CN109951875A - 基于内容流行度预测的缓存方法、装置、设备和介质 - Google Patents
基于内容流行度预测的缓存方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN109951875A CN109951875A CN201910131478.0A CN201910131478A CN109951875A CN 109951875 A CN109951875 A CN 109951875A CN 201910131478 A CN201910131478 A CN 201910131478A CN 109951875 A CN109951875 A CN 109951875A
- Authority
- CN
- China
- Prior art keywords
- content
- node
- popularity
- popularit
- object content
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003860 storage Methods 0.000 claims description 21
- 230000008901 benefit Effects 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000005055 memory storage Effects 0.000 claims description 4
- 238000003973 irrigation Methods 0.000 abstract description 4
- 230000002262 irrigation Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003139 buffering effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Abstract
本发明公开了一种基于内容流行度预测的缓存方法、装置、设备和介质,所述方法包括:每隔一个预设时间段,利用SDN网络预测内容流行度,通过SDN控制器将内容流行度发送给各个节点;在每个节点上构建并维护一个内容流行度表;当目标内容到达转发路径上的节点后,计算目标内容在该节点被缓存的概率,以该概率决定是否在该节点缓存目标内容,若是,当该节点的缓存空间未满时,在该节点缓存目标内容;当该节点的缓存空间已满时,若目标内容的流行度高于内容流行度表的最低流行度,则在该节点缓存目标内容,并将目标内容替换掉内容流行度表中最低流行度对应的内容。本发明能够有效应对包括5G网络、工业互联网、触屏互联网、智能灌溉传感网络等应用新要求。
Description
技术领域
本发明涉及一种基于内容流行度预测的缓存方法、装置、设备和介质,属于软件定义网络的缓存领域。
背景技术
未来的第五代(5G)移动通信被要求支持1000倍高的容量、100倍低的时延、海量连接,5G架构在设备、网络、业务、运营等维度全面采用云化设计。5G网络要传输有着低时延要求的音视频、交互信息等内容,如何避免5G网络成为瓶颈是一个新的挑战,将缓存引入到5G的网络架构中是克服该挑战的一条有效途径。按缓存在5G架构中的位置分类,可以分为终端缓存、基站缓存和核心网缓存三个层次。由于缓存空间受限,内容在被替换之前没有机会发挥作用的现象称为“无效缓存”,然而,当前方案普遍存在“无效缓存”,缓存空间没有发挥最大效率。
软件定义网络(Software-Defined Networking,简称SDN)将控制面与数据面相分离,在控制面,通过感知网络状态和网络资源,中央控制器可以对网络的逻辑控制功能和高层策略灵活地进行动态、优化地配置;而在数据面,可在不影响网络正常流量的情况下执行这一配置,进而实现网络资源的优化配置。所以,不管是核心网还是在接入网,SDN都是未来5G架构的优选技术,称为SDN-5G。
发明内容
鉴于此,本发明提供了一种基于内容流行度预测的缓存方法、装置、计算机设备及存储介质;本发明可以在SDN-5G网络中终端、基站和核心网等各层面的节点嵌入缓存功能,能够有效应对包括5G网络、工业互联网、触屏互联网、智能灌溉传感网络等应用新要求,每个节点都是独立地做出缓存放置和缓存替换的选择,而不需要各个节点之间的通信,具有开销很小的优点。
本发明的第一个目的在于提供一种基于内容流行度预测的缓存方法。
本发明的第二个目的在于提供一种基于内容流行度预测的缓存装置。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到:
一种基于内容流行度预测的缓存方法,其特征在于,所述方法包括:
每隔一个预设时间段,利用SDN网络预测内容流行度,通过SDN控制器将内容流行度发送给各个节点;其中,SDN网络具有SDN控制器和多个SDN交换机,每个SDN交换机是SDN网络中的一个节点;
在每个节点上构建并维护一个内容流行度表,每隔一个预设时间段更新一次;
当目标内容到达转发路径上的节点后,计算目标内容在该节点被缓存的概率;其中,所述概率由目标内容被预测的流行度和转发路径上的节点缓存容量确定;
以目标内容在该节点被缓存的概率决定是否在该节点缓存目标内容,若是,则判断该节点的缓存空间是否已满;
当该节点的缓存空间未满时,在该节点缓存目标内容;当该节点的缓存空间已满时,若目标内容的流行度高于内容流行度表的最低流行度,则在该节点缓存目标内容,并将目标内容替换掉内容流行度表中最低流行度对应的内容。
进一步的,所述计算目标内容在该节点被缓存的概率,如下式:
其中,i表示目标内容,j表示该节点,pij表示目标内容在该节点被缓存的概率,P_level(i)表示目标内容i的流行度,P_leve(i)∈[1,2,3,…,c],1表示最低流行度,c表示最高流行度;cpj表示该节点j的缓存容量,cpmax表示SDN网络中所有节点缓存容量的最大值。
进一步的,所述内容流行度表记录了最流行的H个内容的流行度;其中,H=2*CC,CC表示节点缓存的平均容量除以内容的平均大小。
进一步的,所述利用SDN网络预测内容流行度,具体包括:
利用SDN网络中各个节点计算资源以及链路构建可重构、分布式深度学习网络;
将SDN网络中的各个节点实时地采集内容被请求的时空联合分布的数据并作为深度学习网络的输入,在底层利用栈式自编码器对时空联合分布的数据进行特征学习,在顶层利用Softmax分类器对内容流行度进行预测。
进一步的,所述栈式自编码器由若干个自编码器堆叠在一起形成,每个自编码器具有一个输入层、一个隐藏层和一个输出层。
本发明的第二个目的可以通过采取如下技术方案达到:
一种基于内容流行度预测的缓存装置,所述装置包括:
预测模块,用于每隔一个预设时间段,利用SDN网络预测内容流行度,通过SDN控制器将内容流行度发送给各个节点;其中,SDN网络具有SDN控制器和多个SDN交换机,每个SDN交换机是SDN网络中的一个节点;
构建模块,用于在每个节点上构建并维护一个内容流行度表,每隔一个预设时间段更新一次;
计算模块,用于当目标内容到达转发路径上的节点后,计算目标内容在该节点被缓存的概率;其中,所述概率由目标内容被预测的流行度和转发路径上的节点缓存容量确定;
判断模块,用于以目标内容在该节点被缓存的概率决定是否在该节点缓存目标内容,若是,则判断该节点的缓存空间是否已满;
缓存模块,用于当该节点的缓存空间未满时,在该节点缓存目标内容;当该节点的缓存空间已满时,若目标内容的流行度高于内容流行度表的最低流行度,则在该节点缓存目标内容,并将目标内容替换掉内容流行度表中最低流行度对应的内容。
进一步的,所述计算目标内容在该节点被缓存的概率,如下式:
其中,i表示目标内容,j表示该节点,pij表示目标内容在该节点被缓存的概率,P_level(i)表示目标内容i的流行度,P_leve(i)∈[1,2,3,…,c],1表示最低流行度,c表示最高流行度;cpj表示该节点j的缓存容量,cpmax表示SDN网络中所有节点缓存容量的最大值。
进一步的,所述内容流行度表记录了最流行的H个内容的流行度;其中,H=2*CC,CC表示节点缓存的平均容量除以内容的平均大小。
本发明的第三个目的可以通过采取如下技术方案达到:
一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的基于内容流行度预测的缓存方法。
本发明的第四个目的可以通过采取如下技术方案达到:
一种存储介质,存储有程序,所述程序被处理器执行时,实现上述的基于内容流行度预测的缓存方法。
本发明相对于现有技术具有如下的有益效果:
本发明利用SDN网络定期地预测各内容在其该SDN网络内的流行度,通过SDN控制器发送各内容给各个节点,同时在每个节点构建并维护一个内容流行度表,在缓存放置时,以一个概率决定是否在一个节点缓存目标内容,在缓存替换时,将目标内容替换掉内容流行度表中最低流行度对应的内容;实验结果表面,本发明与现有缓存方案相比,具有较大的优势,可以在SDN-5G网络中终端、基站和核心网等各层面的节点嵌入缓存功能,能够有效应对包括5G网络、工业互联网、触屏互联网、智能灌溉传感网络等应用新要求,每个节点都是独立地做出缓存放置和缓存替换的选择,而不需要各个节点之间的通信,具有开销很小的优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例1的基于内容流行度预测的缓存方法的流程图。
图2为本发明实施例1的相对击中率曲线图。
图3为本发明实施例1的平均接入代价曲线图。
图4为本发明实施例2的基于内容流行度预测的缓存装置的结构框图。
图5为本发明实施例3的计算机设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
如图1所示,本实施例在在软件定义的5G网络(SDN-5G)中,提出了一种基于内容流行度预测的缓存方法(caching based on popularity prediction and cache capacity,简称CPPCC),该方法包括以下步骤:
S101、每隔一个预设时间段(TC),利用SDN网络预测内容流行度,通过SDN控制器将内容流行度发送给各个节点。
本实施例的内容流行度是指:SDN(Software Defined Network,软件网络定义)架构下ICN(information-centric networking,信息中心网络)中内容块的流行度,即用户在网络层对内容块请求的持续传播时间,所以实际上,本实施例预测的是内容的被请求次数.内容流行度预测不仅对ICN的解析系统非常关键,也可以帮助动态路由决策、ICN进行缓存决策。
利用SDN网络预测内容流行度,可以参考中国专利申请号为201611000381.9的发明专利申请《一种SDN架构下基于深度学习的内容流行度预测方法》,具体包括:
S1011、利用SDN网络中各个节点计算资源以及链路构建可重构、分布式深度学习网络。
在该步骤S1011中,SDN网络具有SDN控制器和多个SDN交换机,每个SDN交换机是SDN网络中的一个节点,每个SDN交换机贡献小部分资源实现若干神经元的计算功能,神经元之间通过SDN交换机的链路彼此连接。
S1012、将SDN网络中的各个节点实时地采集内容被请求的时空联合分布的数据并作为深度学习网络的输入,在底层利用栈式自编码器对时空联合分布的数据进行特征学习,在顶层利用Softmax分类器对内容流行度进行预测。
在该步骤S1012中,栈式自编码器(SAE,Stacked Auto-Encoder)由若干个自编码器堆叠在一起形成,每个自编码器具有一个输入层、一个隐藏层和一个输出层。
在底层利用栈式自编码器对时空联合分布的数据进行特征学习,在顶层利用Softmax分类器对内容流行度进行预测,采用分布式协同内容流行度预测(Deep-Learning-based Content Popularity Prediction,DLCPP)算法实现;
对于给定的训练集X,假设隐藏层神经元数量为l,分布式协同内容流行度预测算法如下:
1)栈式自编码器的预训练
1-1)设定稀疏权重γ以及稀疏参数ρ,同时,随机地初始化权重矩阵w1和偏移向量b1;
1-2)通过贪心逐层(Greedy layerwise)算法自底向上训练隐藏层参数;
1-3)在隐藏层,用第k层的输出作为第(k+1)层的输入;其中,原始的训练集X是第l层的输入;
1-4)重复进行步骤1-1)~1-3),通过实现目标函数的最小化,为第(k+1)层找到参数其中,w1是神经元之间连接的权重矩阵,b1是编码的偏移向量,分别表示第(k+1)层的w1和b1;表示从k=0到k=l-1;
2)栈式自编码器网络的精调
2-1)经过预训练后,获得初始化参数
2-2)使用基于梯度下降的BP(Error Back Propagation)算法自顶向下修正整个网络的初始化参数
3)内容流行度预测
3-1)初始化输入层神经元的数量inputSize和输出分类的数量c,以及权重衰减(weight decay)因子λ;
3-2)计算带有权重衰减因子λ的Softmax代价函数J(θ);
3-3)在训练Softmax预测模型之前进行梯度检验;
3-4)从带标签的训练数据集中提取通过栈式自编码器学习到的特征,基于这些提取特征的L-BFGS(Limited-Memory BFGS)算法,通过带标签数据集训练Softmax预测模型;
3-5)训练好的Softmax回归层即为测试数据集输出分类预测结果,从而实现对内容流行度的预测。
S102、在每个节点构建并维护一个内容流行度表,每隔一个预设时间段更新一次。
内容流行度表每隔一个预设时间段(TC)更新一次,如表1所示。
表1内容流行度表
内容ID(Content ID) | 被预测的流行度 |
1 | 5 |
2 | 3 |
... | ... |
为了减少各个节点维护流行度表的开销,内容流行度表只记录最流行的H个内容的流行度;其中,H=2*CC,CC是节点缓存的平均容量除以内容的平均大小。
S103、当目标内容到达转发路径上的节点后,计算目标内容在该节点被缓存的概率。
具体地,目标内容在该节点被缓存的概率由目标内容被预测的流行度和转发路径上的节点缓存容量确定,其考虑了目标内容被预测的流行度与转发路径上的节点缓存容量的相关性,一方面,更流行的内容应该由更多节点缓存;另一方面,具有更高缓存容量的节点应该缓存更多内容。
因此,目标内容在该节点被缓存的概率,定义如下:
其中,i表示该目标内容,j表示该节点,pij表示该目标内容在该节点被缓存的概率,P_level(i)表示该目标内容i的流行度,P_leve(i)∈[1,2,3,…,c],1表示最低流行度,c表示最高流行度;cpj表示该节点j的缓存容量,cpmax表示SDN网络中所有节点缓存容量的最大值。
由于内容流行度和缓存容量不一致,所以,对它们进行了归一化,用目标内容i的流行度P_level(i)除以c,得到流行度因子;用节点j的缓存容量cpj除以cpmax,得到容量因子;概率pij是流行度因子和容量因子的乘积。
对于步骤S102的参数H和S103的参数cpmax,在SDN-5G中,各个节点的缓存容量不会经常变化,SDN控制器也就很容易知道各个节点的缓存容量。所以,缓存容量的平均值以及最大值也就很容易确定;其中,平均值可用来帮助确定H,而最大值可用来确定cpmax。
S104、以目标内容在该节点被缓存的概率决定是否在该节点缓存目标内容。
以目标内容在该节点被缓存的概率决定是否在该节点缓存目标内容,以pij=0.1为例,每10个内容经过该节点,其中的一个内容会在该节点被缓存;以pij=0.9为例,每10个内容经过该节点,其中的九个内容会在该节点被缓存。
若该概率决定该节点缓存目标内容,则进入步骤S105,否则,不在该节点缓存目标内容。
S105、判断该节点的缓存空间是否已满。
若该节点的缓存空间未满,在该节点缓存目标内容;若该节点缓存空间已满,进入步骤S106。
S106、判断目标内容的流行度是否高于内容流行度表的最低流行度。
若目标内容的流行度高于内容流行度表的最低流行度,进入步骤S108,否则,不在该节点缓存目标内容,即丢弃目标内容。
S107、在该节点缓存目标内容,并将目标内容替换掉内容流行度表中最低流行度对应的内容。
其中,步骤S103~S104是缓存放置方案,步骤S105~S108是缓存替换方案。
因此,CPPCC是一种轻量级的缓存机制,每个节点都是独立地做出缓存放置和缓存替换的选择,而不需要各个节点之间的通信,因此,开销很小。
通过实验,CPPCC与两种主要的缓存机制进行了性能对比,证明CPPCC的有效。其中,两种缓存机制都采用了主流的替换机制LRU(Least Recently Used),分别简称为AR+LRU和BEACON+LRU。
实验结果如图2和图3所示,Relative cache size是相对缓存大小,其被定义为所有节点缓存大小总和除以所有内容大小总和;其中,性能参数包括:
1)RHD(Relative Hit Degree):相对缓存集中率,其被定义为击中率除以为此而消耗的缓存大小,RHD越大说明缓存效率越高。
2)AAC(Average Access Cost):平均接入代价,其被定义为用户获取内容的平均的时间,越小说明缓存的效率越高。
图2结果显示,对于RHD,CPPCC比AR+LRU和BEACON+LRU都要大,其中,CPPCC比AR+LRU有70%的改善。
图3结果显示,对于AAC,CPPCC比AR+LRU和BEACON+LRU都要小,其中,CPPCC比AR+LRU有10%的改善。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成,相应的程序可以存储于计算机可读存储介质中。
应当注意,尽管在附图中以特定顺序描述了上述实施例的方法操作,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
实施例2:
如图4所示,本实施例提供了一种基于内容流行度预测的缓存装置,该装置包括预测模块401、构建模块402、计算模块403、判断模块404和缓存模块405,各个模块的具体功能如下:
所述预测模块401,用于每隔一个预设时间段,利用SDN网络预测内容流行度,通过SDN控制器将内容流行度发送给各个节点;其中,SDN网络具有SDN控制器和多个SDN交换机,每个SDN交换机是SDN网络中的一个节点。
所述构建模块402,用于在每个节点上构建并维护一个内容流行度表,每隔一个预设时间段更新一次。
所述计算模块403,用于当目标内容到达转发路径上的节点后,计算目标内容在该节点被缓存的概率;其中,所述概率由目标内容被预测的流行度和转发路径上的节点缓存容量确定。
所述判断模块404,用于以目标内容在该节点被缓存的概率决定是否在该节点缓存目标内容,若是,则判断该节点的缓存空间是否已满。
所述缓存模块405,用于当该节点缓存未满时,在该节点缓存目标内容;当该节点缓存已满时,若目标内容的流行度高于内容流行度表的最低流行度,则在该节点缓存目标内容,并将目标内容替换掉内容流行度表中最低流行度对应的内容。
本实施例中各个模块的具体实现可以参见上述实施例1,在此不再一一赘述;需要说明的是,本实施例提供的装置仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
实施例3:
本实施例提供了一种计算机设备,该计算机设备可以是服务器,如图5所示,其包括通过系统总线501连接的处理器502、存储器和网络接口503,该处理器用于提供计算和控制能力,该存储器包括非易失性存储介质504和内存储器505,该非易失性存储介质504存储有操作系统、计算机程序和数据库,该内存储器505为非易失性存储介质中的操作系统和计算机程序的运行提供环境,处理器502执行存储器存储的计算机程序时,实现上述实施例1的基于内容流行度预测的缓存方法,如下:
每隔一个预设时间段,利用SDN网络预测内容流行度,通过SDN控制器将内容流行度发送给各个节点;其中,SDN网络具有SDN控制器和多个SDN交换机,每个SDN交换机是SDN网络中的一个节点;
在每个节点上构建并维护一个内容流行度表,每隔一个预设时间段更新一次;
当目标内容到达转发路径上的节点后,计算目标内容在该节点被缓存的概率;其中,所述概率由目标内容被预测的流行度和转发路径上的节点缓存容量确定;
以目标内容在该节点被缓存的概率决定是否在该节点缓存目标内容,若是,则判断该节点的缓存空间是否已满;
当该节点的缓存空间未满时,在该节点缓存目标内容;当该节点的缓存空间已满时,若目标内容的流行度高于内容流行度表的最低流行度,则在该节点缓存目标内容,并将目标内容替换掉内容流行度表中最低流行度对应的内容。
实施例4:
本实施例提供了一种存储介质,该存储介质为计算机可读存储介质,其存储有计算机程序,所述程序被处理器执行时,处理器执行存储器存储的计算机程序时,实现上述实施例1的基于内容流行度预测的缓存方法,如下:
每隔一个预设时间段,利用SDN网络预测内容流行度,通过SDN控制器将内容流行度发送给各个节点;其中,SDN网络具有SDN控制器和多个SDN交换机,每个SDN交换机是SDN网络中的一个节点;
在每个节点上构建并维护一个内容流行度表,每隔一个预设时间段更新一次;
当目标内容到达转发路径上的节点后,计算目标内容在该节点被缓存的概率;其中,所述概率由目标内容被预测的流行度和转发路径上的节点缓存容量确定;
以目标内容在该节点被缓存的概率决定是否在该节点缓存目标内容,若是,则判断该节点的缓存空间是否已满;
当该节点的缓存空间未满时,在该节点缓存目标内容;当该节点的缓存空间已满时,若目标内容的流行度高于内容流行度表的最低流行度,则在该节点缓存目标内容,并将目标内容替换掉内容流行度表中最低流行度对应的内容。
本实施例中所述的存储介质可以是磁盘、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、U盘、移动硬盘等介质。
综上所述,本发明利用SDN网络定期地预测各内容在其该SDN网络内的流行度,通过SDN控制器发送各内容给各个节点,同时在每个节点构建并维护一个内容流行度表,在缓存放置时,以一个概率决定是否在一个节点缓存目标内容,在缓存替换时,将目标内容替换掉内容流行度表中最低流行度对应的内容;实验结果表面,本发明与现有缓存方案相比,具有较大的优势,可以在SDN-5G网络中终端、基站和核心网等各层面的节点嵌入缓存功能,能够有效应对包括5G网络、工业互联网、触屏互联网、智能灌溉传感网络等应用新要求,每个节点都是独立地做出缓存放置和缓存替换的选择,而不需要各个节点之间的通信,具有开销很小的优点。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (10)
1.一种基于内容流行度预测的缓存方法,其特征在于,所述方法包括:
每隔一个预设时间段,利用SDN网络预测内容流行度,通过SDN控制器将内容流行度发送给各个节点;其中,SDN网络具有SDN控制器和多个SDN交换机,每个SDN交换机是SDN网络中的一个节点;
在每个节点上构建并维护一个内容流行度表,每隔一个预设时间段更新一次;
当目标内容到达转发路径上的节点后,计算目标内容在该节点被缓存的概率;其中,所述概率由目标内容被预测的流行度和转发路径上的节点缓存容量确定;
以目标内容在该节点被缓存的概率决定是否在该节点缓存目标内容,若是,则判断该节点的缓存空间是否已满;
当该节点的缓存空间未满时,在该节点缓存目标内容;当该节点的缓存空间已满时,若目标内容的流行度高于内容流行度表的最低流行度,则在该节点缓存目标内容,并将目标内容替换掉内容流行度表中最低流行度对应的内容。
2.根据权利要求1所述的基于内容流行度预测的缓存方法,其特征在于,所述计算目标内容在该节点被缓存的概率,如下式:
其中,i表示目标内容,j表示该节点,pij表示目标内容在该节点被缓存的概率,P_level(i)表示目标内容i的流行度,P_leve(i)∈[1,2,3,...,c],1表示最低流行度,c表示最高流行度;cpj表示该节点j的缓存容量,cpmax表示SDN网络中所有节点缓存容量的最大值。
3.根据权利要求1任一项所述的基于内容流行度预测的缓存方法,其特征在于,所述内容流行度表记录了最流行的H个内容的流行度;其中,H=2*CC,CC表示节点缓存的平均容量除以内容的平均大小。
4.根据权利要求1-3任一项所述的基于内容流行度预测的缓存方法,其特征在于,所述利用SDN网络预测内容流行度,具体包括:
利用SDN网络中各个节点计算资源以及链路构建可重构、分布式深度学习网络;
将SDN网络中的各个节点实时地采集内容被请求的时空联合分布的数据并作为深度学习网络的输入,在底层利用栈式自编码器对时空联合分布的数据进行特征学习,在顶层利用Softmax分类器对内容流行度进行预测。
5.根据权利要求4所述的基于内容流行度预测的缓存方法,其特征在于,所述栈式自编码器由若干个自编码器堆叠在一起形成,每个自编码器具有一个输入层、一个隐藏层和一个输出层。
6.一种基于内容流行度预测的缓存装置,其特征在于,所述装置包括:
预测模块,用于每隔一个预设时间段,利用SDN网络预测内容流行度,通过SDN控制器将内容流行度发送给各个节点;其中,SDN网络具有SDN控制器和多个SDN交换机,每个SDN交换机是SDN网络中的一个节点;
构建模块,用于在每个节点上构建并维护一个内容流行度表,每隔一个预设时间段更新一次;
计算模块,用于当目标内容到达转发路径上的节点后,计算目标内容在该节点被缓存的概率;其中,所述概率由目标内容被预测的流行度和转发路径上的节点缓存容量确定;
判断模块,用于以目标内容在该节点被缓存的概率决定是否在该节点缓存目标内容,若是,则判断该节点的缓存空间是否已满;
缓存模块,用于当该节点的缓存空间未满时,在该节点缓存目标内容;当该节点的缓存空间已满时,若目标内容的流行度高于内容流行度表的最低流行度,则在该节点缓存目标内容,并将目标内容替换掉内容流行度表中最低流行度对应的内容。
7.根据权利要求6所述的基于内容流行度预测的缓存装置,其特征在于,所述计算目标内容在该节点被缓存的概率,如下式:
其中,i表示目标内容,j表示该节点,pij表示目标内容在该节点被缓存的概率,P_level(i)表示目标内容i的流行度,P_leve(i)∈[1,2,3,...,c],1表示最低流行度,c表示最高流行度;cpj表示该节点j的缓存容量,cpmax表示SDN网络中所有节点缓存容量的最大值。
8.根据权利要求6所述的基于内容流行度预测的缓存装置,其特征在于,所述内容流行度表记录了最流行的H个内容的流行度;其中,H=2*CC,CC表示节点缓存的平均容量除以内容的平均大小。
9.一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于,所述处理器执行存储器存储的程序时,实现权利要求1-5任一项所述的基于内容流行度预测的缓存方法。
10.一种存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-5任一项所述的基于内容流行度预测的缓存方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910131478.0A CN109951875A (zh) | 2019-02-22 | 2019-02-22 | 基于内容流行度预测的缓存方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910131478.0A CN109951875A (zh) | 2019-02-22 | 2019-02-22 | 基于内容流行度预测的缓存方法、装置、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109951875A true CN109951875A (zh) | 2019-06-28 |
Family
ID=67006975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910131478.0A Pending CN109951875A (zh) | 2019-02-22 | 2019-02-22 | 基于内容流行度预测的缓存方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109951875A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112689163A (zh) * | 2020-12-02 | 2021-04-20 | 中国民航机场建设集团有限公司 | 一种基于sdn和网内缓存的视频服务传输系统和方法 |
CN115665804A (zh) * | 2022-11-21 | 2023-01-31 | 昆明理工大学 | 一种协同无人机-智能车群的缓存优化方法 |
CN116260873A (zh) * | 2021-12-01 | 2023-06-13 | 中国科学院声学研究所 | 一种icn网络中基于热度的随路协同缓存方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105491156A (zh) * | 2016-01-08 | 2016-04-13 | 华中科技大学 | 一种基于sd-ran的全网协同内容缓存管理系统及方法 |
CN106131182A (zh) * | 2016-07-12 | 2016-11-16 | 重庆邮电大学 | 命名数据网络中一种基于流行度预测的协作缓存方法 |
CN106254117A (zh) * | 2016-08-09 | 2016-12-21 | 西安交通大学 | 一种集中控制可编程的信息中心网络设计方法 |
CN106570597A (zh) * | 2016-11-14 | 2017-04-19 | 广州大学 | 一种sdn架构下基于深度学习的内容流行度预测方法 |
US20170272783A1 (en) * | 2016-03-16 | 2017-09-21 | Telefonaktiebolaget Lm Ericsson (Publ) | Architecture for interconnected set-top boxes |
US20180109457A1 (en) * | 2014-08-22 | 2018-04-19 | Futurewei Technologies, Inc. | Learning Or Emulation Approach to Traffic Engineering in Information-Centric Networks |
CN107948247A (zh) * | 2017-11-01 | 2018-04-20 | 西安交通大学 | 一种软件定义网络的虚拟缓存通道缓存管理方法 |
CN108512759A (zh) * | 2018-04-19 | 2018-09-07 | 北京工业大学 | 一种基于软件定义网络的内容智能分发方法 |
CN108900599A (zh) * | 2018-06-26 | 2018-11-27 | 西安交通大学 | 一种软件定义的内容中心网络装置及其聚类缓存决策方法 |
-
2019
- 2019-02-22 CN CN201910131478.0A patent/CN109951875A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180109457A1 (en) * | 2014-08-22 | 2018-04-19 | Futurewei Technologies, Inc. | Learning Or Emulation Approach to Traffic Engineering in Information-Centric Networks |
CN105491156A (zh) * | 2016-01-08 | 2016-04-13 | 华中科技大学 | 一种基于sd-ran的全网协同内容缓存管理系统及方法 |
US20170272783A1 (en) * | 2016-03-16 | 2017-09-21 | Telefonaktiebolaget Lm Ericsson (Publ) | Architecture for interconnected set-top boxes |
CN106131182A (zh) * | 2016-07-12 | 2016-11-16 | 重庆邮电大学 | 命名数据网络中一种基于流行度预测的协作缓存方法 |
CN106254117A (zh) * | 2016-08-09 | 2016-12-21 | 西安交通大学 | 一种集中控制可编程的信息中心网络设计方法 |
CN106570597A (zh) * | 2016-11-14 | 2017-04-19 | 广州大学 | 一种sdn架构下基于深度学习的内容流行度预测方法 |
CN107948247A (zh) * | 2017-11-01 | 2018-04-20 | 西安交通大学 | 一种软件定义网络的虚拟缓存通道缓存管理方法 |
CN108512759A (zh) * | 2018-04-19 | 2018-09-07 | 北京工业大学 | 一种基于软件定义网络的内容智能分发方法 |
CN108900599A (zh) * | 2018-06-26 | 2018-11-27 | 西安交通大学 | 一种软件定义的内容中心网络装置及其聚类缓存决策方法 |
Non-Patent Citations (2)
Title |
---|
WAI-XI LIU, JIE ZHANG, ZHONG-WEI LIANG,LING-XI PENG1 AND JUN CAI: ""Content Popularity Prediction and Caching for ICN: A Deep Learning Approach With SDN"", 《IEEE ACCESS》 * |
史振华, 刘外喜, 杨家烨: ""SDN 架构下基于ICMP 流量的网络异常检测方法"", 《计算机系统应用》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112689163A (zh) * | 2020-12-02 | 2021-04-20 | 中国民航机场建设集团有限公司 | 一种基于sdn和网内缓存的视频服务传输系统和方法 |
CN116260873A (zh) * | 2021-12-01 | 2023-06-13 | 中国科学院声学研究所 | 一种icn网络中基于热度的随路协同缓存方法 |
CN116260873B (zh) * | 2021-12-01 | 2023-10-13 | 中国科学院声学研究所 | 一种icn网络中基于热度的随路协同缓存方法 |
CN115665804A (zh) * | 2022-11-21 | 2023-01-31 | 昆明理工大学 | 一种协同无人机-智能车群的缓存优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111858009B (zh) | 基于迁移和强化学习的移动边缘计算系统任务调度方法 | |
CN111445111B (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
CN105704255B (zh) | 一种基于遗传算法的服务器负载均衡方法 | |
CN108965024A (zh) | 一种5g网络切片基于预测的虚拟网络功能调度方法 | |
CN109951875A (zh) | 基于内容流行度预测的缓存方法、装置、设备和介质 | |
CN107918794A (zh) | 基于计算阵列的神经网络处理器 | |
CN103701900B (zh) | 基于异构集群的数据分布方法 | |
US20080222646A1 (en) | Preemptive neural network database load balancer | |
CN108475349A (zh) | 用于稳健的大规模机器学习的系统和方法 | |
CN108363643B (zh) | 一种基于文件访问热度的hdfs副本管理方法 | |
CN113434212A (zh) | 基于元强化学习的缓存辅助任务协作卸载与资源分配方法 | |
CN109983480A (zh) | 使用聚类损失训练神经网络 | |
CN104166630A (zh) | 一种面向内容中心网络中基于预测的最优化缓存放置方法 | |
CN111611062B (zh) | 云边协同分层计算方法及云边协同分层计算系统 | |
CN110968816A (zh) | 一种基于强化学习的内容缓存方法、装置及存储介质 | |
CN113098714A (zh) | 一种基于深度强化学习的低时延网络切片的方法 | |
Tang et al. | Budget‐constraint stochastic task scheduling on heterogeneous cloud systems | |
CN111258980A (zh) | 一种云存储系统中基于组合预测的动态文件放置方法 | |
CN104537682A (zh) | 一种医学影像的分割与调度方法 | |
CN109831806A (zh) | 密集场景下面向用户优先级的基站协同缓存方法 | |
CN111488528A (zh) | 内容缓存管理方法及装置、电子设备 | |
Huang et al. | Adaptive resource prefetching with spatial–temporal and topic information for educational cloud storage systems | |
CN111629216B (zh) | 边缘网络环境下基于随机森林算法的vod业务缓存替换方法 | |
Liu et al. | Optimal caching for low latency in distributed coded storage systems | |
CN114025017B (zh) | 基于深度循环强化学习的网络边缘缓存方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190628 |