的具体过程是：

令中继用户设备RUE组成集合R＝{R₁,R₂,...,R_N}，N为候选中继用户设备RUE的个数；中继连接服务的用户设备VUE组成集合V＝{v₁,v₂,...,v_M}，M为VUE的个数；

本方法需要进行决策权重生成计算的指标有：

VUE v和RUE r间的链路容量

VUE v和RUE r间的社交相似度S_v,r：由杰卡德系数描述，定义为VUE v和RUE r间拥有的共同社交属性占总的社交属性的比例；

RUE r端的缓存大小β_r；

VUE v获取RUE r中继服务所需的消耗C_v,r：在IC场景中，为VUE激励RUE执行中继服务所需的代价；而在OOC场景中，为VUE自身的功耗；

上述多目标构成VUE v端的目标集合

其中，容量、社交相似度以及RUE端缓存大小为增益型指标，数值越高则越优；另一方面，消耗则为损耗型指标，数值越低则越优；

与此同时，定义二元选择变量X_v,r来指示VUE v是否选择候选RUE r：

除了上述多目标之外，还需进行决策权重生成计算的指标有：

VUE端对各个指标所要求的QoS条件；

RUE端的接受能力，即最大可接入的VUE数量K_r；

每个VUE只能接入唯一一个RUE；

基于上述内容，本方法需求解的优化模型如下：

max{P1,P2,P3,-P4} (2)

该模型受限于：

其中：

S_v,thresh,β_v,thresh,C_v,thresh分别为VUE v端的容量QoS阈值，社交相似度QoS阈值，缓存QoS阈值，消耗QoS阈值。

进一步地，所述步骤S2的具体过程包括进行主观偏好决策权重生成以及客观决策权重生成；

所述主观偏好决策权重生成包括以下步骤：

1)、构造直观模糊偏好关系；

2)、构造完美乘性一致直观模糊关系矩阵；

3)、生成直观模糊数值权重；

4)、生成确定数排序数值

5)、归一化排序数值，生成输出主观偏好权重

即VUE v端的第i个指标所对应的主观偏好权重；

所述客观决策权重生成包括以下步骤：

1)、输入所有候选RUE的各项指标数值；

2)、数据预处理；

3)熵权法获得客观决策权重；

4)整合主观偏好决策权重生成得到的结果处理生成输出VUE v端的单目标相对近似度序列Τ_v。

进一步地，所述步骤S3的具体过程是：

通过Τ_v，将原优化问题模型转换为求解单目标相对近似度RPD总和最小的新优化模型：

受限于：C1～C6 (6)

由于此包含QoS阈值条件的优化模型不能直接被现有的分布式消息传递算法求解，因此，为进一步求解优化问题(5)，引入下面指示量：

进一步地，将(7)与(4)的目标相结合，得到如下转换模型：

受限于：

其中，C7是为保证(8)和(5)在数学意义上等价而引入的新条件，对于模型(8)，(5)的目标函数已经和QoS阈值条件相结合，从而使得(8)的求解在意义上等价于求解出能够同时满足最小RPD和满足所有QoS阈值条件的中继选择结果，由于在实际通信系统中，条件C7在该类QoS限制下的二元选择问题中难以被完全满足，为了适用分布式消息传递机制进行模型求解，略去C7，从而求解出(8)的期望输出结果，为了采用分布式消息传递机制求解(8)，重定义第t次迭代中，RUE端到VUE端的消息为

以及VUE端到RUE端的消息为

其中，ω为保证算法收敛的预定义阻尼系数，

表示VUE的组成集合V删除第v个VUE的剩余子集(即V/{v})中的第K_r个最小消息量，且0＜K_r≤M,K_r∈Z⁺为预定义的参数；

由于(8)的求解目标类型为最小化优化求和，则相应地，本发明设置分布式消息传递机制的求解目标为最小化消息量之和，得到最终的迭代输出：

与现有技术相比，本发明技术方案的有益效果是：

本发明方法对输入数据进行预处理得到所需类型的数据；对得到的数据进行指标即目标决策权重生成计算；对获得的单目标输出量与服务质量QoS条件进行转换整合，进而通过分布式消息传递机制进行求解，获得最终输出结果。该算法基于修改的IFAHP法(Modified IFAHP，MIFAHP)和熵权法的结合，将多目标优化问题转换为单目标优化问题，并进一步转换服务质量(Quality of Service，QoS)条件的表达式，进而通过合适的消息传递算法分布式地求解出D2D UE-NW中继选择结果。本发明将VUE带犹豫程度的主观偏好和客观信息决策权重相结合进行考虑，因而可以使得D2D UE-NW中继选择结果获得更全面的性能提升。与此同时，本发明相较于已有方案，拥有更高的设备接入比例、更高的吞吐量、更高的系统公平性，因而更适用于实际的D2D UE-NW通信系统。

附图说明

图1为典型的D2D UE-NW系统；

图2为本发明基本流程；

图3为基于修改的IFAHP法(Modified IFAHP，MIFAHP)流程图；

图4为联合IFAHP法和熵权法的目标权重生成算法流程图；

图5为过分布式消息传递机制进行求解的流程图；

图6为IC场景接入比例vs容量QoS阈值；

图7为IC场景接入比例vs社交相似度QoS阈值；

图8为IC场景接入比例vs消耗QoS阈值；

图9为IC场景接入比例vs缓存大小QoS阈值；

图10为IC场景接入比例vs全QoS阈值；

图11为OOC场景接入比例vs容量QoS阈值；

图12为OOC场景接入比例vs社交相似度QoS阈值；

图13为OOC场景接入比例vs消耗QoS阈值；

图14为OOC场景接入比例vs缓存QoS阈值；

图15为OOC场景接入比例vs全QoS阈值；

图16为IC场景吞吐量vs全QoS阈值；

图17为IC场景系统公平性vs全QoS阈值；

图18为OOC场景吞吐量vs全QoS阈值；

图19为OOC场景系统公平性vs全QoS阈值。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

一种社交D2D中继选择方法，包括以下步骤：

S1：对输入数据进行预处理得到所需类型的数据；

S2：对S1中的数据进行指标即目标决策权重生成计算；

S3：将S2中获得的单目标输出量与服务质量QoS条件进行转换整合，进而通过分布式消息传递机制进行求解，获得最终输出结果。

进一步地，所述步骤S1的具体过程是：

令中继用户设备RUE组成集合R＝{R₁,R₂,...,R_N}，N为候选中继用户设备RUE的个数；中继连接服务的用户设备VUE组成集合V＝{v₁,v₂,...,v_M}，M为VUE的个数；

本方法需要进行决策权重生成计算的指标有：

VUE v和RUE r间的链路容量

VUE v和RUE r间的社交相似度S_v,r：由杰卡德系数描述，定义为VUE v和RUE r间拥有的共同社交属性占总的社交属性的比例；

RUE r端的缓存大小β_r；

VUE v获取RUE r中继服务所需的消耗C_v,r：在IC场景中，为VUE激励RUE执行中继服务所需的代价；而在OOC场景中，为VUE自身的功耗；

上述多目标构成VUE v端的目标集合

其中，容量、社交相似度以及RUE端缓存大小为增益型指标，数值越高则越优；另一方面，消耗则为损耗型指标，数值越低则越优；

与此同时，定义二元选择变量X_v,r来指示VUE v是否选择候选RUE r：

除了上述多目标之外，还需进行决策权重生成计算的指标有：

VUE端对各个指标所要求的QoS条件；

RUE端的接受能力，即最大可接入的VUE数量K_r；

每个VUE只能接入唯一一个RUE；

基于上述内容，本方法需求解的优化模型如下：

max{P1,P2,P3,-P4} (2)

该模型受限于：

其中：

S_v,thresh,β_v,thresh,C_v,thresh分别为VUE v端的容量QoS阈值，社交相似度QoS阈值，缓存QoS阈值，消耗QoS阈值。

进一步地，所述步骤S2的具体过程包括进行主观偏好决策权重生成以及客观决策权重生成；

所述主观偏好决策权重生成包括以下步骤：

1)、构造直观模糊偏好关系；

2)、构造完美乘性一致直观模糊关系矩阵；

3)、生成直观模糊数值权重；

4)、生成确定数排序数值

5)、归一化排序数值，生成输出主观偏好权重

即VUE v端的第i个指标所对应的主观偏好权重；

所述客观决策权重生成包括以下步骤：

1)、输入所有候选RUE的各项指标数值；

2)、数据预处理；

3)熵权法获得客观决策权重；

4)整合主观偏好决策权重生成得到的结果处理生成输出VUE v端的单目标相对近似度序列Τ_v。

进一步地，所述步骤S3的具体过程是：

通过Τ_v，将原优化问题模型转换为求解单目标相对近似度RPD总和最小的新优化模型：

受限于：C1～C6 (6)

由于此包含QoS阈值条件的优化模型不能直接被现有的分布式消息传递算法求解，因此，为进一步求解优化问题(5)，引入下面指示量：

进一步地，将(7)与(4)的目标相结合，得到如下转换模型：

受限于：

其中，C7是为保证(8)和(5)在数学意义上等价而引入的新条件，对于模型(8)，(5)的目标函数已经和QoS阈值条件相结合，从而使得(8)的求解在意义上等价于求解出能够同时满足最小RPD和满足所有QoS阈值条件的中继选择结果，由于在实际通信系统中，条件C7在该类QoS限制下的二元选择问题中难以被完全满足，为了适用分布式消息传递机制进行模型求解，略去C7，从而求解出(8)的期望输出结果，为了采用分布式消息传递机制求解(8)，重定义第t次迭代中，RUE端到VUE端的消息为

以及VUE端到RUE端的消息为

其中，ω为保证算法收敛的预定义阻尼系数，

表示VUE的组成集合V删除第v个VUE的剩余子集(即V/{v})中的第K_r个最小消息量，且0＜K_r≤M,K_r∈Z⁺为预定义的参数；

由于(8)的求解目标类型为最小化优化求和，则相应地，本发明设置分布式消息传递机制的求解目标为最小化消息量之和，得到最终的迭代输出：

为了更充分地阐述本发明所具有的有益效果，以下结合具体实施例与相关的仿真结果及分析，进一步对本发明的有效性和先进性予以说明。

假设系统由一个eNB、N＝10个随机均匀分布的D2D RUE和M＝30个随机均匀分布的VUE组成。其中，各RUE端最大可接入的VUE数量K_r的数值在[4,6]的范围内均匀随机产生。在实际应用中，K_r的具体数值可由RUE根据自身情况(剩余电量、安全性、使用者的共享意愿等因素)决定，并向eNB上报该数值。VUE则依据覆盖与否，进一步分为IC VUE和OOC VUE。D2D链路由大尺度损耗加小尺度衰落信道来描述。为了表述的便利，坐标横轴数值0.5表示所有候选RUE的指标QoS数值的均值，则依次有0.4表示80％的均值，0.6表示120％的均值。本实施例使用CRAWDAD upb/hyccups(v.2016-10-17)真实社交网络实验数据来模拟社交相似度指标数值。

本发明USARA方案将和前述的典型D2D UE-NW中继选择方案进行比较，即：最大物理链路容量型(Max Physical)、最大物理链路容量最大社交相似度(Max Physical MaxSocial,MPMS)、混合选择法(Hybrid Selection Scheme,HRS)以及基于互补模糊层次分析-马氏距离法(FAHP-M)。其中，为实现可对比性，在仿真测试中，MPMS法和HRS法中的最小物理距离目标等价转换为了最大容量目标。

在系统输入端，设置典型的主观模糊决策排序(从高到低)如下：

■IC场景：容量→社交相似度→消耗→缓存大小；

■OOC场景：容量→消耗→缓存大小→社交相似度。

如之前所述，在IC场景中，“消耗”定义为VUE激励RUE执行中继服务所需的代价；在OOC场景中，“消耗”定义为VUE自身的功耗。

对于本发明提出的MIFAHP法以及FAHP-M法，其执行需要输入预定义的典型直观模糊输入矩阵和互补模糊输入矩阵。表1和表2中给出了这些矩阵的一个示例。在实际系统中，矩阵中各元素的取值应根据网络的情况来选取。

表1 MIFAHP法所需的典型直观模糊输入矩阵

(a)IC场景

指标	容量	社交相似度	消耗	缓存大小
					容量	(0.5,0.5)	(0.6,0.2)	(0.7,0.1)	(0.8,0.1)
社交相似度	(0.2,0.6)	(0.5,0.5)	(0.6,0.2)	(0.7,0.1)
					消耗	(0.1,0.7)	(0.2,0.6)	(0.5,0.5)	(0.6,0.2)
缓存大小	(0.1,0.8)	(0.1,0.7)	(0.2,0.6)	(0.5,0.5)

(b)OOC场景

指标	容量	社交相似度	消耗	缓存大小
					容量	(0.5,0.5)	(0.9,0.1)	(0.6,0.2)	(0.7,0.1)
社交相似度	(0.1,0.9)	(0.5,0.5)	(0.1,0.7)	(0.2,0.6)
					消耗	(0.2,0.6)	(0.7,0.1)	(0.5,0.5)	(0.7,0.1)
缓存大小	(0.1,0.7)	(0.6,0.2)	(0.1,0.7)	(0.5,0.5)

表2 FAHP-M法所需的典型互补模糊输入矩阵

(a)IC场景

指标	容量	社交相似度	消耗	缓存大小
					容量	0.5	0.6	0.7	0.8
社交相似度	0.4	0.5	0.6	0.7
					消耗	0.3	0.4	0.5	0.6
缓存大小	0.2	0.3	0.4	0.5

(b)OOC场景

指标	容量	社交相似度	消耗	缓存大小
					容量	0.5	0.9	0.6	0.7
社交相似度	0.1	0.5	0.1	0.2
					消耗	0.4	0.9	0.5	0.7
缓存大小	0.3	0.8	0.3	0.5

在图6-图9和图11-图14中，为考察一种类型指标，将其QoS阈值作为自变量进行变化，而其它指标的取值则固定在0.5；在图9和图14中，所有类型指标的QoS阈值(Allthresholds)全都作为自变量进行变化。当QoS阈值降低时，VUE的接入门槛降低，因而所有方案的接入比例都会提高。当QoS阈值为最低时，各方案的接入比例达到最大。通过图5-图14可知，本发明提出的方案(即各图中的Proposed曲线)可获得比其它所有方案更高的接入比例。这是由于本方案同时取最小化RPD和QoS指示量φ，从而使得系统能够尽最大可能获得所有指标的理想加权数值，以及尽可能满足所有指标的QoS条件。相比之下，其它现有的方案均不能同时满足上述两个目的。

本发明对系统吞吐率和公平性进行了测试。通过图16-图19可知，本发明提出的USARA方案能够比现有方案获得更高的系统吞吐率和公平性。其中，吞吐率的优势直接得益于本方案的高接入比例性能。另外，USARA方案的优化过程考虑了全部类型指标的QoS条件，而非仅仅关注于单个或部分类型指标的QoS条件，从而能够使得系统获得更高的公平性。

特别地，本方案相比于FAHP-M而言，除了参考VUE主观偏好权重外，还借助了指标数据提供的客观决策权重进行更加全面的RUE中继选择判断。此外，本方案在数据归一化预处理阶段，对增益型指标和损耗型指标采取了不同的处理方式，以体现不同类型指标的偏好趋势。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (1)

1.一种社交D2D中继选择方法，其特征在于，包括以下步骤：

S1：对输入数据进行预处理得到所需类型的数据；

S2：对S1中的数据进行指标即目标决策权重生成计算；

S3：将S2中获得的单目标输出量与服务质量QoS条件进行转换整合，进而通过分布式消息传递机制进行求解，获得最终输出结果；

所述步骤S1的具体过程是：

令中继用户设备RUE组成集合R＝{R₁,R₂,...,R_N}，N为候选中继用户设备RUE的个数；中继连接服务的用户设备VUE组成集合V＝{v₁,v₂,...,v_M}，M为VUE的个数；

本方法需要进行决策权重生成计算的指标有：

VUE v和RUE r间的链路容量

VUE v和RUE r间的社交相似度S_v,r：由杰卡德系数描述，定义为VUE v和RUE r间拥有的共同社交属性占总的社交属性的比例；

RUE r端的缓存大小β_r；

VUE v获取RUE r中继服务所需的消耗C_v,r：在IC场景中，为VUE激励RUE执行中继服务所需的代价；而在OOC场景中，为VUE自身的功耗；

上述多目标构成VUE v端的目标集合

其中，容量、社交相似度以及RUE端缓存大小为增益型指标，数值越高则越优；另一方面，消耗则为损耗型指标，数值越低则越优；

与此同时，定义二元选择变量X_v,r来指示VUE v是否选择候选RUE r：

除了上述多目标之外，还需进行决策权重生成计算的指标有：

VUE端对各个指标所要求的QoS条件；

RUE端的接受能力，即最大可接入的VUE数量K_r；

每个VUE只能接入唯一一个RUE；

基于上述内容，本方法需求解的优化模型如下：

max{P1,P2,P3,-P4} (2)

该模型受限于：

其中：

S_v,thresh,β_v,thresh,C_v,thresh分别为VUE v端的容量QoS阈值，社交相似度QoS阈值，缓存QoS阈值，消耗QoS阈值；

所述步骤S2的具体过程包括进行主观偏好决策权重生成以及客观决策权重生成；

所述主观偏好决策权重生成包括以下步骤：

1)、构造直观模糊偏好关系；

2)、构造完美乘性一致直观模糊关系矩阵；

3)、生成直观模糊数值权重；

4)、生成确定数排序数值；

5)、归一化排序数值，生成输出主观偏好权重λ′_i ^,v，即VUE v端的第i个指标所对应的主观偏好权重；

所述客观决策权重生成包括以下步骤：

1)、输入所有候选RUE的各项指标数值；

2)、数据预处理；

3)熵权法获得客观决策权重；

4)整合主观偏好决策权重生成得到的结果处理生成输出VUE v端的单目标相对近似度序列Τ_v；

所述步骤S3的具体过程是：

通过Τ_v，将原优化问题模型转换为求解单目标相对近似度RPD总和最小的新优化模型：

受限于：C1～C6 (6)

由于此包含QoS阈值条件的优化模型不能直接被现有的分布式消息传递算法求解，因此，为进一步求解优化问题(5)，引入下面指示量：

进一步地，将(7)与(4)的目标相结合，得到如下转换模型：

受限于：

其中，C7是为保证(8)和(5)在数学意义上等价而引入的新条件，对于模型(8)，(5)的目标函数已经和QoS阈值条件相结合，从而使得(8)的求解在意义上等价于求解出能够同时满足最小RPD和满足所有QoS阈值条件的中继选择结果，由于在实际通信系统中，条件C7在该类QoS限制下的二元选择问题中难以被完全满足，为了适用分布式消息传递机制进行模型求解，略去C7，从而求解出(8)的期望输出结果，为了采用分布式消息传递机制求解(8)，重定义第t次迭代中，RUE端到VUE端的消息为

以及VUE端到RUE端的消息为

其中，ω为保证算法收敛的预定义阻尼系数，

表示VUE的组成集合V删除第v个VUE的剩余子集(即V/{v})中的第K_r个最小消息量，且0<K_r≤M,K_r∈Z⁺为预定义的参数；

由于(8)的求解目标类型为最小化优化求和，则相应地，本发明设置分布式消息传递机制的求解目标为最小化消息量之和，得到最终的迭代输出：

Images