CN106603646A - 一种基于用户兴趣偏好的信息中心网络缓存方法 - Google Patents

Abstract

本发明公开了一种基于用户兴趣偏好的信息中心网络缓存方法，属于通信领域；所述方法针对信息中心网络中的某个用户节点v，首先，该用户节点周期地统计其发起的内容请求记录，对请求内容进行主题类别的划分，得出该用户节点对不同主题类别的兴趣偏好；其次，该用户节点记录每个经过该节点的请求内容的兴趣包，进而计算每个请求内容在该用户节点上的本地流行度预测值；最后，信息中心网络将兴趣包对应的数据包沿反向路径回传，根据内容所属主题类别与用户节点兴趣偏好的匹配度，以及该内容的本地流行度预测值综合进行缓存判决。本发明通过用户节点进行缓存决策，有效的降低了节点的缓存替换次数，节省了用户节点的计算资源。

Description

一种基于用户兴趣偏好的信息中心网络缓存方法

技术领域

本发明属于通信方法、通信终端、通信网络和通信数据处理领域，涉及信息中心网络，具体是一种基于用户兴趣偏好的信息中心网络缓存方法。

背景技术

随着通信网络的发展，未来网络以内容分发与共享为主要应用，同时未来网络会有成千上万的终端接入，现有的以IP地址为主的互联网，由于存在寻址复杂和带宽有限的问题，会被逐步淘汰，因此以内容/信息为中心的网络会成为未来网络的可行架构。

信息中心网络(Information Centric Networking，ICN)通过关注数据内容的本身而不是数据内容的所在位置，解决了现有端到端通信模式中，每次存取内容都要间接映射到内容所在设备的问题，从而有效地减少了网络流量开销。

ICN的关键技术之一为网内缓存技术，但是ICN缓存技术需要解决以下两个方面的问题，一是将这些内容对象存储到哪些节点上，二是在网络中选择哪些内容对象进行缓存。针对这两个问题，一些研究通过评估节点的特性(如位置、重要性、缓存能力大小等)，选择部分节点来缓存内容；另一些研究考虑了内容的特性(如生存时间、流行度等)，对于内容选择性缓存。

现有基于节点特性的缓存方法中，对节点缓存空间的有限性考虑不足，导致节点缓存空间需要不断的替换更新，重要节点上的大量负载容易缩短节点的寿命，并且在社交网络下缺乏节点对内容兴趣偏好不同的考虑，导致节点的缓存冗余很大；

基于内容特性的缓存方法中，缺乏对庞大数据内容对象的整合和处理，同时在社交网络下，忽视了对于用户本身的区分，用户的兴趣偏好各不相同，且不同内容在不同用户所在位置的流行度也往往不同。

发明内容

本发明的目的在于提供一种基于用户兴趣偏好的信息中心网络缓存方法，在减少节点缓存冗余的同时提高缓存内容的共享效率。

具体步骤如下：

步骤一、针对信息中心网络中的某个用户节点v，该用户节点周期性地统计其发起的内容请求记录，对请求内容进行主题类别的划分，并计算该用户节点对不同主题类别的兴趣偏好；

具体步骤如下：

步骤101、将信息中心网络中被请求的内容分成M个主题类别，并建立内容与主题类别的对应关系矩阵B；

内容与主题类别的对应关系矩阵B如下：

信息中心网络中被请求的内容总数为D，集合为[1,2,...d,..D]；M个主题类别的集合为：[1,2,...i,..M]；b_di表示内容d与主题类别i的对应关系，b_di＝1表示内容d属于主题类别i，b_di＝0表示内容d不属于主题类别i。

步骤102、分别计算用户节点v对每个内容的请求次数，形成该用户节点的行为表达矩阵A(v)；

用户节点v的行为表达矩阵A(v)如下：

A(v)＝[s₁ … s_d ... s_D]_1×D

s_d表示该用户节点v对内容d的请求次数，且s_d∈{0,1,2...}。

步骤103、针对某个周期T，根据用户节点v的行为表达矩阵A(v)，以及内容与主题类别的对应关系矩阵B，计算用户节点v在该周期内对不同主题类别的兴趣偏好。

首先，将用户节点v的行为表达矩阵A(v)转化为主题偏好矩阵U(v)，运算公式为：

U(v)＝A(v)·B

得到的主题偏好矩阵集合为：U(v)＝[u₁…u_i…u_M]_1×M；u_i表示用户节点v对主题类别i的偏好值；

然后，用户节点v对某主题类别i的偏好值进行归一化操作，得到用户节点v对该主题类别i的兴趣偏好概率p_i；

p_i∈[0,1]，且

最后，得到用户节点v在该周期内对M个主题类别的兴趣偏好向量：

β(v)＝(p₁…p_i…p_M)。

步骤二、针对用户节点v，根据经过该用户节点的每个请求内容的兴趣包，计算每个请求内容在该用户节点上的本地流行度预测值；

针对t_d时刻，对请求内容d在用户节点v上的本地流行度预测值R_d(t_d)，计算如下：

当请求内容d的兴趣包首次到达用户节点v时，本地流行度预测值R_d(t_d)为1；否则，利用如下公式进行计算：

其中t_d表示请求内容d的兴趣包在用户节点v的到达时刻，t′_d表示请求内容d的兴趣包在用户节点v上一次到达的时刻，λ表示加权参数，取值范围是0到1，用来在请求总数和最近请求频率中作出权衡，以适应不同的流行度侧重。

步骤三、信息中心网络的服务器根据某用户节点的内容请求，将兴趣包对应的数据包沿返向路径的各个用户节点回传，并综合判断将数据包缓存在返向路径中的用户节点上。

具体步骤如下：

步骤301、针对某用户节点v，计算每个经过该用户节点的数据包中的内容与该用户节点之间兴趣偏好的匹配度；

用户节点v与经过该用户节点的数据包中的内容d之间的兴趣匹配度C(v,d)，计算如下：

C(v,d)＝α(d)·β^T(v)

α(d)表示传回的数据包中携带的内容d的属性向量，α(d)＝(a₁…a_i…a_M)；

步骤302、针对用户节点v设定的流行度阈值P_th，根据该用户节点记录的所有内容的本地流行度预测值中，统计满足该流行度阈值P_th的内容数量k₀；

k₀要满足大于等于节点v的缓存空间大小CS，且1≤k₀≤D；

步骤303、根据用户节点v的最小极限兴趣偏好概率和最大极限兴趣偏好概率，计算兴趣匹配度C(v,d)的阈值C₀(v)；

p_min表示用户节点v对所有主题类别的兴趣偏好值中的最小值，p_max表示用户节点v对所有主题类别的兴趣偏好值中的最大值。

步骤304、针对用户节点v，根据兴趣匹配度的阈值C₀(v)和设定的流行度阈值P_th得出用户节点v的缓存阈值L(v)；

L(v)＝C₀(v)·R_th

步骤305、当内容d的数据包经过用户节点v时，计算兴趣匹配度C(v,d)与本地流行度预测值R_d的乘积，并与缓存阈值L(v)进行比较，判断是否C(v,d)·R_d＞L(v)，如果是，则用户节点v对内容d进行缓存操作，否则C(v,d)·R_d≤L(v)，用户节点v不对内容d进行缓存，并将内容d继续转发至下一跳用户节点，返回步骤301。

本发明的优点在于：

1)、一种基于用户兴趣偏好的信息中心网络缓存方法，信息中心网络中每个节点对用户的内容请求做出统计得出用户兴趣偏好，更好的体现出了用户偏好的高低差异，以做出更有针对性的缓存指导。

2)、一种基于用户兴趣偏好的信息中心网络缓存方法，信息中心网络中每个节点对内容作出本地流行度预测，能够针对请求总数和最近请求频率进行调节，能够对不同情况下的流行度做出更好的预测。

3)、一种基于用户兴趣偏好的信息中心网络缓存方法，信息中心网络中的节点在进行缓存决策时，对节点的缓存空间进行了针对性的考虑，有效的降低了节点的缓存替换次数，节省了节点的计算资源。

附图说明

图1为本发明一种基于用户兴趣偏好的信息中心网络缓存方法流程图；

图2为本发明信息中心网络中的某节点对不同主题类别的兴趣偏好方法流程图；

图3为本发明信息中心网络的数据包到达用户节点的处理流程图；

图4为本发明信息中心网络的服务器综合判断将数据包缓存在节点上的方法流程图。

具体实施例

下面结合附图对本发明的具体实施方法进行详细说明。

本发明一种基于用户兴趣偏好的信息中心网络缓存方法，首先，根据内容的分类信息，每个用户节点周期地统计其发起的内容请求记录，得出该用户节点对不同主题类别的兴趣偏好；其次，用户节点记录每个经过该节点的内容请求，进而计算得出每个内容的本地流行度值；最后，在数据包沿反向路径回传过程中，根据内容所属类别与用户节点兴趣偏好的匹配度、该内容的本地流行度以及用户节点的缓存空间大小来综合进行缓存判决。

如图1所示，具体步骤如下：

步骤一、针对信息中心网络中的某个用户节点v，该用户节点周期性地统计其发起的内容请求记录，对请求内容进行主题类别的划分，并计算该用户节点对不同主题类别的兴趣偏好；

在信息中心网络中，假设用户要得到某内容，需要向ICN发起对该内容的请求，也就是向ICN发出关于该请求内容的兴趣包，每隔一个周期T，用户节点v记录该用户节点对所有内容发起的请求次数，并对请求内容进行主题类别的划分，通过内容所属的主题类别，计算出用户节点v在该周期内对不同主题类别的兴趣偏好。

如图2所示，具体步骤如下：

步骤101、将信息中心网络中被请求的内容分成M个主题类别，并建立内容与主题类别的对应关系矩阵B；

为了将用户行为与用户偏好建立关系，需要引入内容与所属主题类别的对应关系矩阵B如下：

信息中心网络中能够被请求的内容总数为D，集合为[1,2,...d,..D]；D个内容被分成M个主题类别，集合为：[1,2,...i,..M]；b_di表示内容d与主题类别i的对应关系，b_di＝1表示内容d属于主题类别i，b_di＝0表示内容d不属于主题类别i。

步骤102、分别计算用户节点v对每个内容的请求次数，形成该用户节点的行为表达矩阵A(v)；

用户节点v的行为表达矩阵A(v)如下：

A(v)＝[s₁ … s_d … s_D]_1×D (2)

s_d表示该用户节点v对内容d的请求次数，且s_d∈{0,1,2...}。

步骤103、针对某个周期T，根据用户节点v的行为表达矩阵A(v)，以及内容与主题类别的对应关系矩阵B，计算用户节点v在该周期内对不同主题类别的兴趣偏好。

首先，将用户节点v的行为表达矩阵A(v)转化为主题偏好矩阵U(v)，运算公式为：

U(v)＝A(v)·B (3)

得到的主题偏好矩阵为1×M的矩阵，集合为：U(v)＝[u₁…u_i…u_M]_1×M；u_i表示用户节点v对主题类别i的偏好值；

然后，用户节点v对某主题类别i的偏好值进行归一化操作，得到用户节点v对该主题类别i的兴趣偏好概率p_i；

p_i∈[0,1]，且

最后，得到用户节点v在该周期内对M个不同主题类别的兴趣偏好向量：

β(v)＝(p₁…p_i…p_M)

兴趣偏好向量β(v)中的元素为[0,1]区间内的小数，充分体现了用户节点v对不同类别内容的偏好程度。

步骤二、针对用户节点v，根据经过该用户节点的每个请求内容的兴趣包，计算每个请求内容在该用户节点上的本地流行度预测值；

用户节点统计经过自身的所有内容请求，并给每个内容设定了一个本地流行度预测值；

针对t_d时刻，对请求内容d在用户节点v上的本地流行度预测值R_d(t_d)，计算如下：

当请求内容d的兴趣包首次到达用户节点v时，本地流行度预测值R_d(t_d)为1；否则，利用如下公式进行计算：

其中t_d表示对请求内容d的兴趣包在用户节点v的到达时刻；t′_d表示对请求内容d的兴趣包在用户节点v上一次到达的时刻；R_d(t_d)表示在t_d时刻请求内容d的本地流行度预测值。λ表示加权参数，取值范围是0到1，用来在请求总数和最近请求频率中作出权衡，以适应不同的流行度侧重。当λ值接近0时，流行度预测值受到内容请求总数的影响更大；当λ值接近1时，流行度预测值受到最近访问频率的影响更大。

公式(5)中既考虑了内容请求的总数，又考虑了内容的最近访问频率。内容请求总数越大，表明该内容较为流行，流行度的预测值也就越高；同时，如果相邻的内容请求到达的间隔较短，则表明用户在短期内再次请求该内容的可能性较大，因此内容的流行度预测值也会有相应的提高。

步骤三、信息中心网络的服务器根据某节点的内容请求，将兴趣包对应的数据包沿返向路径的各个用户节点回传，并综合判断将数据包缓存在返向路径中的用户节点上。

如图3所示，兴趣包经过各用户节点到达ICN后，ICN会沿原路返回对应的数据包，当一个数据包经过沿途某用户节点v时，首先，查询用户节点v的缓存空间CS中是否存在该数据包中的内容d，如果存在，丢弃数据包的内容副本，否则，判断待定兴趣表PIT中是否存在该条目，如果存在，查询该数据包中的内容d在用户节点v的本地流行度预测值R_d，否则，丢弃数据包的内容副本。然后，计算内容d与用户节点v的兴趣匹配度C(v,d)以及该用户节点v的缓存阈值L(v)，利用计算出的数值进行缓存判决，通过判决结果决定用户节点v是否缓存该内容d，如果C(v,d)·R_d＞L(v)，则用户节点v对内容d进行缓存操作，否则，用户节点v不对内容d进行缓存，并将内容d继续转发至下一跳用户节点；

如图4所示，具体步骤如下：

步骤301、针对某用户节点v，计算每个经过该用户节点的数据包中的内容与该用户节点之间兴趣偏好的匹配度；

兴趣匹配度是衡量内容属性与用户兴趣偏好相近程度的指标。

根据用户节点v在某周期内对M个不同主题类别的兴趣偏好向量β(v)，以及传回的数据包中携带的内容d的属性向量α(d)＝(a₁…a_i…a_M)，即可计算出用户节点v与经过该用户节点的内容d之间的兴趣匹配度C(v,d)，如下：

C(v,d)＝α(d)·β^T(v) (6)

(·)^T表示向量的转置，β^T(v)表示用户节点v在某周期内对M个不同主题类别的兴趣偏好向量β(v)的转置向量。

步骤302、针对用户节点v设定的流行度阈值P_th，根据该用户节点记录的所有内容的本地流行度预测值中，统计满足该流行度阈值P_th的内容数量k₀；

首先为用户节点v指定一个合适的流行度阈值P_th，并通过在本地内容流行度记录中查找得到满足该流行度阈值的内容数量k₀，且保证k₀≥CS，其中1≤k₀≤D，CS为用户节点v的缓存空间大小。

步骤303、根据用户节点v的最小极限兴趣偏好概率和最大极限兴趣偏好概率，计算兴趣匹配度C(v,d)的阈值C₀(v)；

p_min表示用户节点v对所有主题类别的兴趣偏好值中的最小偏好概率值，p_max表示用户节点v所有主题类别的兴趣偏好值中的最大偏好概率值。

公式(7)在缓存阈值的计算时考虑了节点的缓存空间，若缓存空间较大，则缓存阈值会设定的相对较低，以便让相对较多的内容能够得到缓存，使缓存空间得到充分的利用；若缓存空间较小，则缓存阈值会设定的相对较高，使得满足缓存条件的内容相对较少，以避免发生频繁的缓存替换，节省用户节点的计算资源。

步骤304、针对用户节点v，根据兴趣匹配度的阈值C₀(v)和设定的流行度阈值P_th得出用户节点v的缓存阈值L(v)；

L(v)＝C₀(v)·R_th (8)

步骤305、当内容d的数据包经过用户节点v时，计算兴趣匹配度C(v,d)与本地流行度预测值R_d的乘积，并与缓存阈值L(v)进行比较，判断是否C(v,d)·R_d＞L(v)，如果是，则用户节点v对内容d进行缓存操作，否则C(v,d)·R_d≤L(v)，用户节点v不对内容d进行缓存，并将内容d继续转发至下一跳用户节点，返回步骤301。

根据之前计算得到的兴趣匹配度C(v,d)，并在记录中查询得到内容d的本地流行度R_d，与计算出的缓存阈值L(v)做比较，做出缓存判决，具体公式如下：

S(v,d)为用户节点v对内容d的缓存决策结果，值为1时表示用户节点v缓存该内容d，值为0时则用户节点v不缓存内容d。若遇到缓存空间占满的情况，内容d依然会被用户节点缓存且将进行缓存替换操作。

Claims (3)

1.一种基于用户兴趣偏好的信息中心网络缓存方法，其特征在于，具体步骤如下：

步骤一、针对信息中心网络中的某个用户节点v，该用户节点周期性地统计其发起的内容请求记录，对请求内容进行主题类别的划分，并计算该用户节点对不同主题类别的兴趣偏好；

步骤二、针对用户节点v，根据经过该用户节点的每个请求内容的兴趣包，计算每个请求内容在该用户节点上的本地流行度预测值；

针对t_d时刻，对请求内容d在用户节点v上的本地流行度预测值R_d(t_d)，计算如下：

$R_d\left(t_d\right)=\left\{\begin{array}{c}1\\ 1+R_d\left(t_d^{\′}\right)\·e^{-\mathrm{\λ}(t_d-t_d^{\′})}\end{array}\right.$

当请求内容d的兴趣包首次到达用户节点v时，本地流行度预测值R_d(t_d)为1；否则，利用如下公式进行计算：

其中t_d表示请求内容d的兴趣包在用户节点v的到达时刻，t′_d表示请求内容d的兴趣包在用户节点v上一次到达的时刻，λ表示加权参数，取值范围是0到1，用来在请求总数和最近请求频率中作出权衡，以适应不同的流行度侧重；

步骤三、信息中心网络的服务器根据某用户节点的内容请求，将兴趣包对应的数据包沿返向路径的各个用户节点回传，并综合判断将数据包缓存在返向路径中的用户节点上。

2.如权利要求1所述的一种基于用户兴趣偏好的信息中心网络缓存方法，其特征在于，所述的步骤一具体为：

步骤101、将信息中心网络中被请求的内容分成M个主题类别，并建立内容与主题类别的对应关系矩阵B；

内容与主题类别的对应关系矩阵B如下：

信息中心网络中被请求的内容总数为D，集合为[1,2,...d,..D]；M个主题类别的集合为：[1,2,...i,..M]；b_di表示内容d与主题类别i的对应关系，b_di＝1表示内容d属于主题类别i，b_di＝0表示内容d不属于主题类别i；

步骤102、分别计算用户节点v对每个内容的请求次数，形成该用户节点的行为表达矩阵A(v)；

用户节点v的行为表达矩阵A(v)如下：

A(v)＝[s₁ ... s_d ... s_D]_1×D

s_d表示该用户节点v对内容d的请求次数，且s_d∈{0,1,2...}；

步骤103、针对某个周期T，根据用户节点v的行为表达矩阵A(v)，以及内容与主题类别的对应关系矩阵B，计算用户节点v在该周期内对不同主题类别的兴趣偏好；

首先，将用户节点v的行为表达矩阵A(v)转化为主题偏好矩阵U(v)，运算公式为：

U(v)＝A(v)·B

得到的主题偏好矩阵集合为：U(v)＝[u₁…u_i…u_M]_1×M；u_i表示用户节点v对主题类别i的偏好值；

然后，用户节点v对某主题类别i的偏好值进行归一化操作，得到用户节点v对该主题类别i的兴趣偏好概率p_i；

$p_i=\frac{u_i}{\underset{i=1}{\overset{M}{\Σ}}{u}_i},i=1,...,M$

p_i∈[0,1]，且

最后，得到用户节点v在该周期内对M个主题类别的兴趣偏好向量：

β(v)＝(p₁…p_i…p_M)。

3.如权利要求1所述的一种基于用户兴趣偏好的信息中心网络缓存方法，其特征在于，所述的步骤三具体为：

步骤301、针对某用户节点v，计算每个经过该用户节点的数据包中的内容与该用户节点之间兴趣偏好的匹配度；

用户节点v与经过该用户节点的数据包中的内容d之间的兴趣匹配度C(v,d)，计算如下：

C(v,d)＝α(d)·β^T(v)

α(d)表示传回的数据包中携带的内容d的属性向量，α(d)＝(a₁…a_i…a_M)；

步骤302、针对用户节点v设定的流行度阈值P_th，根据该用户节点记录的所有内容的本地流行度预测值中，统计满足该流行度阈值P_th的内容数量k₀；

k₀要满足大于等于节点v的缓存空间大小CS，且1≤k₀≤D；

步骤303、根据用户节点v的最小极限兴趣偏好概率和最大极限兴趣偏好概率，计算兴趣匹配度C(v,d)的阈值C₀(v)；

$C_0\left(v\right)=\frac{CS}{k_0}\·p_{\min }+(1-\frac{CS}{k_0})\·p_{max}$

p_min表示用户节点v对所有主题类别的兴趣偏好值中的最小值，p_max表示用户节点v对所有主题类别的兴趣偏好值中的最大值；

步骤304、针对用户节点v，根据兴趣匹配度的阈值C₀(v)和设定的流行度阈值P_th得出用户节点v的缓存阈值L(v)；

L(v)＝C₀(v)·R_th

步骤305、当内容d的数据包经过用户节点v时，计算兴趣匹配度C(v,d)与本地流行度预测值R_d的乘积，并与缓存阈值L(v)进行比较，判断是否C(v,d)·R_d＞L(v)，如果是，则用户节点v对内容d进行缓存操作，否则C(v,d)·R_d≤L(v)，用户节点v不对内容d进行缓存，并将内容d继续转发至下一跳用户节点，返回步骤301。