How to design proper content placement strategies is one of the major areas of interest in cache-enabled cellular networks. In this paper, we study the probabilistic content placement optimization of base station (BS) caching with cooperative transmission in the downlink of cellular networks. With placement probability vector being the design parameter, non-coherent joint transmission (NC-JT) and coherent joint transmission (C-JT) schemes are investigated according to whether channel state information (CSI) is available. Using stochastic geometry, we derive an integral expression for the successful transmission probability (STP) in NC-JT scheme, and present an upper bound and a tight approximation for the STP of the C-JT scheme. Next, we maximize the STP in NC-JT and the approximation of STP in C-JT by optimizing the placement probability vector, respectively. An algorithm is proposed and applied to both optimization problems. By utilizing some properties of the STP, we obtain globally optimal solutions in certain cases. Moreover, locally optimal solutions in general cases are obtained by using the interior point method. Finally, numerical results show the optimized placement strategy achieves significant gains in STP over several comparative baselines both in NC-JT and C-JT. The optimal STP in C-JT outperforms the one in NC-JT, indicating the benefits of knowing CSI in cooperative transmission.


翻译:如何设计适当的内容配置策略是缓冲型蜂窝网络的主要关注领域之一。在本文件中,我们研究了基站(BS)的概率性内容配置优化与细胞网络下行链中合作传输的连接。由于放置概率矢量是设计参数,因此根据是否有频道国家信息(CSI)来调查如何设计适当的内容配置策略和协调一致的联合传输(C-JT)计划。我们使用随机地貌测量,为NC-JT计划的成功传输概率(STP)提供了一种整体的表达,并为C-JT计划的安全定位提供了一种上限和紧凑的近似值。接下来,我们通过优化放置概率矢量设定,使NC-JT的STP实现最大程度,并优化C-J的近似度。通过利用STP的某些特性,我们在某些案例中获得了全球最佳的合作解决方案。此外,通过使用内部点方法,我们获得了一般情况下的当地最佳解决方案。最后,数字结果显示,NT-JT的优化定位战略在STP中实现了最佳的C-J格式。

0
下载
关闭预览

相关内容

自动结构变分推理,Automatic structured variational inference
专知会员服务
38+阅读 · 2020年2月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
19篇ICML2019论文摘录选读!
专知
28+阅读 · 2019年4月28日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
老铁,邀请你来免费学习人工智能!!!
量化投资与机器学习
4+阅读 · 2017年11月14日
可解释的CNN
CreateAMind
17+阅读 · 2017年10月5日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Arxiv
0+阅读 · 2021年3月17日
VIP会员
相关VIP内容
自动结构变分推理,Automatic structured variational inference
专知会员服务
38+阅读 · 2020年2月10日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
Top
微信扫码咨询专知VIP会员