0 引言

    中國互聯(lián)網(wǎng)絡(luò)信息中心(CNNIC)在京發(fā)布的第38次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》顯示，截至到2016年，中國互聯(lián)網(wǎng)用戶數(shù)量達(dá)7.10億，網(wǎng)絡(luò)普及率達(dá)51.7%，以3.1%的優(yōu)勢超過全球平均水平。得利于移動通信網(wǎng)絡(luò)環(huán)境的不斷發(fā)展完善以及智能手機(jī)的大規(guī)模普及，移動互聯(lián)網(wǎng)應(yīng)用逐漸地滲透到用戶各類生活需求中，因而進(jìn)一步使得手機(jī)上網(wǎng)頻率不斷增長^[1]。一方面，用戶在短時(shí)間內(nèi)對熱點(diǎn)內(nèi)容進(jìn)行重復(fù)申請?jiān)斐纱罅咳哂?，另一方面，無線資源又日益緊缺，基站負(fù)載壓力越來越大。為解決上述的容量瓶頸問題，D2D(Device-to-Device)通信技術(shù)作為一種極具潛力的新方法受到了各界的廣泛關(guān)注^[2-3]。不同于傳統(tǒng)的蜂窩用戶設(shè)備(Cell User Equipment，CUE)嚴(yán)重依賴于基站進(jìn)行數(shù)據(jù)傳輸與控制，D2D技術(shù)允許用戶僅依賴基站進(jìn)行控制信息的處理，而數(shù)據(jù)則通過D2D用戶設(shè)備(D2D User Equipment，DUE)直連的方式進(jìn)行傳輸，無需經(jīng)過基站。如圖1，D2D分組轉(zhuǎn)發(fā)技術(shù)是指將D2D用戶的移動設(shè)備作為一個(gè)分布式存儲系統(tǒng)。首先，當(dāng)對所有的D2D用戶進(jìn)行分組后，用戶可以通過常規(guī)的蜂窩鏈路獲取熱點(diǎn)內(nèi)容，從而形成一個(gè)分布式存儲系統(tǒng)，當(dāng)組內(nèi)其他用戶恰好也需要申請?jiān)搩?nèi)容時(shí)，則無需通過基站重復(fù)申請，而是通過D2D直連的方式進(jìn)行內(nèi)容共享，如此就形成了一個(gè)基于多播的數(shù)據(jù)共享D2D組，可以極大地提升頻譜利用率^[4]。

    傳統(tǒng)的D2D通信由于未對通信雙方社交背景進(jìn)行考量，導(dǎo)致在D2D通信過程中安全性較差，通信效率低下。而通過引入社交屬性的概念，可以極大地改善這一現(xiàn)象。在文獻(xiàn)[5]闡述了D2D通信中的主要挑戰(zhàn)，并提出了利用社交屬性來提升D2D的表現(xiàn)。但是這篇文章并沒有展示如何具體將社交網(wǎng)絡(luò)應(yīng)用于D2D通信中。文獻(xiàn)[6]在文獻(xiàn)[5]的分組方法的基礎(chǔ)上，進(jìn)一步定義了通信需求的概念，并闡述了一套社交感知資源分配方案。文獻(xiàn)[7]和[8]則分別利用文獻(xiàn)[5]中的分組概念，把用戶分為幾個(gè)大的群體進(jìn)行本地服務(wù)和多播服務(wù)。文獻(xiàn)[9]提出了一種利用集中性來輔助D2D對匹配的機(jī)制。文獻(xiàn)[10]將實(shí)際地理因素和社交信息相結(jié)合介紹了一種復(fù)合的分組辦法。文獻(xiàn)[11]通過兩個(gè)層面(離線社交層和在線社交層)的研究提出了優(yōu)化D2D通信的一個(gè)社交認(rèn)知方案。文獻(xiàn)[12]提出了一種基于社交網(wǎng)絡(luò)的創(chuàng)新性的流量下載結(jié)構(gòu)模型，從而有效提高用戶的流量下載容量。

    以上研究雖然加入了對社交屬性的考量，但是并未針對用戶狀態(tài)實(shí)時(shí)變化的情況提出高效的D2D分組轉(zhuǎn)發(fā)策略，而考慮到實(shí)際場景中用戶往往具有很強(qiáng)的移動性，因此本文提出一種利用社交屬性的D2D分組轉(zhuǎn)發(fā)策略。該策略利用中餐館(Chinese Restaurant Process，CRP)算法，結(jié)合包括社交關(guān)系、興趣相似度和集中度在內(nèi)的社交屬性，為高移動性下的D2D分組轉(zhuǎn)發(fā)提供了可行的方案。最后通過仿真表明，該算法可以提高數(shù)據(jù)傳輸?shù)陌踩?，提升頻譜利用率，減輕基站由于重復(fù)下載冗余內(nèi)容所導(dǎo)致的壓力。

1 系統(tǒng)模型

    本文考慮經(jīng)典的單蜂窩超密集網(wǎng)絡(luò)場景，即單個(gè)蜂窩內(nèi)擁有大量UE（如校園和辦公室）。用戶不僅可以通過傳統(tǒng)的蜂窩鏈路從基站獲取數(shù)據(jù)，也可以通過D2D鏈路從鄰近的用戶處獲取。考慮到移動用戶的具體位置是實(shí)時(shí)變動的，本文利用動態(tài)的CRP算法來對用戶分組和資源分配。

    CRP算法通過模仿客人到達(dá)餐廳后選擇與人共用一桌還是自己單獨(dú)成桌的過程，將每一個(gè)新到達(dá)的D2D用戶分配進(jìn)既存的組內(nèi)或獨(dú)立成組。第一個(gè)到達(dá)的用戶獨(dú)立成組，當(dāng)用戶n到來時(shí)，前面到來的用戶已經(jīng)被分為了K個(gè)組，已有的D2D組可以用ξ={c₁，c₂，c₃，…，c_k}表示。用戶間的社交關(guān)系通過一個(gè)上三角矩陣D來表示，D中非零元素可選值為q₁、q₂和q₃，表示3種不同社交關(guān)系的親密程度，分別為陌生人、朋友和家人。用戶的興趣愛好以一個(gè)擁有5個(gè)元素的數(shù)組表示，元素可以取值為0或1，分別代表該用戶是否擁有此愛好。連接時(shí)間則通過另一個(gè)上三角矩陣F來表示，通過該矩陣能夠得到兩用戶的連接頻率或集中度。如圖2，可以由社交屬性計(jì)算出用戶加入組c_i的概率P_i(n)，并依此概率隨機(jī)加入組c_i或獨(dú)立成組。然后，根據(jù)計(jì)算出的分組活躍度為分組選擇合適的蜂窩用戶進(jìn)行資源復(fù)用，活躍度高的組分配擁有更多資源的蜂窩用戶。

2 D2D通信中利用社交屬性進(jìn)行分組轉(zhuǎn)發(fā)的策略

    文獻(xiàn)[5]提出了可能應(yīng)用于D2D通信的4個(gè)主要的社交網(wǎng)絡(luò)屬性，主要包括了社交關(guān)系、社會群體、集中性、橋接屬性等，本文重點(diǎn)關(guān)注其中的社交關(guān)系、社會群體和集中性的概念。

2.1 社交關(guān)系

    社交關(guān)系代表了用戶之間的關(guān)系親密程度。通常用戶會更傾向于與朋友或家人分享自己設(shè)備中的私人信息，而對陌生人持保守態(tài)度，因此本文基于社交信任度的概念，引入用戶間社交距離的概念，以此來提升D2D轉(zhuǎn)發(fā)機(jī)制的安全性?；谖墨I(xiàn)[10]，引入社交距離的概念為：

其中p(n，l)∈[0，1]為用戶n和用戶l之間的社交信任度，兩個(gè)用戶間的社交信任度p(n，l)越大，則社交距離越短。

2.2 社會群體

    社會群體代表了用戶間的興趣相似度。正如同一句古語“物以類聚，人以群分”，興趣愛好相似的用戶設(shè)備上可能會擁有其他用戶也需要的文件，通過將擁有共同興趣的人分為一組，當(dāng)用戶申請?jiān)撐募r(shí)，便可以直接在組內(nèi)通過D2D進(jìn)行文件傳輸，而無需通過基站重復(fù)下載。因此，基于文獻(xiàn)[13]，引入加權(quán)余弦興趣相似性的概念用于衡量兩個(gè)用戶間的興趣異同：

2.3 集中度

    集中度傳統(tǒng)的定義是，在連通圖中，任意兩個(gè)節(jié)點(diǎn)間的最短路徑經(jīng)過當(dāng)前節(jié)點(diǎn)的次數(shù)的總和。在本文中，集中度代表了哪些用戶傾向于更頻繁地與其他用戶通信，集中度越高則通信頻率相對更高。在此，本文定義一個(gè)連接間隔的概念：

    由于θ_c高的組可能同時(shí)進(jìn)行多個(gè)D2D通信，為了保證通信質(zhì)量，將對該組分配擁有更多資源塊的蜂窩用戶，以避免在高峰期產(chǎn)生擁塞，同時(shí)提升頻譜效率，改善QoS。

2.4 利用S-CRP算法對用戶進(jìn)行分組和資源分配

    本文在提出的CRP算法中加入了社交屬性，為與傳統(tǒng)CRP算法相區(qū)分，下文稱之為S-CRP算法，即社交感知的CRP算法。根據(jù)式(1)、式(5)可以得到用戶n選擇用戶l為D2D通信伙伴的概率為：

    除了需要滿足地理相近性條件之外，還需要考慮組c_i中用戶的數(shù)量是否已達(dá)到上限，若已達(dá)到上限，就不能再接收新到達(dá)的用戶n，因此定義g_ci為：

    很顯然，當(dāng)μ_n，ci為1時(shí)，意味著用戶n滿足加入組c_i的條件，可以依據(jù)式(11)中的概率加入組c_i或獨(dú)立成組；反之，用戶n不滿足加入組c_i的條件，加入組c_i的概率為0。

    當(dāng)分組完成后，可根據(jù)式(3)計(jì)算出相應(yīng)的θ_c值，高θ_c值的分組傾向于高頻連接，即可能同時(shí)處理多個(gè)D2D連接，因此會被分配給擁有更多資源塊的蜂窩用戶進(jìn)行復(fù)用，以保證其性能。

    綜上所述，本文提出的利用社交屬性的D2D分組轉(zhuǎn)發(fā)策略流程如圖3所示。

3 仿真分析

    為了驗(yàn)證本文所提出的轉(zhuǎn)發(fā)策略的有效性，本文利用MATLAB在單蜂窩場景下對比隨機(jī)算法、傳統(tǒng)CRP算法和提出的S-CRP算法的性能差異。通常進(jìn)行D2D分組轉(zhuǎn)發(fā)有兩種模式：全雙工模式與半雙工模式，考慮到全雙工模式工作時(shí)，組長D2D同時(shí)接收和發(fā)送數(shù)據(jù)會產(chǎn)生嚴(yán)重的自干擾，本次仿真將工作于半雙工模式下。蜂窩半徑為500 m，D2D用戶均勻地隨機(jī)分布于蜂窩內(nèi)。D2D用戶與BS之間的大規(guī)模路徑損耗指數(shù)為h=3.5，D2D用戶之間的為h=4。同時(shí)，令CRP參數(shù)α=0.1，σ²=-90 dBm，BS功率P_B=0.2 mW，D2D用戶傳輸功率P_D=0.1 mW。q₁、q₂和q₃表示3種不同社交關(guān)系的親密程度，分別為陌生人、朋友和親人，即式(1)中p(n，l)的可能值。

    首先，如圖4所示，隨著蜂窩內(nèi)D2D用戶數(shù)量從20增至100，3種算法的數(shù)據(jù)傳輸速率都有顯著的提高，本文提出的S-CRP算法提高尤為顯著，在用戶數(shù)相同情況下，S-CRP擁有更高的數(shù)據(jù)傳輸速率。同時(shí)，將分組用戶數(shù)量上限N_max由5提升至10可以進(jìn)一步提升兩種CRP算法的總體數(shù)據(jù)傳輸速率。這是由于隨著蜂窩內(nèi)D2D用戶數(shù)量增多，用戶通過D2D方式獲取數(shù)據(jù)的比例不斷提升，因而單位帶寬所能提供的數(shù)據(jù)傳輸能力也因此倍增，大幅提升了頻譜效率。而本文提出的S-CRP算法由于考慮了用戶間的興趣距離，參與D2D獲取數(shù)據(jù)的用戶數(shù)更多，因此倍增現(xiàn)象更加明顯。同時(shí)分組用戶數(shù)量上限N_max的提高允許更多的用戶參與到D2D通信中來，也將使數(shù)據(jù)傳輸速率得到提升。

    其次，組內(nèi)距離上限d_max也會對傳輸速率產(chǎn)生影響。如圖5，隨著d_max的增加，隨機(jī)算法的數(shù)據(jù)傳輸速率不斷下降，而傳統(tǒng)CRP算法和S-CRP算法的數(shù)據(jù)傳輸速率則在經(jīng)歷了快速上漲后慢慢回落，S-CRP算法總體優(yōu)于傳統(tǒng)CRP算法。這是由于傳統(tǒng)CRP和S-CRP算法在d_max增加初期，組內(nèi)共享D2D用戶數(shù)量增多導(dǎo)致總傳輸速率提升，然而隨著d_max的不斷上升，D2D用戶通信時(shí)過遠(yuǎn)的距離造成了信道質(zhì)量的下降，組長UE發(fā)送數(shù)據(jù)的速率變小，盡管此時(shí)組內(nèi)用戶數(shù)仍不斷增多，總傳輸速率依舊呈下降態(tài)勢。S-CRP算法由于考慮了社交屬性，組內(nèi)并發(fā)式多人D2D通信更多，因而總體表現(xiàn)優(yōu)于傳統(tǒng)CRP。而隨機(jī)算法由于無法分享多人D2D數(shù)據(jù)共享的紅利，同時(shí)d_max的增加造成數(shù)據(jù)傳輸速率下降，因而總傳輸速率持續(xù)下降。

    除上文提及的d_max和N_max之外，p(n，l)也是影響整體表現(xiàn)的因素之一，圖6展示了不同q₁、q₂和q₃取值時(shí)所需的信道數(shù)量，可以發(fā)現(xiàn)，隨著用戶數(shù)量的增多，所需信道的數(shù)量呈整體上升趨勢。在同等用戶數(shù)下，q₁、q₂和q₃取值更高的情況下明顯所需信道較少，這是由于信任度高的情況下，通過D2D轉(zhuǎn)發(fā)方式進(jìn)行共享的用戶數(shù)更多，因而無需頻繁地重復(fù)向BS申請數(shù)據(jù)。

4 結(jié)論

    本文提出了一種利用社交屬性的D2D分組轉(zhuǎn)發(fā)策略，該策略同時(shí)考慮了D2D分組方案，組長UE的選擇和D2D資源分配等問題。理論分析和仿真結(jié)果表明，該策略可以在考慮安全性的同時(shí)提升頻譜效率，減輕基站負(fù)載。同時(shí)，這也為利用社交屬性改善D2D通信表現(xiàn)提供了新的思路。

參考文獻(xiàn)

[1] 新華網(wǎng).CNNIC發(fā)布第38次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》[R].2016.

[2] ABETA S.Toward LTE commercial launch and future plan for LTE enhancements(LTE-Advanced)[C].Communication Systems(ICCS)，2010 IEEE International Conference on.IEEE，2010：146-150.

[3] ASADI A，MANCUSO V.WiFi Direct and LTE D2D in action[C].Wireless Days(WD)，2013 IFIP.IEEE，2013：1-8.

[4] ANDREEV S，PYATTAEV A，JOHNSSON K，et al.Cellular traffic offloading onto network-assisted device-to-device connections[J].IEEE Communications Magazine，2014，52(4)：20-31.

[5] LI Y，WU T，HUI P，et al.Social-aware D2D communications：qualitative insights and quantitative analysis[J].IEEE Communications Magazine，2014，52(6)：150-158.

[6] LI Y，SU S，CHEN S.Social-aware resource allocation for device-to-device communications underlaying cellular networks[J].IEEE Wireless Communications Letters，2015，4(3)：293-296.

[7] ZHANG G，YANG K，CHEN H H.Socially aware cluster formation and radio resource allocation in D2D networks[J].IEEE Wireless Communications，2016，23(4)：68-73.

[8] CAO Y，JIANG T，CHEN X，et al.Social-aware video multicast based on device-to-device communications[J].IEEE Transactions on Mobile Computing，2016，15(6)：1528-1539.

[9] ZHANG B，LI Y，JIN D，et al.Social-aware peer discovery for D2D communications underlaying cellular networks[J].IEEE Transactions on Wireless Communications，2015，14(5)：2426-2439.

[10] WANG L，ARANITI G，CAO C，et al.Device-to-device users clustering based on physical and social characteristics[J].International Journal of Distributed Sensor Networks，2015(1)：1-14.

[11] ZHANG Y，PAN E，SONG L，et al.Social network enhanced device-to-device communication underlaying cellular networks[C].Communications in China-Workshops(CIC/ICCC)，2013 IEEE/CIC International Conference on.IEEE，2013：182-186.

[12] WANG X，CHEN M，KWON T，et al.Mobile traffic offloading by exploiting social network services and leveraging opportunistic device-to-device sharing[J].IEEE Wireless Communications，2014，21(3)：28-36.

[13] HAN X，WANG L，CRESPI N，et al.Alike people, alike interests? Inferring interest similarity in online social networks[J].Decision Support Systems，2015，69：92-106.