基于深度强化学习的D2D通信缓存策略与内容分发优化设计_通信与信号处理.docxVIP

PAGE2

基于深度强化学习的D2D通信缓存策略与内容分发优化设计

第一章绪论

1.1研究背景

随着移动互联网与智能终端的深度普及，全球移动数据流量呈现指数级增长态势。高清视频、虚拟现实、增强现实等大带宽、低时延业务的爆发式涌现，对传统蜂窝网络架构造成了前所未有的承载压力。频谱资源的稀缺性与用户对服务质量日益严苛的要求之间，形成了尖锐的供需矛盾。

在传统集中式网络架构下，所有内容请求均需经由核心网回源获取，这不仅导致回程链路负载沉重、端到端时延居高不下，还使得网络边缘的通信与存储资源处于闲置浪费状态。尤其在热点区域与高峰时段，基站拥塞、用户体验急剧劣化的问题尤为突出。

边缘缓存技术通过将热门内容下沉至网络边缘节点，使用户能够就近获取所需数据，从而有效缓解回程压力、降低传输时延。然而，静态的缓存放置策略难以适应高度动态的无线信道环境与用户请求模式，缓存命中率的提升遭遇瓶颈。

设备到设备（Device-to-Device,D2D）通信技术允许邻近终端直接进行数据交换，无需基站中转。将D2D通信与边缘缓存相结合，可以构建终端间的内容共享网络，进一步卸载基站负载、提升频谱效率。但D2D链路的间歇性、终端移动性以及内容流行度的时变性，使得缓存内容的优化放置与分发调度成为一个高维、非凸的复杂决策问题。

现有研究多采用基于规则或传统优化理论的方法，在动态环境下的自适应能力不足，难以实