基于QoE的無人機網絡部署和緩存策略優化方法

摘要：為了最大限度提升用戶的體驗質量，設計了一個使用支持緩存的無人機進行輔助通信的蜂窩網絡模型。該模型使用無人機通信和邊緣緩存相結合的方式來進行流量卸載，通過聯合優化無人機部署，緩存放置和用戶關聯以實現用戶QoE的最大化，并使用平均意見得分來對其進行評估。基于問題定義，提出了一個無人機部署、緩存放置和用戶關聯的聯合優化算法，以最大化MOS。該聯合算法使用K-means聚類算法為用戶創建基于用戶位置的無人機部署集群，使用基于罰函數的凸優化算法以獲得緩存放置策略，使用貪心算法以獲得對用戶的關聯策略。多次仿真實驗驗證了所提出算法的有效性和可行性。實驗結果表明，與三種基準算法相比，所提出的聯合優化算法在MOS、回程流量卸載率和內容訪問時延三方面均具有更好的性能。

關鍵詞：邊緣緩存；無人機部署；緩存放置；用戶關聯；K-means聚類算法；凸優化算法；貪心算法

中圖分類號：TP393.0

文獻標志碼：A

文章編號：1001-3695（2023）05-029-1473-07

0引言

近年來，無線通信技術的快速發展使得人們對于日常生活中通信質量的要求日益增加。然而，無線網絡中地面宏基站（macrobasestation，MBS）的部署成本過于高昂，且在一些特殊場景如通信高峰時段等會出現無法及時提供通信服務等問題。因此，將無人機（unmannedaerialvehicle，UAV）部署為空中基站（aerialbasestation，ABS）對傳統蜂窩網絡進行輔助通信［1］，已經成為一種較為普遍的通信手段。當傳統蜂窩網絡基站的覆蓋范圍、通信資源等不能滿足用戶通信需求時，就可以借助無人機來對熱點區域進行覆蓋和業務分流。由于無人機具有機動性高且價格較為低廉等特點，使得其在許多行業中均得到了十分廣泛的應用。無人機通信的應用場景主要包括對熱點區域進行高速覆蓋、信息傳輸、應急通信等［2］。在未來的移動網絡中，移動用戶請求的數據流量還將急劇增加。據愛立信2022年6月的移動市場報告，到2021年底，全球移動數據流量為每月67EB，且未來五年將會增長4.2倍，達到每月約282EB［3］。由于一些熱門內容通常會被重復進行下載，故流量的增加大部分都是內容分發所產生的。為了減輕以內容為中心的蜂窩網絡的網絡流量負載，通常會采用邊緣內容緩存技術［4］。流行內容被放置在靠近用戶的基站［5］和用戶終端［6］處，以減少用戶獲取內容的時延和回程鏈路的負載。為了滿足多媒體內容分發的數據量的需求，并緩解蜂窩網絡中地面宏基站的流量壓力，可以在一些熱點區域的高峰時段部署支持緩存的無人機進行流量卸載［7～11］。這同時也為高數據率、低延遲的內容分發應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通信系統中的一些典型問題，如無人機部署、用戶關聯、計算卸載、無人機移動軌跡、資源分配等。文獻［12～16］在不同場景中針對有關無人機部署的問題進行了研究。Fan等人［12］提出了流量負載平衡問題，設計了一種啟發式算法來部署無人機，并提出了一種用戶關聯算法來迭代地將用戶分配給最佳無人機基站。Wang等人［13］研究了無人機輔助蜂窩網絡中的上行鏈路傳輸，其目的是通過設計適當的無人機部署和關聯方案，最大限度地降低用戶和無人機的發射功耗。劉漳輝等人［14］研究了通過聯合優化無人機部署與計算卸載策略，以實現平均任務響應時間的最小化。Zhong等人［15］研究了將無人機作為通信中繼的最優部署布局，以最大限度地提高中繼網絡的容量。Wang等人［16］提出了一種無人機輔助通信網絡的自適應部署方案，其中無人機調整其位移方向和距離，以服務于目標小區中隨機移動的用戶的瞬時流量。為了提高無人機輔助蜂窩網絡中的網絡性能，文獻［17～22］在資源分配、無人機移動軌跡等方面進行了一些研究。Zhu等人［17］提出了一種新的深度強化學習技術，該技術可以有效地學習無人機軌跡策略，從而最大限度地降低能耗。Gao等人［18］提出了空地集成移動云計算中的一種節能資源分配方案。Sun等人［19］研究了三維無人機軌跡和無線資源分配的聯合設計，以在給定時間段內最大化系統總吞吐量。Wang等人［20］提出了一個深度學習框架，用于動態優化無人機的位置和關聯，以降低其發射功耗。Wu等人［21］研究了無人機移動軌跡和通信設計的聯合優化問題，以最大限度地提高最小吞吐量。屈毓錛等人［22］研究了通過聯合優化無人機和地面基站的服務布置、無人機航跡、任務卸載和計算資源分配，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蜂窩網絡的研究熱點之一。邊緣緩存通?？梢耘c無人機通信進行結合，其目的主要是在無人機上緩存與其相關聯用戶所請求的存放在基站中的熱門內容，以便可以在本地緩存中提供請求最頻繁的內容，而不是通過帶寬有限的無線回程鏈路轉發用戶請求。一些工作針對邊緣緩存與無人機通信的結合進行了研究。Chen等人［7］研究了如何根據內容請求分布來預測緩存放置，并通過緩存空間分配和資源分配來對其進行優化。為了最大化系統吞吐量，Jiang等人［8］使用基于枚舉搜索方法優化了無人機的2D位置，并使用了已知內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網絡來預測每個用戶的內容偏好和移動性模式，并根據預測確定了無人機部署和內容緩存，以最大程度地減少無人機的功耗。此外，體驗質量（qualityofexperience，QoE）是用戶對媒體體驗的一種主觀評估指標，它通常被用于評估移動網絡的性能［1］。為了滿足視頻應用對數據傳輸的高標準要求，就需要保證具有一定的用戶QoE。在文獻［1，10，11，18］中，用戶的QoE被用來作為評估網絡性能的一個重要指標。Zhang等人［1］提出了一種基于交換匹配的無人機部署算法，具有多個候選無人機位置，并設計了一種接近最優的緩存策略，以提高用戶的QoE。Zhao等人［10］研究了無人機分布式緩存策略并提高了用戶的QoE。Fang等人［11］對緩存放置和無人機部署進行了聯合優化，以最大限度地提高用戶的QoE。Gao等人［18］提出的節能資源分配方案具有QoE增強能力。

本文主要研究了在支持無人機進行輔助通信的蜂窩網絡中用于內容分發的最大用戶平均QoE。通過引入邊緣緩存技術來緩存地面宏基站中的熱門內容，以顯著提高用戶的QoE并減輕核心網絡的流量負載。在本文中將QoE作為優化目標，并考慮了一個部署多個固定無人機進行輔助通信的蜂窩網絡應用場景。在支持緩存的無人機系統中，需要對三個關鍵問題進行改進，以提高用戶的QoE，即無人機部署、緩存放置和用戶關聯。其中，由于無人機與用戶之間的相對位置會影響內容分發的傳輸速率進而影響內容訪問時延，故通過對無人機部署位置進行優化將可以顯著提高用戶QoE。對于緩存放置問題，若用戶所請求的內容未被緩存在與其相關聯的無人機上時，則該無人機需要通過無線回程鏈路從地面宏基站中獲取該內容并進行緩存。因此，緩存放置策略對用戶的內容訪問時延同樣至關重要。本文總結了上述相關工作，其中有幾項工作側重于無人機部署和緩存放置。然而，很少有論文考慮無人機部署和緩存放置的聯合優化。同時，由于無人機部署和緩存放置的網絡性能受到用戶關聯的影響，所以用戶關聯也是影響網絡中給定信道帶寬和發射功率分配的用戶QoE的一個重要因素，而無人機輔助蜂窩網絡中的大多數工作都忽略了用戶關聯的優化?；诖耍疚难芯苛藷o人機部署、緩存放置和用戶關聯的聯合優化，以獲得最大的QoE。本文的主要貢獻總結如下：

a）以最大化用戶的QoE為優化目標，設計了一個支持緩存的無人機輔助蜂窩網絡模型，并使用平均意見分數（meanopinionscore，MOS）來評估用戶的QoE。

b）提出了一個聯合無人機部署、緩存放置和用戶關聯的優化問題，以最大限度地提高網絡中用戶的QoE。由于該優化問題是一個0-1整數規劃問題，同時，也是一個NP難問題，很難直接進行求解。將該優化問題分為三個子問題，并使用三種算法進行聯合優化。通過K-means算法來實現無人機部署位置優化。接著，使用基于罰函數法的凸優化算法來實現緩存放置策略的優化。然后，通過貪心算法來實現用戶關聯的優化。最后，將上述三種算法總結為一種聯合優化算法。與現有研究相比，本文算法具有更大的搜索空間。

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

1系統模型

本文主要研究了一個使用支持緩存的無人機來進行輔助通信的蜂窩網絡模型。如圖1所示，該模型存在一個地面宏基站及多個輔助的無人機空中基站。將通信熱點區域記為N，無人機集合記為U={1，2，3，…，U}，處于該場景中的用戶集合記為K={1，2，3，…，K}。

若該區域處于通信高峰時期（如舉辦大型賽事或演出），將會有大量用戶同時向宏基站請求所需內容。由于宏基站的資源有限，大量請求涌入宏基站將有很大概率使其過載并造成通信擁塞，從而使得區域內的用戶長時間處于惡劣的通信環境之中，對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容緩存的無人機來進行輔助通信。在本文模型中，無人機主要充當通信中繼，避免用戶直接與宏基站進行通信。由于無人機需要使用電池來為其提供能量，故只在通信高峰時期使用無人機來進行輔助通信。當電量耗盡時，可以為無人機進行充電，同時使用新的無人機來進行替代。無人機主要是用來存放用戶所需的各種基于流行度的多媒體內容文件副本。假定該無人機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前用戶所請求的所有內容種類。假定每臺無人機的容量為Hbit，每個文件大小為lbit，則每臺無人機可以存放H/l個文件。在非高峰時段，無人機可以主動從宏基站中緩存一些流行的內容副本。無人機與宏基站的通信主要通過無線回程鏈路進行，假定無線接入網絡的下行鏈路帶寬為DHz，回程鏈路帶寬為BhHz。無人機u的部署位置為vu={xu，yu，h}，則該無人機與用戶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請求內容文件c，否則rk，c=0。使用0-1變量pu，c=1來表示內容文件c存放在無人機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u相關聯，否則au，k=0。表1總結了本文中使用的主要符號和變量。

3仿真實驗

3.1實驗參數設置

在本文模擬的實驗環境中，共有K個用戶隨機分布在400m×400m的實驗熱點區域N內，地面宏基站部署在距離實驗區域1km的地方。無人機的高度設置為45～60m，內容文件C的流行度服從Zipf分布，并按照流行度進行降序排序。無人機與用戶及無人機與地面宏基站的其他參數設置基于3GPP［23］。表2給出了詳細的參數設置。

3.2對比算法及性能指標設置

基于這些參數，為了驗證本文算法的先進性和可行性，通過改寫文獻［31］中所提的無人機部署與緩存放置聯合優化算法，使其適應本文模型（下文稱為改寫算法1），并將其和經典算法以及隨機算法這三種算法作為本文實驗的基準算法來進行比較。其中，改寫算法1主要是：無人機部署算法采用基于候選位置的一對一交換匹配算法，緩存放置使用貪心算法。由于文獻［31］所提算法未提及用戶關聯算法，通過考慮無人機的實際使用，本文使用貪心算法來進行就近用戶關聯。經典算法主要是：無人機部署算法是在實驗區域內依照均勻分布來部署無人機，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上，即最大流行度緩存（max-popularcaching，MPC）算法，用戶關聯算法是用戶選擇擁有最大SINR的無人機進行關聯，即最大C/I調度算法。隨機算法是無人機部署位置，緩存放置策略和用戶關聯均服從隨機分布。本文主要從兩方面來證明所提出算法的先進性、可行性和有效性，分別是用戶的平均MOS和無人機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仿真結果

首先，本文在基于用戶平均MOS這一性能指標的小規模實驗中，證明了本文算法的有效性。在該實驗中，用戶數量設置為30，無人機緩存容量為50Mbit，Zipf參數α設置為0.5，此外，為了驗證本文在緩存放置子問題中所提出的凸優化算法的有效性，及其在整個算法中的重要性，還對本文算法進行了改寫（下文稱為改寫算法2），并將其作為一種對比算法加入該實驗中。實驗結果如圖2所示。

該實驗的仿真結果表明，在小規模網絡中，本文算法的系統性能方面明顯優于改寫算法2、改寫算法1、經典算法以及隨機算法。通過與本文算法改寫后的算法以及經典算法進行對比，可以明顯地看出本文算法在分別對三個子問題進行優化之后，均可以給用戶平均MOS帶來一定的提升。其中，基于罰函數的緩存放置凸優化算法所帶來的提升相比另外兩個子問題的優化算法更為明顯。這一結果驗證了本文在緩存放置問題中所提出的凸優化算法的有效性，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問題更大的性能提升。此外，由于改寫算法1中的無人機部署算法是基于多個已知候選位置的，這將導致優化結果產生一定程度的誤差。而本文算法是基于聚類的，搜索空間更大，會在無人機部署位置上更貼近最優部署位置，故本文算法相比該算法具備一定的優勢，上述實驗結果以及后續的多個實驗也都驗證了這一結論。

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性和可行性。本文將用戶數量K固定為100，然后將每個無人機的緩存容量大小H設定在60～140Mbit，Zipf參數α分別設置為0.6和1。實驗結果如圖3和4所示。

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

最后，在另一個實驗場景中同樣驗證了本文算法的先進性和可行性。在該實驗場景中，將無人機的緩存容量大小H固定為100Mbit，用戶數量從40變化至120，其余參數不變。該實驗仿真結果如圖5和6所示。

從該實驗的仿真結果來看，本文算法相比于經典算法和隨機算法的系統性能指標都有了顯著的提升，并且優于改寫算法1。顯然，隨著用戶數量的不斷增多，上述四種算法的系統性能都會出現一定程度的下降。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典算法。這一結果表明了在本文算法中提出的緩存放置的必要性和優勢。本文算法在用戶數為40時，Zipf參數α的取值幾乎不會影響用戶的平均MOS。對于隨機算法，無論Zipf參數α是1還是0.6，該算法的用戶平均MOS在用戶數量增加的情況下的實驗數值都基本相同。在圖6中，由于α=1時，用戶的請求傾向于最流行的文件，所以本文算法和經典算法的無人機平均回程流量卸載率的下降速度會比α=0.6時慢。此外，隨機算法的無人機平均回程流量卸載率在用戶數量增加的情況下幾乎沒有變化。

4結束語

本文主要研究了在使用支持緩存的無人機進行輔助通信的蜂窩網絡中的一個基于無人機部署、緩存放置和用戶關聯的聯合優化問題。本文提出了一種聯合優化算法，通過仿真結果驗證了該算法的系統性能，同時也驗證了該算法的可行性和有效性。從仿真結果來看，好的緩存放置算法可以極大地提高系統性能，這也證實了邊緣緩存所具有的優勢。在設計無人機輔助蜂窩網絡時，無人機布局和資源分配對于為用戶提供良好的信道條件至關重要。

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，本文算法在執行時間上略顯不足。在未來的工作中，筆者將考慮對所提算法進行進一步改進，并在此基礎上考慮無人機的動態應用。

參考文獻：

[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，FangXinyuan，LiuYuanwei，etal.Content-centricmobileedgecaching［J］.IEEEAccess，2019，8：11722-11731.

［6]ZhangTiankui，FangXinyuan，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，FanLisheng，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，張建山，等.多無人機使能移動邊緣計算系統中的計算卸載與部署優化［J］.計算機科學，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.面向空地協同移動邊緣計算的服務布置策略［J］.計算機學報，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，FanLi，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，FengChunyan，ZhangTiankui，etal.QoEbasednetworkdeploymentandcachingplacementforcache-enablingUAVnetworks［C］//ProcofIEEEInternationalConferenceonCommunications.Piscataway，NJ：IEEEPress，2020：1-6.