CN110418367A - 一种5g前传网络混合边缘缓存低时延方法 - Google Patents

Abstract

本发明公开了一种5G前传网络混合边缘缓存低时延方法，先构建核心服务器、小区基站以及用户之间的5G前传网络边缘缓存网络场景，再从移动用户对网络内容发出的请求中提取所请求的网络内容名称以及相应的请求次数，维护成信息矩阵并聚类处理，然后计算每个类簇中每个网络内容的缓存价值，并以此制定基站与每个移动用户在存储网络内容时的混合缓存策略，以及建立EMD‑ARIMA预测模型和缓存替换策略，最后移动用户获取需要的网络内容，这样减少用户之间的缓存冗余、提高网络资源利用率、降低5G前传网络的服务时延以及缓解网络的链路压力。

Description

一种5G前传网络混合边缘缓存低时延方法

技术领域

本发明属于无线通信技术领域，更为具体地讲，涉及一种5G前传网络混合 边缘缓存低时延方法。

背景技术

近年来，随着移动互联网的高速发展、各种新兴通信业务以及物联网等新 兴技术的出现，推动了5G移动通信网络的发展。另外，移动智能终端的普及使 得移动数据流量持续增长。据工业界估计，2020年全球范围内将会存在大约500 亿部具有网络连接功能的移动终端设备接入网络，并且在未来第五代移动通信 系统的容量需要提升1000倍。

终端的海量连接、流量的激增都对现有的通信系统在数据传输速率、频谱 效率和网络容量等方面造成了巨大的压力，服务器的负载压力也随之剧增，导 致服务器无法及时对每一个用户请求做出响应。其次，5G前传网络的带宽是有 限的，在业务高峰时段容易发生网络拥塞，导致网络内容传输受阻，使得用户 体验受损。

有效的解决方法是在有缓存能力的小区基站或移动终端设备上部署缓存， 将用户可能请求的内容存储在缓存中，以此方式来缓解5G前传网络链路的压力 并降低用户获取内容的时延。目前主流的缓存策略是流行度缓存，即将网络内 容按照流行度进行降序排列，然后在基站或移动终端设备上缓存流行度靠前的 网络内容。然而这种缓存方式并没有考虑到各小区用户的具体组成类别(例如 工作人员或学生等)，他们对网络内容的需求是不同的，而且他们对网络内容的 请求也不一定包含在最流行的网络内容中，所以缓存策略应该综合考虑各个类 别用户的具体请求，按需缓存；另外每个用户对不同网络内容的请求等级也不 同，即每个用户的兴趣爱好存在差别。如果不将移动用户的请求纳入分析之列，而只是单纯的考虑网络内容的流行度，那么不同的设备之间会大概率缓存相同 的网络内容，造成大量缓存冗余的问题，使得缓存空间得不到充分的利用。

另一方面，网络内容的流行度具有时变性，即用户对网络内容的请求会随 时间不断变化，这也导致传统的被动缓存策略很难取得较好的缓存效果。如果 能够准确地预测网络用户对内容请求的变化，就可以根据预测的网络内容请求 数据在非业务高峰期提前主动缓存下一时间用户可能请求的网络内容，这不仅 可以减轻业务高峰期的5G前传网络的链路压力，而且可以充分利用非高峰时期 的网络资源。因此，如何准确地预测用户请求网络内容的变化，已经成为提升 主动缓存策略性能的关键问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种5G前传网络混合边缘缓 存低时延方法，通过EMD-ARIMA预测模型来预测各移动用户对网络内容的请 求情况，从而减少用户之间的缓存冗余、提高网络资源利用率、降低5G前传网 络的服务时延以及缓解网络的链路压力。

为实现上述发明目的，本发明一种5G前传网络混合边缘缓存低时延方法， 其特征在于，包括以下步骤：

(1)、构建核心服务器、小区基站以及用户之间的5G前传网络边缘缓存 网络场景；

小区基站通过5G前传网络从核心服务器中获取网络内容，再以无线通信方 式为整个小区范围内的所有移动用户提供服务，每位移动用户再在辐射范围内 为其他用户提供服务；

(2)、移动用户对网络内容发出的请求，提取出该移动用户所请求的网络 内容名称以及相应的请求次数；

再将内容名称以及相应的请求次数组成信息矩阵，并保存在小区基站的数 据库中；其中，信息矩阵的每一行代表一个移动用户对各网络内容的请求次数， 每一列代表一项网络内容名称；

(3)、对信息矩阵中的数据进行预处理

将信息矩阵按行从1到N进行编号，再将信息矩阵的每一列进行最大最小 归一化处理；

其中，x表示移动用户对某个网络内容的请求次数，x_min表示该列中最小的 请求次数，x_max表示该列中最大的请求次数；

(4)、利用密度峰值聚类算法对预处理之后的数据进行聚类

(4.1)、计算移动用户之间的距离

设每个移动用户均对M个网络内容进行请求，利用欧式距离公式计算任意 两个移动用户u_s和u_t之间的距离dist(u_s,u_t)；

其中，s,t∈[1,N]，且s≠t，表示移动用户u_s对第m个网络内容的请求次 数；

(4.2)、计算移动用户u_s的局部密度ρ_s；

ρ_s＝∑χ(dist(u_s,u_t)-dist_cuto_ff)

其中，dist_cuto_ff表示截断距离，函数χ(x)满足：

(4.3)、计算移动用户u_s与局部密度更高的用户u_t之间的距离δ_s；

当移动用户u_s的局部密度为最大值时，则移动用户u_s与其余移动用户u_t之 间的距离δ_s为：

(4.4)、聚类

对于所有的移动用户，以局部密度ρ_s为横轴、距离δ_s为纵轴，在平面坐标中 画出决策图；

再将位于决策图右上角的点选为簇类中心，将剩余的每个点归属到距离它 最近的簇类中心所属类簇中，从而将所有的点聚类为L类，L＝{l₁,l₂,…,l_τ,…,l_L}， l_τ为第τ类中的移动用户数量；

(5)、计算每个类簇中每个网络内容的缓存价值

类簇τ中第p个网络内容的缓存价值为：

其中，f_k,p为信息矩阵中的元素值，即表示用户u_k对网络内容p的请求次 数；

待每个类簇中每个网络内容的缓存价值计算完成后，将所有的缓存价值维 护成大小为L*M的矩阵Score；

(6)、制定基站与每个移动用户在存储网络内容时的混合缓存策略

(6.1)、制定基站缓存策略

将矩阵Score中的每一个元素进行降序排列，再将前B个元素所对应的网络 内容存储到基站的缓存空间中，如果某个元素所对应的网络内容出现重复，则 按顺序存储下一个网络内容；

(6.2)、制定移动用户缓存策略

每个移动用户在存储空间中缓存各自请求次数最高的b个网络内容；

(7)、建立EMD-ARIMA预测模型

(7.1)、利用EMD分解算法将步骤(3)中所得的各类簇中移动用户请求 数据x′分解为多个本征模态分量imf_i(t)，i表示第i个本征模态分量；

(7.2)、

对每个imf_i(t)分别构造ARIMA预测模型；

计算每个imf_i(t)的自相关系数和偏自相关系数

其中，γ为本征模态分量imf_i(t)的长度，h为延迟时期数，α_t为imf_i(t)的样本 值，为imf_i(t)的期望值；

其中，

以延迟时期数为横坐标，自相关系数为纵坐标绘制自相关图；以延迟时期 数为横坐标，偏自相关系数为纵坐标绘制偏自相关图；

再利用自相关图检验移动用户对网络内容请求数据的平稳性，如果数据不 平稳，则对数据进行差分处理，直到数据平稳，累计差分处理的次数记为d，并 作为ARIMA预测模型的参数；

根据时间序列自相关图和偏自相关图的截尾性和拖尾性来选择合适的 ARIMA预测模型，并根据BIC准则确定ARIMA预测模型阶数；

其中，n表示各imf_i(t)分量中样本数据的个数，c为常数，y为未知参数个数， ε为白噪声序列，为ε的方差；

根据ARIMA预测模型的参数和阶数构造ARIMA预测模型，再利用构造的 ARIMA预测模型对imf_i(t)分量进行预测，并将其预测值记为imf_i(t)'；

(7.3)、将所有本征模态分量imf_i(t)的预测值imf_i(t)'相加作为各类簇中移动 用户请求数据的预测值；

(8)、制定缓存替换策略

(8.1)、利用EMD-ARIMA预测模型预测的各类簇中移动用户对网络内容 的请求次数，再计算各类簇中各请求内容的缓存价值Score'_τ(p)，并按降序排列；

(8.2)、判断是否存在未被缓存的网络内容，如果存在未被缓存的网络内容 m'，并且其缓存价值Score'_τ(p)高于某个存储在基站或移动用户缓存空间中的网 络内容m的Score_τ(p)，那么则在非业务高峰期提前将网络内容m替换为m'；

(9)、移动用户获取网络内容

(9.1)、移动用户对某个网络内容发出请求，移动用户设备终端首先会在自 身的缓存空间中查找是否提前存储了该网络内容，如果存储有该网络内容，则 记为自身缓存，并直接从自身缓存空间中提取此内容，所用时间忽略不计；否 则，用户设备终端向服务范围内的其他用户广播对网络内容的请求，进入步骤 (9.2)；

(9.2)、其他移动用户收到请求后，分别从自身缓存空间中查找是否存储有 此内容，如果存储有该内容，则记为邻域缓存，并向请求用户转发该网络内容， 同时记录所用时间t₁；否则向请求用户回复未缓存，并进入步骤(9.3)；

(9.3)、移动用户向小区基站发送请求，小区基站收到请求后，查找基站缓 存中是否存储有被请求网络内容，如果有，则记为基站缓存，并向请求用户提 交该内容，同时记录所用时间t₂；否则，基站通过5G前传链路从核心服务器中 下载该内容，然后提交给请求用户，同时记录所用时间t₃。

本发明的发明目的是这样实现的：

本发明一种5G前传网络混合边缘缓存低时延方法，先构建核心服务器、小 区基站以及用户之间的5G前传网络边缘缓存网络场景，再从移动用户对网络内 容发出的请求中提取所请求的网络内容名称以及相应的请求次数，维护成信息 矩阵并聚类处理，然后计算每个类簇中每个网络内容的缓存价值，并以此制定 基站与每个移动用户在存储网络内容时的混合缓存策略，以及建立 EMD-ARIMA预测模型和缓存替换策略，最后移动用户获取需要的网络内容， 这样减少用户之间的缓存冗余、提高网络资源利用率、降低5G前传网络的服务 时延以及缓解网络的链路压力。

同时，本发明一种5G前传网络混合边缘缓存低时延方法还具有以下有益效 果：

(1)、本发明充分考虑了小区中各类用户对不同网络内容的具体请求情况 以及各自对网络内容的请求级别，能够以最大概率可能性满足各位网络用户的 请求，提高缓存命中率、减少用户之间的缓存冗余；

(2)、通过建立EMD-ARIMA预测模型较为准确地预测各类用户对网络内 容的请求情况，从而可以在非业务高峰期提前主动缓存下一时间用户可能请求 的网络内容，保证用户体验。

说明书附图

图1是本发明一种5G前传网络混合边缘缓存低时延方法流程图；

图2是5G前传网络边缘缓存场景示意图；

图3是移动用户在小区中的空间分布示意图；

图4是用户请求数据的自相关系数图；

图5是用户请求数据的偏自相关系数图；

图6是EMD-ARIMA预测模型和ARIMA预测模型的效果对比图；

图7是本发明所提混合缓存策略、随机缓存策略和流行度缓存策略的用户 请求时延随Zipf规律α参数变化的效果对比图；

图8是本发明所提混合缓存策略、随机缓存策略和流行度缓存策略的用户 请求时延随小区范围变化的效果对比图；

图9是本发明所提混合缓存策略、随机缓存策略和流行度缓存策略的用户 请求时延随缓存空间容量变化的效果对比图。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更 好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设 计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

实施例

图1是本发明一种5G前传网络混合边缘缓存低时延方法流程图。

在本实施例中，如图1所示，本发明一种5G前传网络混合边缘缓存低时延 方法，包括以下步骤：

S1、构建核心服务器、小区基站以及用户之间的5G前传网络边缘缓存网络 场景；

在本实施例中，如图2所示，针对单个小区建立缓存场景，在边缘缓存网 络中包括1个小区基站、N个移动用户，以及M个网络内容，移动用户在小区 中的空间分布如图3所示，所有网络内容大小相同。

小区基站通过5G前传网络从核心服务器中获取网络内容，再以无线通信方 式为整个小区范围内的所有移动用户提供服务，每位移动用户再在辐射范围内 为其他用户提供服务。

S2、移动用户对网络内容发出的请求，提取出该移动用户所请求的网络内 容名称以及相应的请求次数；

再将内容名称以及相应的请求次数组成一个N*M大小信息矩阵，并保存在 小区基站的数据库中；其中，信息矩阵的每一行代表一个移动用户对各网络内 容的请求次数，每一列代表一项网络内容名称；

S3、对信息矩阵中的数据进行预处理

将信息矩阵按行从1到N进行编号，用以区别不同的用户，再将信息矩阵 的每一列进行最大最小归一化处理，从而简化后续处理过程；

归一化处理的过程为：

其中，x表示移动用户对某个网络内容的请求次数，x_min表示该列中最小的 请求次数，x_max表示该列中最大的请求次数；

S4、利用密度峰值聚类算法对预处理之后的数据进行聚类

S4.1、计算移动用户之间的距离

设每个移动用户均对M个网络内容进行请求，利用欧式距离公式计算任意 两个移动用户u_s和u_t之间的距离dist(u_s,u_t)；

其中，s,t∈[1,N]，且s≠t，表示移动用户u_s对第m个网络内容的请求次 数；

S4.2、计算移动用户u_s的局部密度ρ_s；

ρ_s＝∑χ(dist(u_s,u_t)-dist_cutoff)

其中，dist_cutoff表示截断距离，函数χ(x)满足：

ρ_s计算公式的含义是说找到与移动用户u_s之间的距离小于截断距离dist_cutoff的移动用户的个数，并将其作为u_s的局部密度；

S4.3、计算移动用户u_s与局部密度更高的用户u_t之间的距离δ_s；

当移动用户u_s的局部密度为最大值时，则移动用户u_s与其余移动用户u_t之 间的距离δ_s为：

S4.4、聚类

对于所有的移动用户，以局部密度ρ_s为横轴、距离δ_s为纵轴，在平面坐标中 画出决策图；

再将位于决策图右上角的点选为簇类中心，将剩余的每个点归属到距离它 最近的簇类中心所属类簇中，从而将所有的点聚类为L类，L＝{l₁,l₂,…,l_τ,…,l_L}， l_τ为第τ类中的移动用户数量；

S5、计算每个类簇中每个网络内容的缓存价值

类簇τ中第p个网络内容的缓存价值为：

其中，f_k,p为信息矩阵中的元素值，即表示用户u_k对网络内容p的请求次 数；

待每个类簇中每个网络内容的缓存价值计算完成后，将所有的缓存价值维 护成大小为L*M的矩阵Score；

S6、制定基站与每个移动用户在存储网络内容时的混合缓存策略

S6.1、制定基站缓存策略

将矩阵Score中的每一个元素进行降序排列，再将前B个元素所对应的网络 内容存储到基站的缓存空间中，如果某个元素所对应的网络内容出现重复，则 按顺序存储下一个网络内容，比如，第四和第五个元素对应的网络内容出现重 复，则在第五个元素对应的缓存空间中存储第六个元素对应的网络内容；

S6.2、制定移动用户缓存策略

每个移动用户在存储空间中缓存各自请求次数最高的b个网络内容；

S7、建立EMD-ARIMA预测模型

S7.1、利用EMD分解算法将步骤S3中所得的各类簇中移动用户请求数据x′ 分解为多个本征模态分量imf_i(t)，i表示第i个本征模态分量；

本征模态函数满足以下两个条件：

(1)、在整个时间范围内，每个IMF分量的极值点个数必须等于过零点个 数，或者最多相差1个；

(2)、在任何时刻，IMF分量的局部极大值和局部极小值形成的包络的均 值等于0。

下面我们对EMD分解算法的具体过程进行描述：

S7.1.1、将移动用户请求数据x′按照请求时间随机变化的时间序列，可以记 为x′(t)，求出移动用户请求数据x′(t)的所有局部极值点，利用三次样条插值函 数拟合所有的极大值点和极小值点，得到x′(t)的上包络线x_max(t)和下包络线 x_min(t)；

S7.1.2、计算上下包络线在各时间点上的平均值，得到均值曲线m(t)：

S7.1.3、令h(t)＝x'(t)-m(t)，如果h(t)满足本征模态函数的条件，则h(t)为x′(t) 的第一个IMF分量，记为imf₁(t)；如果h(t)不满足条件，则令x'(t)＝h(t)，再返 回步骤S7.1.1；

S7.1.4、从x′(t)中减去第一个IMF分量imf₁(t)，得到去掉高频成分的残余成 分r₁(t)，r₁(t)＝x'(t)-imf₁(t)；

S7.1.5、将r₁(t)按照步骤S7.1.1～S7.1.4所述方法处理后，可得到第二个IMF 分量imf₂(t)，r₂(t)＝r₁(t)-imf₂(t)；

S7.1.6、然后以此类推，经过n₁次迭代运算后，若残余项趋向单调或者 只有一个极点，则计算过程停止；

S7.2、对每个imf_i(t)分别构造ARIMA预测模型；

计算每个imf_i(t)的自相关系数和偏自相关系数

其中，γ为本征模态分量imf_i(t)的长度，h为延迟时期数，α_t为imf_i(t)的样本 值，为imf_i(t)的期望值；

其中，

以延迟时期数为横坐标，自相关系数为纵坐标绘制自相关图；以延迟时期 数为横坐标，偏自相关系数为纵坐标绘制偏自相关图；

再利用自相关图检验移动用户对网络内容请求数据的平稳性，如果数据不 平稳，则对数据进行差分处理，直到数据平稳，累计差分处理的次数记为d，并 作为ARIMA预测模型的参数；

根据时间序列自相关图和偏自相关图的截尾性和拖尾性来选择合适的 ARIMA预测模型，并根据BIC准则确定ARIMA预测模型阶数；

其中，n表示各imf_i(t)分量中样本数据的个数，c为常数，y为未知参数个数， ε为白噪声序列，为ε的方差；

根据ARIMA预测模型的参数和阶数构造ARIMA预测模型，再利用构造的 ARIMA预测模型对imf_i(t)分量进行预测，并将其预测值记为imf_i(t)'；

S7.3、将所有本征模态分量imf_i(t)的预测值imf_i(t)'相加作为各类簇中移动用户请求数据的预测值；

S8、制定缓存替换策略

S8.1、利用EMD-ARIMA预测模型预测的各类簇中移动用户对网络内容的 请求次数，再计算各类簇中各请求内容的缓存价值Score'_τ(p)，并按降序排列；

S8.2、判断是否存在未被缓存的网络内容，如果存在未被缓存的网络内容 m'，并且其缓存价值Score'_τ(p)高于某个存储在基站或移动用户缓存空间中的网 络内容m的Score_τ(p)，那么则在非业务高峰期提前将网络内容m替换为m'；这 不仅可以缓解业务高峰期的5G前传网络的链路压力，而且还能充分利用非高峰 期的网络资源。另外，主动提前缓存和替换策略可以保证移动用户的上网体验。

S9、移动用户获取网络内容

S9.1、移动用户对某个网络内容发出请求，移动用户设备终端首先会在自身 的缓存空间中查找是否提前存储了该网络内容，如果存储有该网络内容，则记 为自身缓存，并直接从自身缓存空间中提取此内容，所用时间忽略不计；否则， 用户设备终端向服务范围内的其他用户广播对网络内容的请求，进入步骤S9.2；

S9.2、其他移动用户收到请求后，分别从自身缓存空间中查找是否存储有此 内容，如果存储有该内容，则记为邻域缓存，并向请求用户转发该网络内容， 同时记录所用时间t₁；否则向请求用户回复未缓存，并进入步骤S9.3；

S9.3、移动用户向小区基站发送请求，小区基站收到请求后，查找基站缓存 中是否存储有被请求网络内容，如果有，则记为基站缓存，并向请求用户提交 该内容，同时记录所用时间t₂；否则，基站通过5G前传链路从核心服务器中下 载该内容，然后提交给请求用户，同时记录所用时间t₃。

实验仿真

为了验证本发明所提出的缓存策略和替换策略的性能，选择随机缓存策略 和流行度缓存作为对比对象进行仿真。在本仿真中共有150位移动用户随机散 布在小区中，小区边长在50～500之间取值。用户对某网络内容的请求概率符合 Zipf定律：

其中，k为缓存价值排在第k位的网络内容，α的取值范围为0.7～1.6，f_k为 移动用户对前第k个网络内容的请求概率。基站缓存空间B取值范围为5～14， 移动用户的缓存空间b为2。请求时间t₁为10ms，请求时间t₂为20ms，请求时 间t₃为100ms，从自身缓存空间的请求时间忽略不计。

仿真结果如图6～图9所示，其中图6为EMD-ARIMA预测模型和只使用 ARIMA预测模型对移动用户请求数据的预测效果对比图，从图中可以看出 EMD-ARIMA预测模型的预测值和真实数据非常接近，而ARIMA预测模型的 预测误差较大，可见EMD-ARIMA预测模型是优于单独使用ARIMA预测模型 的。

图7为用户请求网络内容的时延随Zipf参数α的变化规律。当α取较小值 时，表示移动用户的请求次数在各个网络内容之间比较均匀，所以各种缓存策 略提供的时延相差不大；随着α取值的增大，用户对网络内容的请求更集中于请 求次数较多的几类，由于流行度缓存策略和本发明中所提的混合缓存策略主要 是在缓存空间中存储请求次数较多的网络内容，所以在各个缓存空间中获取网 络内容的概率增高，时延减小。而随机缓存策略对各个网络内容均有存储，没 有缓存重点，所以其在各个缓存空间中获取网络内容的概率降低，时延呈上升 趋势。

图8为用户请求网络内容的时延随小区范围的变化规律。在此种情况下， 由于用户和基站缓存空间中的网络内容是不变的，所以用户请求时延的增益主 要来自于领域缓存。当小区范围较小时，用户在小区中的分布比较密集，用户 从领域缓存中获取网络内容的概率比较大，所以用户请求网络内容的时延较低； 随着小区范围的增大，用户在小区中的分布逐渐稀疏，用户从领域缓存中获取 网络内容的概率变小，用户请求时延增大；当小区范围增大到一定范围时，用 户从领域缓存中获取网络内容的概率接近于0，所以用户请求时延基本不再变 化。

图9为用户请求网络内容的时延随缓存容量的变化规律。当缓存空间的容 量较小时，用户从缓存空间中获取网络内容的概率较低，时延较大；随着缓存 空间容量的增大，用户从缓存空间中获取网络内容的概率提高，时延减小。

总的来说，在图7～图9三种情况下，本发明中所提的混合缓存策略提供的 用户请求时延都比随机缓存策略和目前主流的流行度缓存策略低，可见本发明 所提策略是有效的。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域 的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对 本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定 的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发 明创造均在保护之列。

Claims (1)

1.一种5G前传网络混合边缘缓存低时延方法，其特征在于，包括以下步骤：

(1)、构建核心服务器、小区基站以及用户之间的5G前传网络边缘缓存网络场景；

小区基站通过5G前传网络从核心服务器中获取网络内容，再以无线通信方式为整个小区范围内的所有移动用户提供服务，每位移动用户再在辐射范围内为其他用户提供服务；

(2)、移动用户对网络内容发出出的请求，提取出该移动用户所请求的网络内容名称以及相应的请求次数；

再将内容名称以及相应的请求次数组成信息矩阵，并保存在小区基站的数据库中；其中，信息矩阵的每一行代表一个移动用户对各网络内容的请求次数，每一列代表一项网络内容名称；

(3)、对信息矩阵中的数据进行预处理

将信息矩阵按行从1到N进行编号，再将信息矩阵的每一列进行最大最小归一化处理；

其中，x表示移动用户对某个网络内容的请求次数，x_min表示该列中最小的请求次数，x_max表示该列中最大的请求次数；

(4)、利用密度峰值聚类算法对预处理之后的数据进行聚类

(4.1)、计算移动用户之间的距离

设每个移动用户均对M个网络内容进行请求，利用欧式距离公式计算任意两个移动用户u_s和u_t之间的距离dist(u_s,u_t)；

其中，s,t∈[1,N]，且s≠t，表示移动用户u_s对第m个网络内容的请求次数；

(4.2)、计算移动用户u_s的局部密度ρ_s；

ρ_s＝∑χ(dist(u_s,u_t)-dist_cuto_ff)

其中，dist_cuto_ff表示截断距离，函数χ(x)满足：

(4.3)、计算移动用户u_s与局部密度更高的用户u_t之间的距离δ_s；

当移动用户u_s的局部密度为最大值时，则移动用户u_s与其余移动用户u_t之间的距离δ_s为：

(4.4)、聚类

对于所有的移动用户，以局部密度ρ_s为横轴、距离δ_s为纵轴，在平面坐标中画出决策图；

再将位于决策图右上角的点选为簇类中心，将剩余的每个点归属到距离它最近的簇类中心所属类簇中，从而将所有的点聚类为L类，L＝{l₁,l₂,…,l_τ,…,l_L}，l_τ为第τ类中的移动用户数量；

(5)、计算每个类簇中每个网络内容的缓存价值

类簇τ中第p个网络内容的缓存价值为：

其中，f_k,p为信息矩阵中的元素值，即表示用户u_k对网络内容p的请求次数；

待每个类簇中每个网络内容的缓存价值计算完成后，将所有的缓存价值维护成大小为L*M的矩阵Score；

(6)、制定基站与每个移动用户在存储网络内容时的混合缓存策略

(6.1)、制定基站缓存策略

将矩阵Score中的每一个元素进行降序排列，再将前B个元素所对应的网络内容存储到基站的缓存空间中，如果某个元素所对应的网络内容出现重复，则按顺序存储下一个网络内容；

(6.2)、制定移动用户缓存策略

每个移动用户在存储空间中缓存各自请求次数最高的b个网络内容；

(7)、建立EMD-ARIMA预测模型

(7.1)、利用EMD分解算法将步骤(3)中所得的各类簇中移动用户请求数据x′分解为多个本征模态分量imf_i(t)，i表示第i个本征模态分量；

(7.2)、对每个imf_i(t)分别构造ARIMA预测模型；

计算每个imf_i(t)的自相关系数和偏自相关系数

其中，γ为本征模态分量imf_i(t)的长度，α_t为imf_i(t)的样本值，为imf_i(t)的期望值；

其中，

以延迟时期数为横坐标，自相关系数为纵坐标绘制自相关图；以延迟时期数为横坐标，偏自相关系数为纵坐标绘制偏自相关图；

再利用自相关图检验移动用户对网络内容请求数据的平稳性，如果数据不平稳，则对数据进行差分处理，直到数据平稳，累计差分处理的次数记为d，并作为ARIMA预测模型的参数；

根据时间序列自相关图和偏自相关图的截尾性和拖尾性来选择合适的ARIMA预测模型，并根据BIC准则确定ARIMA预测模型阶数；

其中，n表示各imf_i(t)分量中样本数据的个数，c为常数，y为未知参数个数，ε为白噪声序列，为ε的方差；

根据ARIMA预测模型的参数和阶数构造ARIMA预测模型，再利用构造的ARIMA预测模型对imf_i(t)分量进行预测，并将其预测值记为imf_i(t)'；

(7.3)、将所有本征模态分量imf_i(t)的预测值imf_i(t)'相加作为各类簇中移动用户请求数据的预测值；

(8)、制定缓存替换策略

(8.1)、利用EMD-ARIMA预测模型预测的各类簇中移动用户对网络内容的请求次数，再计算各类簇中各请求内容的缓存价值Score'_τ(p)，并按降序排列；

(8.2)、判断是否存在未被缓存的网络内容，如果存在未被缓存的网络内容m'，并且其缓存价值Score'_τ(p)高于某个存储在基站或移动用户缓存空间中的网络内容m的Score_τ(p)，那么则在非业务高峰期提前将网络内容m替换为m'；

(9)、移动用户获取网络内容

(9.1)、移动用户对某个网络内容发出请求，移动用户设备终端首先会在自身的缓存空间中查找是否提前存储了该网络内容，如果存储有该网络内容，则记为自身缓存，并直接从自身缓存空间中提取此内容，所用时间忽略不计；否则，用户设备终端向服务范围内的其他用户广播对网络内容的请求，进入步骤(9.2)；

(9.2)、其他移动用户收到请求后，分别从自身缓存空间中查找是否存储有此内容，如果存储有该内容，则记为邻域缓存，并向请求用户转发该网络内容，同时记录所用时间t₁；否则向请求用户回复未缓存，并进入步骤(9.3)；

(9.3)、移动用户向小区基站发送请求，小区基站收到请求后，查找基站缓存中是否存储有被请求网络内容，如果有，则记为基站缓存，并向请求用户提交该内容，同时记录所用时间t₂；否则，基站通过5G前传链路从核心服务器中下载该内容，然后提交给请求用户，同时记录所用时间t₃。