摘要：為了最大限度提升用戶的體驗(yàn)質(zhì)量，設(shè)計(jì)了一個(gè)使用支持緩存的無人機(jī)進(jìn)行輔助通信的蜂窩網(wǎng)絡(luò)模型。該模型使用無人機(jī)通信和邊緣緩存相結(jié)合的方式來進(jìn)行流量卸載，通過聯(lián)合優(yōu)化無人機(jī)部署，緩存放置和用戶關(guān)聯(lián)以實(shí)現(xiàn)用戶QoE的最大化，并使用平均意見得分來對(duì)其進(jìn)行評(píng)估?；趩栴}定義，提出了一個(gè)無人機(jī)部署、緩存放置和用戶關(guān)聯(lián)的聯(lián)合優(yōu)化算法，以最大化MOS。該聯(lián)合算法使用K-means聚類算法為用戶創(chuàng)建基于用戶位置的無人機(jī)部署集群，使用基于罰函數(shù)的凸優(yōu)化算法以獲得緩存放置策略，使用貪心算法以獲得對(duì)用戶的關(guān)聯(lián)策略。多次仿真實(shí)驗(yàn)驗(yàn)證了所提出算法的有效性和可行性。實(shí)驗(yàn)結(jié)果表明，與三種基準(zhǔn)算法相比，所提出的聯(lián)合優(yōu)化算法在MOS、回程流量卸載率和內(nèi)容訪問時(shí)延三方面均具有更好的性能。

關(guān)鍵詞：邊緣緩存；無人機(jī)部署；緩存放置；用戶關(guān)聯(lián)；K-means聚類算法；凸優(yōu)化算法；貪心算法

中圖分類號(hào)：TP393.0

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-3695（2023）05-029-1473-07

0引言

近年來，無線通信技術(shù)的快速發(fā)展使得人們對(duì)于日常生活中通信質(zhì)量的要求日益增加。然而，無線網(wǎng)絡(luò)中地面宏基站（macrobasestation，MBS）的部署成本過于高昂，且在一些特殊場(chǎng)景如通信高峰時(shí)段等會(huì)出現(xiàn)無法及時(shí)提供通信服務(wù)等問題。因此，將無人機(jī)（unmannedaerialvehicle，UAV）部署為空中基站（aerialbasestation，ABS）對(duì)傳統(tǒng)蜂窩網(wǎng)絡(luò)進(jìn)行輔助通信［1］，已經(jīng)成為一種較為普遍的通信手段。當(dāng)傳統(tǒng)蜂窩網(wǎng)絡(luò)基站的覆蓋范圍、通信資源等不能滿足用戶通信需求時(shí)，就可以借助無人機(jī)來對(duì)熱點(diǎn)區(qū)域進(jìn)行覆蓋和業(yè)務(wù)分流。由于無人機(jī)具有機(jī)動(dòng)性高且價(jià)格較為低廉等特點(diǎn)，使得其在許多行業(yè)中均得到了十分廣泛的應(yīng)用。無人機(jī)通信的應(yīng)用場(chǎng)景主要包括對(duì)熱點(diǎn)區(qū)域進(jìn)行高速覆蓋、信息傳輸、應(yīng)急通信等［2］。在未來的移動(dòng)網(wǎng)絡(luò)中，移動(dòng)用戶請(qǐng)求的數(shù)據(jù)流量還將急劇增加。據(jù)愛立信2022年6月的移動(dòng)市場(chǎng)報(bào)告，到2021年底，全球移動(dòng)數(shù)據(jù)流量為每月67EB，且未來五年將會(huì)增長(zhǎng)4.2倍，達(dá)到每月約282EB［3］。由于一些熱門內(nèi)容通常會(huì)被重復(fù)進(jìn)行下載，故流量的增加大部分都是內(nèi)容分發(fā)所產(chǎn)生的。為了減輕以內(nèi)容為中心的蜂窩網(wǎng)絡(luò)的網(wǎng)絡(luò)流量負(fù)載，通常會(huì)采用邊緣內(nèi)容緩存技術(shù)［4］。流行內(nèi)容被放置在靠近用戶的基站［5］和用戶終端［6］處，以減少用戶獲取內(nèi)容的時(shí)延和回程鏈路的負(fù)載。為了滿足多媒體內(nèi)容分發(fā)的數(shù)據(jù)量的需求，并緩解蜂窩網(wǎng)絡(luò)中地面宏基站的流量壓力，可以在一些熱點(diǎn)區(qū)域的高峰時(shí)段部署支持緩存的無人機(jī)進(jìn)行流量卸載［7～11］。這同時(shí)也為高數(shù)據(jù)率、低延遲的內(nèi)容分發(fā)應(yīng)用提供了一種低成本、部署迅速的解決方案。

許多研究人員研究了無人機(jī)通信系統(tǒng)中的一些典型問題，如無人機(jī)部署、用戶關(guān)聯(lián)、計(jì)算卸載、無人機(jī)移動(dòng)軌跡、資源分配等。文獻(xiàn)［12～16］在不同場(chǎng)景中針對(duì)有關(guān)無人機(jī)部署的問題進(jìn)行了研究。Fan等人［12］提出了流量負(fù)載平衡問題，設(shè)計(jì)了一種啟發(fā)式算法來部署無人機(jī)，并提出了一種用戶關(guān)聯(lián)算法來迭代地將用戶分配給最佳無人機(jī)基站。Wang等人［13］研究了無人機(jī)輔助蜂窩網(wǎng)絡(luò)中的上行鏈路傳輸，其目的是通過設(shè)計(jì)適當(dāng)?shù)臒o人機(jī)部署和關(guān)聯(lián)方案，最大限度地降低用戶和無人機(jī)的發(fā)射功耗。劉漳輝等人［14］研究了通過聯(lián)合優(yōu)化無人機(jī)部署與計(jì)算卸載策略，以實(shí)現(xiàn)平均任務(wù)響應(yīng)時(shí)間的最小化。Zhong等人［15］研究了將無人機(jī)作為通信中繼的最優(yōu)部署布局，以最大限度地提高中繼網(wǎng)絡(luò)的容量。Wang等人［16］提出了一種無人機(jī)輔助通信網(wǎng)絡(luò)的自適應(yīng)部署方案，其中無人機(jī)調(diào)整其位移方向和距離，以服務(wù)于目標(biāo)小區(qū)中隨機(jī)移動(dòng)的用戶的瞬時(shí)流量。為了提高無人機(jī)輔助蜂窩網(wǎng)絡(luò)中的網(wǎng)絡(luò)性能，文獻(xiàn)［17～22］在資源分配、無人機(jī)移動(dòng)軌跡等方面進(jìn)行了一些研究。Zhu等人［17］提出了一種新的深度強(qiáng)化學(xué)習(xí)技術(shù)，該技術(shù)可以有效地學(xué)習(xí)無人機(jī)軌跡策略，從而最大限度地降低能耗。Gao等人［18］提出了空地集成移動(dòng)云計(jì)算中的一種節(jié)能資源分配方案。Sun等人［19］研究了三維無人機(jī)軌跡和無線資源分配的聯(lián)合設(shè)計(jì)，以在給定時(shí)間段內(nèi)最大化系統(tǒng)總吞吐量。Wang等人［20］提出了一個(gè)深度學(xué)習(xí)框架，用于動(dòng)態(tài)優(yōu)化無人機(jī)的位置和關(guān)聯(lián)，以降低其發(fā)射功耗。Wu等人［21］研究了無人機(jī)移動(dòng)軌跡和通信設(shè)計(jì)的聯(lián)合優(yōu)化問題，以最大限度地提高最小吞吐量。屈毓錛等人［22］研究了通過聯(lián)合優(yōu)化無人機(jī)和地面基站的服務(wù)布置、無人機(jī)航跡、任務(wù)卸載和計(jì)算資源分配，以最小化所有用戶的總能耗。

在Bastug等人［4］提出了邊緣緩存的概念之后，邊緣緩存就一直是傳統(tǒng)蜂窩網(wǎng)絡(luò)的研究熱點(diǎn)之一。邊緣緩存通?？梢耘c無人機(jī)通信進(jìn)行結(jié)合，其目的主要是在無人機(jī)上緩存與其相關(guān)聯(lián)用戶所請(qǐng)求的存放在基站中的熱門內(nèi)容，以便可以在本地緩存中提供請(qǐng)求最頻繁的內(nèi)容，而不是通過帶寬有限的無線回程鏈路轉(zhuǎn)發(fā)用戶請(qǐng)求。一些工作針對(duì)邊緣緩存與無人機(jī)通信的結(jié)合進(jìn)行了研究。Chen等人［7］研究了如何根據(jù)內(nèi)容請(qǐng)求分布來預(yù)測(cè)緩存放置，并通過緩存空間分配和資源分配來對(duì)其進(jìn)行優(yōu)化。為了最大化系統(tǒng)吞吐量，Jiang等人［8］使用基于枚舉搜索方法優(yōu)化了無人機(jī)的2D位置，并使用了已知內(nèi)容流行度的概率緩存策略。Chen等人［9］提出了一種基于概念的回聲狀態(tài)網(wǎng)絡(luò)來預(yù)測(cè)每個(gè)用戶的內(nèi)容偏好和移動(dòng)性模式，并根據(jù)預(yù)測(cè)確定了無人機(jī)部署和內(nèi)容緩存，以最大程度地減少無人機(jī)的功耗。此外，體驗(yàn)質(zhì)量（qualityofexperience，QoE）是用戶對(duì)媒體體驗(yàn)的一種主觀評(píng)估指標(biāo)，它通常被用于評(píng)估移動(dòng)網(wǎng)絡(luò)的性能［1］。為了滿足視頻應(yīng)用對(duì)數(shù)據(jù)傳輸?shù)母邩?biāo)準(zhǔn)要求，就需要保證具有一定的用戶QoE。在文獻(xiàn)［1，10，11，18］中，用戶的QoE被用來作為評(píng)估網(wǎng)絡(luò)性能的一個(gè)重要指標(biāo)。Zhang等人［1］提出了一種基于交換匹配的無人機(jī)部署算法，具有多個(gè)候選無人機(jī)位置，并設(shè)計(jì)了一種接近最優(yōu)的緩存策略，以提高用戶的QoE。Zhao等人［10］研究了無人機(jī)分布式緩存策略并提高了用戶的QoE。Fang等人［11］對(duì)緩存放置和無人機(jī)部署進(jìn)行了聯(lián)合優(yōu)化，以最大限度地提高用戶的QoE。Gao等人［18］提出的節(jié)能資源分配方案具有QoE增強(qiáng)能力。

本文主要研究了在支持無人機(jī)進(jìn)行輔助通信的蜂窩網(wǎng)絡(luò)中用于內(nèi)容分發(fā)的最大用戶平均QoE。通過引入邊緣緩存技術(shù)來緩存地面宏基站中的熱門內(nèi)容，以顯著提高用戶的QoE并減輕核心網(wǎng)絡(luò)的流量負(fù)載。在本文中將QoE作為優(yōu)化目標(biāo)，并考慮了一個(gè)部署多個(gè)固定無人機(jī)進(jìn)行輔助通信的蜂窩網(wǎng)絡(luò)應(yīng)用場(chǎng)景。在支持緩存的無人機(jī)系統(tǒng)中，需要對(duì)三個(gè)關(guān)鍵問題進(jìn)行改進(jìn)，以提高用戶的QoE，即無人機(jī)部署、緩存放置和用戶關(guān)聯(lián)。其中，由于無人機(jī)與用戶之間的相對(duì)位置會(huì)影響內(nèi)容分發(fā)的傳輸速率進(jìn)而影響內(nèi)容訪問時(shí)延，故通過對(duì)無人機(jī)部署位置進(jìn)行優(yōu)化將可以顯著提高用戶QoE。對(duì)于緩存放置問題，若用戶所請(qǐng)求的內(nèi)容未被緩存在與其相關(guān)聯(lián)的無人機(jī)上時(shí)，則該無人機(jī)需要通過無線回程鏈路從地面宏基站中獲取該內(nèi)容并進(jìn)行緩存。因此，緩存放置策略對(duì)用戶的內(nèi)容訪問時(shí)延同樣至關(guān)重要。本文總結(jié)了上述相關(guān)工作，其中有幾項(xiàng)工作側(cè)重于無人機(jī)部署和緩存放置。然而，很少有論文考慮無人機(jī)部署和緩存放置的聯(lián)合優(yōu)化。同時(shí)，由于無人機(jī)部署和緩存放置的網(wǎng)絡(luò)性能受到用戶關(guān)聯(lián)的影響，所以用戶關(guān)聯(lián)也是影響網(wǎng)絡(luò)中給定信道帶寬和發(fā)射功率分配的用戶QoE的一個(gè)重要因素，而無人機(jī)輔助蜂窩網(wǎng)絡(luò)中的大多數(shù)工作都忽略了用戶關(guān)聯(lián)的優(yōu)化。基于此，本文研究了無人機(jī)部署、緩存放置和用戶關(guān)聯(lián)的聯(lián)合優(yōu)化，以獲得最大的QoE。本文的主要貢獻(xiàn)總結(jié)如下：

a）以最大化用戶的QoE為優(yōu)化目標(biāo)，設(shè)計(jì)了一個(gè)支持緩存的無人機(jī)輔助蜂窩網(wǎng)絡(luò)模型，并使用平均意見分?jǐn)?shù)（meanopinionscore，MOS）來評(píng)估用戶的QoE。

b）提出了一個(gè)聯(lián)合無人機(jī)部署、緩存放置和用戶關(guān)聯(lián)的優(yōu)化問題，以最大限度地提高網(wǎng)絡(luò)中用戶的QoE。由于該優(yōu)化問題是一個(gè)0-1整數(shù)規(guī)劃問題，同時(shí)，也是一個(gè)NP難問題，很難直接進(jìn)行求解。將該優(yōu)化問題分為三個(gè)子問題，并使用三種算法進(jìn)行聯(lián)合優(yōu)化。通過K-means算法來實(shí)現(xiàn)無人機(jī)部署位置優(yōu)化。接著，使用基于罰函數(shù)法的凸優(yōu)化算法來實(shí)現(xiàn)緩存放置策略的優(yōu)化。然后，通過貪心算法來實(shí)現(xiàn)用戶關(guān)聯(lián)的優(yōu)化。最后，將上述三種算法總結(jié)為一種聯(lián)合優(yōu)化算法。與現(xiàn)有研究相比，本文算法具有更大的搜索空間。

c）仿真結(jié)果表明，該算法與三種基準(zhǔn)算法相比在用戶的MOS和內(nèi)容訪問延遲以及無人機(jī)回程流量卸載率這三方面均獲得了更好的性能。

1系統(tǒng)模型

本文主要研究了一個(gè)使用支持緩存的無人機(jī)來進(jìn)行輔助通信的蜂窩網(wǎng)絡(luò)模型。如圖1所示，該模型存在一個(gè)地面宏基站及多個(gè)輔助的無人機(jī)空中基站。將通信熱點(diǎn)區(qū)域記為N，無人機(jī)集合記為U={1，2，3，…，U}，處于該場(chǎng)景中的用戶集合記為K={1，2，3，…，K}。

若該區(qū)域處于通信高峰時(shí)期（如舉辦大型賽事或演出），將會(huì)有大量用戶同時(shí)向宏基站請(qǐng)求所需內(nèi)容。由于宏基站的資源有限，大量請(qǐng)求涌入宏基站將有很大概率使其過載并造成通信擁塞，從而使得區(qū)域內(nèi)的用戶長(zhǎng)時(shí)間處于惡劣的通信環(huán)境之中，對(duì)用戶的通信帶來極大的不便。為了解決這一問題，本文使用了一種支持內(nèi)容緩存的無人機(jī)來進(jìn)行輔助通信。在本文模型中，無人機(jī)主要充當(dāng)通信中繼，避免用戶直接與宏基站進(jìn)行通信。由于無人機(jī)需要使用電池來為其提供能量，故只在通信高峰時(shí)期使用無人機(jī)來進(jìn)行輔助通信。當(dāng)電量耗盡時(shí)，可以為無人機(jī)進(jìn)行充電，同時(shí)使用新的無人機(jī)來進(jìn)行替代。無人機(jī)主要是用來存放用戶所需的各種基于流行度的多媒體內(nèi)容文件副本。假定該無人機(jī)可以存放的流行文件種類為C={1，2，3，…，C}，且這些流行文件種類包含當(dāng)前用戶所請(qǐng)求的所有內(nèi)容種類。假定每臺(tái)無人機(jī)的容量為Hbit，每個(gè)文件大小為lbit，則每臺(tái)無人機(jī)可以存放H/l個(gè)文件。在非高峰時(shí)段，無人機(jī)可以主動(dòng)從宏基站中緩存一些流行的內(nèi)容副本。無人機(jī)與宏基站的通信主要通過無線回程鏈路進(jìn)行，假定無線接入網(wǎng)絡(luò)的下行鏈路帶寬為DHz，回程鏈路帶寬為BhHz。無人機(jī)u的部署位置為vu={xu，yu，h}，則該無人機(jī)與用戶k的距離表示為du，k=‖vu－wk‖2，與地面宏基站的距離表示為du，0=‖vk－w0‖2，其中wk和w0分別表示用戶k的位置和地面宏基站的位置。本文使用0-1變量rk，c=1來表示用戶k請(qǐng)求內(nèi)容文件c，否則rk，c=0。使用0-1變量pu，c=1來表示內(nèi)容文件c存放在無人機(jī)u上，否則pu，c=0。使用0-1變量au，k=1來表示用戶k與無人機(jī)u相關(guān)聯(lián)，否則au，k=0。表1總結(jié)了本文中使用的主要符號(hào)和變量。

3仿真實(shí)驗(yàn)

3.1實(shí)驗(yàn)參數(shù)設(shè)置

在本文模擬的實(shí)驗(yàn)環(huán)境中，共有K個(gè)用戶隨機(jī)分布在400m×400m的實(shí)驗(yàn)熱點(diǎn)區(qū)域N內(nèi)，地面宏基站部署在距離實(shí)驗(yàn)區(qū)域1km的地方。無人機(jī)的高度設(shè)置為45～60m，內(nèi)容文件C的流行度服從Zipf分布，并按照流行度進(jìn)行降序排序。無人機(jī)與用戶及無人機(jī)與地面宏基站的其他參數(shù)設(shè)置基于3GPP［23］。表2給出了詳細(xì)的參數(shù)設(shè)置。

3.2對(duì)比算法及性能指標(biāo)設(shè)置

基于這些參數(shù)，為了驗(yàn)證本文算法的先進(jìn)性和可行性，通過改寫文獻(xiàn)［31］中所提的無人機(jī)部署與緩存放置聯(lián)合優(yōu)化算法，使其適應(yīng)本文模型（下文稱為改寫算法1），并將其和經(jīng)典算法以及隨機(jī)算法這三種算法作為本文實(shí)驗(yàn)的基準(zhǔn)算法來進(jìn)行比較。其中，改寫算法1主要是：無人機(jī)部署算法采用基于候選位置的一對(duì)一交換匹配算法，緩存放置使用貪心算法。由于文獻(xiàn)［31］所提算法未提及用戶關(guān)聯(lián)算法，通過考慮無人機(jī)的實(shí)際使用，本文使用貪心算法來進(jìn)行就近用戶關(guān)聯(lián)。經(jīng)典算法主要是：無人機(jī)部署算法是在實(shí)驗(yàn)區(qū)域內(nèi)依照均勻分布來部署無人機(jī)，緩存放置算法是盡可能地將所有最流行的文件都緩存在無人機(jī)上，即最大流行度緩存（max-popularcaching，MPC）算法，用戶關(guān)聯(lián)算法是用戶選擇擁有最大SINR的無人機(jī)進(jìn)行關(guān)聯(lián)，即最大C/I調(diào)度算法。隨機(jī)算法是無人機(jī)部署位置，緩存放置策略和用戶關(guān)聯(lián)均服從隨機(jī)分布。本文主要從兩方面來證明所提出算法的先進(jìn)性、可行性和有效性，分別是用戶的平均MOS和無人機(jī)的平均回程流量卸載率［1］。其中，用戶的平均MOS定義如下：

3.3仿真結(jié)果

首先，本文在基于用戶平均MOS這一性能指標(biāo)的小規(guī)模實(shí)驗(yàn)中，證明了本文算法的有效性。在該實(shí)驗(yàn)中，用戶數(shù)量設(shè)置為30，無人機(jī)緩存容量為50Mbit，Zipf參數(shù)α設(shè)置為0.5，此外，為了驗(yàn)證本文在緩存放置子問題中所提出的凸優(yōu)化算法的有效性，及其在整個(gè)算法中的重要性，還對(duì)本文算法進(jìn)行了改寫（下文稱為改寫算法2），并將其作為一種對(duì)比算法加入該實(shí)驗(yàn)中。實(shí)驗(yàn)結(jié)果如圖2所示。

該實(shí)驗(yàn)的仿真結(jié)果表明，在小規(guī)模網(wǎng)絡(luò)中，本文算法的系統(tǒng)性能方面明顯優(yōu)于改寫算法2、改寫算法1、經(jīng)典算法以及隨機(jī)算法。通過與本文算法改寫后的算法以及經(jīng)典算法進(jìn)行對(duì)比，可以明顯地看出本文算法在分別對(duì)三個(gè)子問題進(jìn)行優(yōu)化之后，均可以給用戶平均MOS帶來一定的提升。其中，基于罰函數(shù)的緩存放置凸優(yōu)化算法所帶來的提升相比另外兩個(gè)子問題的優(yōu)化算法更為明顯。這一結(jié)果驗(yàn)證了本文在緩存放置問題中所提出的凸優(yōu)化算法的有效性，并且還證明了良好的緩存放置策略可以帶來相比其他兩個(gè)問題更大的性能提升。此外，由于改寫算法1中的無人機(jī)部署算法是基于多個(gè)已知候選位置的，這將導(dǎo)致優(yōu)化結(jié)果產(chǎn)生一定程度的誤差。而本文算法是基于聚類的，搜索空間更大，會(huì)在無人機(jī)部署位置上更貼近最優(yōu)部署位置，故本文算法相比該算法具備一定的優(yōu)勢(shì)，上述實(shí)驗(yàn)結(jié)果以及后續(xù)的多個(gè)實(shí)驗(yàn)也都驗(yàn)證了這一結(jié)論。

接下來，本文在不同緩存容量大小的情況下證明了所提出算法的先進(jìn)性和可行性。本文將用戶數(shù)量K固定為100，然后將每個(gè)無人機(jī)的緩存容量大小H設(shè)定在60～140Mbit，Zipf參數(shù)α分別設(shè)置為0.6和1。實(shí)驗(yàn)結(jié)果如圖3和4所示。

該實(shí)驗(yàn)的仿真結(jié)果表明，本文算法在用戶平均MOS和無人機(jī)平均回程流量卸載率這兩方面均優(yōu)于改寫算法1、經(jīng)典算法和隨機(jī)算法，且這四種算法都隨著無人機(jī)緩存容量大小H的增加而增加。對(duì)于隨機(jī)算法，盡管隨著無人機(jī)緩存容量的增大，無人機(jī)的平均回程流量卸載率也在緩慢地逐漸上升，但對(duì)于用戶的平均MOS而言，無人機(jī)緩存容量的變化卻幾乎沒有對(duì)其造成影響，并且，隨機(jī)算法在不同的Zipf參數(shù)α下，兩個(gè)指標(biāo)的實(shí)驗(yàn)結(jié)果也幾乎不變。此外，在Zipf參數(shù)α=1時(shí)，本文算法和經(jīng)典算法都獲得了極大的系統(tǒng)性能提升，這是因?yàn)閆ipf參數(shù)α決定了用戶對(duì)于內(nèi)容受歡迎程度的偏好度。也就是說，與參數(shù)α=0.6相比，用戶有更多的請(qǐng)求會(huì)集中在最受歡迎的內(nèi)容文件上。在圖4中，當(dāng)Zipf參數(shù)α=1時(shí)，本文算法的無人機(jī)平均回程流量卸載率在緩存容量H=140Mbit時(shí)接近0.9，這意味著此時(shí)用戶所請(qǐng)求的大部分內(nèi)容文件都已經(jīng)被緩存到無人機(jī)上，且無人機(jī)幾乎不再需要通過回程鏈路從地面宏基站中獲取其他內(nèi)容文件。

最后，在另一個(gè)實(shí)驗(yàn)場(chǎng)景中同樣驗(yàn)證了本文算法的先進(jìn)性和可行性。在該實(shí)驗(yàn)場(chǎng)景中，將無人機(jī)的緩存容量大小H固定為100Mbit，用戶數(shù)量從40變化至120，其余參數(shù)不變。該實(shí)驗(yàn)仿真結(jié)果如圖5和6所示。

從該實(shí)驗(yàn)的仿真結(jié)果來看，本文算法相比于經(jīng)典算法和隨機(jī)算法的系統(tǒng)性能指標(biāo)都有了顯著的提升，并且優(yōu)于改寫算法1。顯然，隨著用戶數(shù)量的不斷增多，上述四種算法的系統(tǒng)性能都會(huì)出現(xiàn)一定程度的下降。在圖5中，本文算法的平均MOS在不同的α=0.6和α=1之間的性能差距小于經(jīng)典算法。這一結(jié)果表明了在本文算法中提出的緩存放置的必要性和優(yōu)勢(shì)。本文算法在用戶數(shù)為40時(shí)，Zipf參數(shù)α的取值幾乎不會(huì)影響用戶的平均MOS。對(duì)于隨機(jī)算法，無論Zipf參數(shù)α是1還是0.6，該算法的用戶平均MOS在用戶數(shù)量增加的情況下的實(shí)驗(yàn)數(shù)值都基本相同。在圖6中，由于α=1時(shí)，用戶的請(qǐng)求傾向于最流行的文件，所以本文算法和經(jīng)典算法的無人機(jī)平均回程流量卸載率的下降速度會(huì)比α=0.6時(shí)慢。此外，隨機(jī)算法的無人機(jī)平均回程流量卸載率在用戶數(shù)量增加的情況下幾乎沒有變化。

4結(jié)束語

本文主要研究了在使用支持緩存的無人機(jī)進(jìn)行輔助通信的蜂窩網(wǎng)絡(luò)中的一個(gè)基于無人機(jī)部署、緩存放置和用戶關(guān)聯(lián)的聯(lián)合優(yōu)化問題。本文提出了一種聯(lián)合優(yōu)化算法，通過仿真結(jié)果驗(yàn)證了該算法的系統(tǒng)性能，同時(shí)也驗(yàn)證了該算法的可行性和有效性。從仿真結(jié)果來看，好的緩存放置算法可以極大地提高系統(tǒng)性能，這也證實(shí)了邊緣緩存所具有的優(yōu)勢(shì)。在設(shè)計(jì)無人機(jī)輔助蜂窩網(wǎng)絡(luò)時(shí)，無人機(jī)布局和資源分配對(duì)于為用戶提供良好的信道條件至關(guān)重要。

盡管本文算法可以有效提高用戶的QoE，但是由于算法的局限性，本文算法在執(zhí)行時(shí)間上略顯不足。在未來的工作中，筆者將考慮對(duì)所提算法進(jìn)行進(jìn)一步改進(jìn)，并在此基礎(chǔ)上考慮無人機(jī)的動(dòng)態(tài)應(yīng)用。

參考文獻(xiàn)：

[1]ZhangTiankui，WangYi，LiuYuanwei，etal.Cache-enablingUAVcommunications：networkdeploymentandresourceallocation［J］.IEEETransonWirelessCommunications，2020，19（11）：7470-7483.

［2]GuptaL，JainR，VaszkunG.SurveyofimportantissuesinUAVcommunicationnetworks［J］.IEEECommunicationsSurveysamp;Tutorials，2015，18（2）：1123-1152.

［3]Ericsson.EricssonmobilityreportJune2022［EB/OL］.（2022）［2022-07-29］.https：//www.ericsson.com/49d3a0/assets/local/reports-papers/mobility-report/documents/2022/ericsson-mobility-report-june-2022.pdf.

［4]BastugE，BennisM，DebbahM.Livingontheedge：theroleofproactivecachingin5Gwirelessnetworks［J］.IEEECommunicationsMagazine，2014，52（8）：82-89.

［5]ZhangTiankui，F(xiàn)angXinyuan，LiuYuanwei，etal.Content-centricmobileedgecaching［J］.IEEEAccess，2019，8：11722-11731.

［6]ZhangTiankui，F(xiàn)angXinyuan，LiuYuanwei，etal.D2D-enabledmobileuseredgecaching：amulti-winnerauctionapproach［J］.IEEETransonVehicularTechnology，2019，68（12）：12314-12328.

［7]ChenMingzhe，SaadW，YinChangchuan.LiquidstatemachinelearningforresourceandcachemanagementinLTE-Uunmannedaerialvehicle（UAV）networks［J］.IEEETransonWirelessCommunications，2019，18（3）：1504-1517.

［8]JiangBin，YangJiachen，XuHuifang，etal.MultimediadatathroughputmaximizationinInternet-of-Thingssystembasedonoptimizationofcache-enabledUAV［J］.IEEEInternetofThingsJournal，2018，6（2）：3525-3532.

［9]ChenMingzhe，MozaffariM，SaadW，etal.Cachinginthesky：proactivedeploymentofcache-enabledunmannedaerialvehiclesforoptimizedquality-of-experience［J］.IEEEJournalonSelectedAreasinCommunications，2017，35（5）：1046-1061.

［10]ZhaoNan，YuFR，F(xiàn)anLisheng，etal.Cachingunmannedaerialvehicle-enabledsmall-cellnetworks：employingenergy-efficientme-thodsthatstoreandretrievepopularcontent［J］.IEEEVehicularTechnologyMagazine，2019，14（1）：71-79.

［11]FangTao，TianHua，ZhangXiaobo，etal.Context-awarecachingdistributionandUAVdeployment：agame-theoreticapproach［J］.AppliedSciences，2018，8（10）：1959.

［12]FanQiang，AnsariN.Towardstrafficloadbalancingindrone-assistedcommunicationsforIoT［J］.IEEEInternetofThingsJournal，2018，6（2）：3633-3640.

［13]WangLeiyu，ZhangHaixia，GuoShuaishuai，etal.DeploymentandassociationofmultipleUAVsinUAV-assistedcellularnetworkswiththeknowledgeofstatisticaluserposition［J］.IEEETransonWirelessCommunications，2022，21（8）：6553-6567.

［14]劉漳輝，鄭鴻強(qiáng)，張建山，等.多無人機(jī)使能移動(dòng)邊緣計(jì)算系統(tǒng)中的計(jì)算卸載與部署優(yōu)化［J］.計(jì)算機(jī)科學(xué)，2022，49（S1）：619-627.（LiuZhanghui，ZhengHongqiang，ZhangJianshan，etal.Computationoffloadinganddeploymentoptimizationinmulti-UAV-enabledmobileedgecomputingsystems［J］.ComputerScience，2022，49（S1）：619-627.）

［15]ZhongXijian，GuoYan，LiNing，etal.DeploymentoptimizationofUAVrelayformalfunctioningbasestation：model-freeapproaches［J］.IEEETransonVehicularTechnology，2019，68（12）：11971-11984.

［16]WangZhe，DuanLingjie，ZhangRui.AdaptivedeploymentforUAV-aidedcommunicationnetworks［J］.IEEETransonWirelessCommunications，2019，18（9）：4531-4543.

［17]ZhuBotao，BedeerE，NguyenHH，etal.UAVtrajectoryplanninginwirelesssensornetworksforenergyconsumptionminimizationbydeepreinforcementlearning［J］.IEEETransonVehicularTechnology，2021，70（9）：9540-9554.

［18]GaoAng，HuYansu，LiangWei，etal.AQoE-orientedschedulingschemeforenergy-efficientcomputationoffloadinginUAVcloudsystem［J］.IEEEAccess，2019，7：68656-68668.

［19]SunYan，XuDongfang，NgDWK，etal.Optimal3D-trajectorydesignandresourceallocationforsolar-poweredUAVcommunicationsystems［J］.IEEETransonCommunications，2019，67（6）：4281-4298.

［20]WangYining，ChenMingzhe，YangZhaohui，etal.DeeplearningforoptimaldeploymentofUAVswithvisiblelightcommunications［J］.IEEETransonWirelessCommunications，2020，19（11）：7049-7063.

［21]WuQingqing，ZengYong，ZhangRui.Jointtrajectoryandcommunicationdesignformulti-UAVenabledwirelessnetworks［J］.IEEETransonWirelessCommunications，2018，17（3）：2109-2121.

［22]屈毓錛，秦蓁，馬靖豪，等.面向空地協(xié)同移動(dòng)邊緣計(jì)算的服務(wù)布置策略［J］.計(jì)算機(jī)學(xué)報(bào)，2022，45（4）：781-797.（QuYuben，QinZhen，MaJinghao，etal.Serviceprovisioningforair-groundcollaborativemobileedgecomputing［J］.ChineseJournalofComputers，2022，45（4）：781-797.）

［23]3GPP.StudyonenhancedLTEsupportforaerialvehicles［S］.Dubrovnik：3GPPPress，2017：33-46.

［24]YeQiaoyang，RongBeiyu，ChenYudong，etal.Userassociationforloadbalancinginheterogeneouscellularnetworks［J］.IEEETransonWirelessCommunications，2013，12（6）：2706-2716.

［25]BreslauL，CaoPei，F(xiàn)anLi，etal.WebcachingandZipf-likedistributions：evidenceandimplications［C］//ProcofIEEEConferenceonComputerCommunications.Piscataway，NJ：IEEEPress，1999：126-134.

［26]TaghizadehM，MicinskiK，BiswasS，etal.Distributedcooperativecachinginsocialwirelessnetworks［J］.IEEETransonMobileComputing，2012，12（6）：1037-1053.

［27]JohnsonDS，GareyMR.Computersandintractability：aguidetothetheoryofNP-completeness［M］.SanFrancisco：Freeman，1979.

［28]LuJinhui，WangYuntian，LiuTingting，etal.UAV-enableduplinknon-orthogonalmultipleaccesssystem：jointdeploymentandpowercontrol［J］.IEEETransonVehicularTechnology，2020，69（9）：10090-10102.

［29]VuQD，NguyenKG，JunttiM.Max-minfairnessformulticastmultigroupmulticelltransmissionunderbackhaulconstraints［C］//ProcofIEEEGlobalCommunicationsConference.Piscataway，NJ：IEEEPress，2016：1-6.

［30]NguyenTM，AjibW，AssiC.AnovelcooperativeNOMAfordesigningUAV-assistedwirelessbackhaulnetworks［J］.IEEEJournalonSelectedAreasinCommunications，2018，36（11）：2497-2507.

［31]WangYi，F(xiàn)engChunyan，ZhangTiankui，etal.QoEbasednetworkdeploymentandcachingplacementforcache-enablingUAVnetworks［C］//ProcofIEEEInternationalConferenceonCommunications.Piscataway，NJ：IEEEPress，2020：1-6.