CN111885551B - 基于边云协同模式的多移动社交网络中高影响力用户的选择和分配机制 - Google Patents

Abstract

本发明公开一种基于边云协同模式的多移动社交网络中高影响力用户的选择和分配机制，基于大规模、分布式的移动社交网络，通过先分别在多个社交网络的本地计算该基站区域的局部信息，然后加密上传到云端汇总处理后，基于边云协同模式筛选出最终的高影响力用户集，然后采取预定激励机制鼓励高影响力用户去分享传播，被选中的高影响力用户在移动社交网络中往往传播范围最大，即被他们传播分享的人数最多，在实现为移动网络降低负载的同时也为市场营销、广告投放、谣言控制和舆情引导等需求的实现及优化提供强有力的支持；同时基于边云协同模式实现了高影响力用户的筛选与分配，在实现网络流量高效卸载的同时很好的保护了用户的数据隐私。

Description

基于边云协同模式的多移动社交网络中高影响力用户的选择 和分配机制

技术领域

本发明涉及边缘计算和数据挖掘领域，具体涉及在基站及其覆盖范围内的终端移动设备间相互通信形成的多个移动社交网络的场景中，基于边缘基站和云端协同存储和计算的边云协同模式进行影响力用户的选择与分配机制。

背景技术

伴随着通信技术和互联网的不断发展，人们越来越依赖于使用手机等移动设备来满足自己的生活和工作等需求，越来越多的移动设备被接入到现有的移动网络中，同时移动支付、内容分享、远程会议等新的服务不断出现并融入我们生活的方方面面，这使得移动网络的流量负载呈现出爆炸式的增长趋势，同时用户要求的网络服务质量也不断增高，这些都给移动运营商带来了严峻的挑战，基于现有移动通信的基础设施也越来越难以满足人们对更高质量移动网络的需求，所以如何基于现有的网络降低移动网络的通信负载是各运营商亟待解决的问题。

有研究表明，在现有的移动网络负载中存在着严重的内容重复下载和传输问题，特别是那些流行内容往往被大量用户重复下载导致网络资源严重浪费，例如在YouTube上流行度前10％的视频能够占据其所有内容下载量的80％。为了降低移动通信网络内的重复流量，我们往往采样Device-to-Device(D2D)通信技术将用户以往在线下载获取内容转换为通过线下移动设备之间的D2D传输获取，从而实现卸载流量的目的。此外，D2D通信技术也是5G通信的关键技术之一。在用户通过移动设备相互通信的过程中往往会形成由用户作为节点和用户之间通信关系作为边的移动社交网络，为实现流量的高效卸载我们往往需要在海量用户中找到影响力较高的部分用户作为种子用户并鼓励他们去传播内容以提高流量卸载的效率或实现口碑营销等需要，这就需要从海量的移动用户中找出那些高影响力的用户。

然而，以往的基于社交网络的影响力用户挖掘的研究往往是基于微博等在线社交网络进行的，而线下的移动社交网络的分享受到用户间距离的限制，而用户移动又受到时间、空间等因素的影响导致线下的移动社交网络的研究比在线社交网络的研究复杂的多。即使有少量的研究是针对线下的社交网络进行的，但是其研究往往是基于某种分布假设仿真生成的或者较小的数据集进行的，没有考虑到移动网络下的用户位置和社交关系等重要因素，不能真实、完整的体现用户线下的分享行为，所以其结果往往具有很大的局限性且难以推广。

此外，以往的大数据挖掘工作往往是基于集中式的数据中心进行云计算，这需要将海量的数据传输到一起再进行数据挖掘，这不仅带来了极大的通信代价和数据中心高额的存储、计算代价，使得数据挖掘的效率受到时延和带宽等因素影响，而且在传输过程中或者数据中心还非常容易造成用户的隐私数据泄露，给用户目前的生活和工作等带来问题。

随着国家对用户隐私保护力度的提高和边缘设备计算能力的不断增长，移动边缘计算(MEC)等技术快速发展。边缘节点在存储部分数据的同时也会为云平台中心降低计算负载，在云端需要时将本地存储的数据在将预处理完成后上传计算结果，这类拥有存储和计算功能的网络边缘节点通常被称作蜂窝基站(BS)。

因此，提出基于海量、真实的移动用户通信分享内容的数据来进行挖掘高影响力用户的技术，很有必要。

发明内容

本发明的目的是现有技术及问题，提供一种基于边缘基站和云端协同存储和计算的边云协同模式进行影响力用户的选择与分配机制，基于大量分布式的基站及移动设备相互通信的场景，提出了一种影响力用户筛选和分配的新方案，实现了移动流量的高效卸载，提高了影响力用户筛选的准确性和效率，同时在保护用户数据隐私的同时实现中心网络流量的高效卸载。

为实现本发明的目的，本发明所采用的技术方案如下；

基于边云协同模式的多移动社交网络中高影响力用户的选择和分配机制，包括步骤：

步骤1：基站获取其覆盖范围内的移动设备中用户通过D2D方式传输的日志记录，其中包括传输文件的时间、文件MD5、文件字节数、发送者ID和接收者ID等信息,并按相同的时间间隔将每个基站中的数据划分为训练和验证两数据集。

步骤2：各个基站基于训练数据集的用户传输记录分别构建各自的有向网络图，图中的节点为用户的id，图中的有向边为发送者向接收者传输文件的记录，边的权重为相同发送者和接收者传输的次数。

步骤3：各个基站分别利用自己的计算资源在本地执行计算任务，即基于上一步构建的有向社交网络图并利用某种影响力最大化算法计算此社交网络中每个用户的影响力得分并基于得分对用户从高到低进行排序；影响力最大化算法可以是Closeness、PageRank等各种度量算法。

步骤4：每个基站基于上一步计算的用户得分从高到低逐个增加用户作为种子用户集合，然后计算在该基站中每个种子用户集合在验证数据集的累计覆盖人数，即其作为发送者在验证数据集中直接或者间接通过D2D通信的人数，并将其作为被分配种子用户的奖励值发送给云端。

步骤5：云端收集所有基站发送的信息并存储到本地，然后基于各个基站发送来的奖励值序列值按照某种分配方案为各个基站分配种子用户的名额，分配方案可以是平均分配、随机分配、比例分配和按序分配等，其中比例分配指的是按照各个基站的人数和要分配的总数的比例进行分配，而按序分配指的是将各个基站发送来的奖励值值汇总到一起按照从大到小排序后选取前k个来分配名额。

本发明将为n个社交网络的分配k个种子用户过程建模为马尔可夫决策过程，并基于强化学习的值函数设计了一种分配机制：

状态(state)：社交网络和种子用户的分配状态被定义为：s＝(i,q)，其中1≤i≤n，1≤q≤k.表示已经为第1到第i个社交网络{G₁,G₂...G_i-1}分配了k-q个种子用户的名额，剩下q个名额需要分配给余下的社交网络{G_i,G_i+1...G_n}。

动作(action)：种子用户的分配动作是a＝j,j∈N，即在s＝(i,q)的状态下为第i个社交网络G_i分配j个种子用户的名额，并满足j≤q的条件。

奖励(reward)：在s＝(i,q)的状态下采取动作a＝j的奖励值是为第i个社交网络G_i分配j个种子用户后增加的覆盖人数。奖励值函数r(s,a)如公式(1)所示，它决定在某一状态下采取何种行动，从而使奖励达到最高；

r(s,a)＝f(S_i)＝f(V_i,j；H) (1)

策略(policy)：指从state到action的映射，分为确定策略和与随机策略，确定策略就是某一状态下的确定动作,随机策略以概率来描述，即某一状态下执行这一动作的概率。在当前场景下为确定策略，在种子用户名额分配的决策过程中，当当前状态和动作确定时，下一个状态也是确定的。

定义状态s在策略π下的价值为V_π(s)，这代表着从状态s开始一直到决策结束的预期收益之和，当前问题中，策略π的状态值函数见公式(2):

这代表在当前状态s＝(i,q)即在已经分配给k-q个名额给前面i-1个社交网络{G₁,G₂...G_i-1}，而按照策略π分配q个名额给剩下的社交网络即{G_i,G_i+1...G_n}后所获得的D2D传播覆盖的人数。其中G_j为第j个社交网络，s_j＝(j,q_j)表示为在G_j社交网络的种子用户分配状态，H为在社交网络中计算用户影响力的某种算法。此外，状态值函数V的一个关键属性具有特殊的递归关系，给定一个状态s和一个策略π，通过采取动作a＝π(s)的预期奖励为当前奖励和未来奖励之和。根据强化学习的基本原理，这个递归关系满足如下公式(3)的贝尔曼方程：

其中s*表示从状态s出发，根据策略π执行的动作，到达的下一个状态。本问题中，一个agent从初始状态s1出发，即从第1个社区开始，余下k个种子配额，在第1个社区中共选择k1个种子，从而进入下一个状态s2,而当s1和k1确定，那么s2也是确定的，所以上述贝尔曼方程可以简化为公式(4)的形式：

V_π(s)＝r(s,a)+γV_π(s*) (4)

由于当前问题是基于模型的，即状态转移概率已知，所以可以用值迭代求解。用V*(s)表示最优价值函数，那么满足贝尔曼最优方程如公式(5)：

对应的最优策略表达式如下：

基于公式(5)，逐个以状态空间中的所有状态为初始状态，更新价值函数。当状态空间中的所有状态遍历结束后，完成一次迭代。经过若干次迭代之后，价值函数收敛到接近最优值，值迭代过程结束。再根据公式(6)即可获得最优的策略，从而根据最优策略确定最优的种子用户分配方案。

步骤6：云端将各个基站分配到的名额以及对种子用户执行的操作发送给各个基站，例如分配更高的带宽或者分配给种子用户一个app，然后通过某种机制，如推荐码等鼓励该种子用户推广该app的下载和注册等。

步骤7：基站基于所分配到的名额和用户的影响力得分选出得分最高的被分配名额数量的用户作为种子用户，然后对这些用户执行云端下发的某种激励机制。

本发明基于大规模的分布式基站及其覆盖范围内的移动设备构建移动社交网络，然后设计一种边-云协同模式进行影响力用户的选择与分配。基于大规模、分布式的移动社交网络，通过先分别在多个社交网络的本地计算该基站区域的局部信息，然后加密上传到云端汇总处理后筛选出最终的高影响力用户集，然后采取某种激励机制鼓励这些用户去分享传播，这些被选中的用户在移动社交网络中往往传播范围最大，即被他们传播分享的人数最多，在实现为移动网络降低负载的同时也为市场营销、广告投放、谣言控制和舆情引导等需求的实现及优化提供强有力的支持。同时基于边云协同模式实现了高影响力用户的筛选与分配，在实现网络流量高效卸载的同时很好的保护了用户的数据隐私。

此外，基于多社交网络场景下有限个种子用户名额如何分配问题，还基于强化学习的值函数设计了一种分配策略，明显优于随机分配、平均分配、按比例分配和按序分配的方案。边-云协同模型可有效提高计算效率，并且其效率随着参与到计算中的基站的数量的增高而增长。此外，由于本发明的计算只发生到基站本地，基站暂时保存的信息可以随着计算任务的结束而清空，且并不会将用户的具体信息发送给云端，降低了云端计算负载，从而在降低了通信负载的同时保护了用户的数据隐私。

附图说明

图1为云端和基站协同构建移动社交网络的示意图；

图2为边-云协同挖掘影响力用户流程的示意图；

图3为选取不同种子用户分配策略时的总的覆盖人数结果对比图；

图4为选取不同种子用户分配策略时的网络流量负载结果对比图；

图5为云计算和边-云协同工作两种模式的时延结果对比图。

最佳实施方式

为了使本发明的技术方案、目的更加清楚，下面结合附图和具体实施实例对本发明做进一步的说明。应当理解此处所描述的具体实施方式仅用以解释本发明，并不用于限定本发明。

本发明为实现移动网络中重复流量的高效卸载，通过基站及其覆盖范围下的移动设备构建移动社交网络，同时提出了一种影响力用户筛选和分配的新方案。此外还提出边-云协同工作的框架来降低主干网络的通信流量，并降低任务处理的时延和云端的计算负载，同时保护用户的隐私；最后基于真实的大规模D2D数据集验证了本发明方案可以高效的最大化D2D通信效率，降低网络流量，并快速准确的从海量用户中找的合适的影响力用户。

如图2所示为本发明基于边-云协同框架的在大规模分布式网络中挖掘对应数量的影响力用户的方法的流程示意图，其具体步骤如下：

(1)首先各基站获取其覆盖范围内的移动终端上D2D通信传输的数据记录中所需要的用户维度信息，包括传输文件的时间、文件MD5、文件字节数、发送者ID和接收者ID等信息，每次传输是一条日志记录并按照传输的时间排序，然后按相同的时间间隔将每个基站中的数据划分为训练和验证两个数据集。

(2)各个基站基于其收集到的设备间D2D通信记录中的训练数据集构建移动社交网络图，其中网络图中的节点为用户的设备ID，网络图中的有向边表示用户之间传输记录，方向为由发送者指向接收者，边的权重为相同发送者和接收者之间传输的次数，节点的权重可以基于用户的级别设定，优选的统一设定为相同值，用数学的方式表示为G(V，E，W)，其中V是代表用户的节点集合，E是代表用户间的D2D通信关系的边集合，而W代表边的权重集和，即训练集中用户之间的D2D通信的次数。

(3)各个基站基于上一步构建的移动社交网络利用自己的计算资源在本地执行计算任务，即利用某种计算社交网络中用户影响力的排序算法计算此社交网络中每个用户的影响力得分并排序，具体算法可以是Closeness、PageRank等各种度量算法。通过对比了多种算法选择Weighted LeaderRank with Neighbors(WLRN)算法，运行时在每个基站和其所属设备构成的移动社交网络中，将基站作为WLRN算法中的背景节点，然后按照WLRN算法的方式迭代计算各个节点的影响力，最终将基站的得分平均分配给每个用户，然后基于用户的得分从高到低对用户进行排序。

(4)各个基站按照影响力得分从高到底计算各个用户被选为种子用户的奖励值，具体为选择排名最高的用户u1，计算其在测试数据集传播覆盖人数s1，然后计算排名第1和2的两个用户u1和u2在测试数据集传播覆盖的总人数s2，以此类推，这样就得到了累计1、2.。和所有用户被选为种子用户的奖励值序列。其中，某个用户在测试数据的覆盖人数为与其直接D2D通信和间接D2D通信的所有人，种子用户集的在验证数据集所有覆盖用户的公式如下：

C(u)＝O(u)∪{∪_v∈O(u)C(v)} (8)

f(S)＝|C(S)|＝|∪_u∈SC(u)| (9)

公式(7)为用户u直接传播覆盖的用户定义，其中E为该社交网络中所有边的集合，

代表用户u在t_uv时刻给用户v通过D2D链接分享了内容。公式(8)为递归的计算用户u的所有覆盖用户，其包括直接传播用户和间接传播用户，v∈O(u)代表v是用户u直接传播的用户之一，t_uv用户u给用户v传播了某一内容而用户v在一段时间后的

时刻给用户v^*在分享了同一内容，即

公式(9)表示种子用户集合S中每个种子用户的覆盖用户的并集。

(5)每个基站完成奖励值计算所得的奖励值序列都是从小到大排序的，然后各个基站将自己的奖励值序列通过上行主干网发送给云端，云端收集并存储各个基站发送来的数据。

(6)云端收集完所有基站发送的信息并存储到本地，然后基于各个基站发送来的奖励值序列按照某种分配方案为各个基站分配一定的种子用户名额，以实现最佳的分配效果，即从分布在不同位置的基站构建的多个社交网络选取的种子用户集合能够在未来一段时间传播最多的用户。这里的分配方案可以是多种的，比如平均分配、随机分配、比例分配和按序分配等，本发明针对多个社交网络的种子用户分配问题是采用基于强化学习的值函数而设计的一种新的分配机制，一轮决策过程的状态包括从第一个社交网络开始分配名额然后一步步的到为最后一个社交网络分配名额结束，即从第一个社交网络和起始总名额k开始，然后为G₁分配k₁个名额，然后为G₂分配k₂个名额，这样以此类推直到总名额k分配完毕，即所有的社交网络被分配到的总名额数为k；一轮决策过程如下所示：

(7)云端将每个基站被分配的名额以及需要对种子用户执行的操作发送给该基站，例如为该用户分配更高的带宽或者传输给种子用户一个app，然后通过某种机制如推荐码等鼓励该种子用户推广该app的下载和注册，并基于该用户在未来一端时间工作的效果为其提供相应报酬。

(8)每个基站收到被分配到的名额后基于第(3)步计算的每个用户的影响力得分选出得分最高的被分配名额数量的用户作为种子用户，然后对这些用户执行云端下发的某种激励机制。

最后为了验证本发明提出端-云协同框架和基于强化学校中价值迭代的分配策略的有效性，基于一个闪传(Xender)线下互传文件的软件的十三周的传输记录数据集进行了验证，其中前八周是用于构建社交网络并计算各个用户影响力得分的训练数据集，然后第九周是用户计算被分配指导数量种子用户的奖励函数的测试数据集，第十到十三周是用于对比不同场景和不同种子分配策略效果的验证数据集，其中场景包括本发明提出的边-云协同和只有云端的场景，针对多个移动社交网络的不同的分配策略包括随机分配、平均分配、比例分配、按序分配和我们设计的基于强化学习的价值迭代方案，其中平均分配指的是将要分配的种子用户数平均分配给每个基站，而比例分配指的是按照每个基站负责的社交网络的总人数的比例进行分配，按序分配指的是将各个基站发送来的奖励值序列汇总到一起按照从大到小排序后选取指定数量来分配。对比不同方案的效果指标包括其选择相同数量种子用户的情况下在验证数据集的覆盖人数和移动网络流量，同时对比边-云协同模式和只有云端场景下完成相同影响力用户挖掘任务的时延。

如图(3)所示，在均使用WLRN影响力用户挖掘算法的情况下分别选取了5、10、15...60位高影响力用户并分别对比其在验证数据集的覆盖人数，可以明显发现发明提出的基于值迭代的算法明显优于其他四种分配策略。此外，如图(4)所示，也对比了这些用户在验证数据集上进行D2D通信时移动网络的流量负载情况，其中无D2D代表所有用户设备获取的内容都是从云端传输的情况，可以发现基于值迭代的算法降低网络流量负载的能力明显优于其他方案。

同时如图(5)所示，还对比了只有云端和边缘基站、云端协同的两种工作模式的时延，可以发现边-云协同模式明显优于只有云端的场景，同时其效果随着参与到任务中基站数量的增加而变好。这表明发明提出的边云协同挖掘影响力用户方案和分配算法可以选择合适的用户来降低网络内流量负载，提高用户的网络体验并保护用户的数据隐私，同时也可以为口碑营销、舆论引导等场景提供支持。

本发明将移动社交网络与MEC技术相结合来挖掘高影响力用户，并通过边缘基站和云端协同存储和计算(边云协同)的方案，将部分存储和计算任务从远程的云端卸载到用户邻近的基站，这样不仅实现了移动流量的高效卸载，还降低了云端计算的负载、减少了数据处理的时延并且提高了用户隐私数据的安全性。

此外，为了针对多移动社交网络场景下种子用户名额的分配问题，本发明基于强化学习的价值迭代设计了一种名额分配方案，并基于真实的大规模D2D数据集和其他四种方案进行了对比分析，实验结果证明了本发明所提出方案在降低移动网络流量和时延的高效性。

以上所述仅为本发明一种相对较好的实施实例，并不用以限制本发明，所以凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于边云协同模式的多移动社交网络中高影响力用户的选择和分配方法，其特征在于，通过以下步骤实现：

S1.基站获取覆盖范围内的移动设备中用户通过D2D方式传输的日志记录,并按相同的时间间隔将每个基站中的数据划分为训练数据集和验证数据集；

S2.各个基站基于训练数据集的用户传输的日志记录分别构建各自的有向社交网络图；

S3.各个基站分别利用自己的计算资源在本地执行计算任务，即基于所述有向社交网络图并利用影响力最大化算法计算社交网络图中每个用户的影响力得分并基于得分对用户从高到低排序；

S4.每个基站基于步骤S3计算的用户得分从高到低逐个增加用户作为种子用户集合，然后计算在该基站中每个种子用户集合在验证数据集的累计覆盖人数，并作为被分配种子用户的奖励值发送给云端；

S5.云端收集所有基站发送的信息并存储到本地，然后基于各个基站发送来的奖励值序列值按照分配方案为各个基站分配种子用户的名额；

S6.云端将各个基站分配到的种子用户名额以及对种子用户执行的操作发送给各个基站；

S7.基站基于所分配到的种子用户名额和用户的影响力得分选出得分最高的被分配名额数量的用户作为种子用户；

步骤S5中的所述分配方案采用以下方案实现：

将为n个社交网络的分配k个种子用户过程建模为马尔可夫决策过程，基于贝尔曼方程形成以下最优价值函数以及对应的最优策略实现分配：

所述最优价值函数表达式为

所述最优策略表达式为

基于最优价值函数表达式，逐个以状态空间中的所有状态为初始状态，更新价值函数；当状态空间中的所有状态遍历结束后，完成一次迭代；经过若干次迭代之后，价值函数收敛到接近最优值，值迭代过程结束；再根据最优策略表达式获得最优的策略，从而根据最优策略确定最优的种子用户分配方案；

即一轮决策过程的状态包括从第一个社交网络开始分配名额然后一步步的到为最后一个社交网络分配名额结束，即从第一个社交网络和起始总名额k开始，然后为社交网络G₁分配k₁个名额，然后为社交网络G₂分配k₂个名额，这样以此类推直到总名额k分配完毕，即所有的社交网络被分配到的总名额数为k；

式中，s＝(i,q)表示社交网络和种子用户的分配状态：1≤i≤n，1≤q≤k，表示已经为第1到第i-1个社交网络{G₁,G₂...G_i-1}分配了k-q个种子用户的名额，剩下q个名额需要分配给余下的社交网络{G_i,G_i+1...G_n}；种子用户的分配动作是a＝j,j∈N，即在s＝(i,q)的状态下为第i个社交网络G_i分配j个种子用户的名额并满足j≤q的条件；

在s＝(i,q)的状态下采取动作a＝j的奖励值是为第i个社交网络G_i分配j个种子用户后增加的覆盖人数；奖励值函数r(s,a)决定在某一状态s下采取何种动作a，从而使奖励值达到最高；s^*表示从状态s出发，根据策略π*执行的动作到达的下一个状态。

2.根据权利要求1所述的选择和分配方法，其特征在于，所述日志记录包括传输文件的时间、文件MD5、文件字节数、发送者ID和接收者ID。

3.根据权利要求1所述的选择和分配方法，其特征在于，所述有向社交网络图的节点为用户的id，图中有向边为发送者向接收者传输文件的记录，边的权重为相同发送者和接收者传输的次数。

4.根据权利要求1所述的选择和分配方法，其特征在于，所述的影响力最大化算法采用WLRN算法，运行时在每个基站和其所属设备构成的移动社交网络中，将基站作为WLRN算法中的背景节点，然后按照WLRN算法的方式迭代计算各个节点的影响力，最终将基站的得分平均分配给每个用户，然后基于用户的得分从高到低对用户排序。

5.根据权利要求1所述的选择和分配方法，其特征在于，所述的对种子用户执行的操作包括分配更高的带宽或者分配给种子用户一个app，然后通过该种子用户推广该app的下载和注册。

Images