One key component for efficient opportunistic device-to-device (D2D) deployment is cache management. It determines which content to store opportunistic D2D communications. Existing solutions focus on the nature of content or mobility attributes, but most of them neglect their joint influence. Moreover, most solutions rely on a preloading phase, filling caches with content that the respective users may not consume, but that may be of interest to other nodes, and increasing traffic overhead in the core network. Further, a popular file may be a lousy candidate for opportunistic D2D because contact opportunities may not provide enough transfer capacity. To solve this issue, we propose a model that computes priority values based on both content and mobility attributes. Our approach considers only files that users have consumed, therefore eliminating a preloading phase. Using real-world and synthetic mobility traces, we compare our solution with Least Recently Stored replacement, as well as a state-of-the-art approach that also considers content and mobility attributes. Results show an increase in the global cache hit rate of almost 80% in scenarios that offer many files, and of around 420% in scenarios with a few users. The priority model generates 90% lower overhead in terms of the control bytes. We also apply our solution in a chunk-based adaptive video streaming application. We observe that our solution leads to higher video delivery ratios when compared to the baselines.

中文翻译：

---

D2D 网络中缓存内容选择的联合内容移动优先级建模

高效的机会式设备到设备 (D2D) 部署的一个关键组件是缓存管理。它确定存储机会性 D2D 通信的内容。现有的解决方案侧重于内容的性质或移动性属性，但大多数都忽略了它们的共同影响。此外，大多数解决方案依赖于预加载阶段，用相应用户可能不会消费但其他节点可能感兴趣的内容填充缓存，并增加核心网络中的流量开销。此外，流行的文件可能是机会主义 D2D 的糟糕候选者，因为联系机会可能无法提供足够的传输容量。为了解决这个问题，我们提出了一种基于内容和移动性属性计算优先级值的模型。我们的方法只考虑用户使用过的文件，因此消除了预加载阶段。我们使用真实世界和合成的移动性轨迹，将我们的解决方案与最近最少存储的替代方案以及同时考虑内容和移动性属性的最先进方法进行比较。结果显示，在提供大量文件的情况下，全局缓存命中率增加了近 80%，在有少数用户的情况下增加了约 420%。优先级模型产生的控制字节开销降低了 90%。我们还将我们的解决方案应用于基于块的自适应视频流应用程序。我们观察到，与基线相比，我们的解决方案导致更高的视频传输率。以及同时考虑内容和移动性属性的最先进方法。结果显示，在提供大量文件的情况下，全局缓存命中率增加了近 80%，在有少数用户的情况下增加了约 420%。优先级模型产生的控制字节开销降低了 90%。我们还将我们的解决方案应用于基于块的自适应视频流应用程序。我们观察到，与基线相比，我们的解决方案导致更高的视频传输率。以及同时考虑内容和移动性属性的最先进方法。结果显示，在提供大量文件的情况下，全局缓存命中率增加了近 80%，在有少数用户的情况下增加了约 420%。优先级模型在控制字节方面的开销降低了 90%。我们还将我们的解决方案应用于基于块的自适应视频流应用程序。我们观察到，与基线相比，我们的解决方案导致更高的视频传输率。