CN108595475A - 一种移动社会网络中的缓存节点选择方法 - Google Patents

Abstract

本发明提供了一种移动社会网络中的缓存节点选择方法，属于用户行为分析技术领域。本发明基于两个方面对缓存节点进行选择。一是根据用户与其它用户之间的兴趣、好友关系、地理轨迹、社交注意力等的相似度，对用户的社会属性进行度量，根据用户注意力的分配来判断用户对社交内容的通信需求，从而进一步用于动态调整通信过程中存储资源的分配，避免因社交注意力分配比很低而导致数据转发低效的问题，也避免了缓存节点的不活跃对数据传输产生的影响；二是度量用户设备本身的剩余缓存空间，避免缓存空间不足，使得选择的缓存节点的选择更具有针对性和准确性。

Description

一种移动社会网络中的缓存节点选择方法

技术领域

本发明属于用户行为分析技术领域，特别涉及一种移动社会网络中的缓存节点选择方法。

背景技术

移动社会网络结合了社会科学和无线网络技术,是一个为具有紧密社会联系的移动用户提供数据递送服务的通信系统。它能够提供用户位置信息和用户社会关系信息，这些信息具有较大的信息挖掘空间，如果将其与用户行为分析结合起来，能够提供更好的精确服务。移动社会网络的发展也产生了巨大的移动流量，快速增长的移动网络流量给当前移动网络带来了巨大的挑战，具体表现在回传网络压力巨大、内容重复传输浪费网络资源以及网络时延大这几个方面。

近年来随着内容分发网络与缓存技术的发展，在用户设备处缓存内容且用户参与内容分发的技术，成为学术界和产业界关注的重点。通过在用户设备节点部署内容缓存，用户设备之间通过D2D(Device-to-Device，设备到设备)方式协助内容分发，可以有效的缓解回程链路带宽的压力，减少重复的内容的传输，降低网络时延，进而可以满足多个用户对同一内容的迅速就近获取，优化用户体验。

在移动社会网络中，传统缓存节点的选择研究，将用户终端抽象为网络节点构建网络拓扑，进而转化为网络拓扑中的最小点覆盖问题。该类研究没有考虑用户本身的自私性，假设用户节点行为表现都是“无私”的，自愿将内容缓存到自己设备上并参与内容分发。实际情况中，考虑到用户设备电源、内存的限制，用户不会无私的贡献自己的资源，往往在遇到与自己有着显式关系(如好友)或隐式关系(兴趣相似)的其他用户时，才有意愿提供内容转发因此，在传统缓存节点选择研究的基础上，一些研究开始考虑用户本身的社会属性与行为的表现。这些研究综合考虑了终端物理拓扑网络与用户社会关系网络，且用户只为自己的朋友提供内容转发协助。

这些研究虽然考虑了用户的社会好友关系或兴趣相似度，但没有考虑到用户本身的移动性与社交行为表现。一方面，在一个动态的网络拓扑中没有考虑用户与其他用户相遇的概率，一个不活跃的、与其他用户相遇概率低的用户不适合做缓存节点；另一方面，在真实应用中，还需要考虑到社交注意力分配。移动社会网络中，两个用户节点相遇时会发生社交、数据通信等交互行为，用户在交互的过程中他们的注意力分配比值不同，例如两个人在一起读书，那么一个人的注意力中用在交流的注意力可能占20％，用在读书占80％。而社交注意力分配比值就是指两个用户相遇时间里，用户的注意力分配在社交上的比值，用户在相遇的时间段里，可能一直在进行社交；也可能什么都不发生，仅仅是路过；也可能仅仅是打个招呼，之后并没有其他交流。可以通过统计数据传输时长或聊天起止时间来得到用户的社交时间。两个用户在相遇的时间里进行社交的时间越长，其社交注意力分配比值就越高。只有两个人进行社交时，数据才会在两个人之间进行传输。如果一个用户与他人相遇时，不进行或短时间进行社交行为，即他的社交注意力分配比值很低，则这个用户的数据无法传递给其他人，该用户也就不适合做缓存节点。这两种情况下，从通信表现上来看，用户的行为表现仍然是“自私的”。

此外，以上算法均没有考虑到用户设备本身的缓存资源容量，用户的行为表现往往是在满足自己需求的前提下，才愿意为他人提供数据转发帮助，因此，用户设备本身存储资源的限制对用户行为表现上是否“自私”有着重要的影响。

为了便于本领域的普通技术人员理解本发明及其技术，在对本发明的技术进行描述时，首先做出如下定义：

(1)用户间兴趣相似度：即用户的兴趣标签集合与其他任一用户兴趣标签集合之间的相似度。

(2)用户的兴趣中心度：用来表示用户与整个群体的兴趣相似度，即用户与其他所有用户兴趣相似度之和的均值。

(3)用户间好友相似度：即用户的好友集合与其他任一用户好友集合之间的相似度。

(4)用户的好友关系中心度：用来表示用户与整个群体的好友相似度，即用户与其他所有用户好友关系相似度之和的均值。

(5)用户间相遇概率：即在取样时间内，用户与其他任一用户的相遇概率，相遇时间的总和与总取样时间的比值。

(6)用户的地理轨迹活跃度：用来表示用户与整个群体中用户的相遇概率，即用户与其他所有用户相遇概率的均值。

(7)用户的社交注意力分配比值：即在取样时间内，用户其他任一用户社交时间之和与相遇时间之和的比值。

(8)用户的社交行为偏好：用来表示用户与整个群体中用户的社交注意力分配比值，即用户与其他所有用户社交注意力分配比值的均值。

(9)用户的社会属性中心度：即用户在兴趣、好友关系、地理轨迹、社交注意力等社会属性方面的综合度量。

(10)用户节点的缓存重要值：即根据用户社会属性中心度以及剩余缓存空间得出的评定用户节点是否适合缓存的重要值。

发明内容

为了解决上述问题，本发明提供一种移动社会网络中的缓存节点选择算法。

一种移动社会网络中的缓存节点选择算法，包括以下步骤：

步骤1，计算每个用户的兴趣中心度；

步骤2，计算每个用户的好友关系中心度；

步骤3，计算每个用户的地理轨迹活跃度；

步骤4，计算每个用户的社交行为偏好；

步骤5，根据所述兴趣中心度、好友关系中心度、地理轨迹活跃度及社交行为偏好计算得到每个用户的社会属性中心度；

步骤6，获取用户设备缓存空间容量日志文件，得到用户设备缓存容量信息，其中，所述缓存空间容量日志文件包括用户名和用户设备的剩余缓存容量；

步骤7，根据用户设备缓存容量及所述社会属性中心度，计算用户的缓存节点重要值；

步骤8，将得到的用户缓存节点重要值从大到小进行排序，按照预设比例选择缓存节点重要值高的节点作为重要缓存节点。

进一步地，所述步骤1包括以下步骤：

步骤11，获取每个用户的兴趣标签日志文件，形成每个用户的兴趣标签向量，其中，所述兴趣标签列表包括用户名和兴趣标签序号列表；

步骤12，根据所述用户的兴趣标签向量，计算得到任意两个用户的兴趣标签相似度；

步骤13，计算用户与其他所有用户的兴趣标签相似度的均值，得到该用户的兴趣中心度。

进一步地，所述步骤2包括以下步骤：

步骤21，获取每个用户的好友列表日志文件，得到每个用户的好友集合，其中，所述好友列表日志文件包括用户名和好友用户名列表；

步骤22，根据所述用户的好友集合，计算得到任意两个用户的好友相似度；

步骤23，计算用户与其他所有用户的好友相似度的均值，得到该用户的好友关系中心度。

进一步地，所述步骤3包括以下步骤：

步骤31，获取每个用户的地理位置日志文件，其中，所述地理位置日志文件包括用户名、用户地理位置及用户位于该位置的时间；

步骤32，获取任意两个用户在取样时间段内任一时刻的经纬度，计算两个用户之间的距离；

步骤33，当两个用户之间的距离小于预设阈值时，表征两个用户相遇，根据相遇时间之和与总取样时间计算得到两个用户的相遇概率；

步骤34，计算用户与其他所有用户的相遇概率的均值，得到该用户的地理轨迹活跃度。

进一步地，所述步骤4包括以下步骤：

步骤41，获取每个用户的社交时间记录表，其中，所述社交时间记录表包括用户名和社交起止时间；

步骤42，根据任意两个用户的所述相遇时间之和与社交时间之和，计算得到任意两个用户的社交注意力分配比值；

步骤43，计算用户与其他所有用户的社交注意力分配比值的均值，得到该用户的社交行为偏好。

本发明的有益效果：本发明在分析用户的行为表现时，特别的考虑用户的社交注意力分配比例，用户的社交注意力分配比例体现了用户的社交行为表现对数据传输的影响，可以根据用户社交注意力的分配来判断用户对社交内容的通信需求，从而进一步用于动态调整通信过程中存储资源的分配，由此可以避免用户相遇时因社交注意力分配比很低而导致数据转发低效的问题。此外，还考虑了用户的地理轨迹活跃度，即与其他用户的相遇概率，避免了缓存节点的“不活跃”对数据传输产生的影响；最后，本发明在选择移动社会网络中的缓存节点时，在综合了用户好友、兴趣、社交行为表现、相遇概率等多个维度的社会属性基础上，还考虑了用户设备的缓存资源限制，两者结合起来计算网络中每个节点的缓存重要值，并根据缓存重要值的大小选择缓存节点。既可以通过社会属性和物理资源属性两方面充分考虑了用户参与缓存并进行内容分发的意愿，避免缓存节点的“自私性”表现导致缓存及内容分发低效的问题，也可以根据实际情况为各个维度的属性赋予不同权重，使得选择的缓存节点的选择更具有针对性和准确性。

附图说明

图1为本发明实施例的流程图。

图2为图1中步骤1的流程图。

图3为图1中步骤2的流程图。

图4为图1中步骤3的流程图。

图5为图1中步骤4的流程图。

具体实施方式

下面结合附图对本发明的实施例做进一步的说明。

请参阅图1，本发明提供的一种移动社会网络中的缓存节点选择算法，具体流程如下：

步骤1，计算每个用户的兴趣中心度。

请参阅图2，步骤1通过以下流程实现：

步骤11，获取每个用户的兴趣标签日志文件，形成每个用户的兴趣标签向量，其中，所述兴趣标签列表包括用户名和兴趣标签序号列表。

本实施例中，导入区域内用户兴趣标签日志文件，其中，用户兴趣标签日志文件由用户名和兴趣标签序号列表组成。设移动社会网络中用户的集合为N，用户的总数为n，用户的兴趣标签集合为H，生成用户i的兴趣标签向量 L_i＝[L_i,1,L_i,2,L_i,3...L_i,k]，其中，L_i,k表示用户i是否拥有兴趣标签k，若该用户拥有兴趣标签k，则L_i,k的值设置为1，否则设置为0。

步骤12，根据所述用户的兴趣标签向量，计算得到任意两个用户的兴趣标签相似度。

本实施例中，任意两个用户，用户i和用户j的兴趣标签相似度，通过将两用户的兴趣标签向量L_i和L_j计算点积，并除以L_i和L_j模的乘积，得到向量L_i与 L_j余弦相似度，该余弦相似度即为用户i和用户j的兴趣标签相似度S_L(i,j)，计算公式如下：

步骤13，计算用户与其他所有用户的兴趣标签相似度的均值，得到该用户的兴趣中心度。

本实施例中，通过步骤12可得到任意两个用户的兴趣标签相似度，本步骤求得用户i与其他所有用户的兴趣标签相似度的均值，即为用户i的兴趣中心度 Cen_L(i)，计算公式如下：

步骤2，计算每个用户的好友关系中心度。

请参阅图3，步骤2通过以下流程实现：

步骤21，获取每个用户的好友列表日志文件，得到每个用户的好友集合，其中，好友列表日志文件包括用户名和好友用户名列表。

本实施例中，导入每个用户的好友列表日志文件，其中，用户好友列表日志文件由用户名和其好友的用户名列表组成，用户i的好友集合为F(i)。

步骤22，根据用户的好友集合，计算得到任意两个用户的好友相似度。

本实施例中，任意两个用户，用户i和用户j的好友相似度，通过将两个用户的好友集合F(i)和F(j)的交集除以两个用户好友集合F(i)和F(j)的并集，得到两个集合F(i)和F(j)的Jaccard相似系数，该相似度即为用户i和用户j的好友相似度S_F(i,j)，计算公式如下：

步骤23，计算用户与其他所有用户的好友相似度的均值，得到该用户的好友关系中心度。

本实施例中，通过步骤22，可得任意两个用户的好友相似度，本步骤求得用户i与其他所有用户的好友相似度的均值，即为用户i的好友关系中心度 Cen_F(i)，计算公式如下：

步骤3，计算每个用户的地理轨迹活跃度。

请参阅图4，步骤3通过以下流程实现：

步骤31，获取每个用户的地理位置日志文件，其中，地理位置日志文件包括用户名、用户地理位置及用户位于该位置的时间。

本实施例中，获取每个用户的用户地理位置日志文件，其中，用户地理位置日志文件由用户名、用户地理位置和用户位于该位置的时间组成，用户的地理位置信息为用户设备移动终端GPS定位所确定的经纬度。

步骤32，获取任意两个用户在取样时间段内任一时刻的经纬度，计算两个用户之间的距离。

本实施例中，获取任意两个用户，用户i和用户j在取样时间段内某一时刻的经纬度，用户i的坐标为(lat_i,lon_i)，用户j的坐标为(lat_j,lon_j)，计算出用户i和用户j之间的距离r_i,_j，公式如下：

式中，R为地球半径，Δ_lat＝|lat_i-lat_j|，haversine(θ)为Haversine公式，其计算方法为：

步骤33，当两个用户之间的距离小于预设阈值时，表征两个用户相遇，根据相遇时间之和与总取样时间计算得到两个用户的相遇概率。

本实施例中，当用户i和用户j的距离小于终端设备无线通信距离时，表示二者相遇，在这里我们默认取值为25m，也可以为其它取值。根据用户i和用户 j在取样时间内的相遇时间之和与总取样时间之间的比值得到两个用户的相遇概率P_enc(i,j)，计算公式如下：

式中，∑T_i,j表示取样时间内两用户相遇时间总和，T_total表示总取样时间。

本实施例中，取样时间默认为12小时，也可以为其它取值。

步骤34，计算用户与其他所有用户的相遇概率的均值，得到该用户的地理轨迹活跃度。

本实施例中，通过步骤33，可得任意两个用户的相遇概率，本步骤求得用户i与其他所有用户的相遇概率的均值，即为用户i的地理轨迹活跃度Cen_G(i)，计算公式如下：

步骤4，计算每个用户的社交行为偏好。

请参阅图5，步骤4通过以下流程实现：

步骤41，获取每个用户的社交时间记录表，其中，社交时间记录表包括用户名和社交起止时间。

本实施例中，获取每个用户的社交时间记录日志，其中，社交时间记录日志由用户名、社交起止时间组成。

步骤42，根据任意两个用户的相遇时间之和与社交时间之和，计算得到任意两个用户的社交注意力分配比值。

本实施例中，通过用户的社交时间记录日志，可以得到任意两个用户的社交时间之和，在步骤33中可得到任意两个用户的相遇时间之和，根据用户i和用户j在取样时间内的社交时间之和与相遇时间之和的比值得到两个用户的社交注意力分配比值P_soc(i,j)，计算公式如下：

式中，∑T_i,j表示取样时间内两个用户相遇时间总和，∑C_i,j表示两个用户社交时间总和。

本实施例中，取样时间默认为12小时，也可以为其它取值。

步骤43，计算用户与其他所有用户的社交注意力分配比值的均值，得到该用户的社交行为偏好。

本实施例中，通过步骤42，可得任意两个用户的社交注意力分配比值，本步骤求得用户i与其他所有用户的社交注意力分配比值的均值，即为用户i的社交行为偏好Cen_I(i)，计算公式如下：

步骤5，根据兴趣中心度、好友关系中心度、地理轨迹活跃度及社交行为偏好计算得到每个用户的社会属性中心度。

本实施例中，根据上述流程得到的用户的兴趣中心度、好友关系中心度、地理轨迹活跃度及社交行为偏好，计算任意一个用户的社会属性中心度，用户i 的社会属性中心度Cen_i的计算公式如下：

式中，α、β、γ及μ分别表示兴趣中心度、好友关系中心度、地理轨迹活跃度及社交行为偏好这四者的权重，取值范围为[0,1]，且α+β+γ+μ＝1，及分别为兴趣中心度、好友关系中心度、地理轨迹活跃度及社交行为偏好的平均值，具体算法如下:

步骤6，获取用户设备缓存空间容量日志文件，得到用户设备缓存容量信息，其中，缓存空间容量日志文件包括用户名和用户设备的剩余缓存容量。

本实施例中，获取用户设备移动终端的缓存空间容量日志，用户的缓存空间容量日志由用户名和用户设备的剩余缓存容量组成，得到用户设备缓存容量信息，B_i表示用户i的剩余缓存字节大小。

步骤7，根据用户设备缓存容量及所述社会属性中心度，计算用户的缓存节点重要值。

本实施例中，根据步骤5中所得的用户的社会属性中心度和步骤6中所得的用户的设备缓存容量，计算任意一个用户的缓存节点重要值，用户i的缓存节点重要值I_i的算法如下：

I_i＝λCen_i+ηB_i，

式中，λ和η分别为社会属性中心度和设备缓存容量的权重，且λ+η＝1。

本实施例中，默认即社会属性中心度占较大的权重，可以根据具体使用情况对权重进行调整。

步骤8，将得到的用户缓存节点重要值从大到小进行排序，按照预设比例选择缓存节点重要值高的节点作为重要缓存节点。

本实施例中，对步骤7得到的用户的缓存节点重要值按照从大到小进行排序，选择缓存节点重要值最高的M个节点作为重要缓存节点，将需要缓存的内容缓存至重要缓存节点上。

本实施例中，默认选取用户总数的作为重要缓存节点，可以根据时间情况对数量或取值进行修改。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (5)

1.一种移动社会网络中的缓存节点选择算法，其特征在于，包括以下步骤：

步骤1，计算每个用户的兴趣中心度；

步骤2，计算每个用户的好友关系中心度；

步骤3，计算每个用户的地理轨迹活跃度；

步骤4，计算每个用户的社交行为偏好；

步骤5，根据所述兴趣中心度、好友关系中心度、地理轨迹活跃度及社交行为偏好计算得到每个用户的社会属性中心度；

步骤6，获取用户设备缓存空间容量日志文件，得到用户设备缓存容量信息，其中，所述缓存空间容量日志文件包括用户名和用户设备的剩余缓存容量；

步骤7，根据用户设备缓存容量及所述社会属性中心度，计算用户的缓存节点重要值；

步骤8，将得到的用户缓存节点重要值从大到小进行排序，按照预设比例选择缓存节点重要值高的节点作为重要缓存节点。

2.如权利要求1所述的移动社会网络中的缓存节点选择算法，其特征在于，所述步骤1包括以下步骤：

步骤11，获取每个用户的兴趣标签日志文件，形成每个用户的兴趣标签向量，其中，所述兴趣标签列表包括用户名和兴趣标签序号列表；

步骤12，根据所述用户的兴趣标签向量，计算得到任意两个用户的兴趣标签相似度；

步骤13，计算用户与其他所有用户的兴趣标签相似度的均值，得到该用户的兴趣中心度。

3.如权利要求1所述的移动社会网络中的缓存节点选择算法，其特征在于，所述步骤2包括以下步骤：

步骤21，获取每个用户的好友列表日志文件，得到每个用户的好友集合，其中，所述好友列表日志文件包括用户名和好友用户名列表；

步骤22，根据所述用户的好友集合，计算得到任意两个用户的好友相似度；

步骤23，计算用户与其他所有用户的好友相似度的均值，得到该用户的好好友关系中心度。

4.如权利要求1所述的移动社会网络中的缓存节点选择算法，其特征在于，所述步骤3包括以下步骤：

步骤31，获取每个用户的地理位置日志文件，其中，所述地理位置日志文件包括用户名、用户地理位置及用户位于该位置的时间；

步骤32，获取任意两个用户在取样时间段内任一时刻的经纬度，计算两个用户之间的距离；

步骤33，当两个用户之间的距离小于预设阈值时，表征两个用户相遇，根据相遇时间之和与总取样时间计算得到两个用户的相遇概率；

步骤34，计算用户与其他所有用户的相遇概率的均值，得到该用户的地理轨迹活跃度。

5.如权利要求4所述的移动社会网络中的缓存节点选择算法，其特征在于，所述步骤4包括以下步骤：

步骤41，获取每个用户的社交时间记录表，其中，所述社交时间记录表包括用户名和社交起止时间；

步骤42，根据任意两个用户的所述相遇时间之和与社交时间之和，计算得到任意两个用户的社交注意力分配比值；

步骤43，计算用户与其他所有用户的社交注意力分配比值的均值，得到该用户的社交行为偏好。