CN109617962A - 一种基于内容关联度的车联网雾节点内容缓存方法 - Google Patents

Abstract

本发明公开了一种基于内容关联度的车联网雾节点内容缓存方法，属于无线通讯技术领域。本发明提供了一种在雾节点上进行内容缓存的策略，采用关联分析和车辆内容进行预测，使得雾节点可以根据即将到达的车辆请求过的历史信息预取下一时刻更大概率会被请求的内容。在考虑内容关联性条件下，本发明挖掘出内容之间潜在的关联，并根据关联分析的结果进行内容预测，在车辆即将到达的下一个雾节点上提前缓存内容，提高了雾节点的缓存命中率。本发明将内容关联度纳入缓存的决策考量因素，综合内容流行度与内容关联度在雾节点上的影响，求取出到达时间更接近当前时间的内容进行缓存，进而有效解决在雾节点缓存中不考虑内容间关联性的问题，提高缓存命中率。

Description

一种基于内容关联度的车联网雾节点内容缓存方法

技术领域

本发明属于无线通讯技术领域，特别涉及一种基于内容关联度的车联网雾节点内容缓存方法。

背景技术

雾缓存是在云服务器与用户设备之间引入了中间层——雾节点进行内容缓存的技术，雾层相对于云层更接近移动设备，可以更快的完成交付。雾节点与用户的距离往往只有一跳，当用户向雾节点请求某些内容时，如果恰好该内容在雾节点中被缓存了，可以大大提高请求的交付速度，降低用户的请求时延，这对于提高用户的数据访问率是有价值的。

考虑到部署成本的原因与节点大小限制，雾节点的存储容量较为有限，有一定的缓存约束，如何选取合适的内容存储在雾节点上是亟待解决的问题。在车联网环境中，雾节点的部署受到地理位置的影响较大，覆盖范围内的内容流行度有很大差异，这是因为雾节点通常部署在不同的区域，而缓存的内容具有一定的地理特征。同时，由于部署成本等原因，雾节点的部署并不能覆盖全部的路况，相邻的雾节点之间往往存在间隙，这就为雾节点的预取缓存提供了可能。

内容的流行程度往往与地理位置息息相关，所以不同的雾节点处内容的请求概率也有所差异，往往使用内容流行度这一概念形容内容被请求的概率。根据Zipf定律，内容出现的次数往往与内容在频率列表中的排名成反比，所以根据雾节点范围内的内容排名和Zipf参数可以大致估计出内容的请求概率。目前通用的雾节点缓存策略是存储流行度较高的内容，即在频率列表中排名靠前的内容被优先缓存在雾节点上。

关联分析是数据挖掘中通用的发掘出有用规则的方法，可以发现内容之间的潜在联系。在车联网环境下，车辆在雾节点范围内可能不止请求一个内容，那么在同一个雾节点范围内的请求内容之间也一定存在某种关联。通过使用关联分析可以挖掘出这种内容之间的关联度并进行内容的预取缓存。

目前，针对车联网中雾节点缓存的研究主要有以下两种：

一是通过车辆速度和道路交通密度来分析车辆请求内容的特征，提出了一种基于交叉熵得动态内容缓存方案，用于解决动态环境下车辆通过何种方式在何处获取内容复制品这一问题。

二是提出了集中控制基站和分布式控制基站的概念，在总体容量约束条件下建立了一种基站间协同存储的方法，降低了移动设备的请求时延。

传统的雾缓存研究考虑的是内容请求只受到内容流行度的影响，而忽略了内容之间的潜在关联。所以本发明的目的在于挖掘出内容之间的关联信息，并将其运用于雾节点的缓存策略中，在满足容量约束的条件下，尽可能的提高请求的命中率。

发明内容

本发明的目的在于解决车联网条件下考虑内容之间存在一定关联的条件下雾节点综合考量内容流行度和关联度进行缓存的问题，针对该问题提出了一种基于内容关联度的车联网雾节点内容缓存方法。

一种基于内容关联度的车联网雾节点内容缓存方法，应用于具有雾节点部署的道路环境，各所述雾节点间存在间隙，所述雾节点的上层部署关联服务器，所述方法包括以下步骤：

S1、当车辆进入雾节点A的通信范围时，所述车辆产生内容请求需求，所述车辆向所述雾节点A发送请求内容信息；

S2、当所述车辆离开所述雾节点A的通信范围时，所述雾节点A将所述车辆的请求内容信息、离开所述雾节点A的时间、车辆速度及根据所述车辆的方向预测到的所述车辆到达的下一雾节点标识发送至所述关联服务器；

S3、所述关联服务器将接收到的所述雾节点A发送的信息记录在数据库内，并根据挖掘到的规则和所述请求内容信息进行关联分析，得到所述车辆在下一个雾节点可能请求的内容信息及其置信度，将所述车辆离开的上一雾节点的标识、离开上一雾节点的时间、车辆速度和预测的请求内容及其置信度发送给所述车辆到达的下一雾节点B；

S4、所述雾节点B根据其内容流行度和接收到的所述关联服务器发送的信息进行本地决策，求取每个内容的到达时间，在满足容量约束的条件下选取到达时间小的内容存入本地缓存中；

S5、所述车辆进入所述雾节点B的通信范围内，所述车辆对雾节点B发出内容请求，若所述雾节点B中缓存了该内容，则缓存命中，所述雾节点B直接交付而无需向其他雾节点或所述关联服务器获取。

进一步地，所述内容请求产生的准则为：

内容之间存在潜在关联度，被车辆相邻请求的内容被认为关联度高，请求受到当前地理环境下内容流行度和内容之间的关联度的影响。

进一步地，所述步骤S3包括以下流程：

S31、存储所述雾节点A发送的请求内容信息至数据库中，用于下一周期的关联分析，挖掘频繁项集和频繁规则；

S32、寻求能根据当前请求内容预测得到下一雾节点车辆请求内容的规则；

S33、在所有能进行的预测的规则中得到提升度最大的规则，得到该规则下预测的所述车辆在下一个雾节点可能请求的内容信息及其置信度；

S34、根据所述下一雾节点标识，将得到的所述车辆离开的上一雾节点的标识、离开上一雾节点的时间、车辆速度和预测的请求内容及其置信度发送给所述车辆到达的下一雾节点B；

进一步地，所述步骤S3还包括：

所述关联服务器在每个周期通过Aproori算法进行关联分析挖掘内容之间的关联度，将得到的频繁项集与频繁规则存入关联服务器的规则缓存列表。

进一步地，所述步骤S4包括以下流程：

S4、所述雾节点B根据其内容流行度和接收到的所述关联服务器发送的信息进行本地决策，求取每个内容的到达时间，在满足容量约束的条件下选取到达时间小的内容存入本地缓存中；

S41、所述雾节点B获取所述关联服务器传递的信息，根据所述车辆离开的上一雾节点的标识A与当前雾节点B之间的距离、当前雾节点B的半径，计算得到所述车辆到达和离开所述雾节点B的时间，将到达和离开所述雾节点B的时间、预测的请求内容及其置信度存入所述雾节点B的本地推荐缓存中；

S42、内容的到达遵循泊松分布，对每一个内容根据在所述雾节点B的到达排名和Zipf分布求得请求概率，再根据车辆到达率和单位车辆请求内容数量得到每个内容的的到达率；

S43、根据内容到达率和所述本地推荐缓存中的关于该内容的可用推荐的求得到达率关于时间的函数，内容的到达遵循到达率随时间变化的非齐次泊松分布；

S44、根据每个内容的到达时间分布求均值，得到每个内容的平均到达时间，根据内容的到达时间进行排名，所述雾节点B选取满足容量约束的数量的到达时间小的内容缓存至本地。

进一步地，所述步骤S43包括以下流程：

内容的到达遵循泊松分布，车辆预测的概率对到达率的影响是在当前内容到达率的基础上叠加当前请求概率与经过时间的比值，即其中，λ_c为内容固定到达率，t₂为车辆到达雾节点B的时间，t₃为车辆离开雾节点B的时间，p_r为被预测内容的请求概率，t_a为单位内容的请求时间。

进一步地，所述步骤S44包括以下流程：

根据每个内容的到达时间分布计算每个内容到达时间的均值，在满足容量约束的条件下，存储到达时间小的c_B个内容在所述雾节点B的本地缓存中，其中c_B为雾节点B的容量约束。

本发明的有益效果：本发明提供了一种基于内容关联度的车联网雾节点内容缓存方法，本发明中，关联服务器根据历史请求数据、车辆在前一个雾节点处的内容请求预测车辆在下一个雾节点上会请求的内容与请求概率，在下一个雾节点求取车辆的到达时间与离开时间，并在假设内容到达服从泊松分布的条件下预测每个内容的下一到达时间，在满足内容约束的条件下选择到达时间距离当前决策时间更近的内容缓存在雾节点中。本发明的方法将内容关联度与内容流行度结合起来，提供了一种考虑内容关联度的雾节点缓存方法，通过关联分析预测车辆的请求内容，使其在满足雾节点容量约束的条件下，根据车辆之前的请求动态地进行雾节点上的内容缓存，提高了关联度条件下雾节点的缓存命中率，有效地解决了雾节点缓存中不考虑内容关联度的问题。

附图说明

图1为本发明实施例的场景示意图。

图2为本发明实施例的流程图。

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。

本发明提供了一种基于内容关联度的车联网雾节点内容缓存方法，请参阅图1，本发明应用于具有雾节点部署的城市道路环境，雾节点知道周围雾节点的拓扑结构且雾节点之间存在一定的缝隙，可以根据车辆的方向预测车辆到达的下一个雾节点。雾节点和车辆配置了LTE无线收发装置，可以通过LTE协议进行内容的请求与交付。在雾节点的上层部署了关联服务器，存储了全局的内容请求，并周期性地根据内容请求进行关联分析，找到符合要求的规则记录在本地的规则缓存列表中。在某个雾节点内，车辆存在一定的内容请求，其中内容的请求受到当前地理位置下内容流行度和全局的内容关联度影响，在某个雾节点通信范围内被请求的内容之间具有关联性。由于假设内容之间存在着关联度，关联度高的内容大概率会被车辆连续请求，也就意味着，雾节点可以根据车辆的历史请求信息预测车辆接下来会请求的内容并进行预取。

基于上述场景，本发明提供的一种基于内容关联度的车联网雾节点内容缓存方法，请参阅图2，具体通过以下步骤实现：

S1、当车辆进入雾节点A的通信范围时，车辆产生内容请求需求，车辆向雾节点A发送请求内容信息。

本实施例中，车辆v到达雾节点A时，产生了内容请求集合C_v,A＝{c_v，A，1，c_v，A，2，......，c_v,A，L}，其中c_v，A，i为请求的内容标号，L为车辆的请求内容数量。

S2、当车辆离开雾节点A的通信范围时，雾节点A将车辆的请求内容信息、离开雾节点A的时间、车辆速度及根据车辆的方向预测到的车辆到达的下一雾节点标识发送至关联服务器。

本实施例中，车辆v离开雾节点A的通信范围后，在车辆v未到达下一雾节点前，雾节点A发送信息I_A＝{t_v，1，v_v，F₁，C_v，A}给关联服务器，其中t_v，1为车辆v离开雾节点A的时间，v_v为车辆v的行驶速度，F₁为车辆离开雾节点A后到达的下一个雾节点的标号，即雾节点A通过车辆的方向预测车辆到达的下一个雾节点B。

S3、关联服务器将接收到的雾节点A发送的信息记录在数据库内，并根据挖掘到的规则和请求内容信息进行关联分析，得到车辆在下一个雾节点可能请求的内容信息及其置信度，将车辆离开的上一雾节点的标识、离开上一雾节点的时间、车辆速度和预测的请求内容及其置信度发送给车辆到达的下一雾节点B。

本实施例中，关联服务器将收到的信息I_A＝{t_v,1,v_v,F₁,C_v，A}记录在数据库内，用于挖掘内容关联度的关联分析算法的数据。根据挖掘到的频繁项集和规则得到该车辆下一个更有可能请求的内容信息及其概率，并将车辆离开的上一个雾节点标识，离开时间、车辆的速度和预测的请求内容及概率发送给下一个车辆即将到达的雾节点B。

步骤S3通过以下子步骤实现：

S31、存储雾节点传递来的请求内容C_v,A到数据库中，该内容用于每个周期使用Apriori算法进行关联分析挖掘内容之间的关联度。挖掘到的关联度被描述为一个规则列表，该规则列表中的每个规则R＝{C_r,1,C_r，2，S_r，D_r，L_r}，其中C_r，1＝{c_r，1，1，c_r，1，2，......，c_r，1，L}为规则的第一个频繁项集，C_r，2为规则的第二个频繁项集，S_r为第一个频繁项集的支持度，D_r为第二个项集对第一个项集的置信度，为两个项集的提升度。在关联分析的过程中需要设置支持度阈值T_s和置信度阈值T_d，只有S_r>T_s且D_r>T_d的规则才会被存入关联服务器的规则缓存列表。

S32、根据当前请求的内容在规则缓存列表中找到对预测有帮助的规则。对预测有帮助的规则是在当前请求内容下可以预测得到下个阶段车辆可能会请求的内容的规则。这种规则满足对任意的c∈C_R，1也有c∈C_v，A，且存在至少一个c∈C_R，2有则该规则中所有的c∈C_R，2且为被预测的将要请求的内容。在关联服务器的规则缓存列表中找到所有的这样的规则列表为R_h。

S33、在R_h中挑选出提升度最大的规则R_v，A＝{C_{r，v，A，1}，C_{r，v，A，2}，S_r，v，A，D_r,v，A，L_r，v，A}作为被预测的规则，其中C_r，v,A,1,C_{r，v，A，2}，S_r，v，A,D_r,v,A,L_r,v,A分别对应了R_v,A的第一个项集、第二个项集、支持度、置信度和提升度。找到该规则下所有的c∈C_r,v,A,2且组成一个内容列表C_v,A,p。

S34、通过雾节点A发送的下一个雾节点标识F₁，找到车辆即将到达的雾节点B。将相关信息I_B＝{t_v,1,v_v,F₂,C_v,A,p,D_r,v,A}发送给相应的雾节点B，其中F₂为车辆经过的上一个雾节点A的标识。

S4、雾节点B根据其内容流行度和接收到的关联服务器发送的信息进行本地决策，求取每个内容的到达时间，在满足容量约束的条件下选取到达时间小的内容存入本地缓存中。

本实施例中，步骤S4通过以下子步骤实现：

S41、获取关联服务器传递的信息I_B＝{t_v,1,v_v,F₂,C_v,A,p,D_r,v,A}，根据雾节点标识F₂(即雾节点A)与当前雾节点(即雾节点B)之间的距离d₁以及当前雾节点B的半径r，可以求得车辆即将到达雾节点B的时间车辆离开雾节点B的时间将该车辆v的推荐信息以I_v＝{t_v,2,t_v,3,C_v,A,p,D_r,v,A}的形式存入雾节点B的本地推荐缓存中。

S42、假设内容的到达遵循泊松分布，根据内容在雾节点B的请求排名和Zipf分布可以求得内容在雾节点的请求概率，并结合车辆的到达率与单位车辆请求内容数量可以得到内容c的到达率其中λ为车辆到达率，α为车辆平均请求内容数，a_c为内容c在雾节点处的排名，m为Zipf分布的参数，N为内容的总数。

S43、根据内容到达率与本地推荐缓存中关于该内容的可用推荐求到达率关于时间的函数，即内容的到达遵循到达率随时间变化的非齐次泊松分布。在雾节点B的本地推荐缓存中找到对任务c有c∈C_v,A,p且当前决策时间t_now≤t_v,3的所有推荐缓存信息I_v,c＝{I_v,c,1,I_v,c,2,......,I_v,c,L}。对任意的内容I_v,c,i∈I_v,c，修改内容c的到达率，使得内容c的到达时间服从以λ_c(t)为参数的非齐次指数分布。当t_now≤t_v,c,i,2时，有当t_now>t_v,c,i,2时，其中为单位内容的请求时间。对于非齐次指数分布，有根据λ_c(t)分段求导得到概率密度函数f_T，c(t)。

S44、根据每个内容的到达时间分布求均值，得到每个内容的平均到达时间，选取满足容量约束的到达时间小的内容缓存在雾节点B上。根据内容c到达时间分布概率密度函数f_T，c(t)求内容c到达时间的均值 对每个内容的到达时间均值E_T，c(t)进行排序，选取E_T，c(t)小的c_B个内容存储在雾节点B的内容缓存列表中，其中c_B是雾节点可存储的最大内容数约束。

S5、车辆进入雾节点B的通信范围内，车辆对雾节点B发出内容请求，若雾节点B中缓存了该内容，则缓存命中，雾节点B直接交付而无需向其他雾节点或关联服务器获取。

综上所述，本发明采用的基于内容关联度的雾节点缓存算法，通过关联分析算法找到内容之间的潜在关联，使得关联服务器根据车辆的历史请求内容预测即将请求的内容，并将其发送给下一个雾节点。雾节点通过内容到达时间将预测内容与本地内容流行度耦合起来，将到达时间小的内容缓存在本地。有效的提高了关联内容的雾节点缓存命中率，挖掘到了车联网环境中内容之间存在的关联性。

本领域的普通技术人员将会意识到，这里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 (7)

1.一种基于内容关联度的车联网雾节点内容缓存方法，其特征在于，应用于具有雾节点部署的道路环境，各所述雾节点间存在间隙，所述雾节点的上层部署关联服务器，所述方法包括以下步骤：

S1、当车辆进入雾节点A的通信范围时，所述车辆产生内容请求需求，所述车辆向所述雾节点A发送请求内容信息；

S2、当所述车辆离开所述雾节点A的通信范围时，所述雾节点A将所述车辆的请求内容信息、离开所述雾节点A的时间、车辆速度及根据所述车辆的方向预测到的所述车辆到达的下一雾节点标识发送至所述关联服务器；

S3、所述关联服务器将接收到的所述雾节点A发送的信息记录在数据库内，并根据挖掘到的规则和所述请求内容信息进行关联分析，得到所述车辆在下一个雾节点可能请求的内容信息及其置信度，将所述车辆离开的上一雾节点的标识、离开上一雾节点的时间、车辆速度和预测的请求内容及其置信度发送给所述车辆到达的下一雾节点B；

S4、所述雾节点B根据其内容流行度和接收到的所述关联服务器发送的信息进行本地决策，求取每个内容的到达时间，在满足容量约束的条件下选取到达时间小的内容存入本地缓存中；

S5、所述车辆进入所述雾节点B的通信范围内，所述车辆对雾节点B发出内容请求，若所述雾节点B中缓存了该内容，则缓存命中，所述雾节点B直接交付而无需向其他雾节点或所述关联服务器获取。

2.如权利要求1所述的基于内容关联度的车联网雾节点内容缓存方法，其特征在于，所述内容请求产生的准则为：

内容之间存在潜在关联度，被车辆相邻请求的内容被认为关联度高，请求受到当前地理环境下内容流行度和内容之间的关联度的影响。

3.如权利要求1所述的基于内容关联度的车联网雾节点内容缓存方法，其特征在于，所述步骤S3包括以下流程：

S31、存储所述雾节点A发送的请求内容信息至数据库中，用于下一周期的关联分析，挖掘频繁项集和频繁规则；

S32、寻求能根据当前请求内容预测得到下一雾节点车辆请求内容的规则；

S33、在所有能进行的预测的规则中得到提升度最大的规则，得到该规则下预测的所述车辆在下一个雾节点可能请求的内容信息及其置信度；

S34、根据所述下一雾节点标识，将得到的所述车辆离开的上一雾节点的标识、离开上一雾节点的时间、车辆速度和预测的请求内容及其置信度发送给所述车辆到达的下一雾节点B。

4.如权利要求3所述的基于内容关联度的车联网雾节点内容缓存方法，其特征在于，所述步骤S3还包括：

所述关联服务器在每个周期通过Aproori算法进行关联分析挖掘内容之间的关联度，将得到的频繁项集与频繁规则存入关联服务器的规则缓存列表。

5.如权利要求1所述的基于内容关联度的车联网雾节点内容缓存方法，其特征在于，所述步骤S4包括以下流程：

S4、所述雾节点B根据其内容流行度和接收到的所述关联服务器发送的信息进行本地决策，求取每个内容的到达时间，在满足容量约束的条件下选取到达时间小的内容存入本地缓存中；

S41、所述雾节点B获取所述关联服务器传递的信息，根据所述车辆离开的上一雾节点的标识A与当前雾节点B之间的距离、当前雾节点B的半径，计算得到所述车辆到达和离开所述雾节点B的时间，将到达和离开所述雾节点B的时间、预测的请求内容及其置信度存入所述雾节点B的本地推荐缓存中；

S42、内容的到达遵循泊松分布，对每一个内容根据在所述雾节点B的到达排名和Zipf分布求得请求概率，再根据车辆到达率和单位车辆请求内容数量得到每个内容的的到达率；

S43、根据内容到达率和所述本地推荐缓存中的关于该内容的可用推荐的求得到达率关于时间的函数，内容的到达遵循到达率随时间变化的非齐次泊松分布；

S44、根据每个内容的到达时间分布求均值，得到每个内容的平均到达时间，根据内容的到达时间进行排名，所述雾节点B选取满足容量约束的数量的到达时间小的内容缓存至本地。

6.如权利要求5所述的基于内容关联度的车联网雾节点内容缓存方法，其特征在于，所述步骤S43包括以下流程：

内容的到达遵循泊松分布，车辆预测的概率对到达率的影响是在当前内容到达率的基础上叠加当前请求概率与经过时间的比值，即其中，λ_c为内容固定到达率，t₂为车辆到达雾节点B的时间，t₃为车辆离开雾节点B的时间，p_r为被预测内容的请求概率，t_a为单位内容的请求时间。

7.如权利要求5所述的基于内容关联度的车联网雾节点内容缓存方法，其特征在于，所述步骤S44包括以下流程：

根据每个内容的到达时间分布计算每个内容到达时间的均值，在满足容量约束的条件下，存储到达时间小的c_B个内容在所述雾节点B的本地缓存中，其中c_B为雾节点B的容量约束。