0 引言

中国互联网络信息中心(CNNIC)在京发布的第38次《中国互联网络发展状况统计报告》显示，截至到2016年，中国互联网用户数量达7.10亿，网络普及率达51.7%，以3.1%的优势超过全球平均水平。得利于移动通信网络环境的不断发展完善以及智能手机的大规模普及，移动互联网应用逐渐地渗透到用户各类生活需求中，因而进一步使得手机上网频率不断增长^[1]。一方面，用户在短时间内对热点内容进行重复申请造成大量冗余，另一方面，无线资源又日益紧缺，基站负载压力越来越大。为解决上述的容量瓶颈问题，D2D(Device-to-Device)通信技术作为一种极具潜力的新方法受到了各界的广泛关注^[2-3]。不同于传统的蜂窝用户设备(Cell User Equipment，CUE)严重依赖于基站进行数据传输与控制，D2D技术允许用户仅依赖基站进行控制信息的处理，而数据则通过D2D用户设备(D2D User Equipment，DUE)直连的方式进行传输，无需经过基站。如图1，D2D分组转发技术是指将D2D用户的移动设备作为一个分布式存储系统。首先，当对所有的D2D用户进行分组后，用户可以通过常规的蜂窝链路获取热点内容，从而形成一个分布式存储系统，当组内其他用户恰好也需要申请该内容时，则无需通过基站重复申请，而是通过D2D直连的方式进行内容共享，如此就形成了一个基于多播的数据共享D2D组，可以极大地提升频谱利用率^[4]。

传统的D2D通信由于未对通信双方社交背景进行考量，导致在D2D通信过程中安全性较差，通信效率低下。而通过引入社交属性的概念，可以极大地改善这一现象。在文献[5]阐述了D2D通信中的主要挑战，并提出了利用社交属性来提升D2D的表现。但是这篇文章并没有展示如何具体将社交网络应用于D2D通信中。文献[6]在文献[5]的分组方法的基础上，进一步定义了通信需求的概念，并阐述了一套社交感知资源分配方案。文献[7]和[8]则分别利用文献[5]中的分组概念，把用户分为几个大的群体进行本地服务和多播服务。文献[9]提出了一种利用集中性来辅助D2D对匹配的机制。文献[10]将实际地理因素和社交信息相结合介绍了一种复合的分组办法。文献[11]通过两个层面(离线社交层和在线社交层)的研究提出了优化D2D通信的一个社交认知方案。文献[12]提出了一种基于社交网络的创新性的流量下载结构模型，从而有效提高用户的流量下载容量。

以上研究虽然加入了对社交属性的考量，但是并未针对用户状态实时变化的情况提出高效的D2D分组转发策略，而考虑到实际场景中用户往往具有很强的移动性，因此本文提出一种利用社交属性的D2D分组转发策略。该策略利用中餐馆(Chinese Restaurant Process，CRP)算法，结合包括社交关系、兴趣相似度和集中度在内的社交属性，为高移动性下的D2D分组转发提供了可行的方案。最后通过仿真表明，该算法可以提高数据传输的安全性，提升频谱利用率，减轻基站由于重复下载冗余内容所导致的压力。

1 系统模型

本文考虑经典的单蜂窝超密集网络场景，即单个蜂窝内拥有大量UE（如校园和办公室）。用户不仅可以通过传统的蜂窝链路从基站获取数据，也可以通过D2D链路从邻近的用户处获取。考虑到移动用户的具体位置是实时变动的，本文利用动态的CRP算法来对用户分组和资源分配。

CRP算法通过模仿客人到达餐厅后选择与人共用一桌还是自己单独成桌的过程，将每一个新到达的D2D用户分配进既存的组内或独立成组。第一个到达的用户独立成组，当用户n到来时，前面到来的用户已经被分为了K个组，已有的D2D组可以用ξ={c₁，c₂，c₃，…，c_k}表示。用户间的社交关系通过一个上三角矩阵D来表示，D中非零元素可选值为q₁、q₂和q₃，表示3种不同社交关系的亲密程度，分别为陌生人、朋友和家人。用户的兴趣爱好以一个拥有5个元素的数组表示，元素可以取值为0或1，分别代表该用户是否拥有此爱好。连接时间则通过另一个上三角矩阵F来表示，通过该矩阵能够得到两用户的连接频率或集中度。如图2，可以由社交属性计算出用户加入组c_i的概率P_i(n)，并依此概率随机加入组c_i或独立成组。然后，根据计算出的分组活跃度为分组选择合适的蜂窝用户进行资源复用，活跃度高的组分配拥有更多资源的蜂窝用户。

2 D2D通信中利用社交属性进行分组转发的策略

文献[5]提出了可能应用于D2D通信的4个主要的社交网络属性，主要包括了社交关系、社会群体、集中性、桥接属性等，本文重点关注其中的社交关系、社会群体和集中性的概念。

2.1 社交关系

社交关系代表了用户之间的关系亲密程度。通常用户会更倾向于与朋友或家人分享自己设备中的私人信息，而对陌生人持保守态度，因此本文基于社交信任度的概念，引入用户间社交距离的概念，以此来提升D2D转发机制的安全性。基于文献[10]，引入社交距离的概念为：

其中p(n，l)∈[0，1]为用户n和用户l之间的社交信任度，两个用户间的社交信任度p(n，l)越大，则社交距离越短。

2.2 社会群体

社会群体代表了用户间的兴趣相似度。正如同一句古语“物以类聚，人以群分”，兴趣爱好相似的用户设备上可能会拥有其他用户也需要的文件，通过将拥有共同兴趣的人分为一组，当用户申请该文件时，便可以直接在组内通过D2D进行文件传输，而无需通过基站重复下载。因此，基于文献[13]，引入加权余弦兴趣相似性的概念用于衡量两个用户间的兴趣异同：

2.3 集中度

集中度传统的定义是，在连通图中，任意两个节点间的最短路径经过当前节点的次数的总和。在本文中，集中度代表了哪些用户倾向于更频繁地与其他用户通信，集中度越高则通信频率相对更高。在此，本文定义一个连接间隔的概念：

由于θ_c高的组可能同时进行多个D2D通信，为了保证通信质量，将对该组分配拥有更多资源块的蜂窝用户，以避免在高峰期产生拥塞，同时提升频谱效率，改善QoS。

2.4 利用S-CRP算法对用户进行分组和资源分配

本文在提出的CRP算法中加入了社交属性，为与传统CRP算法相区分，下文称之为S-CRP算法，即社交感知的CRP算法。根据式(1)、式(5)可以得到用户n选择用户l为D2D通信伙伴的概率为：

除了需要满足地理相近性条件之外，还需要考虑组c_i中用户的数量是否已达到上限，若已达到上限，就不能再接收新到达的用户n，因此定义g_ci为：

很显然，当μ_n，ci为1时，意味着用户n满足加入组c_i的条件，可以依据式(11)中的概率加入组c_i或独立成组；反之，用户n不满足加入组c_i的条件，加入组c_i的概率为0。

当分组完成后，可根据式(3)计算出相应的θ_c值，高θ_c值的分组倾向于高频连接，即可能同时处理多个D2D连接，因此会被分配给拥有更多资源块的蜂窝用户进行复用，以保证其性能。

综上所述，本文提出的利用社交属性的D2D分组转发策略流程如图3所示。

3 仿真分析

为了验证本文所提出的转发策略的有效性，本文利用MATLAB在单蜂窝场景下对比随机算法、传统CRP算法和提出的S-CRP算法的性能差异。通常进行D2D分组转发有两种模式：全双工模式与半双工模式，考虑到全双工模式工作时，组长D2D同时接收和发送数据会产生严重的自干扰，本次仿真将工作于半双工模式下。蜂窝半径为500 m，D2D用户均匀地随机分布于蜂窝内。D2D用户与BS之间的大规模路径损耗指数为h=3.5，D2D用户之间的为h=4。同时，令CRP参数α=0.1，σ²=-90 dBm，BS功率P_B=0.2 mW，D2D用户传输功率P_D=0.1 mW。q₁、q₂和q₃表示3种不同社交关系的亲密程度，分别为陌生人、朋友和亲人，即式(1)中p(n，l)的可能值。

首先，如图4所示，随着蜂窝内D2D用户数量从20增至100，3种算法的数据传输速率都有显著的提高，本文提出的S-CRP算法提高尤为显著，在用户数相同情况下，S-CRP拥有更高的数据传输速率。同时，将分组用户数量上限N_max由5提升至10可以进一步提升两种CRP算法的总体数据传输速率。这是由于随着蜂窝内D2D用户数量增多，用户通过D2D方式获取数据的比例不断提升，因而单位带宽所能提供的数据传输能力也因此倍增，大幅提升了频谱效率。而本文提出的S-CRP算法由于考虑了用户间的兴趣距离，参与D2D获取数据的用户数更多，因此倍增现象更加明显。同时分组用户数量上限N_max的提高允许更多的用户参与到D2D通信中来，也将使数据传输速率得到提升。

其次，组内距离上限d_max也会对传输速率产生影响。如图5，随着d_max的增加，随机算法的数据传输速率不断下降，而传统CRP算法和S-CRP算法的数据传输速率则在经历了快速上涨后慢慢回落，S-CRP算法总体优于传统CRP算法。这是由于传统CRP和S-CRP算法在d_max增加初期，组内共享D2D用户数量增多导致总传输速率提升，然而随着d_max的不断上升，D2D用户通信时过远的距离造成了信道质量的下降，组长UE发送数据的速率变小，尽管此时组内用户数仍不断增多，总传输速率依旧呈下降态势。S-CRP算法由于考虑了社交属性，组内并发式多人D2D通信更多，因而总体表现优于传统CRP。而随机算法由于无法分享多人D2D数据共享的红利，同时d_max的增加造成数据传输速率下降，因而总传输速率持续下降。

除上文提及的d_max和N_max之外，p(n，l)也是影响整体表现的因素之一，图6展示了不同q₁、q₂和q₃取值时所需的信道数量，可以发现，随着用户数量的增多，所需信道的数量呈整体上升趋势。在同等用户数下，q₁、q₂和q₃取值更高的情况下明显所需信道较少，这是由于信任度高的情况下，通过D2D转发方式进行共享的用户数更多，因而无需频繁地重复向BS申请数据。

4 结论

本文提出了一种利用社交属性的D2D分组转发策略，该策略同时考虑了D2D分组方案，组长UE的选择和D2D资源分配等问题。理论分析和仿真结果表明，该策略可以在考虑安全性的同时提升频谱效率，减轻基站负载。同时，这也为利用社交属性改善D2D通信表现提供了新的思路。

参考文献

[1] 新华网.CNNIC发布第38次《中国互联网络发展状况统计报告》[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.