CN110581802A

CN110581802A - 基于深度信念网络的全自主智能路由方法及装置

Info

Publication number: CN110581802A
Application number: CN201910794324.XA
Authority: CN
Inventors: 许长桥; 张焘; 杨树杰; 郭东杰; 张寅�
Original assignee: Beijing Dongtu Jinyue Technology Co Ltd; Beijing University of Posts and Telecommunications
Current assignee: Beijing Dongtu Jinyue Technology Co Ltd; Beijing University of Posts and Telecommunications
Priority date: 2019-08-27
Filing date: 2019-08-27
Publication date: 2019-12-17

Abstract

本发明实施例提供一种基于深度信念网络的全自主智能路由方法及装置，所述方法包括：获取内容请求节点发送的感兴趣内容，以及可达节点列表，可达节点列表中包含若干个可与内容请求节点直接通信的内容路由节点；根据感兴趣内容，从可达节点列表中确定兴趣转发节点，兴趣转发节点为与内容请求节点属于同一类别的内容路由节点；将兴趣转发节点的列表发送到内容请求节点。本发明实施例提供的基于深度信念网络的全自主智能路由方法及装置，将系统中的内容路由节点划分成不同的类别，当内容请求节点发起内容请求时，仅向同一类的内容路由节点请求感兴趣内容，能够大幅降低网络中的数据发现时延，并显著提升缓存命中率，提高了系统效率。

Description

基于深度信念网络的全自主智能路由方法及装置

技术领域

本发明涉及通信技术领域，尤其涉及一种基于深度信念网络的全自主智能路由方法及装置。

背景技术

互联网的快速发展引起了网络数据内容的快速扩张。根据最新的Cisio视觉网络指数预测(2016-2021)，到2021年，全球IP视频流量将占所有消费者互联网流量的82％，高于2016年的73％。可以看出，当前的TCP/IP网络已经拥有对于诸如多媒体之类的内容的获取变得越来越不可接受，并且网络服务的主体已经成为VANET中的视频流服务。互联网迫切需要考虑面向内容的架构，该架构对于内容分发具有高度可扩展性和成本效益。

现有技术中，内容中心网络(CCN)作为一种优于当前IP架构的新型网络架构被提出，主要将网络中的数据包命名为数据，而不是通信主机，能够改变当前因特网中主机与主机通信的方式，即使用数据名称进行通信而不是IP地址，适应了因特网中数据分发不断增长的通信需求。

在内容中心网络架构中，每一路由器节点要维护的表结构包括：内容存储器(Content Store,CS)、前向转发表(Forwarding Information Base,FIB)和待请求表(Pending Interest Table,PIT)。CS用于数据缓存和缓存更新策略。FIB由基于名称的路由协议生成，保存兴趣包下一跳接口。内容路由(Content Router，CR)会聚合下游网络对同一内容的请求，用PIT详细记录(广播和多播)未响应的兴趣包及响应到达的接口。路由器节点对数据内容进行缓存，先在CS中查找，如果有就直接返回，如果没有就查询PIB，没有该转发记录则加入PIB，根据PIB选择多个接口，将兴趣包逐跳路由到数据源或者由该内容的CR处。最后，数据从源根据请求的反向路径路由回来，沿途的CR对数据进行缓存。

但是，现有技术中的方案，随着内容路由节点的数量的增大，内容请求节点获取感兴趣内容的路由将会变得复杂，导致获取感兴趣内容的时延将会增大，系统效率降低。

发明内容

本发明实施例提供一种基于深度信念网络的全自主智能路由方法及装置，用于解决现有技术中内容请求节点获取感兴趣内容的时延大的技术问题。

为了解决上述技术问题，一方面，本发明实施例提供一种基于深度信念网络的全自主智能路由方法，包括：

获取内容请求节点发送的感兴趣内容，以及可达节点列表，所述可达节点列表中包含若干个可与所述内容请求节点直接通信的内容路由节点；

根据所述感兴趣内容，从所述可达节点列表中确定兴趣转发节点，所述兴趣转发节点为与所述内容请求节点属于同一类别的内容路由节点；

将所述兴趣转发节点的列表发送到所述内容请求节点。

进一步地，所述根据所述感兴趣内容，从所述可达节点列表中确定兴趣转发节点，具体包括：

将所述感兴趣内容输入至预设的深度信念网络模型，输出所述感兴趣内容的特征向量；

基于所述感兴趣内容的特征向量，将系统中所有内容路由节点分成若干个类别；

以所述可达节点列表与目标类别列表的交集确定的内容路由节点作为所述兴趣转发节点，所述目标类别列表为与所述内容请求节点属于同一类别的内容路由节点构成的列表。

进一步地，所述基于所述感兴趣内容的特征向量，将系统中所有内容路由节点分成若干个类别，具体包括：

分别提取系统中除所述内容请求节点以外的其他内容路由节点中的缓存内容的特征向量；

根据所述感兴趣内容的特征向量，以及其他内容路由节点中的缓存内容的特征向量，构建特征向量集合；

计算所述特征向量集合中任意两个特征向量之间的向量夹角；

若判断获知两个目标特征向量之间的向量夹角在预设角度阈值范围内，则将两个所述目标特征向量分别对应的内容路由节点划分为同一类别。

进一步地，所述特征向量中包含请求内容特征和请求频率特征。

另一方面，本发明实施例提供一种基于深度信念网络的全自主智能路由方法，包括：

向网络侧设备发送感兴趣内容，以及可达节点列表，以向所述网络侧设备请求兴趣转发节点的列表，所述可达节点列表中包含若干个可与所述内容请求节点直接通信的内容路由节点，所述兴趣转发节点是由所述网络侧设备根据所述感兴趣内容，从所述可达节点列表中确定的，与所述内容请求节点属于同一类别的内容路由节点；

接收所述兴趣转发节点的列表；

向所述兴趣转发节点请求所述感兴趣内容。

进一步地，所述向所述兴趣转发节点请求所述感兴趣内容之后，还包括：

若所述兴趣转发节点缓存有所述感兴趣内容，则直接接收所述兴趣转发节点发送的所述感兴趣内容；

若所述兴趣转发节点没有缓存所述感兴趣内容，则接收所述兴趣转发节点发送的没有缓存响应信息，待所述兴趣转发节点获取所述感兴趣内容之后，再接收所述兴趣转发节点发送的所述感兴趣内容。

再一方面，本发明实施例提供一种网络侧设备，包括：

接收模块，用于获取内容请求节点发送的感兴趣内容，以及可达节点列表，所述可达节点列表中包含若干个可与所述内容请求节点直接通信的内容路由节点；

处理模块，用于根据所述感兴趣内容，从所述可达节点列表中确定兴趣转发节点，所述兴趣转发节点为与所述内容请求节点属于同一类别的内容路由节点；

发送模块，用于将所述兴趣转发节点的列表发送到所述内容请求节点。

又一方面，本发明实施例提供一种终端，包括：

列表请求模块，用于向网络侧设备发送感兴趣内容，以及可达节点列表，以向所述网络侧设备请求兴趣转发节点的列表，所述可达节点列表中包含若干个可与所述内容请求节点直接通信的内容路由节点，所述兴趣转发节点是由所述网络侧设备根据所述感兴趣内容，从所述可达节点列表中确定的，与所述内容请求节点属于同一类别的内容路由节点；

列表接收模块，用于接收所述兴趣转发节点的列表；

内容请求模块，向所述兴趣转发节点请求所述感兴趣内容。

又一方面，本发明实施例提供一种电子设备，包括：存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述方法的步骤。

又一方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述方法的步骤。

本发明实施例提供的基于深度信念网络的全自主智能路由方法及装置，将系统中的内容路由节点划分成不同的类别，当内容请求节点发起内容请求时，仅向同一类的内容路由节点请求感兴趣内容，能够大幅降低网络中的数据发现时延，并显著提升缓存命中率，提高了系统效率。

附图说明

图1为本发明实施例提供的基于深度信念网络的全自主智能路由方法示意图；

图2为本发明实施例提供的智能路由算法的原理示意图；

图3为本发明实施例提供的网络侧设备示意图；

图4为本发明实施例提供的电子设备的结构示意图。

具体实施方式

为了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一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做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。

图1为本发明实施例提供的基于深度信念网络的全自主智能路由方法示意图，如图1所示，本发明实施例提供一种基于深度信念网络的全自主智能路由方法，其执行主体为网络侧设备，该方法包括：

步骤S101、获取内容请求节点发送的感兴趣内容，以及可达节点列表，所述可达节点列表中包含若干个可与所述内容请求节点直接通信的内容路由节点。

具体来说，当内容请求节点需要请求内容时，其会将感兴趣内容，以及可达节点列表上报给网络侧设备，可达节点列表中包含若干个可与内容请求节点直接通信的内容路由节点。

例如，内容请求节点附近存在A、B、C、D、E五个可直接通信的内容路由节点，内容请求节点期望获取123.MP4这一视频内容，该内容请求节点会将123.MP4这一视频内容的名称，以及A、B、C、D、E五个可直接通信的内容路由节点的列表，一起上报给网络侧设备。

网络侧设备获取内容请求节点发送的感兴趣内容，以及可达节点列表。

步骤S102、根据所述感兴趣内容，从所述可达节点列表中确定兴趣转发节点，所述兴趣转发节点为与所述内容请求节点属于同一类别的内容路由节点。

具体来说，网络侧设备获取内容请求节点发送的感兴趣内容，以及可达节点列表之后，根据感兴趣内容，从可达节点列表中确定兴趣转发节点，兴趣转发节点为与内容请求节点属于同一类别的内容路由节点。

例如，内容请求节点F附近存在A、B、C、D、E五个可直接通信的内容路由节点，内容请求节点期望获取123.MP4这一视频内容，该内容请求节点会将123.MP4这一视频内容的名称，以及A、B、C、D、E五个可直接通信的内容路由节点的列表，一起上报给网络侧设备。

网络侧设备获取123.MP4这一视频内容的名称，以及A、B、C、D、E五个可直接通信的内容路由节点的列表之后，根据123.MP4这一视频内容的名称，以及A、B、C、D、E、G、H等系统中其他内容路由节点缓存的内容，将A、B、C、D、E、F、G、H这些内容路由节点划分为两类，其中，A、B、G为第一类别，C、D、E、F、H为第二类别，因此，网络侧设备确定的兴趣转发节点为C、D、E。

步骤S103、将所述兴趣转发节点的列表发送到所述内容请求节点。

具体来说，网络侧设备确定兴趣转发节点以后，将兴趣转发节点的列表下发给内容请求节点。

内容请求节点接收兴趣转发节点的列表，然后，仅向兴趣转发节点请求感兴趣内容。

如果兴趣转发节点缓存有该感兴趣内容，则直接接收兴趣转发节点发送的该感兴趣内容。

如果兴趣转发节点没有缓存该感兴趣内容，则接收兴趣转发节点发送的没有缓存响应信息，该兴趣转发节点按照与该内容请求节点同样的方式，先向网络侧设备请求兴趣转发节点的列表，然后，在向其兴趣转发节点请求该感兴趣内容，待该兴趣转发节点获取该感兴趣内容之后，内容请求节点再接收该兴趣转发节点发送的感兴趣内容。

网络侧设备确定兴趣转发节点为C、D、E之后，将C、D、E的列表下发给内容请求节点F。

内容请求节点F接收该列表，仅向该列表中的C、D、E请求123.MP4这一视频内容。

如果C、D、E中任何一个缓存有123.MP4这一视频内容，则内容请求节点F直接接收其发送的123.MP4。

如果C、D、E都没有缓存123.MP4这一视频内容，则C、D、E分别以与内容请求节点F同样的方式向网络侧设备请求各自的兴趣转发节点的列表，并分别向各自的兴趣转发节点再接力请求123.MP4这一视频内容，如果C从其兴趣转发节点G那里获取了该123.MP4，则C会将123.MP4转发给F，并自己也缓存一份。F将从C那里获取该123.MP4。

本发明实施例提供的基于深度信念网络的全自主智能路由方法，将系统中的内容路由节点划分成不同的类别，当内容请求节点发起内容请求时，仅向同一类的内容路由节点请求感兴趣内容，能够大幅降低网络中的数据发现时延，并显著提升缓存命中率，提高了系统效率。

基于上述任一实施例，进一步地，所述根据所述感兴趣内容，从所述可达节点列表中确定兴趣转发节点，具体包括：

具体来说，深度信念网络(DBN)是一种生成模型，通过训练其神经元间的权重，可以让整个神经网络按照最大概率来生成训练数据。深度信念网络由多层神经元构成，这些神经元又分为显性神经元和隐性神经元(以下简称显元和隐元)。显元用于接受输入，隐元用于提取特征。深度信念网络的组成元件(神经元)是受限玻尔兹曼机(RBM)，通过受限玻尔兹曼机的逐层堆叠，深度信念网络模型可从原始数据中逐层提取特征，获得一些高层次表达。其核心就是用逐层贪婪学习算法去优化深度神经网络的连接权重，即首先使用无监督逐层训练的方式，有效挖掘待诊断设备中的故障特征，然后在增加相应分类器的基础上，通过反向的有监督微调，优化故障诊断能力。

本发明实施例中，采用DBN模型从内容请求节点上报的感兴趣内容中提取知识，并将该知识应用到内容中心网络，从而能够使通信具有更好的可控性，更高的服务质量和更低的成本。

首先，利用DBN模型从内容请求节点上报的感兴趣内容中提取知识，该知识就是指感兴趣内容的特征向量。

直接将感兴趣内容输入至预设的深度信念网络模型，即可输出感兴趣内容的特征向量。

然后，基于感兴趣内容的特征向量，以及系统中除内容请求节点以外的其他内容路由节点缓存的内容特征向量，将系统中所有内容路由节点分成若干个类别。

最后，以可达节点列表与目标类别列表的交集确定的内容路由节点作为兴趣转发节点，目标类别列表为与内容请求节点属于同一类别的内容路由节点构成的列表。

网络侧设备获取123.MP4这一视频内容的名称，以及A、B、C、D、E五个可直接通信的内容路由节点的列表之后，将123.MP4这一视频内容的名称输入至预设的深度信念网络模型，即可输出123.MP4的特征向量，根据123.MP4的特征向量，以及A、B、C、D、E、G、H这些系统中其他内容路由节点缓存的内容的特征向量，将A、B、C、D、E、F、G、H这些内容路由节点划分为两类，其中，A、B、G为第一类别，C、D、E、F、H为第二类别。

内容请求节点F的可达节点列表中包含A、B、C、D、E五个可直接通信的内容路由节点，而内容请求节点F所属的第二类别列表中包含C、D、E、F、H五个内容路由节点，两个列表的交集确定的内容路由节点为C、D、E，以C、D、E作为兴趣转发节点。兴趣转发节点C、D、E，既是与内容请求节点F可直接通信的内容路由节点，又是与内容请求节点F属于同一类别的内容路由节点。

本发明实施例，采用深度信念网络模型用于分析用户的请求序列，能够从复杂冗余的用户请求序列准确提取用户兴趣特征向量。

基于上述任一实施例，进一步地，所述基于所述感兴趣内容的特征向量，将系统中所有内容路由节点分成若干个类别，具体包括：

具体来说，网络侧设备将系统中所有内容路由节点分成若干个类别的具体方法如下：

首先，分别提取系统中除内容请求节点以外的其他内容路由节点中的缓存内容的特征向量。

然后，根据感兴趣内容的特征向量，以及其他内容路由节点中的缓存内容的特征向量，构建特征向量集合。

最后，计算特征向量集合中任意两个特征向量之间的向量夹角。

例如，系统中，总共包含A、B、C、D、E、F、G、H八个内容路由节点，其中，F为内容请求节点。内容请求节点F期望请求的内容为123.MP4这一视频内容。

网络侧设备根据123.MP4这一视频内容提取123.MP4的特征向量v_F，并且，根据A、B、C、D、E、G、H缓存的内容，分别提取每一缓存内容的特征向量，依次记为v_A、v_B、v_C、v_D、v_E、v_G、v_H。

然后，根据123.MP4的特征向量v_F，以及A、B、C、D、E、G、H分别对应的特征向量v_A、v_B、v_C、v_D、v_E、v_G、v_H构建特征向量集合V，V＝{v_A，v_B，v_C，v_D，v_E，v_F，v_G，v_H}。

最后，计算特征向量集合V中任意两个特征向量之间的向量夹角，若判断获知两个目标特征向量之间的向量夹角在预设角度阈值范围内，则将两个目标特征向量分别对应的内容路由节点划分为同一类别。

本发明实施例，采用深度信念网络模型用于分析用户的请求序列，能够从复杂冗余的用户请求序列准确提取用户兴趣特征向量，并且根据用户兴趣特征向量将用户划分为若干个类别，能够是具有相同兴趣的用户精确的划分为同一类别。

基于上述任一实施例，进一步地，所述特征向量中包含请求内容特征和请求频率特征。

具体来说，用户请求的内容和请求频率被视为用户请求行为的兴趣。请求内容反映了用户请求的自定义，这仅取决于用户的兴趣并且极大地影响用户的未来内容的请求。请求频率意味着用户对内容的兴趣越大，用户请求的频率就越高。

因此，本发明实施例中特征向量中包含请求内容特征和请求频率特征。

通过请求内容特征和请求频率特征可以提供非常准确的用户请求兴趣估计。有利于快速找到感兴趣内容。

基于上述任一实施例，本发明实施例提供一种基于深度信念网络的全自主智能路由方法，其执行主体为终端，在内容中心网络架构中，该终端可以作为任一个内容路由节点，该方法包括：

接收所述兴趣转发节点的列表；

向所述兴趣转发节点请求所述感兴趣内容。

网络侧设备获取内容请求节点发送的感兴趣内容，以及可达节点列表之后，根据感兴趣内容，从可达节点列表中确定兴趣转发节点，兴趣转发节点为与内容请求节点属于同一类别的内容路由节点。

网络侧设备确定兴趣转发节点以后，将兴趣转发节点的列表下发给内容请求节点。

基于上述任一实施例，进一步地，所述向所述兴趣转发节点请求所述感兴趣内容之后，还包括：

具体来说，如果兴趣转发节点缓存有该感兴趣内容，则直接接收兴趣转发节点发送的该感兴趣内容。

下面结合车载自组网(VANET)中的多媒体服务路由这一场景对上述任一实施例中的方案进行说明：

在本场景中，使用深度学习的方法为内容中心网络创造知识，即将知识从收集到的数据抽象出来，从而能够使通信具有更好的可控性，更高的服务质量和更低的成本。进一步地，考虑以知识为中心的车载自组网(VANET)中的多媒体服务路由问题，深度信念网络用于从用户的请求序列中获取知识，并将用户划分为不同的用户类。最后，提出了一种称为智能路由算法(IRA)的新路由算法，以优化以知识为中心的VANET中的路由过程。

(1)请求兴趣提取

用户的视频请求序列和请求频率被视为用户视频请求行为的兴趣。请求序列反映了用户视频请求的自定义，这仅取决于用户的兴趣并且极大地影响用户的未来视频请求。请求频率意味着用户对视频内容的兴趣越大，用户请求的频率就越高。因此，考虑到视频请求行为的这两个方面可以提供非常准确的用户请求兴趣估计。假设VANET中存在N种不同的视频内容，被定义为V＝{v₁,v₂,…,v_N}。同时，对于每一个移动用户i视频请求日志由视频内容请求历史组成H_i(t)和视频请求频率历史P_i(f)。H_i(t)是N比特的索引，这意味着移动用户i在时间t已经请求了视频内容，而第i个元素中的1表示请求了v_i，否则为0。P_i(f)表示视频内容在时间t的请求频率，表示为P_i(f)＝{f₁,f₂,…,f_N}，其中f_j∈P_i(f)表示固定时间戳中的总请求时间。

(2)基于深度信念网络的请求序列学习

H_i(t)有两个含义，一个是所请求的视频内容的序列，另一个是所请求的视频内容的本时间。深度信念网络创建一个概率模型，可以发现不同分层学习目标的深层关系。另一方面，深度信念网络的学习模型可以通过后向传播方式的遗憾进行自我优化，而后悔被定义为预测和实际结果之间的差异。限制玻尔兹曼机中的神经网络有两层，一层是可见层，另一层是隐层。在限制玻尔兹曼机中，来自不同层的神经单元完全连接。请求序列学习的过程如下所示：

深度信念网络的输入：DBN中的输入是N维向量在[0,1]^N空间内。将H_i(t)代替为X_j(t)，则满足如下公式：

其中，x_i表示深度神经网络输入向量中的元素，t_i表示视频请求日志中的第i个视频内容请求的时间，X_j(t)表示深度神经网络的输入向量，t_in表示视频请求日志中第一个视频内容请求的时间，t_la表示最后一次视频内容请求的时间。很明显x_i∈[0,1]，因此，X_j(t)能够被选为输入。

深度信念网络的训练过程：显层中的单元i被命名为a_i，隐层中的单元j被命名为b_i，权重被命名为w_ij，Φ＝{w,a,b}，RBM中的能量函数被定义为：

其中，表示能量函数，N_k表示显层的神经单元总数量，a_i表示显层中的第i个神经单元，k_i表示显层向量中的第i个元素，N_l表示隐层的神经单元总数量，b_j表示隐层中的第j个神经单元，l_j表示隐层向量中的第j个元素，w_i,j表示神经单元i与神经单元j之间的权重，k表示显层的向量，l表示隐层的向量。隐层单元j的激活概率g_j可以被定义为：

其中，P(g_j|k)表示显层向量k条件下的隐层单元j的激活概率，b_j表示隐层中的第j个神经单元，N_k表示显层的神经单元总数量，w_i,j表示神经单元i与神经单元j之间的权重，k_i表示显层向量中的第i个元素，sig(.)表示sigmoid函数。激活门限被定义为Ω，得知：

其中，g_j表示隐层单元j的激活概率，P(g_j|k)表示显层向量k条件下的隐层单元j的激活概率，Ω表示激活门限。

(k,l)在Φ下的条件联合概率可以从下式获得：

其中，P(k,l|Φ)表示(k,l)在Φ下的条件联合概率，Z_Φ表示公式的符号代替，表示能量函数。

同时可以知道：

其中，Z_Φ表示公式的符号代替，表示深度信念网络，表示Φ条件下的能量函数。

为了更新Φ，消耗函数可以表示为：

其中，表示消耗函数，P_d(k|l,Φ)表示D中每个(k,l)在Φ下的条件联合概率，D表示训练集，Φ的更新过程为：

其中，Φ′表示更新后的显层、隐层及权重的总集合，Φ表示更新前的显层、隐层及权重的总集合，表示消耗函数，ρ表示深度学习的速率。

深度信念网络的输出和校准：要输出视频请求序列，在输出层中单元是sigmoid函数：

其中，y_c表示深度信念网络的输出，N_v表示显层的神经单元总数量，w_i,j表示神经单元i与神经单元j之间的权重，l_i表示隐层向量中的第j个元素，e表示输出层的基准。

为了自动调节RBM，反悔值被定义为：

其中，表示反悔值，D表示训练集，N表示输出层的神经单元，y_c(t-1)表示在t-1时刻的y_c，y_c表示深度信念网络的输出，m_d,c(t)表示t时刻布尔型变量。m_d,c(t-1)可以被定义为：

用户发出视频请求，m_d,c(t-1)的值为1，否则为0。

因此，可以使用梯度下降的方法来最小化

用户分类的方法流程包括：

定义移动用户的请求序列是矢量集V{v₁,v₂,…,v_n}。特征向量将从深度信念网络中提取，其定义为f。定义有n个移动用户，所以特征向量集合为{f₁,f₂,…,f_n}。因此可以得知两个特征向量之间的矢量角度为：

其中，θ表示特征向量f₁与特征向量f₂之间的矢量角度，f₁与f₂为集合中的任意两个特征向量，||f₁||与||f₂||为它们的模。矢量角度的值在0°和360°之间计算。假设设置k个用户类，并将同一用户类的阈值定义为360°/k。在这种情况下，如果矢量角度小于阈值，则认为两个移动用户属于同一用户类别。

图2为本发明实施例提供的智能路由算法的原理示意图，如图2所示，兴趣源需要请求视频内容，因此它向其所在的小型基站(SBS)询问需要请求的下一跳节点。SBS知道其所覆盖的用户集合，并向云端询问是否存在用户与兴趣源在同一用户类中。云端具有所有用户的特征向量库，并且能够通过用户类分组的过程来了解用户类。假设其他移动节点具有自己的特征向量f₁，f₂和f₃。当云端从SBS接收到询问请求时，它将分别计算兴趣源的特征向量与移动节点的特征向量f₁，f₂和f₃之间的向量夹角。如果结果小于阈值，则移动节点将被视为兴趣转发者。兴趣转发者的信息将告知兴趣源。此时，兴趣源将请求属于兴趣转发者的这些节点。每个兴趣转发者将重复上述过程，直到所请求的视频内容被发现。

智能路由算法的详细伪代码如下：

本场景中，通过对深度信念网络的研究，考虑了内容中心网络的视频内容请求发现问题，能够大幅降低网络中的数据发现时延，并显著提升缓存命中率。构造移动用户兴趣特征向量，并设计一种深度信念网络模型用于分析用户的请求序列。基于深度信念网络的输出，提出一种新颖的用户分类概念，同一类用户具有相似的请求兴趣和视频缓存。最终，创新性地提出一种智能路由算法(IRA)，能够保证用户在较短的时间内发现需要请求的视频内容。

基于上述任一实施例，图3为本发明实施例提供的网络侧设备示意图，如图3所示，本发明实施例提供一种网络侧设备，包括接收模块301、处理模块302和发送模块303，其中：

接收模块301用于获取内容请求节点发送的感兴趣内容，以及可达节点列表，所述可达节点列表中包含若干个可与所述内容请求节点直接通信的内容路由节点；处理模块302用于根据所述感兴趣内容，从所述可达节点列表中确定兴趣转发节点，所述兴趣转发节点为与所述内容请求节点属于同一类别的内容路由节点；发送模块303用于将所述兴趣转发节点的列表发送到所述内容请求节点。

本发明实施例提供一种网络侧设备，用于执行上述任一实施例中执行主体为网络侧设备的方法，通过本实施例提供的装置执行上述某一实施例中所述的方法的具体步骤与上述相应实施例相同，此处不再赘述。

本发明实施例提供的网络侧设备，将系统中的内容路由节点划分成不同的类别，当内容请求节点发起内容请求时，仅向同一类的内容路由节点请求感兴趣内容，能够大幅降低网络中的数据发现时延，并显著提升缓存命中率，提高了系统效率。

基于上述任一实施例，本发明实施例提供一种终端，在内容中心网络架构中，该终端可以作为任一个内容路由节点，包括列表请求模块、列表接收模块和内容请求模块，其中：

列表请求模块，用于向网络侧设备发送感兴趣内容，以及可达节点列表，以向所述网络侧设备请求兴趣转发节点的列表，所述可达节点列表中包含若干个可与所述内容请求节点直接通信的内容路由节点，所述兴趣转发节点是由所述网络侧设备根据所述感兴趣内容，从所述可达节点列表中确定的，与所述内容请求节点属于同一类别的内容路由节点；列表接收模块，用于接收所述兴趣转发节点的列表；内容请求模块，向所述兴趣转发节点请求所述感兴趣内容。

本发明实施例提供一种终端，用于执行上述任一实施例中执行主体为终端的方法，通过本实施例提供的装置执行上述某一实施例中所述的方法的具体步骤与上述相应实施例相同，此处不再赘述。

本发明实施例提供的终端，将系统中的内容路由节点划分成不同的类别，当内容请求节点发起内容请求时，仅向同一类的内容路由节点请求感兴趣内容，能够大幅降低网络中的数据发现时延，并显著提升缓存命中率，提高了系统效率。

图4为本发明实施例提供的电子设备的结构示意图，如图4所示，所述设备包括：处理器(processor)401、存储器(memory)402、总线403，以及存储在存储器上并可在处理器上运行的计算机程序。

其中，处理器401和存储器402通过总线403完成相互间的通信；

处理器401用于调用并执行存储器402中的计算机程序，以执行上述各方法实施例中的步骤，例如包括：

获取内容请求节点发送的感兴趣内容，以及可达节点列表，所述可达节点列表中包含若干个可与所述内容请求节点直接通信的内容路由节点；根据所述感兴趣内容，从所述可达节点列表中确定兴趣转发节点，所述兴趣转发节点为与所述内容请求节点属于同一类别的内容路由节点；将所述兴趣转发节点的列表发送到所述内容请求节点。

或者包括：

向网络侧设备发送感兴趣内容，以及可达节点列表，以向所述网络侧设备请求兴趣转发节点的列表，所述可达节点列表中包含若干个可与所述内容请求节点直接通信的内容路由节点，所述兴趣转发节点是由所述网络侧设备根据所述感兴趣内容，从所述可达节点列表中确定的，与所述内容请求节点属于同一类别的内容路由节点；接收所述兴趣转发节点的列表；向所述兴趣转发节点请求所述感兴趣内容。

此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例中的步骤，例如包括：

或者包括：

本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，当所述计算机程序被处理器执行时，实现上述各方法实施例中的步骤，例如包括：

或者包括：

以上所描述的装置及设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims

1.一种基于深度信念网络的全自主智能路由方法，其特征在于，包括：

将所述兴趣转发节点的列表发送到所述内容请求节点。

2.根据权利要求1所述的基于深度信念网络的全自主智能路由方法，其特征在于，所述根据所述感兴趣内容，从所述可达节点列表中确定兴趣转发节点，具体包括：

3.根据权利要求2所述的基于深度信念网络的全自主智能路由方法，其特征在于，所述基于所述感兴趣内容的特征向量，将系统中所有内容路由节点分成若干个类别，具体包括：

4.根据权利要求2所述的基于深度信念网络的全自主智能路由方法，其特征在于，所述特征向量中包含请求内容特征和请求频率特征。

5.一种基于深度信念网络的全自主智能路由方法，其特征在于，包括：

接收所述兴趣转发节点的列表；

向所述兴趣转发节点请求所述感兴趣内容。

6.根据权利要求5所述的基于深度信念网络的全自主智能路由方法，其特征在于，所述向所述兴趣转发节点请求所述感兴趣内容之后，还包括：

7.一种网络侧设备，其特征在于，包括：

8.一种终端，其特征在于，包括：

列表接收模块，用于接收所述兴趣转发节点的列表；

内容请求模块，向所述兴趣转发节点请求所述感兴趣内容。

9.一种电子设备，包括存储器、处理器，以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1至6任一项所述基于深度信念网络的全自主智能路由方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时，实现如权利要求1至6任一所述基于深度信念网络的全自主智能路由方法的步骤。