基于社交意識和支付激勵的D2D協作傳輸策略

摘 要：在D2D協作傳輸場景下，傳統的協作方案忽略了節點的自私性及在每個時間點個性化需求的差異性，導致D2D用戶配對成功率較低。為了解決上述問題，提出一種基于社交意識和支付激勵的D2D協作傳輸策略。具體地，首先利用物理層終端用戶間相遇的歷史信息，計算不同時刻用戶間的社會關系強度；接著通過節點屬性、節點對內容興趣度計算出內容對節點的重要程度；其次該方案采用熵定義用戶服務屬性等級，根據節點對內容的不同服務屬性等級對不同服務主體進行區別定價，以激勵自私節點參與協作；然后用以上因素來構造效用函數，使系統總效用最大化；最后采用模擬退火算法求解從而得到一個穩定的協作傳輸策略。仿真結果表明，所提策略可滿足不同時間段終端個性化需求，有效提高用戶滿意度和吞吐量。

關鍵詞：D2D通信；用戶協作；社會關系

中圖分類號：TN929.5 文獻標志碼：A

文章編號：1001-3695（2023）06-032-1801-05

doi：10.19734/j.issn.1001-3695.2022.10.0520

D2D cooperative transmission strategy based on social awareness and payment incentive

Pan Jia Yu Xiulan

（School of Communication amp; Information Engineering，Chongqing University of Posts amp; Telecommunications，Chongqing 400065，China）

Abstract：In the D2D cooperative transmission scenario，the traditional cooperation scheme ignores the selfishness of nodes and the difference of personalized requirements at each time point，resulting in a low success rate of D2D user pairing.To solve the above problems，this paper proposed a D2D collaborative transmission strategy based on social awareness and payment incentives.Specifically，it used the historical information of physical end users encounter to calculate the social relationship strength between users at different times.Then it calculated the importance of the content to the node through the node attri-butes and the node’s interest in the content.Secondly，this scheme used entropy to define user service attribute levels，and differentiated pricing for different service subjects according to different service attribute levels of nodes to content，so as to encourage selfish nodes to participate in collaboration.Then it used the above factors to construct the utility function to maximize the total utility of the system.Finally it used the simulated annealing algorithm to solve it to obtain a stable cooperative transmission strategy.The simulation results show that the proposed strategy can meet the personalized needs of terminals in different time periods，and effectively improve user satisfaction and throughput.

Key words：device-to-device（D2D） communication； user cooperation；social relationship

0 引言

隨著社交網絡、智能便攜設備的普及，人們對感興趣事物的通信需求逐漸增加。為了更好地滿足人們多樣化的通信需求，設備到設備（D2D）通信技術應運而生。通過D2D通信，用戶可以直接從鄰近用戶獲取所需內容，可有效降低網絡負荷、增加吞吐量［1］、降低時延［2］、減少能耗［3］。

在D2D協作傳輸的場景中，由于終端用戶的自私性，導致D2D用戶匹配成功率低。一般來說用戶的自私行為有主觀原因和客觀原因。主觀原因包括用戶間的社會關系、信任度、活躍度等原因。客觀原因包括用戶的能量有限［4］、個人利益等原因。

由于用戶自私行為中主觀社交意識的存在，使得在D2D通信中用戶會傾向于和關系用戶建立協作，所以考慮社交意識有助于促進用戶進行協作。例如，文獻［5］用設備之間的接觸歷史記錄來量化社交親密度，利用親密度篩選潛在的合作設備，使社會物理效用最大化，從而設計算法找到最優的D2D作為友好干擾節點。Zhao等人［6］針對物聯網中D2D內容共享場景，基于用戶興趣相似度、移動性、社會關系，設計了一種針對D2D協作通信的移動感知緩存策略，有效提升了通信效率與穩定性。文獻［7］同時考慮了社交信息和物理信息，提出了一種使內容請求能耗最小的組播方案，提高蜂窩網絡內容傳遞的平均能源效率。

此外，用戶自私行為中的客觀因素也會對用戶協作產生影響。例如，Zhang等人［8］提出了基于合同理論的激勵機制，讓基站根據發送端所消耗的能量和服務質量為其提供獎勵。通過為不同的用戶制定不同的合同來達到激勵性。文獻［9］針對內容共享的場景，基于合同理論，同時激勵內容持有者和中繼用戶參與通信，提高了用戶參與度。針對D2D內容緩存空間有限以及用戶偏好的不確定性，文獻［10］采用支持向量機對內容流行度進行預測，以確定哪些內容需要緩存以及緩存位置，提高了整體緩存命中率。針對資源受限的移動設備的D2D任務卸載問題，文獻［11］提出了基于定價的計算卸載方案，有效地提高了資源需求者和資源提供者的效用。然而考慮主觀因素或客觀因素的方案，它們忽略了用戶在傳輸內容中用戶間動態的社會關系和用戶對不同內容類型需求差異性，因此性能有待優化。

針對上述問題，提出一種基于社交意識和支付激勵的D2D協作傳輸策略。滿足用戶內容需求的條件下，求解不同時刻用戶內容傳輸的最優方案。首先基于用戶某段時間的接觸規律、分組情況構建一種正余弦函數度量用戶間的社會關系強度。其次為了進一步區分用戶對內容服務屬性的差異性，用信息熵對用戶劃分等級。然后通過節點屬性、節點對內容興趣度計算出內容對節點的重要程度。最后，構建融合社交意識、內容重要程度、用戶對內容服務屬性等級劃分的效用函數，并使用模擬退火算法求解最大化系統效益的優化問題，以獲得不同時刻最優D2D傳輸方案。通過仿真發現，本文提出的用戶協作方案能夠有效地提高D2D用戶匹配率和系統總效益，減少成本損失。此外，該方案還適用于滿足用戶不同時刻內容傳輸的最優方案的選取。

1 系統模型

據此，針對在D2D與社交網絡的雙層網絡中，節點自私性導致D2D用戶匹配成功率低的問題，將考慮用戶社會意識與支付激勵來促進節點間協作。具體地，在該系統模型中，每個用戶既是內容持有者，又是請求者。用戶間可以相互協作傳輸內容。節點間建立D2D鏈接進行內容傳輸，一旦用戶成功接收到內容，其余設備不再向其傳輸內容，即一個用戶僅能進行一次匹配。當空閑用戶收到請求用戶請求時，系統會根據節點間的歷史相遇信息通過正余弦方法確定用戶間的社會關系強度。在社會關系強度確定了之后，系統根據節點屬性、節點對內容興趣確定內容對節點的重要程度。其次，根據服務屬性等級不同定價區分服務主體。然后，系統根據算出的社會關系強度、內容重要程度、服務屬性等級得出兩個用戶間的效用值。最后，得到所有用戶的效用值之后，系統采用SA算法求解最優的匹配對，以達到最佳的系統效益。

1.1 基于正余弦函數的用戶社會關系度量方法

1.2 基于節點屬性與內容興趣的用戶間內容重要程度

用戶對不同內容的興趣度是隨時間變化的。節點在某個時刻對內容感興趣，在之后的某個時刻對該內容感興趣程度下降，因此該用戶持有這類內容的概率低，且與其他用戶相互分享內容的概率越小。因此用戶間內容重要程度也會影響節點間傳輸內容。

1.3 基于信息熵的用戶等級劃分

2 基于激勵機制的用戶協作方案

對用戶進行匹配，使D2D用戶參與到協作中。本文作如下假設：a）用戶間傳輸內容只能單播且每個內容的傳播可在一個時隙內完成；b）內容持有者在選擇內容請求者時，不僅需要考慮用戶在群組中滿足用戶需求內容和吞吐量所帶來的收益，還需要考慮用戶間傳輸內容的代價。

2.1 構建效用函數

2.2 最大化系統效益問題

考慮滿足配對過程中參數的約束條件，構建整個系統效用最大化的問題，從而找到不同時間段的D2D協作傳輸的最優策略，該問題轉換為求解不同時間段的最大系統效益問題。

3 實驗結果和分析

本文基于Python語言進行仿真分析。仿真場景為500×500 m的正方形區域。在仿真參數設計中，D2D最大通信范圍為75 m；用戶配對過程中，請求用戶只能選擇一個持有內容的用戶進行配對。用戶內容服從Zipf分布。具體的其他參數設定見表2。

針對D2D協作傳輸，D2D對匹配成功率和系統總效益成為衡量D2D內容協作傳輸的重要指標［14］。在D2D通信范圍內，請求用戶的請求內容恰好被持有內容的用戶擁有就表示D2D對匹配成功。系統總效益是對群組中所有D2D對的效益累加。首先檢驗了用戶數量、內容類別數量、興趣點數量這些因素對D2D 匹配成功率的影響，分別見圖3～5。

圖3是D2D對匹配成功率隨用戶數量變化的仿真結果。本文算法與隨機鄰居匹配、GS匹配［15］、合同理論算法［16］、博弈算法［17］進行了對比。其中匹配成功率由小到大的算法依次為隨機鄰居匹配算法、GS匹配算法、合同理論匹配算法、博弈算法、本文算法。隨機鄰居匹配由于隨機選擇的原因，導致滿足約束條件的D2D對較少。GS匹配算法僅考慮了用戶親密度進行D2D對匹配。合同理論匹配算法僅從傳輸速率、能量消耗等物理角度構建了D2D對間的效益函數，但并沒有考慮用戶的自私性。博弈算法考慮了用戶對內容的興趣度、用戶能量及緩沖的影響，但是并沒有考慮用戶間的社會關系強度。本文算法從用戶間動態的社會關系、用戶對內容的差異性等構建D2D對間的效益函數，針對不同服務質量區別定價不同服務主體來激勵自私節點參與協作，因此性能達到最佳。

圖4是D2D對匹配成功率隨內容類別數量變化的仿真結果。隨著內容類別數量的增加，五種算法的D2D對匹配成功率都呈下降趨勢。這是因為內容分的類別數量越多，則用戶匹配成功率越低。系統對于用戶內容的分類數量越多時，內容被分到更小粒度，用戶匹配到請求內容的概率降低，因此匹配成功率降低。本文算法由于考慮了用戶對不同類型內容的興趣度，所以匹配成功率最高。

圖5討論了興趣點數量對D2D對匹配成功率的影響。圖中可以看出隨著用戶興趣點數量的增加，D2D對匹配成功率也隨著增加，且本文的D2D匹配成功率是最高的。這是因為當用戶興趣點增加時，D2D用戶有更大的幾率與其他用戶配對。即興趣點數量越多，則選擇符合約束條件的D2D用戶配對幾率越大。本文由于考慮了內容對節點的重要程度，所以可以提高D2D匹配的成功率。

針對組合優化問題的求解已經有很多算法被提出，其中被廣泛應用的有遺傳算法、模擬退火算法、蟻群算法三種。由于三個算法主要偏向于解決TSP，而TSP是針對于無向圖的最短遍歷路徑。所以對算法作了如下修改以解決D2D協作傳輸方案中的系統總效益最大化求解問題。a）將用戶間的效益值的負值看做節點間的路徑長度，這樣就可轉換為求解最短路徑的TSP；b）在計算總路徑時，只計算間隔路徑，這樣求解即為匹配一次的D2D對。本文最終采用模擬退火算法進行求解。為證明所選算法的優越性，對三種算法進行了比較，如圖6、7所示，分別為30和50時刻使用三種算法求解最佳系統效益的訓練過程曲線。

本文的優化問題是尋找最大化系統效益的用戶間傳輸內容的方案，尋找一種全局最優解。如圖6、7所示，隨著迭代次數的增加，算法最終會收斂。對比遺傳算法、模擬退火算法、蟻群算法可以看出，模擬退火算法求解的最優系統效益最高。蟻群算法的收斂速度慢，且更容易陷入局部解。遺傳算法的編程實現比較復雜，且易受到參數選擇的影響。模擬退火算法計算過程簡單，迭代搜索效率高，并且可以并行化，因此本文選取模擬退火算法求解此優化問題。此外，本文可以計算任意時間點的系統最優效益，圖6、7僅是列舉的兩個時刻。最終，可以得出在30和50時刻的系統最優的總效益分別為1 808 835.97、2 155 386.88。

最后，為了證明本文提出的協作傳輸策略的有效性，對比了不同匹配算法在兩個時刻求解的最佳系統效益值，見表3。從表3中可以看到，提出方法在求解相同時刻的最佳系統效益證明了提出策略的有效性，可以獲得最佳系統效益的最優值。

4 結束語

本文提出了一個具有社交意識和支付激勵的D2D協作傳輸策略，可在不同的時間網絡給用戶提供最佳的傳輸策略。提出方法將動態社會關系和不同內容類型需求差異性融入支付激勵中，構建了滿足用戶滿意度和成本的效用函數的優化問題，并使用模擬退火算法進行求解，仿真結果表明，提出策略可以有效地提高D2D用戶匹配率和系統總效益，減少了成本損失。

參考文獻：

［1］Zhang Zufan，Zeng Tian，Yu Xiulan，et al.Social-aware D2D pairing for cooperative video transmission using matching theory［J］.Mobile Networks and Applications，2018，23（3）：639-649.

［2］蔡艷，吳凡，朱洪波.D2D 協作邊緣緩存系統中基于傳輸時延的緩存策略［J］.通信學報，2021，42（3）：183-189.（Cai Yan，Wu Fan，Zhu Hongbo.Cache strategy based on transmission delay in D2D cooperative edge caching system［J］.Journal on Communication，2021，42（3）：183-189.）

［3］Moghaddas-Gholian N，Solouk V，Kalbkhani H.Relay selection and power allocation for energy-load efficient network-coded cooperative unicast D2D communications［J］.Peer-to-Peer Networking and Applications，2022，15（2）：1281-1293.

［4］李婕，洪韜，王興偉，等.機會移動社交網絡中基于群組構造的數據分發機制［J］.計算機研究與發展，2019，56（11）：2494-2505.（Li Jie，Hong Tao，Wang Xingwei，et al.Data distribution mechanism based on group construction in opportunistic mobile social networks［J］.Journal of Computer Research and Development，2019，56（11）：2494-2505.）

［5］Huo Yan，Fan Jingjing，Wen Yingkun，et al.A cross-layer cooperative jamming scheme for social Internet of Things［J］.Tsinghua Science and Technology，2021，26（4）：523-535.

［6］Zhao Xu，Zhu Qi.Mobility-aware and interest-predicted caching strategy based on IoT data freshness in D2D networks［J］.IEEE Internet of Things Journal，2020，8（7）：6024-6038.

［7］Xu Yanli，Ma Guiyang，Wu Ping.Towards efficient device-to-device multicast content delivery with social awareness［J］.Pervasive and Mobile Computing，2022，83：101592.

［8］Zhang Yanru，Song Lingyang，Saad W，et al.Contract-based incentive mechanisms for device-to-device communications in cellular networks［J］.IEEE Journal on Selected Areas in Communications，2015，33（10）：2144-2155.

［9］Seifhashemi F，Ghahfarokhi B S，Moghim N.Mobility-aware incentive mechanism for relaying D2D communications［J］.Computer Communications，2022，194：361-377.

［10］Ahmad F，Ahmad A，Hussain I，et al.Proactive caching in D2D assisted multitier cellular network［J］.Sensors，2022，22（14）：5078.

［11］Zhang Kaiyuan，Gui Xiaolin，Ren Dewang，et al.Optimal pricing-based computation offloading and resource allocation for blockchain-enabled beyond 5G networks［J］.Computer Networks，2022，203：108674.

［12］Zhang Qi，Zhang Zufan，Yang Maobin，et al.Exploring coevolution of emotional contagion and behavior for microblog sentiment analysis：a deep learning architecture［J］.Complexity，2021，2021：6630811.

［13］Zhang Bentao，Li Yong，Jin Depeng，et al.Social-aware peer discovery for D2D communications underlaying cellular networks［J］.IEEE Trans on Wireless Communications，2014，14（5）：2426-2439.

［14］Xu Qiang，Wang Xiaoxiang，Wang Dongyu.Joint social，energy and buffer to select relay in relay-aided D2D communications［C］//Proc of the 5th International Conference on Systems and Informatics.Pisca-taway，NJ：IEEE Press，2018：774-779.

［15］Gale D，Shapley L S.College admissions and the stability of marriage［J］.The American Mathematical Monthly，1962，69（1）：9-15.

［16］周進，張陸洋，楊鵬.基于合同理論的 D2D 數據協作轉發機制［J］.電信科學，2018，34（10）：18-26.（Zhou Jin，Zhang Luyang，Yang Peng.D2D data collaborative forwarding mechanism based on contract theory［J］.Telecommunications Science，2018，34（10）：18-26.）

［17］鄒虹，萬彬，吳大鵬.帶有協作意愿感知的邊緣協作中繼機制［J］.系統工程與電子技術，2020，42（5）：1173-1181.（Zou Hong，Wan Bin，Wu Dapeng.Edge collaborative relay mechanism with collaborative willing perception［J］.Systems Engineering and Electronic Technology，2020，42（5）：1173-1181.）