CN111629052B - 基于mec的内容缓存方法、节点、设备及存储介质 - Google Patents
基于mec的内容缓存方法、节点、设备及存储介质 Download PDFInfo
- Publication number
- CN111629052B CN111629052B CN202010457422.7A CN202010457422A CN111629052B CN 111629052 B CN111629052 B CN 111629052B CN 202010457422 A CN202010457422 A CN 202010457422A CN 111629052 B CN111629052 B CN 111629052B
- Authority
- CN
- China
- Prior art keywords
- content
- user
- node
- category
- request information
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/56—Provisioning of proxy services
- H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
- H04L67/63—Routing a service request depending on the request content or context
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开提供一种基于MEC的内容智能缓存方法、节点、设备及计算机可读存储介质，所述方法包括：收集用户请求信息，并定期发送给移动边缘计算MEC服务节点，以使MEC服务节点根据所述收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容；在接收到新的用户请求信息后，解析用户请求信息；根据用户所请求的内容向MEC服务节点查询MEC服务节点已缓存内容中是否存在用户所请求的内容；若存在，则获取MEC服务节点缓存的用户所请求的内容，并返回给用户。本公开的方法及节点可以有效地减少主干网的网络负载，减少网络的冗余传输，从而减少用户访问时延，提升服务质量。
Description
技术领域
本公开属于通信技术领域，具体涉及一种基于MEC的内容缓存方法，一种代理节点，一种MEC服务节点，一种计算机设备，以及一种计算机可读存储介质。
背景技术
近年来，随着互联网应用的快速增长，大规模的终端用户设备(UE，UserEquipment)发送业务请求使得宽带资源紧张。用户设备的业务请求往往会产生一定程度的延迟，缓慢的响应速度降低了互联网应用的体验。为了解决上述问题，研究者提出了内容缓存技术。
现有的内容缓存方案主要通过控制器获取内容服务器发送的内容缓存请求信息和具有内容缓存功能的业务节点的标识信息，根据业务节点的标识信息构造流转发策略信息和流分类策略信息；控制器发送流分类策略信息至流分类器，发送流转发策略信息至交换机，用于进行内容缓存操作。
然而，面对不断增大的网络文件和高并发量的用户访问，特别是互联网视频文件，现有的内容缓存方案存在一定的不足。首先，仅根据识别的内容信息进行固定的缓存，没有考虑用户行为的变化或未来用户请求的可能性；其次，识别用户请求内容的方式只能通过繁琐解析或内容服务器的映射；并且需要在运营商的主干网上部署多个节点，以保证不同互联网服务提供商的用户能够得到相同的用户体验，这样无形加大了部署的成本。
发明内容
本公开提供一种基于MEC的内容智能缓存的方法、节点、设备及技术机可读存储介质，可以有效地减少主干网的网络负载，减少网络的冗余传输，提升并发能力，同时减少了用户访问时延，提升服务质量。
第一方面，本公开实施例提供一种基于MEC的内容缓存方法，应用于代理节点，包括：
收集用户请求信息，并定期发送给移动边缘计算MEC服务节点，以使所述MEC服务节点根据所述收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容；以及，
在接收到新的用户请求信息后，解析用户请求信息；
根据用户所请求的内容向所述MEC服务节点查询所述MEC服务节点已缓存内容中是否存在用户所请求的内容；
若存在，则获取所述MEC服务节点缓存的用户所请求的内容，并返回给用户。
进一步的，所述方法还包括：
若查询所述MEC服务节点已缓存内容中不存在用户所请求的内容，则使所述MEC服务节点访问源服务器以获取用户所请求的内容，并通过代理节点返回给用户。
进一步的，所述方法还包括：
在接收到用户首次发送的请求信息后，检查用户是否安装证书，若已安装，则执行解析所述用户请求信息的步骤；若未安装，则发送证书到用户，待用户安装证书后再执行解析用户请求信息的步骤。
第二方面，本公开实施例提供一种基于MEC的内容缓存方法，应用于MEC服务节点，包括：
接收代理节点收集并定期发送的用户请求信息，根据所述收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容；以及，
在代理节点基于新的用户请求信息向其查询时，判断其已缓存的内容中是否存在用户所请求的内容；
若存在，则将其缓存的用户所请求的内容发送给代理节点，以使所述代理节点发送给用户。
进一步的，所述方法还包括：
若判断其已缓存的内容中不存在用户所请求的内容；
则访问源服务器以获取用户所请求的内容，并通过代理节点返回给用户。
进一步的，所述对用户所请求的内容进行聚类和预测，并缓存所述预测的内容包括：
对用户所请求的内容进行聚类分析，以将用户所请求的内容进行归类，并基于对称KL距离最小原则，得出作为聚类中心的L个内容类别，其中L为预设值；
对经过所述MEC服务节点的每个请求包所代表的内容进行归类，并以T为周期分别统计每个内容类别的流行度值；
根据统计得到各个内容类别共M个周期的流行度值，再根据各个内容类别共M个周期的流行度值得到各个内容类别第M+1个周期的流行度值；以及，
将得到的L个内容类别的第M+1个周期的流行度值进行排序，根据流行度值的大小和存储空间对内容进行缓存。
进一步的，所述对用户所请求的内容进行聚类分析，以将用户所请求的内容进行归类，并基于对称KL距离最小原则，得出作为聚类中心的L个内容类别，包括：
从用户所请求的内容中随机选取L个内容作为初始聚类中心，每个初始聚类中心代表一个内容类别；
分别计算用户所请求的内容中的剩余内容到每个初始聚类中心的对称KL距离，并将所述剩余内容分别归类到与其对称KL距离最近的内容类别中；
分别计算每个内容类别中包含的每个内容与该内容类别中其他内容的对称KL距离之和，选取与其他内容的对称KL距离之和最小的内容作为该内容类别新的聚类中心；
比较新的聚类中心与初始聚类中心，如果两者保持一致，则聚类完毕并生成L个内容类别；否则重新选取初始聚类中心，直至得到的新的聚类中心与初始聚类中心保持一致。
进一步的，所述以T为周期分别统计每个内容类别的流行度值，采用的计算公式如下：
其中，
表示在MEC服务节点上第l个内容类别在第m个周期的流行度值，
表示第m个周期内节点收到的第l个内容类别的请求包个数，其中，1≤l≤L，第m个周期为所有M个周期中的其中一个。
进一步的，所述根据计算得到各个内容类别共M个周期的流行度值，再根据各个内容类别共M个周期的流行度值得到各个内容类别第M+1个周期的流行度值，包括：
根据计算得到各个内容类别共M个周期的流行度值，其中：
Pl表示第l个内容类别共M个周期的流行度值；
至
分别表示在MEC服务节点上第l个内容类别在第1至M个周期的流行度值；
以各个内容类别共M个周期的流行度值作为输入，通过LSTM模型得到各个内容类别第M+1个周期的流行度值。
进一步的，在接收代理节点收集并定期发送的用户请求信息之后，所述方法还包括：
以T2为周期，对用户的请求信息重新进行聚类和预测，更新其缓存的内容，其中，所述用户的请求信息为代理节点以T1为周期发送给所述MEC服务节点的信息，并且T1≤T2。
进一步的，所述方法还包括：
建立用户请求内容信息表，其中，所述用户请求内容信息表中记录有与所述MEC服务节点对应的多个代理节点中每一个代理节点收集的用户请求信息。
第三方面，本公开实施例还提供一种代理节点，包括收集单元、解析单元、第一传输单元和内容获取单元；
所述收集单元设置为收集用户请求信息，并通过第一传输单元定期发送给MEC服务节点，以使所述MEC服务节点根据所述收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容；
所述解析单元设置为在接收到新的用户请求信息后，解析用户的请求信息；
所述内容获取单元设置为根据用户所请求的内容向所述MEC服务节点查询所述MEC服务节点已缓存内容中是否存在用户所请求的内容；
若存在，则获取所述MEC服务节点缓存的用户所请求的内容，并返回给用户。
第四方面，本公开实施例还提供一种MEC服务节点，包括第二传输单元和智能缓存单元；
所述第二传输单元设置为接收代理节点收集并定期发送的用户请求信息；
所述智能缓存单元设置为根据所述第二传输单元接收的所述收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容；以及
在代理节点基于新的用户请求信息向其查询时，判断其已缓存的内容中是否存在用户所请求的内容；
若存在，则将其缓存的用户所请求的内容通过第二传输单元发送给代理节点，以使所述代理节点发送给用户。
第五方面，本公开实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行如第一方面和第二方面中任一所述的基于MEC的内容缓存方法。
第六方面，本公开实施例还提供一种计算机可读存储介质，包括：计算机程序，当其在计算机上运行时，使得计算机执行如第一方面和第二方面中任一所述的基于MEC的内容缓存方法。
有益效果：
本公开提供的基于MEC的内容智能缓存的方法、节点、设备及技术机可读存储介质，由代理节点通过证书方式合理获取用户请求的信息，然后收集用户请求信息，发送给MEC服务节点；MEC服务节点利用人工智能算法对用户的请求进行聚类和预测，对缓存内容的流行度进行准确估计，然后将内容源的内容根据预测结果提前放置到缓存设备中，在用户实时获取并解析用户的请求信息后，判断MEC服务节点缓存的内容中是否存在用户所请求的内容，若存在，直接从缓存内容中获取用户请求所需的内容。缓存设备可以高速应答用户的请求，使得用户不必将所有的请求都发送至内容服务中心；MEC服务节点设置时间窗收集和存储用户的访问信息，周期性自动更新缓存内容。该方案有效地减少了主干网的网络负载，减少了网络的冗余传输，大大提升了并发能力，进一步减少了用户访问时延，进一步提升服务质量。
附图说明
图1为本公开实施例一提供的基于MEC的内容智能缓存方法的流程图；
图2为本公开实施例二提供的另一种基于MEC的内容智能缓存方法的流程图；
图3为本公开实施例三提供的基于MEC的内容智能缓存系统的架构图。
具体实施方式
为使本领域技术人员更好地理解本公开的技术方案，下面结合附图和实施例对本公开作进一步详细描述。
其中，在本公开实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚的表示其他含义。
以下，对本公开中的部分用语进行解释说明，以便于本领域技术人员理解：
移动边缘计算(Mobile Edge Computing，MEC)，在无线接入网络就近提供用户所需服务和云端计算功能的网络架构，用于加速网络中各项应用的快速下载，让用户享有不间断的高质量网络体验。
HTTPS(全称:Hyper Text Transfer Protocol over Secure Socket Layer)，是以安全为目标的HTTP通道。首先客户端先校验证书，从服务端证书到二级CA再到根证书，然后双方生成一个对称加密的密钥，用证书里面的公钥加密，发送给服务端，服务端用自己的私钥解密，拿到对称加密的密钥之后，双方开始通信。
KL距离，是Kullback-Leibler Divergence的简称，也叫做相对熵(RelativeEntropy)。它衡量的是相同事件空间里的两个概率分布的差异情况。其物理意义是：在相同事件空间里，概率分布P(x)对应的每个事件，若用概率分布Q(x)编码时，平均每个基本事件(符号)编码长度增加了多少比特。用D(P||Q)表示KL距离，计算公式如下：
当两个概率分布完全相同时，即P(X)＝Q(X)，其相对熵为0。其中，概率分布P(X)的信息熵为：
其表示，概率分布P(x)编码时，平均每个基本事件(符号)至少需要多少比特编码。
长短期记忆网络(LSTM，Long Short-Term Memory)是一种时间循环神经网络，是为了解决一般的RNN(循环神经网络)存在的长期依赖问题而专门设计出来的，所有的RNN都具有一种重复神经网络模块的链式形式。LSTM通过门控状态来控制传输状态，记住需要长时间记忆的，忘记不重要的信息。
随着互联网应用的快速增长，互联网视频内容的不断丰富，用户对于视频网络观看的业务请求也不断增加，这对于主干网的网络负载造成了较大的压力，并且由于用户对于视频业务需要有时会大量雷同，造成网络的冗余传输，影响用户体验。通过将网络内容预先进行缓存可以有效缓解这一问题，现有内容缓存处理方法通过接收访问请求内容的内容标识、请求内容的提供方标识和访问请求内容的用户标识；根据该内容标识、提供方标识、用户标识和缓存加速规则，确定用户访问所请求内容的缓存加速等级。代理服务器确定各访问节点(AP，Access Point)的缓存方案，缓存方案包括该AP需要缓存的内容和与该AP关联的站点(STA，Station)需要缓存的内容；代理服务器将各AP的缓存方案对应发送至各AP，以使各AP将缓存方案发送至与该AP关联的STA，以使该STA根据缓存方案生成网络信息表，所述网络信息表包括与该STA关联的各AP所缓存的内容和/或与该STA相邻的各STA所缓存的内容；并且，各AP根据接收的缓存方案获取缓存内容进行缓存，并根据缓存方案将缓存内容发送至与该AP关联的STA，以使所述STA将缓存内容进行缓存。但仅根据识别的内容信息进行固定的缓存，没有考虑用户行为的变化或未来用户请求的可能性，缓存的命中率较低；其次，识别用户请求内容的方式只能通过繁琐解析或内容服务器的映射；并且需要在运营商的主干网上部署多个节点，部署的成本高。
下面以具体地实施例对本公开的技术方案以及本公开的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本公开实施例一提供的一种基于MEC的内容缓存方法，应用于代理节点，如图1所示，包括：
步骤S101：收集用户请求信息，并定期发送给移动边缘计算MEC服务节点，以使所述MEC服务节点根据所述收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容；以及，
步骤S102：在接收到新的用户请求信息后，解析用户请求信息；
步骤S103：根据用户所请求的内容向所述MEC服务节点查询所述MEC服务节点已缓存内容中是否存在用户所请求的内容；
步骤S104：若存在，则获取所述MEC服务节点缓存的用户所请求的内容，并返回给用户。
本实施例通过代理节点(PROXY节点)和MEC服务节点(MEC-SERVER节点)在靠近用户侧实现内容的智能缓存，为用户提供低时延的业务服务，其中MEC服务节点主要负责利用人工智能算法进行内容聚类和预测，以及根据预测结果缓存相应的内容，代理节点负责响应用户节点的请求以及收集解析用户节点的信息。代理节点和MEC服务节点可以放在同一台服务器上，也可根据不同需求放在不同服务器上。
代理节点功能：突破现有HTTPS的安全策略，使得设备能够完全解析用户请求的原始数据，实现代理服务器的功能，并且完成数据收集以及整理。
进一步的，所述方法还包括：
若查询所述MEC服务节点已缓存内容中不存在用户所请求的内容，则使所述MEC服务节点访问源服务器以获取用户所请求的内容，并通过代理节点返回给用户。
代理节点接收到用户请求后，解析用户请求信息，实时从MEC服务节点获取用户所请求的内容，首先查看MEC服务节点的缓存内容中是否包含用户所请求的内容，若存在，则直接从MEC服务节点获取，返回给用户，若不存在则MEC服务节点与核心网或互联网连接，从网络获取资源，再由代理节点返回给用户，MEC服务节点根据流行度和热点，将从网络上获取的用户请求次数较多的，或者通过智能预测为后续用户请求次数会较多的内容保存到缓存空间，当其他用户请求该内容时，不需要再次从网络上获取，直接从缓存空间得到用户请求的内容，发送给用户，给用户带来低时延，高质量的业务服务。
进一步的，所述方法还包括：
在接收到用户首次发送的请求信息后，检查用户是否安装证书，若已安装，则执行解析所述用户请求信息的步骤；若未安装，则发送证书到用户，待用户安装证书后再执行解析用户请求信息的步骤。
互联网中的数据大多采用HTTPS协议传输，HTTPS为数据的安全传输提供了保障，但是也带了一些问题：对数据的解析只能到传输层，应用层数据依然无法解析，为了解决此问题，需要解决证书问题。
为了解决双向认证的问题，本实施例通过参考了私钥-公钥加密技术，提出了如下认证流程：
用户在向运营商购买AI-MEC服务时，运营商将会向用户发送一个认证客户端，此客户端中包含了运营商的数字证书，用户需要在认证客户端中订阅运营商的AI-MEC服务；
用户订阅之后，客户端再生成私钥-公钥池，并将公钥池发送给运营商；
运营商从中挑选出一个公钥，利用自己的私钥签名生成客户的数字证书并发送给客户，客户的数字证书即是客户的身份证明，也是运营商鉴别用户的关键凭据。
用户对MEC节点的鉴别通过认证客户端中的数字证书完成，订阅AI-MEC服务即认定为信任MEC节点；在用户和MEC节点的通信过程中，首先双向鉴权，通信过程中通过运营商的数字证书和客户的数字证书进行加密通信。
本实施例通过代理节点收集的用户请求，MEC服务节点对缓存内容的流行度进行准确预测，然后将内容源的内容根据预测结果提前放置到缓存设备中，缓存设备可以高速应答用户的请求，使得用户不必将所有的请求都发送至内容服务中心；有效地减少了主干网的网络负载，减少了网络的冗余传输，大大提升了并发能力，进一步减少了用户访问时延，提升服务质量。
图2为本公开实施例二提供的一种基于MEC的内容缓存方法，应用于MEC服务节点，包括：
步骤S201：接收代理节点收集并定期发送的用户请求信息，根据所述收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容；以及，
步骤S202：在代理节点基于新的用户请求信息向其查询时，判断其已缓存的内容中是否存在用户所请求的内容；
步骤S203：若存在，则将其缓存的用户所请求的内容发送给代理节点，以使所述代理节点发送给用户。
进一步的，所述方法还包括：
若判断其已缓存的内容中不存在用户所请求的内容；
则访问源服务器以获取用户所请求的内容，并通过代理节点返回给用户。
进一步的，所述对用户所请求的内容进行聚类和预测，并缓存所述预测的内容包括：
对用户所请求的内容进行聚类分析，以将用户所请求的内容进行归类，并基于对称KL距离最小原则，得出作为聚类中心的L个内容类别，其中L为预设值；
对经过所述MEC服务节点的每个请求包所代表的内容进行归类，并以T为周期分别统计每个内容类别的流行度值；
根据统计得到各个内容类别共M个周期的流行度值，再根据各个内容类别共M个周期的流行度值得到各个内容类别第M+1个周期的流行度值；以及，
将得到的L个内容类别的第M+1个周期的流行度值进行排序，根据流行度值的大小和存储空间对内容进行缓存。
为了预测步骤的正常进行，需要先将用户请求进行归类；在实际生活场景中，用户的兴趣呈现聚团现象，即，对某个团体部分内容感兴趣；由此可以对用户的请求信息进行聚类；内容流行度的预测分为两步，首先将内容进行聚类，其次将分类结果和各自的特征进行下一步预测，得到最终的预测结果。
代理节点由于其有限的计算能力，以及其有限的感知空间(每个代理节点只能与其下辖的用户进行交互，无法感知全网的热点动态)需要将收集到的数据传输给MEC服务节点。
进一步的，所述对用户所请求的内容进行聚类分析，以将用户所请求的内容进行归类，并基于对称KL距离最小原则，得出作为聚类中心的L个内容类别，包括：
从用户所请求的内容中随机选取L个内容作为初始聚类中心，每个初始聚类中心代表一个内容类别；
分别计算用户所请求的内容中的剩余内容到每个初始聚类中心的对称KL距离，并将所述剩余内容分别归类到与其对称KL距离最近的内容类别中；
分别计算每个内容类别中包含的每个内容与该内容类别中其他内容的对称KL距离之和，选取与其他内容的对称KL距离之和最小的内容作为该内容类别新的聚类中心；
比较新的聚类中心与初始聚类中心，如果两者保持一致，则聚类完毕并生成L个内容类别；否则重新选取初始聚类中心，直至得到的新的聚类中心与初始聚类中心保持一致。
进一步的，所述以T为周期分别统计每个内容类别的流行度值，采用的计算公式如下：
其中，
表示在MEC服务节点上第l个内容类别在第m个周期的流行度值，
表示第m个周期内节点收到的第l个内容类别的请求包个数，其中，1≤l≤L，第m个周期为共M个周期中的其中一个。
进一步的，所述根据计算得到各个内容类别共M个周期的流行度值，再根据各个内容类别共M个周期的流行度值得到各个内容类别第M+1个周期的流行度值，包括：
根据计算得到各个内容类别共M个周期的流行度值，其中：
Pl表示第l个内容类别共M个周期的流行度值；
至
分别表示在MEC服务节点上第l个内容类别在第1至M个周期的流行度值；
以各个内容类别共M个周期的流行度值作为输入，通过LSTM模型得到各个内容类别第M+1个周期的流行度值。
在已知前M个周期的L个内容类别后，利用LSTM模型记住需要长时间记忆的，忘记不重要的信息的特征，预测出第M+1个周期的这L个内容类别的流行度值。然后根据MEC服务节点缓存空间的大小，按照流行度值从大到小的顺序缓存，直至缓存空间缓存内容大小达到预设值。
进一步的，在接收代理节点收集并定期发送的用户请求信息之后，所述方法还包括：
以T2为周期，对用户的请求信息重新进行聚类和预测，更新其缓存的内容，其中，所述用户的请求信息为代理节点以T1为周期发送给所述MEC服务节点的信息，并且T1≤T2。
所有代理节点都是一个周期，T1一般为1-10个小时。MEC的时间窗口T2一般为1-5天。用户实时请求会按照正常流程上报响应。MEC服务节点保存的是用户前一个时间段的请求信息，是为了预测某一时间段内用户最可能请求的内容，以便及时缓存在MEC服务器中，当用户有实时请求的时候就可以更快响应。
其中，所述时间窗口T2与MEC服务节点分别统计每个内容类别的流行度值的周期T相同。MEC服务节点设置时间窗收集和存储用户的访问信息，周期性自动更新缓存内容。
进一步的，所述方法还包括：
建立用户请求内容信息表，其中，所述用户请求内容信息表中记录有与所述MEC服务节点对应的多个代理节点中每一个代理节点收集的用户请求信息。
MEC服务节点相比于代理节点功能更加单纯，主要进行流行度的预测。数据接口和PROXY的数据通信，通常情况下，一个MEC服务几点需要对一片区域中的代理节点提供服务，此时，在MEC服务节点中需要建立一个表，用于存储不同代理节点的数据。
本实施例MEC服务节点设置时间窗收集和存储用户的访问信息，周期性自动更新缓存内容。充分考虑用户行为的变化和未来用户请求的可能性，大大提高了缓存的命中率。
图3为本公开实施例三提供的一种基于MEC的内容智能缓存系统，包括：代理节点1和MEC服务节点2；
如图3所示，其中代理节点包括收集单元11、解析单元12、第一传输单元13和内容获取单元14；
所述收集单元11设置为收集用户请求信息，并通过第一传输单元13定期发送给MEC服务节点2，以使所述MEC服务节点2根据所述收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容；
所述解析单元12设置为在接收到新的用户请求信息后，解析用户的请求信息；
所述内容获取单元14设置为根据用户所请求的内容向所述MEC服务节点2查询所述MEC服务节点2已缓存内容中是否存在用户所请求的内容；
若存在，则获取所述MEC服务节点2缓存的用户所请求的内容，并返回给用户。
进一步的，所述内容获取单元14还设置为，若查询所述MEC服务节点2已缓存内容中不存在用户所请求的内容，则使所述MEC服务节点2访问源服务器以获取用户所请求的内容，并通过内容获取单元14返回给用户。
进一步的，所述代理节点1还包括证书验证单元15；
所述证书验证单元15设置为在解析单元12接收到用户的请求信息后，检查用户是否安装证书，若已安装，则使解析单元12执行解析用户请求信息的操作；若未安装，则发送证书到用户，用户安装证书后再使解析单元12执行解析用户请求信息的步骤。
如图3所示，所述MEC服务节点2包括第二传输单元21和智能缓存单元22；
所述第二传输单元21设置为接收代理节点1收集并定期发送的用户请求信息；
所述智能缓存单元22设置为根据所述第二传输单元21接收的所述收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容；以及
在代理节点1基于新的用户请求信息向其查询时，判断其已缓存的内容中是否存在用户所请求的内容；
若存在，则将其缓存的用户所请求的内容通过第二传输单元21发送给代理节点1，以使所述代理节点1发送给用户。
进一步的，所述MEC服务节点2还包括访问单元23；
所述智能缓存单元22还设置为，若判断其已缓存的内容中不存在用户所请求的内容；
则使所述访问单元23访问源服务器以获取用户所请求的内容，并通过代理节点1返回给用户。
进一步的，所述智能缓存单元22设置为对用户所请求的内容进行聚类和预测，并缓存所述预测的内容，具体包括：
智能缓存单元22对用户所请求的内容进行聚类分析，以将用户所请求的内容进行归类，包括：
从用户所请求的内容中随机选取L个内容作为初始聚类中心，每个初始聚类中心代表一个内容类别，其中L为预设值；
分别计算用户所请求的内容中的剩余内容到每个初始聚类中心的对称KL距离，并将所述剩余内容分别归类到与其对称KL距离最近的内容类别中；
分别在归类后每个内容类别中计算其包含的每个内容与该内容类别中其他内容的对称KL距离之和，选取对称KL距离之和最小的内容作为该内容类别新的聚类中心；
比较新的聚类中心与初始聚类中心，如果两者保持一致，则聚类完毕并生成L个内容类别；否则重新选取初始聚类中心，直至得到的新的聚类中心与初始聚类中心保持一致；
智能缓存单元22对内容流行度统计，包括：
智能缓存单元22对经过的每个请求包所代表的内容进行归类后，以m为周期分别统计每个内容类别的流行度值，流行度值的计算公式如下：
其中，
表示在MEC服务节点2上第l个内容类别在第m个周期的流行度值，
表示第m个周期内节点收到的第l类内容类别的请求包个数，其中，1≤l≤L，1≤m≤M。
智能缓存单元22对内容流行度预测：
代理节点1将收集到的数据传输给智能缓存单元22后，智能缓存单元22根据统计得到共M个周期的第l类内容类别的流行度值Pl；
将Pl作为输入，通过LSTM模型得到该内容类别第M+1个周期的流行度值
将得到的L个内容类别的流行度值进行排序，根据存储空间和流行度值的大小对内容进行缓存存储。
进一步的，所述MEC服务节点2对应多个代理节点1，在所述MEC服务节点2设置有用户请求内容信息表，所述用户请求内容信息表记录每一个代理节点1收集的用户请求信息。
进一步的，所述MEC服务节点2具有第二时钟单元24，所述第二时钟单元24设置为使智能缓存单元22以T2为周期，对用户的请求信息重新进行聚类和预测，更新其缓存的内容；
进一步的，所述代理节点1具有第一时钟单元16，其中，所述第一时钟单元16设置为使第一传输单元13将用户的请求信息以T1为周期发送给所述MEC服务节点2，并且T1≤T2。
本实施例的代理节点1和MEC服务节点2用于实施方法实施例中的内容智能缓存方法，所以描述的较为简单，具体可以参见前面方法实施例一和实施例二中的相关描述，此处不再赘述。
此外，本公开实施例还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行上述各种可能的方法。
此外，本公开实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当用户设备的至少一个处理器执行该计算机执行指令时，用户设备执行上述各种可能的方法。
其中，计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC(Application Specific Integrated Circuit，专用集成电路)中。另外，该ASIC可以位于用户设备中。当然，处理器和存储介质也可以作为分立组件存在于通信设备中。
可以理解的是，以上实施方式仅仅是为了说明本公开的原理而采用的示例性实施方式，然而本公开并不局限于此。对于本领域内的普通技术人员而言，在不脱离本公开的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本公开的保护范围。
Claims (11)
1.一种基于MEC的内容缓存方法，应用于代理节点，其特征在于，包括：
收集用户请求信息，并定期发送给移动边缘计算MEC服务节点，以使所述MEC服务节点根据所述代理节点收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容；以及，
在接收到新的用户请求信息后，解析用户请求信息；
根据用户所请求的内容向所述MEC服务节点查询所述MEC服务节点已缓存内容中是否存在用户所请求的内容；
若存在，则获取所述MEC服务节点缓存的用户所请求的内容，并返回给用户；
其中，所述MEC服务节点根据所述代理节点收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容，包括：
从用户所请求的内容中随机选取L个内容作为初始聚类中心，每个初始聚类中心代表一个内容类别，其中L为预设值；
分别计算用户所请求的内容中的剩余内容到每个初始聚类中心的对称KL距离，并将所述剩余内容分别归类到与其对称KL距离最近的内容类别中；
分别计算每个内容类别中包含的每个内容与该内容类别中其他内容的对称KL距离之和，选取与其他内容的对称KL距离之和最小的内容作为该内容类别新的聚类中心；
比较新的聚类中心与初始聚类中心，如果两者保持一致，则聚类完毕并生成L个内容类别；否则重新选取初始聚类中心，直至得到的新的聚类中心与初始聚类中心保持一致；
对经过所述MEC服务节点的每个请求包所代表的内容进行归类，并采用如下计算公式以T为周期分别计算每个内容类别的流行度值：
其中，
表示在MEC服务节点上第l个内容类别在第m个周期的流行度值，
表示第m个周期内节点收到的第l个内容类别的请求包个数，其中，1≤l≤L，1≤m≤M；
根据计算得到各个内容类别共M个周期的流行度值，其中：
Pl表示第l个内容类别共M个周期的流行度值；
至
分别表示在MEC服务节点上第l个内容类别在第1至M个周期的流行度值；
以各个内容类别共M个周期的流行度值作为输入，通过LSTM模型得到各个内容类别第M+1个周期的流行度值；
将得到的L个内容类别的第M+1个周期的流行度值进行排序，根据流行度值的大小和存储空间对内容进行缓存。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若查询所述MEC服务节点已缓存内容中不存在用户所请求的内容，则使所述MEC服务节点访问源服务器以获取用户所请求的内容，并通过代理节点返回给用户。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在接收到用户首次发送的请求信息后，检查用户是否安装证书，若已安装，则执行解析所述用户请求信息的步骤；若未安装，则发送证书到用户，待用户安装证书后再执行解析用户请求信息的步骤。
4.一种基于MEC的内容缓存方法，应用于MEC服务节点，其特征在于，包括：
接收代理节点收集并定期发送的用户请求信息，根据所述代理节点收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容；以及，
在代理节点基于新的用户请求信息向其查询时，判断其已缓存的内容中是否存在用户所请求的内容；
若存在，则将其缓存的用户所请求的内容发送给代理节点，以使所述代理节点发送给用户；
其中，根据所述代理节点收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容，包括：
从用户所请求的内容中随机选取L个内容作为初始聚类中心，每个初始聚类中心代表一个内容类别，其中L为预设值；
分别计算用户所请求的内容中的剩余内容到每个初始聚类中心的对称KL距离，并将所述剩余内容分别归类到与其对称KL距离最近的内容类别中；
分别计算每个内容类别中包含的每个内容与该内容类别中其他内容的对称KL距离之和，选取与其他内容的对称KL距离之和最小的内容作为该内容类别新的聚类中心；
比较新的聚类中心与初始聚类中心，如果两者保持一致，则聚类完毕并生成L个内容类别；否则重新选取初始聚类中心，直至得到的新的聚类中心与初始聚类中心保持一致；
对经过所述MEC服务节点的每个请求包所代表的内容进行归类，并采用如下计算公式以T为周期分别计算每个内容类别的流行度值：
其中，
表示在MEC服务节点上第l个内容类别在第m个周期的流行度值，
表示第m个周期内节点收到的第l个内容类别的请求包个数，其中，1≤l≤L，1≤m≤M；
根据计算得到各个内容类别共M个周期的流行度值，其中：
Pl表示第l个内容类别共M个周期的流行度值；
至
分别表示在MEC服务节点上第l个内容类别在第1至M个周期的流行度值；
以各个内容类别共M个周期的流行度值作为输入，通过LSTM模型得到各个内容类别第M+1个周期的流行度值；
将得到的L个内容类别的第M+1个周期的流行度值进行排序，根据流行度值的大小和存储空间对内容进行缓存。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
若判断其已缓存的内容中不存在用户所请求的内容；
则访问源服务器以获取用户所请求的内容，并通过代理节点返回给用户。
6.根据权利要求4所述的方法，其特征在于，在接收代理节点收集并定期发送的用户请求信息之后，所述方法还包括：
以T2为周期，对用户的请求信息重新进行聚类和预测，更新其缓存的内容，其中，所述用户的请求信息为代理节点以T1为周期发送给所述MEC服务节点的信息，并且T1≤T2。
7.根据权利要求4所述的方法，其特征在于，所述方法还包括：
建立用户请求内容信息表，其中，所述用户请求内容信息表中记录有与所述MEC服务节点对应的多个代理节点中每一个代理节点收集的用户请求信息。
8.一种代理节点，其特征在于，包括收集单元、解析单元、第一传输单元和内容获取单元；
所述收集单元设置为收集用户请求信息，并通过第一传输单元定期发送给MEC服务节点，以使所述MEC服务节点根据所述收集单元收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容；
所述解析单元设置为在接收到新的用户请求信息后，解析用户的请求信息；
所述内容获取单元设置为根据用户所请求的内容向所述MEC服务节点查询所述MEC服务节点已缓存内容中是否存在用户所请求的内容；以及，
若存在，则获取所述MEC服务节点缓存的用户所请求的内容，并返回给用户；
其中，所述MEC服务节点根据所述收集单元收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容，包括：
从用户所请求的内容中随机选取L个内容作为初始聚类中心，每个初始聚类中心代表一个内容类别，其中L为预设值；
分别计算用户所请求的内容中的剩余内容到每个初始聚类中心的对称KL距离，并将所述剩余内容分别归类到与其对称KL距离最近的内容类别中；
分别计算每个内容类别中包含的每个内容与该内容类别中其他内容的对称KL距离之和，选取与其他内容的对称KL距离之和最小的内容作为该内容类别新的聚类中心；
比较新的聚类中心与初始聚类中心，如果两者保持一致，则聚类完毕并生成L个内容类别；否则重新选取初始聚类中心，直至得到的新的聚类中心与初始聚类中心保持一致；
对经过所述MEC服务节点的每个请求包所代表的内容进行归类，并采用如下计算公式以T为周期分别计算每个内容类别的流行度值：
其中，
表示在MEC服务节点上第l个内容类别在第m个周期的流行度值，
表示第m个周期内节点收到的第l个内容类别的请求包个数，其中，1≤l≤L，1≤m≤M；
根据计算得到各个内容类别共M个周期的流行度值，其中：
Pl表示第l个内容类别共M个周期的流行度值；
至
分别表示在MEC服务节点上第l个内容类别在第1至M个周期的流行度值；
以各个内容类别共M个周期的流行度值作为输入，通过LSTM模型得到各个内容类别第M+1个周期的流行度值；
将得到的L个内容类别的第M+1个周期的流行度值进行排序，根据流行度值的大小和存储空间对内容进行缓存。
9.一种MEC服务节点，其特征在于，包括第二传输单元和智能缓存单元；
所述第二传输单元设置为接收代理节点收集并定期发送的用户请求信息；
所述智能缓存单元设置为根据所述第二传输单元接收的所述代理节点收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容；以及，
在代理节点基于新的用户请求信息向其查询时，判断其已缓存的内容中是否存在用户所请求的内容；
若存在，则将其缓存的用户所请求的内容通过第二传输单元发送给代理节点，以使所述代理节点发送给用户；
其中，所述智能缓存单元根据所述代理节点收集的用户请求信息，对用户所请求的内容进行聚类和预测，并缓存所述预测的内容，包括：
从用户所请求的内容中随机选取L个内容作为初始聚类中心，每个初始聚类中心代表一个内容类别，其中L为预设值；
分别计算用户所请求的内容中的剩余内容到每个初始聚类中心的对称KL距离，并将所述剩余内容分别归类到与其对称KL距离最近的内容类别中；
分别计算每个内容类别中包含的每个内容与该内容类别中其他内容的对称KL距离之和，选取与其他内容的对称KL距离之和最小的内容作为该内容类别新的聚类中心；
比较新的聚类中心与初始聚类中心，如果两者保持一致，则聚类完毕并生成L个内容类别；否则重新选取初始聚类中心，直至得到的新的聚类中心与初始聚类中心保持一致；
对经过所述MEC服务节点的每个请求包所代表的内容进行归类，并采用如下计算公式以T为周期分别计算每个内容类别的流行度值：
其中，
表示在MEC服务节点上第l个内容类别在第m个周期的流行度值，
表示第m个周期内节点收到的第l个内容类别的请求包个数，其中，1≤l≤L，1≤m≤M；
根据计算得到各个内容类别共M个周期的流行度值，其中：
Pl表示第l个内容类别共M个周期的流行度值；
至
分别表示在MEC服务节点上第l个内容类别在第1至M个周期的流行度值；
以各个内容类别共M个周期的流行度值作为输入，通过LSTM模型得到各个内容类别第M+1个周期的流行度值；
将得到的L个内容类别的第M+1个周期的流行度值进行排序，根据流行度值的大小和存储空间对内容进行缓存。
10.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，当所述处理器运行所述存储器存储的计算机程序时，所述处理器执行根据权利要求1-7中任一项中所述的基于MEC的内容缓存方法。
11.一种计算机可读存储介质，包括：计算机程序，当其在计算机上运行时，使得计算机执行如权利要求1-7中任一项所述的基于MEC的内容缓存方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010457422.7A CN111629052B (zh) | 2020-05-26 | 2020-05-26 | 基于mec的内容缓存方法、节点、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010457422.7A CN111629052B (zh) | 2020-05-26 | 2020-05-26 | 基于mec的内容缓存方法、节点、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111629052A CN111629052A (zh) | 2020-09-04 |
| CN111629052B true CN111629052B (zh) | 2021-12-07 |
Family
ID=72260021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010457422.7A Active CN111629052B (zh) | 2020-05-26 | 2020-05-26 | 基于mec的内容缓存方法、节点、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111629052B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112187872B (zh) * | 2020-09-08 | 2021-07-30 | 重庆大学 | 一种移动边缘计算网络下内容缓存和用户关联优化方法 |
| CN112235414B (zh) * | 2020-10-26 | 2022-05-31 | 中国联合网络通信集团有限公司 | 文件缓存方法、运营商服务器及mec服务器 |
| CN112437156B (zh) * | 2020-11-23 | 2022-01-14 | 兰州理工大学 | 一种基于mec-d2d的分布式协同缓存方法 |
| CN113691830B (zh) * | 2021-10-26 | 2022-10-28 | 杭州阿启视科技有限公司 | 一种视频流缓存方法及相关装置 |
| CN114302428B (zh) * | 2021-12-24 | 2023-06-23 | 中国联合网络通信集团有限公司 | 一种mec节点的确定方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108549719A (zh) * | 2018-04-23 | 2018-09-18 | 西安交通大学 | 一种移动边缘计算网络中基于聚类的自适应缓存方法 |
| CN108762844A (zh) * | 2018-05-29 | 2018-11-06 | Oppo广东移动通信有限公司 | 应用程序预加载方法、装置、存储介质及终端 |
| WO2018203956A1 (en) * | 2017-05-02 | 2018-11-08 | Google Llc | Systems and methods to detect clusters in graphs |
| CN109714790A (zh) * | 2019-01-23 | 2019-05-03 | 南京邮电大学 | 一种基于用户移动性预测的边缘协作缓存优化方法 |
| CN110308995A (zh) * | 2019-07-08 | 2019-10-08 | 童晓雯 | 一种边缘云计算服务系统边缘云节点部署装置 |
| CN110795625A (zh) * | 2019-10-25 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 推荐方法、装置、计算机设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108920156A (zh) * | 2018-05-29 | 2018-11-30 | Oppo广东移动通信有限公司 | 应用程序预测模型建立方法、装置、存储介质及终端 |
| CN108762843B (zh) * | 2018-05-29 | 2020-05-05 | Oppo广东移动通信有限公司 | 应用程序的预加载方法、装置、存储介质及智能终端 |
-
2020
- 2020-05-26 CN CN202010457422.7A patent/CN111629052B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018203956A1 (en) * | 2017-05-02 | 2018-11-08 | Google Llc | Systems and methods to detect clusters in graphs |
| CN108549719A (zh) * | 2018-04-23 | 2018-09-18 | 西安交通大学 | 一种移动边缘计算网络中基于聚类的自适应缓存方法 |
| CN108762844A (zh) * | 2018-05-29 | 2018-11-06 | Oppo广东移动通信有限公司 | 应用程序预加载方法、装置、存储介质及终端 |
| CN109714790A (zh) * | 2019-01-23 | 2019-05-03 | 南京邮电大学 | 一种基于用户移动性预测的边缘协作缓存优化方法 |
| CN110308995A (zh) * | 2019-07-08 | 2019-10-08 | 童晓雯 | 一种边缘云计算服务系统边缘云节点部署装置 |
| CN110795625A (zh) * | 2019-10-25 | 2020-02-14 | 腾讯科技（深圳）有限公司 | 推荐方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 移动边缘网络中计算迁移与内容缓存研究综述;张开元;《软件学报》;20190522;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111629052A (zh) | 2020-09-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111629052B (zh) | 基于mec的内容缓存方法、节点、设备及存储介质 | |
| Chang et al. | Learn to cache: Machine learning for network edge caching in the big data era | |
| Huang et al. | Distributed reputation management for secure and efficient vehicular edge computing and networks | |
| Chen et al. | Echo state networks for proactive caching in cloud-based radio access networks with mobile users | |
| US9769248B1 (en) | Performance-based content delivery | |
| US10027739B1 (en) | Performance-based content delivery | |
| Zhao et al. | Collaborative edge caching in context-aware device-to-device networks | |
| Wang et al. | A novel reputation-aware client selection scheme for federated learning within mobile environments | |
| JP5542688B2 (ja) | ユーザによるコンテンツへのアクセスを最適化する装置及び方法 | |
| CN112714192B (zh) | 数据同步方法、装置、计算机可读介质及电子设备 | |
| CN105915602B (zh) | 基于社区检测算法p2p网络的调度方法及其系统 | |
| Zeng et al. | Temporal-spatial mobile application usage understanding and popularity prediction for edge caching | |
| Wang et al. | Differential privacy oriented distributed online learning for mobile social video prefetching | |
| CN108429777A (zh) | 一种基于缓存的数据更新方法及服务器 | |
| CN107277159B (zh) | 一种基于机器学习的超密集网络小站缓存方法 | |
| CN112632129A (zh) | 一种码流数据管理方法、装置及存储介质 | |
| CN112351088A (zh) | 一种cdn缓存方法、装置、计算机设备及存储介质 | |
| He et al. | Edge QoE: Intelligent big data caching via deep reinforcement learning | |
| CN116886619A (zh) | 一种基于线性回归算法的负载均衡方法及装置 | |
| Wan et al. | Deep Reinforcement Learning‐Based Collaborative Video Caching and Transcoding in Clustered and Intelligent Edge B5G Networks | |
| CN117221088A (zh) | 一种计算机网络强度检测系统及装置 | |
| Qu et al. | On the convergence of multi-server federated learning with overlapping area | |
| CN114679283A (zh) | 区块链数据请求处理方法、装置、服务器及存储介质 | |
| CN116806038A (zh) | 一种去中心化的计算机数据共享方法及装置 | |
| Shi et al. | CoLEAP: Cooperative learning-based edge scheme with caching and prefetching for DASH video delivery |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |