CN108540549B - 一种面向用户移动性的网络边缘缓存选择方法 - Google Patents

Abstract

本发明公开了一种面向用户移动性的网络边缘缓存选择方法，该方法包括以下步骤：S1,将所有网络节点进行分组，构建多层网络缓存的架构，S2，依次计算用户在节点的停留时间和在用户区域的停留时间，S3，基于用户的移动情况和网络状况对移动型用户在各个节点的下载能力建立预测模型，S4,当用户下载发生下载出错时，提供相应的出错解决方法，S5，根据用户的下载情况选择不同的边缘节点缓存方式。本发明提供的方案通过重新设计缓存空间的部署位置，降低骨干网负载的空间，降低用户的内容访问延迟，并提供用户下载出错的应对措施，以满足移动性强的用户的内容访问需求，大大降低缓存占用空间，能灵活应对用户密集的城市和用户分散的郊区等各种联网需求。

Description

一种面向用户移动性的网络边缘缓存选择方法

技术领域

本发明涉及通信领域，具体地说，是一种面向用户移动性的网络边缘缓存选择方法。

背景技术

随着移动互联网技术的高速发展，日益增加的移动联网终端设备和爆炸式的互联网内 容量对移动互联网提出了更高的要求。高速铁路的发展和车联网概念的提出，用户的移动 性有了极大的提高，对传统的移动互联网提出了全新的挑战。为了应对现有的和即将出现 的移动互联网问题，下一代网络技术的设计迫在眉捷。

为了能够给用户提供更稳定的连接、更高的访问速度、更丰富的内容和更安全的通讯。 边缘缓存已被证实是一种能够降低用户访问内容延迟、减轻骨干网负担的有效解决方案， 并作为一种应对网络流量增长的对策受到了广泛关注。由于存储设备的价格在近几年持续 下降，为已经完成大面积部署的移动互联网边缘节点增加缓存能力，相较于重新部署超高 速骨干网链路更为经济。按照流行度的视频文件缓存体系能够大幅降低区域能耗，显著提 高能量效率，有利于节约能源。设计出实用的缓存部署策略是边缘缓存的核心所在。而为 移动性较强的用户，设计缓存部署策略，是边缘缓存的难点之一。

在网络架构中，无线接入部分均为明显的分层结构。在边缘节点的上层节点增加缓存 能力，为其管辖的多个边缘节点提供内容下载服务。能够最大程度地节约基础设施投资。 新提出的多层网络缓存架构，针对移动性强的用户，提供了边缘节点的缓存策略以降低用 户对内容的访问延迟。但对于移动性若或者不移动的用户，则无法利用边缘缓存节点的优 势，需要直接从二级缓存节点下载内容，那么仍然需要依靠骨干网，并且二级缓存节点距 离用户的逻辑距离直接决定了用户访问内容的延迟。

另一方面在用户移动过程中对不同节点的数据请求也不同，并且由于用户移动性的不 确定性，用户可能过早地请求靠后的数据块，或者在当前边缘节点请求之前的数据块。面 对这两种情况，尚缺少一个完善的解决方案。

发明内容

为解决现有技术中存在的上述问题，本发明从多层缓存的新颖角度，结合用户的移动 性提出了一种面向用户移动性的网络边缘缓存选择方法，该方法包括以下步骤：

S1,将所有网络节点进行分组，构建多层网络缓存的架构，所述多层网络缓存架构自顶 向下分别包括中心服务器、骨干网、二级节点层和边缘节点层。

S2，为了定量用户的数据获取能力，依次计算用户在节点的停留时间和在用户区域的停 留时间，所述节点包括边缘节点，所述用户区域是指一个边缘节点的覆盖范围；

S3，基于用户的移动情况和网络状况对移动型用户在各个节点的下载能力建立预测模型， 并对缓存网络进行定量计算，预测用户选择节点的概率；

S4,当用户下载发生下载出错时，提供相应的出错解决方法；

S5，根据用户的下载情况选择不同的边缘节点缓存方式。

进一步，所述边缘节点缓存完整文件分割形成的数据块，二级节点进行完整文件的缓存；

对于已经在二级节点缓存的文件，边缘缓存可以直接从二级节点缓存获得，不需要经过 骨干网进行下载。

进一步的，所述步骤S2中通过建立用户区域停留时间模型依次计算用户在节点的停留 时间和在用户区域的停留时间，具体包括以下步骤：

S2.1，构建用户区域停留时间的倒数模型：

假设移动型用户为车内乘客，车辆在某路段停留的时间是车辆速度的倒数；

S2.2，用户区域停留时间模型的推导：

由统计结果显示，车辆的车速最接近正态分布，则车辆的速度服从以下正态分布：

车辆在单位里程停留时间与车辆速度互为倒数关系，因此车辆在单位时间里停留的时间 服从以下分布：

S2.2，构建用户区域停留时间的正态分布模型：

对用户区域停留时间

的结果进行正态分布拟合，得到正态分布的用户区域停留时 间模型，使用如下数学表达式表达：

进一步的，用户在某个边缘节点内能够下载的数据量和在该边缘节点内停留的时间成正 比，在已完成用户区域停留时间的模型的基础上，建立定量的用户下载能力预测的数学模 型，即基于用户的移动情况和网络状况对移动型用户在各个节点的下载能力建立预测模型， 并对缓存网络进行定量计算，预测用户选择节点的概率。

进一步的，按照如下计算步骤和公式可对移动型用户在各个节点的下载能力建立预测模 型，并对缓存策略进行定量计算求解：

用户能在边缘节点下载的数据量与无线信道带宽正线性相关，根据正态分布的性质，用 户在边缘节点能下载的数据量服从以下分布：

那么用户在边缘节点能下载的块的数量服从以下分布：

第k个数据块能在节点i被下载到的概率：

Y_i＝Y_i-1+X_i

车辆在某边缘节点范围内下载的数据块的数量服从正态分布。即

Y_i＝Y_i-1+X_i，Y₀＝0

其中，“*”代表卷积。

由于

所以

若

使得

则意味着

时，均无法达到下载概率大于门限概率的要求， 否则

使得

或

成立。

其中，运算符

定义为将一组数进行降序排序。

进一步的，通过用户停留时间模型的建立和节点下载概率模型的建立生成的数据块部署 策略使用户能下载到需求的数据块，若用户无法下载到请求的数据块，即出现块下载出错 时，建立下载出错模型，提供相应的出错解决方法。

进一步的，所述块下载出错包括下述两种情形：

(1)用户在当前边缘节点请求过后的数据块；

(2)用户在当前边缘节点请求过前的数据块。

进一步的，下载出错模型具体处理步骤如下：

S4.1在块下载出错时，判断请求块编号大于当前边缘节点缓存终止块编号，如果是， 则跳转到步骤S4.2.1，若否则进一步判断请求块编号小于当前边缘节点缓存起始块编号， 若是，则以该编号的块作为起始块在下一个边缘节点重启预测算法，若否若跳转到步骤 S4.3.1；

S4.2.1从二级节点下载并保留后续缓存，并判断从二级节点下载块数是否超过当前边 缘节点块数的T％，若否，则继续从二级节点下载保留后续缓存，如果是，则跳转至步骤S4.2.2；

S4.2.2判定用户为静止，释放后续缓存，并判断是否在另一个边缘节点请求数据块， 若否，返回步骤S4.2.1并继续从二级节点下载保留后续缓存，如果是则重启预测算法；

S4.3.1判定为上一次预测算法预测极限位置，并以上一个边缘节点中请求的最后一个 块作为起始块，在下一个边缘节点重启预测算法，并结束当前出错处理。

进一步的，基于多层网络缓存架构和各个处理模型在移动用户访问的过程中根据用户的 下载情况有效调整边缘节点的缓存方式，包括根据用户下载能力的预测调整不同的提供数 据缓存的节点，通过用户下载出错模型调整提供下载和后续数据缓存的位置节点，实现选 择不同的边缘节点缓存选择方式。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明提供的技术方案通过重新设计缓存空间的部署位置，将缓存安排在上级层次 能够提高缓存空间的利用率和缓存内容的击中率，进一步降低骨干网负载的空间，并降低 用户的内容访问延迟。

2、本发明提供的技术方案将二层缓存内容分块，并提供用户下载出错的应对措施，以 满足移动性强的用户的内容访问需求，并通过个性化地缓存互联网内容提供精准的无线服 务。

3)本发明提供的技术方案计算量小，显著提高能量效率，有利于节约能源，大大降低 缓存占用空间，是一种可行且经济的缓存部署策略，能灵活应对用户密集的城市核心地区 和用户分散的郊区等各种联网需求。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1为本发明实施例中的流程图。

图2为本发明实施例的多层网络架构示意图。

图3-1为车辆速度概率密度函数示意图。

图3-2为车辆单位里程停留时间概率密度函数示意图。

图3-3为实验法验证车辆单位里程停留时间概率密度函数示意图。

图3-4为均值＝28、方差＝10时正态分布倒数的分布示意图。

图3-5为不同速度均值下的用户区域停留时间分布示意图。

图3-6为车辆单位里程停留时间的概率密度函数和概率分布函数示意图。

图3-7为随机试验拟合法的正态分布拟合结果示意图。

图3-8为同均值算方差发正态分布拟合结果示意图。

图3-9为同均值同峰值法正态分布拟合结果示意图。

图3-10为峰位均值同峰值法示意图。

图4为下载能力建立预测模型部署结果示意图。

图5为下载出错示例示意图。

图6为下载出错处理流程图。

具体实施方式

本发明的目的在于利用缓存空间降低用户的访问延迟和面对移动性较强的用户提出分 块存储以提高下载效率。

首先对本实施例中各参数的定义和含义说明如下：

表1数学符号对照表

为了实现上述发明目的，本发明采用的技术方案如下：

如图1，为一种面向用户移动性的网络边缘缓存选择方法，该方法包括以下步骤：

S1,将所有网络节点进行分组，构建多层网络缓存的架构，所述多层网络缓存架构自顶 向下分别包括中心服务器、骨干网、二级节点层和边缘节点层。

S2，为了定量用户的数据获取能力，依次计算用户在节点的停留时间和在用户区域的停 留时间，所述节点包括边缘节点，所述用户区域是指一个边缘节点的覆盖范围；

S3，基于用户的移动情况和网络状况对移动型用户在各个节点的下载能力建立预测模型， 并对缓存网络进行定量计算，预测用户选择节点的概率；

S4,当用户下载发生下载出错时，提供相应的出错解决方法；

S5，根据用户的下载情况选择不同的边缘节点缓存方式。

下面将结合具体步骤对本实施例的技术方案进行详细说明。

(1)在步骤1中首先需要构建多层网络缓存架构，在研究移动数据网络的过程中，由 于现今的网络结构已经非常复杂，现有技术中常常只关心无线信道节点，而将无线信号节 点以上的节点整体抽象为骨干网，这种方法能够缩小研究对象，简化系统模型，但同时也 忽略了无线信道的上级节点能够对移动数据网络设计做出的贡献。本实施例考察了从文件 存储服务器到边缘节点之间的路由、控制等层次，将其视为一种树状结构，若能够利用这 种层次结构，将缓存安排在上级层次能够提高缓存空间的利用率和缓存内容的击中率，据 此提出了第二级缓存的结构模型，如图2所示，该结构模型自顶向下，分别是中心服务器、 骨干网、二级节点层和边缘节点层。

1)中心服务器

中心服务器是文件原件存放的位置，其地理位置由各内容提供方决定。现实中，中心服 务器地理上的物理距离和网络拓扑上的逻辑距离都离用户较远，这也是用户从中心服务器 下载存在较高延迟的原因之一。

图2中有3个中心服务器，代表3个不同的内容提供商。

2)骨干网

骨干网部分实际是大型复杂各类网关节点网络的抽象，本实施例的架构设计将将其整体 抽象为骨干网。

3)二级节点层

骨干网之下，本实施例首先注重的一个层次是二级节点层，也就是边缘节点层的上层节 点。二级节点层是内容中心(Content Centric)型网络的内容缓存点。在图2中为R2-1、 R2-2两个节点。这个节点负责多个边缘节点的内容的路由和转发，如图中R2-1负责3个边 缘节点，而R2-2负责2各边缘节点。同时，每个二级节点具有较强的缓存能力，均单独配 备一个容量可观的缓存空间，即为图中的C2-1和C2-2。

对于网络下载而言，将文件存储在越接近中心服务器的层次，就越能增加内容的重复访 问概率，相应的也会带来用户访问内容的延迟。对于移动性强的用户，本实施例提供了边 缘节点的缓存策略以降低用户对内容的访问延迟。但对于移动性若或者不移动的用户，则 无法利用边缘缓存节点的优势，需要直接从二级缓存节点下载内容，那么二级缓存节点距 离用户的逻辑距离直接决定了用户访问内容的延迟。将文件缓存在靠近边缘节点的二级节 点是一种在延迟和缓存空间利用率之间的权衡后的策略。

二级节点是内容中心型网络的组成部分，其缓存空间内缓存的是完整的文件，因此二级 节点对文件内容是可知的。

互联网上的视频文件，可分为UGC(User Generated Content)和non-UGC两种类型。

UGC指类似于YouTube.com、秒拍、美拍等视频平台，其大多数内容是由用户产生并上 传的。UGC的文件有以下三个主要特征：

1)种类繁多，更新速度极快。如YouTube.com视频网站每天有大约65,000个新视频文件被上传；

2)内容类似的视频文件可能存在多种相似的版本。即同个视频素材可能会被不同的用 户多次剪辑、引用，添加水印、字幕，而变成二进制上完全不同的视频文件；

3)文件体积差别大。既存在大量只有十几秒的视频片段，也存在长达24小时的视频 文件；

相比于UGC的上述特征，non-UGC，例如Netflix、腾讯视频、乐视TV等内容提供商，最大的特征是提供的视频内容版本唯一。一部电影，或一部电视剧大多只有一个官方版本。

无论是UGC类型还是non-UGC类型的文件，其视频内容的流行度都与其评分、点赞数等 用户反馈高度相关，因此可以直接根据内容的评分作为判别其流行度、是否需要缓存的因 素。

对于UGC类型的文件，虽然其种类较多，但流行文件的集中度很高。同时，通过对UGC 类型的文件的时间特性分析，发现UGC类型的流行文件，大多会在10至20天后不再流行， 并且一个文件的流行趋势具有一定的可预测性。因此，对UGC类型的文件进行缓存是可行 的。而non-UGC的内容有较大的时间特征，能够根据历史访问量预测未来访问量，预测文件的流行度进行缓存。如电影、电视剧的更新常常是有明确的时间表的，因此将流行的电视剧，或热映的电影的流行度计算权重提高，或者根据此电视剧以往的下载量，预期下一集的下载量，提前进行缓存，均可以增加缓存内容的命中率。

4)边缘节点层

地理上和逻辑上均最靠近用户的边缘节点层中，边缘节点以RSU形式存在，每一个边缘 节点都配备一个容量相较二级节点层缓存空间较小的缓存空间，即图2中的C1-1～C1-5。 这些边缘节点主要以RSU(Road Side Unit)的形式分布在交通干线沿线，直接为用户提供 无线网络接入点。每个无线网络覆盖区域由图2中面向用户移动性的多层网络架构中的 A1～A5标示。假设一个具有移动性的用户从道路左侧进入A1无线网络覆盖区，则该用户将 受C1-1及其边缘节点服务。当此用户继续移动，将依次经过A2、A3、A4、A5区域，为其提供内容访问的边缘节点也依次改变。而不是传统意义上的基站的形式设计。

用户的网络数据需求类型可分为突发型和持续型两种。突发型需求主要有网页、即时通 讯等，指用户只在极短的时间内需求数据，而大多数时间在浏览数据。持续型需求主要有 视频、音频文件访问，指用户需要持续不断的数据流下载。持续型需求会对骨干网带来较 大的负荷，但视频、音频都具有较高的可缓存性，所以边缘缓存架构可以很好地承担用户 对视频、音频的访问负荷。

边缘节点缓存的内容和二级节点不同，边缘节点不缓存完整的文件，而是缓存完整文件 分割形成的数据块。因此边缘节点的缓存是内容无知型的缓存节点，不能对分成块的文件 进行内容感知。

由于用户的高度移动性，而无线信道的带宽是有限的，所以用户极有可能在一个边缘节 点的覆盖范围内只能下载大型文件的很小一部分。因此，在每个边缘节点都缓存完整的大 型文件是没有意义的。边缘节点收到用户请求文件的消息后，反馈给二级节点，若二级节 点的缓存空间内存有请求文件的完整版本，二级节点则将根据用户的运动情况、文件尺寸、 无线信道情况、边缘节点覆盖能力、边缘节点个数等因素，将大型文件分块，通过专用链 路分散缓存到用户所处的边缘节点及用户可能经过的边缘节点。也就是说，用户在到达前 方的边缘节点覆盖范围之前，前方边缘节点已经缓存好了该请求文件的后几个数据块，节 约缓存空间的同时，保证用户能够下载到需求的数据块。

边缘节点和二级节点共同组成了面向用户移动性的多层网络缓存部署策略。两层缓存各 司其职，有不同的特性和功能；同时相互配合，为用户提供内容下载服务。下面将详细阐 述两级缓存之间的联系。

边缘节点的是面向用户移动性缓存布局中的重要组成部分，通过面相数据块的缓存，以 满足移动中的用户的下载需求。由于用户到来的不确定性和用户请求文件的不确定性，边 缘节点缓存的内容是随机且多变的。为了尽可能节省存储空间，不再被需求的数据块需要 及时被删除，以缓存新用户请求的数据块。因此，虽然针对数据块的边缘缓存虽然可以降 低用户，尤其是移动型用户的内容访问延迟，但无法真正降低骨干网链路的负载。

为了能够配合边缘节点的分块缓存，特此设计二级节点缓存。二级节点按照基于流行度 的缓存理论进行完整文件的缓存，作为边缘节点的分块缓存提供原始完整文件的来源。对 于已经在二级节点缓存的文件，边缘缓存可以直接从二级节点缓存获得，不需要经过骨干 网进行下载。

(2)在步骤S2中为了定量用户的数据获取能力，需要计算用户在节点的停留时间和在 用户区域的停留时间，通过用户区域停留时间的倒数模型的建立能有助于用户下载数据块 策略的部署。

S2.1用户区域停留时间的倒数模型的构建

为了能够建立定量的用户下载能力的数学模型，用户在某一个边缘节点内停留的时间至 关重要。事实上，用户在某个边缘节点内能够下载的数据量和在该边缘节点内停留的时间 成正比。在现实生活中，某条道路上的移动中的用户的速度的概率密度分布可以比较容易 地通过交通信息获得，而在某路段停留的时间则需要建立数学模型来描述。

假设移动型用户为车内乘客。车辆在某路段停留的时间是车辆速度的倒数，因此首先需 要对车辆速度的分布进行建模。幸运的是，城市交通领域已经有大量的研究对道路上车辆 速度进行了数据统计和模型建立。事实上，城市交通通常是混合交通，由速度较快的机动 车和速度较慢的非机动车两个群体构成。考虑到大多数移动性强的移动互联网内容访问者 主要是机动车乘客，本实施例只考虑机动车的速度分布情况。

S2.1.1用户区域停留时间模型的数学推导

由统计结果显示，车辆的车速最接近正态分布。则假设车辆的速度服从以下正态分布：

定理1:

车辆在单位里程停留时间与车辆速度互为倒数关系，因此车辆在单位时间里停留的时间 服从以下分布：

证明：

定义U＝φ(X)，且存在关于U的反函数X＝ψ(U)，那么U的概率密度函数为：

g(u)|du|＝f(x)|dx| (4)

或者表示为

此处，

因此：

S2.1.2用户区域停留时间模型输入参数的取值

为了方便该用户区域停留时间模型的正确性和后续模型的仿真，用户区域停留时间模型 的两个核心输入参数——路段车速均值与标准差，需要定量给出。

在路段中，车辆车速服从的正态分布的均值和方差参数在各个时间段如表2所示。

表2各时间段的车辆速度分布参数

全天速度均值约为28km/h，标准差均值约为3.8。本实施例之后所有验证均采用μ_vi＝28km/h，σ_i＝3.8作为区域停留时间模型的输入量。

S2.1.3用户区域停留时间模型的实验验证

为了进一步验证上述数学推导的正确性，采用程序模拟独立随机试验，对实验结果进行 统计的方法检验模型。

本实施例的检验方法如下：生成100,000次的服从正态分布的随机数，分别取倒数。从 所得的倒数中的最小值到最大值的范围中，分割出100个等宽的区间。将所有的随机数的 倒数和区间进行匹配，数出每个区间中有多少个数。按照随机数的倒数从小到大将每个区 间中的随机数数目标示在二维坐标系中，即可得到概率密度曲线。

当μ_vi＝28，σ_i＝3.8时，车辆速度的概率密度函数如3-1所示；使用定理1计算得出的 单位路程所需时间的概率密度函数如图3-2所示；使用实验法的实验结果如图3-3所示。

图3-1中虚线所在位置为均值。

图3-2中右侧虚线标出的为原正态分布的均值的倒数，左侧虚线为正态分布倒数的分布 的峰值所在位置。可以看到，在本测试参数下，正态分布概率密度函数的倒数的分布。峰 值所在的位置和原正态分布的均值的倒数相差并不是很多，只有0.00126小时，即4.536 秒。

图3-3中纵坐标为某取值区间内的频数，右侧虚线标出的为原正态分布的均值的倒数， 左侧虚线为正态分布倒数的分布的测试结果中，峰值所在位置。

由于实验法的样本容量只有100,000个，分类区间只有100个，因此试验得出的曲线并 不是很光滑。但对比图3-3的实验结果的曲线和图3-2的推导结果的曲线，可以明显看出 推导结果是正确的。

至此，已经完成用户区域停留时间的倒数模型的建立。

S2.2用户区域停留时间的正态分布模型。

观察用户与区域停留时间的倒数模型的计算结果，可以发现用户区域停留时间的分布不 满足正态分布但近似于正态分布。如果能够使用正态分布进行替换，则能在后续模型的建 立和计算中大幅降低计算量。因此本实施例讨论了5种正态分布的拟合方法，对用户区域 停留时间的分布进行正态分布拟合，最终得到一个形式的简单正态分布的用户区域停留时 间模型。

从式3-2及其之后的推导可以发现，正态分布的倒数的分布并不是严格的正态分布，而 是一个形式上类似于正态分布的特殊的分布。在一定情况下，正态分布倒数的分布与正态 分布相比，会有很大的偏移量。如图所示，是均值为28，方差为10时的正态分布的倒数的 分布。可以从图中看到，峰值和均值的倒数相差较大，分布函数相较于正态分布有明显的 倾斜。

但是现实中并不会出现这样的均值和方差组合。由于路段车流量、限速等因素，机动车 车速的差距不会太大，正态分布倒数的分布的倾斜量不会像图3-4一样明显。比如，在平 均车速为28千米每小时，标准差为3.8的场景下，即如图3-2所示虽然车辆单位路程停留时间不满足正态分布，但非常接近正态分布。

为了验证这一点，使用公式2的倒数模型，改变车速的均值，观察区域停留时间的分布 图像。其中均值与方差取值如下：

均值＝30，37，44...86

得到的分布如图3-5所示。

可以发现区域停留时间的倒数分布非常接近正态分布。如果能够使用正态分布来代替式 3-2的分布，将能够利用正态分布的卷积特性，大幅简化后续的计算。

对

的结果进行正态分布拟合，可得到正态分布的用户区域停留时间，而选取合适 的正态分布拟合方法，能够有效地降低拟合过程中带来的系统误差。

现有的单位距离车辆经过的时间的概率密度函数和概率分布函数如图所示。对其使用正 态分布曲线拟合，需得到最低误差情况下的正态分布的均值及方差。

图中，横轴为车辆停留时间，单位为小时；左纵轴和实线表示概率密度函数；右纵轴和 虚线表示概率分布函数。

S2.2.1定量误差计算方法

使用正态分布对用户区域停留时间的倒数分布模型进行拟合，必定会带来一定的系统误 差，而将系统误差控制在最小，是拟合的首要目标。在进行拟合之前，本实施例首先列举 三种定量的误差计算方法，以方便对比各种拟合方法的性能。下列各式中，误差 e＝拟合值-真实值。

总误差。总误差指拟合结果的值与原曲线数值相差量的累加，其数学表达式如式7所示。

95％误差。由正态分布的特性，[μ-2σ，μ+2σ]范围内包含了95％的概率值。由于在95％ 范围内已经可以将模型适用于大部分用户，因此可定义95％误差。若95％的概率值的误差已 经被降到足够低，在其它位置出现误差对系统性能的影响是非常有限的。95％误差的数学表 达式如式8所示。

均方误差(average quadrat ic error)。均方误差是一种描述“平均误差”的一种较方 便的方法。均方误差越小，说明曲线拟合得越好。均方误差的数学表达书如式9所示。

S2.2.2拟合方法1逼近优化法

根据误差表达式，采用其中一种误差表达方法，如相对百分比误差，不断改变均值及方 差的取值，以逼近车辆单位里程停留时间分布。

可采用逐次逼近算法，分别求解均值和方差，得出最优结果。

但是这种方法计算量大，运算时间长，对硬件要求高，不满足本实施例中边缘节点和二 级节点的条件。

S2.2.3拟合方法2随机实验拟合法

使用Python的numpy.random.choice函数，按照已有的

分布函数，随机生成大量 随机试验数据。再使用Python下的scipy.stats.norm.fit函数对这些随机数进行拟合，得到均值与标准差。

基于Python，使用本实施例的模拟情景进行验证。其中

分布函数的X轴取值范围 分辨率为千分之一，共进行100,000次随机实验，得到的验证结果如图3-7所示。

图中阴影部分即为误差范围。图上，实线曲线(original)表示

的分布；虚线曲 线表示拟合后的正态分布；总误差(error rate)为21.4％；95％误差(error rate95％) 为17.7％；均方误差(average quadrat ic error)为27.19。可以从结果中看出，通过这 种方法得出的曲线的拟合程度并不是很理想，尤其是在峰值附近。

S2.2.4拟合方法3同均值算方差法

此方法令拟合正态分布的均值等于原分布的均值，再通过公式求解正态分布的方差，获 得拟合曲线。

通过求解积分

计算出

的均值。令

通过求解积分

计算出方差σ_ti ²。

基于Python，使用本文的模拟情景进行验证。验证结果如图3-8所示。

可以看到这种方法也不十分理想，整体的总误差达到27.9％，95％误差也达到21％。

S2.2.5拟合方法4同均值同峰值法

此方法令正态分布均值等于原分布均值，正态分布峰值等于原分布峰值，获得拟合曲线。

通过求解积分

计算出

的均值。令拟合出的正态分布的峰值等于

的峰值，通过公式

计算出正态分布函数的标准差。

基于Python，使用本文的模拟情景进行验证。验证结果如图3-9所示。

可以从图中看到，总误差及95％误差与拟合方法3相比有显著下降，但误差仍然相对集 中在95％的范围内。

S2.2.6拟合方法5峰位均值同峰值法

以

函数的峰值的取值为拟合正态分布函数的均值。令拟合出的正态分布的峰值等 于

的峰值，通过公式

计算出正态分布函数的标准差。

基于Python，使用本文的模拟情景进行验证。验证结果如图3-10所示。

这种方法的运算复杂度最低，不需要计算任何的积分项。并且总误差，尤其是95％误差 较低，能够满足后续计算的需求。

S2.2.7拟合方法小结

所有拟合方法的算法复杂度、总误差、95％误差和均方误差总结如表3所示。

表3峰位均值同峰值法。

由于逼近优化法算法复杂度高，且达到高精度需要占用大量的运算资源，而边缘节点的 基础设施不满足这一条件，因此不做考虑。而在其它所有的拟合方法中，峰位均值同峰值 法的算法复杂度低，总误差(尤其是95％误差)，均方误差也是最低的，因此本实施例采用 这种方法对

的分布函数进行拟合近似。

拟合方法5可以使用如下数学表达式表达：

至此，已经完成完整的用户区域停留时间的正态分布模型的建立。

(3)事实上，用户在某个边缘节点内能够下载的数据量和在该边缘节点内停留的时间 成正比。在此前步骤中本实施例已完成用户区域停留时间的模型建立，能够进一步用于建 立定量的用户下载能力的数学模型，即基于用户的移动情况和网络状况对移动型用户在各 个节点的下载能力建立预测模型，并对缓存网络进行定量计算，预测用户选择节点的概率。

在面向用户移动性的边缘缓存策略中，通过用户的移动情况、网络状况等因素，预测用 户能够在哪些边缘节点下载哪些数据块是该策略的核心。构建一种计算用户在各个节点下 载数据块数的概率分布的模型，并通过求解该模型，即可生成边缘缓存节点中数据块的部 署策略。

按照如下计算步骤和公式可对移动型用户在各个节点的下载能力建立预测模型，并对缓 存策略进行定量计算求解。用户能在边缘节点下载的数据量与无线信道带宽正线性相关， 根据正态分布的性质，用户在边缘节点能下载的数据量服从以下分布：

那么用户在边缘节点能下载的块的数量服从以下分布：

第k个数据块能在节点i被下载到的概率：

Y_i＝Y_i-1+X_i (19)

车辆在某边缘节点范围内下载的数据块的数量服从正态分布。即

Y_i＝Y_i-1+X_i，Y₀＝0 (25)

其中，“*”代表卷积。

由于

所以

若

使得

则意味着

时，均无法达到下载概率大于门限概率的要求。

否则

使得

或

成立。

其中，运算符

定义为将一组数进行降序排序。

至此，已完成移动型用户在各个节点的下载能力建立预测模型。

(4)通过前述用户停留时间模型的建立和节点下载概率模型的建立，可以在一定程度 内预测各节点的下载概率，但其生成的数据块部署策略只能保证用户能够有一定几率下载 到需求的数据块，而不能达到100％。若用户无法下载到请求的数据块，则需要相应的下载 出错应对方案，当用户下载发生下载出错时，提供相应的出错解决方法。建立下载出错模 型，能够提高系统架构的完整性。

在μ_vi＝28，σ_i＝3.8的情景下，若文件总尺寸为20,000Mbit，节点覆盖路径长度为1km， 边缘节点个数位12，最低概率门限为0.9的时候，使用先前步骤构建得到的边缘缓存模型 进行部署结果如图4所示。图中下方每一条钟形曲线为一个边缘节点，表示某个块在该节 点能被下载的概率。钟形曲线上分布有黑点，表示黑点所在的钟形曲线对应的边缘节点缓 存有该数据块。图中较粗的曲线表示总下载概率，下载能力预测模型将其控制在最低概率 门限以上(图中带-点状直线，纵坐标为0.9)；当所有节点都参与缓存仍然无法达到最低概 率门限，则放弃下载该块和其之后的数据块。观察总概率曲线可以发现，该曲线在0.9以 上的位置变化，其形状有上跳-逐渐下降-再上跳的规律。图中使用8条垂直于横轴的点状 直线标示出总下载概率的“上跳点”。可以发现，每当有新的边缘节点参与缓存某个数据块，就会出现一个较为明显的“上跳点”。

产生这个数据块与下载概率的曲线图的同时，生成数据块与缓存该数据块的边缘节点关 系表，如表4所示。

表4各数据块与缓存该数据块的边缘节点编号对照

块号	节点列表	块号	节点列表	块号	节点列表	块号	节点列表	块号	节点列表
										1	0	41	2，1，3	81	4，5，3，6	121	-	161	-
2	0	42	2，1，3	82	4，5，3，6	122	-	162	-
										3	0	43	2，1，3	83	4，5，3，6	123	-	163	-
4	0	44	2，3，1	84	4，5，6，3	124	-	164	-
										5	0	45	2，3，1	85	4，5，6，3	125	-	165	-
6	0	46	2，3，1	86	4，5，6	126	-	166	-
										7	0	47	2，3，1	87	4，5，6	127	-	167	-
8	0	48	2，3	88	5，4，6	128	-	168	-
										9	0	49	2，3	89	5，4，6	129	-	169	-
10	0	50	2，3	90	5，4，6	130	-	170	-
										11	0，1	51	2，3	91	5，4，6，7	131	-	171	-
12	0，1	52	2，3	92	5，4，6，7	132	-	172	-
										13	0，1	53	3，2，4	93	5，4，6，7	133	-	173	-
14	0，1	54	3，2，4	94	5，6，47	134	-	174	-
										15	0，1	55	3，2，4	95	5，6，4，7	135	-	175	-
16	0，1	56	3，2，4	96	5，6，4，7	136	-	176	-
										17	0，1	57	3，2，4	97	5，6，4，7	137	-	177	-
18	0，1	58	3，2，4	98	5，6，4，7	138	-	178	-
										19	1，0	59	3，2，4	99	5，6，4，7	139	-	179	-
20	1，0	60	3，2，4	100	5，6，4，7	140	-	180	-
										21	1，0	61	3，4，2	101	5，6，7，4	141	-	181	-
22	1，0	62	3，4，2	102	5，6，7，4	142	-	182	-
										23	1，0	63	3，4，2	103	5，6，7，4	143	-	183	-
24	1，0	64	3，4，2	104	5，6，7，4	144	-	184	-
										25	1，0，2	65	3，4，2	105	6，5，7，4	145	-	185	-
26	1，2，0	66	3，4，2	106	6，5，7，8，4	146	-	186	-
										27	1，2	67	3，4，5	107	6，5，7，8，4	147	-	187	-
28	1，2	68	3，4，5	108	6，5，7，8，4	148	-	188	-
										29	1，2	69	3，4，5	109	6，5，7，8，4	149	-	189	-
30	1，2	70	3，4，5	110	6，5，7，8，4，9	150	-	190	-
										31	1，2	71	4，3，5	111	6，7，5，8，9，4	151	-	191	-
32	1，2	72	4，3，5	112	-	152	-	192	-
										33	1，2	73	4，3，5	113	-	153	-	193	-
34	1，2	74	4，3，5	114	-	154	-	194	-
										35	1，2	75	4，3，5	115	-	155	-	195	-
36	2，1	76	4，3，5	116	-	156	-	196	-
										37	2，1	77	4，3，5	117	-	157	-	197	-
38	2，1	78	4，5，3	118	-	158	-	198	-
										39	2，1，3	79	4，5，3	119	-	159	-	199	-
40	2，1，3	80	4，5，3	120	-	160	-	200	-

续表

表4中，节点列表按照用户在各个节点下载该块号的数据块的概率，从大到小排列节点 编号。如第11号数据块，需要使用边缘节点0和边缘节点1进行缓存，且用户在边缘节点 0下载的概率大于在边缘节点1下载的概率。表中边缘节点为“-”表示此编号的数据块，即使使用所有边缘节点进行缓存，其预测概率仍然达不到最低概率门限，因此不作缓存。

统计上表，可以发现每个节点缓存的块数如表5统计所示：

表5各节点缓存情况

节点号	0	1	2	3	4	5	6	7	8	9	10-11
												缓存块数	26	37	42	47	59	45	31	21	6	2	0

从表中可以发现，每个节点缓存的数据块数随着节点编号递增而递增，且到4号节点达 到缓存块数的峰值；之后开始递减，直到第10号和第11号边缘节点中不缓存任何数据块。

分析图4的钟形曲线可以发现，4号边缘节点及其之前的边缘节点，整条钟形曲线都被 利用，参与块的缓存；而5号到9号边缘节点，均由于第112号块及其之后块无法满足最低概率门限，而只有部分曲线被利用，后方曲线由于无论如何都无法达到最低概率门限而放弃缓存。因此从5号边缘节点开始，每个边缘节点缓存的块数呈现递减趋势。

同时可以发现，0号节点缓存了1号至26号数据块，1号节点缓存了11号至47号数据块。0号和1号节点重复缓存了11号至26号的数据块，这也体现出此模型应用概率预测移 动用户的下载情况，为了能够在补偿达到额定总下载概率进行了冗余缓存。然而即使冗余 存储，仍然可以从上图看到，总的下载概率并没有达到1，这主要是因为以下两种情况：

1)用户在当前边缘节点请求过后的数据块；

2)用户在当前边缘节点请求过前的数据块；

为了更清晰地说明这两种情况，以0号和1号边缘节点为例。

图5是两个边缘节点及它们的缓存情况，但用户的下载和请求情况是随机的。用户有可 能在0号边缘节点的A1区域内请求第27号数据块，也有可能在1号节点的A2区域内请求 第10号数据块。这就是总的下载概率达不到1的原因。本实施例将这两种情况称为块下载 出错，下面将针对这两种情况，分别进行分析和解决。

(1)用户在当前边缘节点请求过后的数据块

这种情况出现的原因有两种：

1)用户移动速度过慢；

2)用户在0号节点停止移动。

当用户请求过后的数据块，用户无法从边缘节点的缓存空间获得请求的数据，而需要从 二级节点的缓存空间下载第27号及之后的数据块。但如果1号及之后的节点仍然保留之后 的数据块的缓存，而用户停止了移动(即为原因2)，之后的边缘节点的缓存空间就被完全 浪费了。

因此定义一个“超时界限”：当用户在同一个边缘节点覆盖范围下，通过二级节点而不 是边缘节点下载了超过这个节点缓存的T％的数据块，则视用户为停止移动，此时释放后续 节点的数据块缓存。即后续节点原定为该用户缓存的数据不再等待该用户下载，可以被新 部署的数据块覆盖。如：0号节点共缓存了26个数据块，若用户在这个节点下载完了26个 数据块后，继续通过二号节点下载了13个数据块，也就是共下载到了第39个数据块，则 视用户为停止运动，释放1号及其之后的边缘节点缓存空间。

但若用户在0号边缘节点下载了39个数据块之后，在第1号边缘节点请求第40号块— —也就是说，用户的下载量超出了超时界限，被判定为停止移动之后，却在下一个节点开 始请求下一个数据块，此时判定用户为“继续移动”状态。将1号边缘节点视为起始边缘 节点，对后续的未下载的块使用同样的算法进行提前缓存。

(2)用户在当前边缘节点请求过前的数据块

这种情况的出现的主要原因是用户移动速度过快，用户在到达下一个边缘节点的之前下 载量过少。若出现这种情况，则将1号边缘节点视为起始节点，将第10号数据块视为起始 数据块，重新使用同样的算法对之后的缓存策略进行计算，并更新缓存内容。由于1号及 其之后的边缘节点原本按照计算出的缓存策略已缓存有数据块，因此重新计算缓存策略后， 虽然需要改变缓存的数据块内容，但增删不会太多。虽然重新计算缓存策略会带来一定的 开销，但数据链路的开销是有限的。

以上两种下载出错的解决流程图如图6所示，具体处理步骤如下：

S4.1在块下载出错时，判断请求块编号大于当前边缘节点缓存终止块编号，如果是， 则跳转到步骤S4.2.1，若否则进一步判断请求块编号小于当前边缘节点缓存起始块编号， 若是，则以该编号的块作为起始块在下一个边缘节点重启预测算法，若否若跳转到步骤 S4.3.1；

S4.2.1从二级节点下载并保留后续缓存，并判断从二级节点下载块数是否超过当前边 缘节点块数的T％，若否，则继续从二级节点下载保留后续缓存，如果是，则跳转至步骤S4.2.2；

S4.2.2判定用户为静止，释放后续缓存，并判断是否在另一个边缘节点请求数据块， 若否，返回步骤S4.2.1并继续从二级节点下载保留后续缓存，如果是则重启预测算法；

S4.3.1判定为上一次预测算法预测极限位置，并以上一个边缘节点中请求的最后一个 块作为起始块，在下一个边缘节点重启预测算法，并结束当前出错处理。

至此，下载出错模型的建立完成。

(5)由本实施例中前述步骤建立的用户区域停留时间模型、用户下载能力预测模型和 用户下载出错模型，基于多层网络缓存架构和各个通信处理模型能在移动用户访问的过程 中根据用户的下载情况有效调整边缘节点的缓存方式，包括根据用户下载能力的预测调整 不同的提供数据缓存的节点，通过用户下载出错模型调整提供下载和后续数据缓存的位置 节点，从而最大化地使用硬件资源为用户提供最好的下载体验。

本说明书(包括任何附加权利要求、摘要)中公开的任一特征，除非特别叙述，均可被 其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列 等效或类似特征中的一个例子而已。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征 或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (8)

1.一种面向用户移动性的网络边缘缓存选择方法，其特征在于，该方法包括以下步骤：

S1，将所有网络节点进行分组，构建多层网络缓存的架构，所述多层网络缓存架构自顶向下分别包括中心服务器、骨干网、二级节点层和边缘节点层；

S2，为了定量用户的数据获取能力，通过建立用户区域停留时间模型，依次计算用户在节点的停留时间和在用户区域的停留时间，所述节点包括边缘节点，所述用户区域是指一个边缘节点的覆盖范围；

S3，基于用户的移动情况和网络状况对移动型用户在各个节点的下载能力建立预测模型，并对缓存网络进行定量计算，预测用户选择节点的概率；

S4，当用户下载发生下载出错时，建立下载出错模型，提供相应的出错解决方法；

S5，根据用户的下载情况选择不同的边缘节点缓存方式；

基于多层网络缓存架构和各个处理模型在移动用户访问的过程中根据用户的下载情况有效调整边缘节点的缓存方式，包括根据用户下载能力的预测调整不同的提供数据缓存的节点，通过用户下载出错模型调整提供下载和后续数据缓存的位置节点，实现选择不同的边缘节点缓存选择方式。

2.如权利要求1所述的网络边缘缓存选择方法，其特征在于，所述边缘节点缓存完整文件分割形成的数据块，二级节点进行完整文件的缓存；

对于已经在二级节点缓存的文件，边缘缓存可以直接从二级节点缓存获得，不需要经过骨干网进行下载。

3.如权利要求1所述的网络边缘缓存选择方法，其特征在于，所述步骤S2中通过建立用户区域停留时间模型依次计算用户在节点的停留时间和在用户区域的停留时间，具体包括以下步骤：

S2.1，构建用户区域停留时间的倒数模型：

假设移动型用户为车内乘客，车辆在某路段停留的时间是车辆速度的倒数；

S2.2，用户区域停留时间模型的推导：

由统计结果显示，车辆的车速最接近正态分布，则车辆的速度服从以下正态分布：

车辆在单位里程停留时间与车辆速度互为倒数关系，因此车辆在单位时间里停留的时间服从以下分布：

其中，μ_vi表示边缘节点i范围内车速均值，μ_ti表示边缘节点i范围内的停留时间均值，t_i表示边缘节点i范围内的停留时间，σ表示边缘节点i范围内下载的数据块数的方差，σ_vi ²表示边缘节点i范围内车速方差，σ_ti ²表示边缘节点i范围内的停留时间方差；

S2.3，构建用户区域停留时间的正态分布模型：

对用户区域停留时间

的结果进行正态分布拟合，得到正态分布的用户区域停留时间模型，使用如下数学表达式表达：

4.如权利要求1所述的网络边缘缓存选择方法，其特征在于，用户在某个边缘节点内能够下载的数据量和在该边缘节点内停留的时间成正比，在已完成用户区域停留时间的模型的基础上，建立定量的用户下载能力预测的数学模型，即基于用户的移动情况和网络状况对移动型用户在各个节点的下载能力建立预测模型，并对缓存网络进行定量计算，预测用户选择节点的概率。

5.如权利要求4所述的网络边缘缓存选择方法，其特征在于，按照如下计算步骤和公式可对移动型用户在各个节点的下载能力建立预测模型，并对缓存策略进行定量计算求解：

用户能在边缘节点下载的数据量与无线信道带宽正线性相关，根据正态分布的性质，用户在边缘节点能下载的数据量服从以下分布：

那么用户在边缘节点能下载的块的数量服从以下分布：

第k个数据块能在节点i被下载到的概率：

其中，Y_i＝Y_i-1+X_i

车辆在某边缘节点范围内下载的数据块的数量服从正态分布，即

Y_i＝Y_i-1+X_i，Y₀＝0

其中，“*”代表卷积，

由于

所以

若

使得

则意味着

时，均无法达到下载概率大于门限概率的要求，

否则

使得

或

成立；

其中，运算符

定义为将一组数进行降序排序，s_i表示边缘节点i范围内的路径长度，S_t表示数据块大小，BW_witeless表示无线信道带宽，Y_i表示边缘节点i中被下载的最后一个块号，X_i表示边缘节点i中被下载的最后一个块号，K表示总数据块数，τ表示最低下载概率阈值，N表示边缘节点数。

6.如权利要求1所述的网络边缘缓存选择方法，其特征在于，通过用户停留时间模型的建立和节点下载概率模型的建立生成的数据块部署策略使用户能下载到需求的数据块，若用户无法下载到请求的数据块，即出现块下载出错时，建立下载出错模型，提供相应的出错解决方法。

7.如权利要求6所述的网络边缘缓存选择方法，其特征在于，所述块下载出错包括下述两种情形：

(1)用户在当前边缘节点请求过后的数据块；

(2)用户在当前边缘节点请求过前的数据块。

8.如权利要求7所述的网络边缘缓存选择方法，其特征在于，下载出错模型具体处理步骤如下：

S4.1在块下载出错时，判断请求块编号是否大于当前边缘节点缓存终止块编号，如果是，则跳转到步骤S4.2.1，若否则进一步判断请求块编号是否小于当前边缘节点缓存起始块编号，若是，则以该编号的块作为起始块在下一个边缘节点重启预测算法，若否若跳转到步骤S4.3.1；

S4.2.1从二级节点下载并保留后续缓存，并判断从二级节点下载块数是否超过当前边缘节点块数的T％，若否，则继续从二级节点下载保留后续缓存，如果是，则跳转至步骤S4.2.2；

S4.2.2判定用户为静止，释放后续缓存，并判断是否在另一个边缘节点请求数据块，若否，返回步骤S4.2.1并继续从二级节点下载保留后续缓存，如果是则重启预测算法；

S4.3.1判定为上一次预测算法预测极限位置，并以上一个边缘节点中请求的最后一个块作为起始块，在下一个边缘节点重启预测算法，并结束当前出错处理。

Images