CN112187872A - 一种移动边缘计算网络下内容缓存和用户关联优化方法 - Google Patents

一种移动边缘计算网络下内容缓存和用户关联优化方法 Download PDF

Info

Publication number
CN112187872A
CN112187872A CN202010932408.8A CN202010932408A CN112187872A CN 112187872 A CN112187872 A CN 112187872A CN 202010932408 A CN202010932408 A CN 202010932408A CN 112187872 A CN112187872 A CN 112187872A
Authority
CN
China
Prior art keywords
content
user
mobile
edge server
edge
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.)
Granted
Application number
CN202010932408.8A
Other languages
English (en)
Other versions
CN112187872B (zh
Inventor
李秀华
李辉
孙川
范琪琳
熊庆宇
文俊浩
毛玉星
李剑
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202010932408.8A priority Critical patent/CN112187872B/zh
Publication of CN112187872A publication Critical patent/CN112187872A/zh
Application granted granted Critical
Publication of CN112187872B publication Critical patent/CN112187872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • 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
    • H04L67/01—Protocols
    • H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
    • 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
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/10—Flow control between communication endpoints
    • H04W28/14—Flow control between communication endpoints using intermediate storage

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开一种移动边缘计算网络下内容缓存和用户关联优化方法，步骤为：1)建立超密集移动边缘计算系统；2)获取信息数据；3)初始化超密集移动边缘计算系统的参数；4)确定当前t时刻的内容缓存策略at和用户关联策略bt；5)修正当前t时刻的用户关联策略bt；6)计算超密集移动边缘计算系统中总平均系统成本
Figure DDA0002670679730000011
7)判断t>T是否成立，若不成立，则令t＝t+1，返回步骤4)，若成立，则进入步骤8)；8)选取最优内容缓存a和最优用户关联策略b。本发明给出了基站内容的最佳缓存，通过基于匹配论的懒重新关联算法确定用户关联策略，很减低了系统成本，提高了用户的服务质量。

Description

一种移动边缘计算网络下内容缓存和用户关联优化方法
技术领域
本发明涉及边缘计算领域，具体是一种移动边缘计算网络下内容缓存和用户关联优化方法。
背景技术
随着自动化程度的不断提高和智能移动设备的迅速普及，用户对互联网内容(如视频、音频内容等)需求日益密切，移动网络流量呈现爆发式增长趋势。传统以云服务器为中心的存储模式，由于请求内容离用户较远，在面对海量用户请求时，会产生高额的内容传输成本，难以满足用户对高质量服务的需求。移动边缘计算作为一种新型的计算模式，通过下沉计算、存储资源到网络边缘来提高用户的服务质量。在移动边缘计算网络环境下，边缘服务器可以部署在基站中或者基站附近，互联网厂商通过将热点内容缓存在边缘服务器中，以减少内容获取的传输成本。
近年来，5G互联网通信技术取得了实质性的突破，为了实现对热点区域的全面覆盖和提高流量峰值时期用户服务质量，基站的密集部署已经成为一种合理的解决方案。在超密集移动边缘计算系统中，如何联合优化内容缓存和用户关联，以降低边缘计算系统中内容获取的传输成本已经成为了一个热门的研究问题。目前普遍采用的策略是在边缘服务器中缓存最流行的内容，将用户与信号功率最强的基站关联，但是这种模式存在着一些难以解决的问题：第一：内容流行度难以预测且时空差异明显，难以捕获用户的实时请求。第二：用户总是试图与信号最强的服务器关联，容易导致基站之间的负载失衡。第三：在用户动态移动的场景下，内容缓存和用户关联没有联合考虑，会导致用户与基站之间频繁切换，降低用户服务质量，导致整个移动边缘计算网络效率低下。
发明内容
本发明的目的是提供一种移动边缘计算网络下内容缓存和用户关联优化方法，包括以下步骤：
1)建立超密集移动边缘计算系统。所述超密集移动边缘计算系统包括远程云服务器、宏基站、M个不同密集部署的微基站、N个移动设备和C个内容文件。其中，每个微基站均具有边缘服务器。
2)获取当前移动网络中所有移动用户、边缘服务器的信息数据。
所述移动用户和边缘服务器的信息数据包括边缘服务器的缓存大小Dm、边缘服务器最大服务用户数Zm、内容文件大小vc、用户的移动路径矩阵XN×T、用户的内容请求矩阵YN×T和状态转移矩阵BM×M。边缘服务器序号m＝1,2，…，M。M为边缘服务器总数。内容文件序号c＝1,2，…，|C|；|C|为内容文件总数；C为内容文件集合。
3)初始化时刻t＝0。初始化超密集移动边缘计算系统的参数，令所有的边缘服务器内容缓存策略a＝0，移动用户关联策略b＝0。其中a＝0表示边缘服务器不缓存内容文件，b＝0表示边缘服务器与移动用户不关联。
所述超密集移动边缘计算系统参数包括观测时间ε、最大容忍访问间隔σ和内容优先级系数p。
4)确定当前t时刻的内容缓存策略at和用户关联策略bt。
确定当前t时刻的内容缓存策略at和用户关联策略bt的步骤如下：
4.1)初始化当前t时刻的用户关联策略bt。确定每个边缘服务器服务范围内的移动用户。将剩余最大服务用户数的边缘服务器与位于边缘服务器服务范围内的移动用户相关联。将不在边缘服务器服务范围内的移动用户与宏基站相关联。
4.2)移除每个微基站中过时的内容文件。在观测时间ε内平均访问次数
Figure BDA0002670679710000021
小于微基站所有内容文件访问次数
Figure BDA0002670679710000022
的内容文件或者在σ时间内没有被用户访问的内容文件为过时内容文件。
4.3)计算第c个内容文件与第m个微基站之间的适应度
Figure BDA0002670679710000023
步骤为：
4.3.1)建立t时刻请求第c个内容的移动用户集合
Figure BDA0002670679710000024
4.3.2)遍历移动集合
Figure BDA0002670679710000025
中所有移动用户，若第n个用户在t-1时刻与第m个微基站相连，则利用公式(1)更新适应度
Figure BDA0002670679710000026
否则，利用公式(2)更新适应度
Figure BDA0002670679710000027
适应度
Figure BDA0002670679710000028
如下所示：
Figure BDA0002670679710000029
Figure BDA00026706797100000210
式中，
Figure BDA00026706797100000211
表示的是第n个用户在第m个微基站服务范围内请求第c个内容的概率。
Figure BDA0002670679710000031
表示的第c个内容的流行度。流行度gc满足zip-f分布。α为zip-f分布的参数。
Figure BDA0002670679710000032
表示的第n个用户到达第m个基站的概率，满足马尔科夫移动过程。
Figure BDA0002670679710000033
为状态转移向量；
Figure BDA0002670679710000034
为马尔科夫初始概率。ρe表示用户通过宏基站从云服务器获取每兆内容的传输成本。ρd表示用户从边缘服务器中获取每兆内容的传输成本。
Figure BDA0002670679710000035
为更新前的适应度，
Figure BDA0002670679710000036
为更新后的适应度；dc为下载第c个内容文件的时间；p为概率权重；
4.4)选取适应度
Figure BDA0002670679710000037
最大的内容文件，并缓存到边缘服务器中，直到边缘服务器中的内容大小总和超过边缘服务器缓存。
5)修正当前t时刻的用户关联策略bt。
修正当前t时刻的移动用户关联策略bt的步骤如下：
5.1)判断移动用户n在t时刻的请求是否被t–1时刻关联的边缘服务器所满足，若是，则保持关联策略，否则，将移动用户n写入待更新集合中。在所有移动用户均判断完毕后，进入步骤2)。
5.2)随机交换待更新集合中任意两个不同用户关联的边缘服务器，并计算交换后t时刻的超密集移动边缘计算系统总传输成本
Figure BDA0002670679710000038
t时刻超密集移动边缘计算系统总传输成本
Figure BDA0002670679710000039
如下所示：
Figure BDA00026706797100000310
式中，
Figure BDA00026706797100000311
为云服务器向边缘服务器传输内容文件的总传输成本。
Figure BDA00026706797100000312
为用户通过边缘服务器获取请求内容总传输成本。
Figure BDA00026706797100000313
为用户通过宏基站直接从云服务器中获取内容的传输成本。
其中，云服务器向边缘服务器传输内容文件的总传输成本
Figure BDA00026706797100000314
如下所示：
Figure BDA00026706797100000315
式中，
Figure BDA00026706797100000316
表示第c个内容在第m个微基站的平均请求概率。
Figure BDA00026706797100000317
和
Figure BDA00026706797100000318
分别表示t时刻在第m个基站中的用户集合和用户总数。ρc表示从云服务器向边缘服务器中传输每兆内容的传输成本。vc表示第c个内容文件的大小。
Figure BDA00026706797100000319
表示t时刻第m个边缘服务器是否缓存第c个内容文件。
用户通过边缘服务器获取请求内容总传输成本
Figure BDA0002670679710000041
如下所示：
Figure BDA0002670679710000042
式中，
Figure BDA0002670679710000043
表示t时刻第m个边缘服务器缓存第n个移动用户请求内容的缓存策略。
Figure BDA0002670679710000044
表示t时刻第n个移动用户请求内容。
Figure BDA0002670679710000045
表示t时刻第n个移动用户在第m个边缘服务器服务范围内请求内容
Figure BDA0002670679710000046
的请求概率。
Figure BDA0002670679710000047
表示t时刻第m个边缘服务器与第n个移动用户的用户关联策略。
Figure BDA0002670679710000048
表示t时刻第n个移动用户请求内容的大小。
用户通过宏基站直接从云服务器中获取内容的传输成本
Figure BDA0002670679710000049
如下所示：
Figure BDA00026706797100000410
式中，
Figure BDA00026706797100000411
表示t时刻第n个移动用户在宏基站服务范围内请求内容
Figure BDA00026706797100000412
的请求概率。
Figure BDA00026706797100000413
表示t时刻第n个移动用户与宏基站的用户关联策略。
5.3)判断总传输成本
Figure BDA00026706797100000414
是否小于交换前t时刻的总传输成本，若是，则更新移动用户关联策略bt，并返回步骤5.2)，否则直接返回步骤5.2)。
6)计算超密集移动边缘计算系统中总平均系统成本
Figure BDA00026706797100000415
7)判断t>T是否成立，若不成立，则令t＝t+1，返回步骤4)，若成立，则进入步骤8)。T为关联周期。
超密集移动边缘计算系统中总平均系统成本
Figure BDA00026706797100000416
如下所示：
Figure BDA00026706797100000417
式中，
Figure BDA00026706797100000418
为线性映射函数，用于消除传输成本
Figure BDA00026706797100000419
与切换成本
Figure BDA00026706797100000420
之间的量纲差异。
用户总切换成本
Figure BDA00026706797100000421
如下所示：
Figure BDA00026706797100000422
8)选取令超密集移动边缘计算系统中总平均系统成本
Figure BDA00026706797100000423
达到最小的内容缓存a和用户关联策略b为最优内容缓存a和最优用户关联策略b。
值得说明的是，本发明设计了包括远程云服务器、一个宏基站、M个不同密集部署的微基站、N个不同的移动设备的超密集移动边缘计算系统模型。本发明综合考虑了在用户动态移动过程中，基站的内容缓存和用户关联设计，并提出传输成本和切换成本的联合优化目标函数。
同时，针对目标函数及其限制条件，本发明提出一种移动性感知的内容缓存算法和基于匹配论的懒重新关联的用户关联算法来进行基站内容缓存和移动用户关联。本方法用移动用户和边缘服务器的信息数据来进行建模，通过算法来计算基站的内容缓存并给出相应地用户关联方案，相比于其他的内容缓存和用户关联方法有更好的效率和准确性，为移动边缘计算领域的内容缓存和用户关联问题提供了一种解决思路。
本发明的技术效果是毋庸置疑的。本发明内容是提供一种移动边缘计算网络下内容缓存和用户关联优化方法，通过综合考虑系统内容传输成本和切换成本来最小化系统开销。
本发明综合考虑边缘服务器的内容缓存和移动用户的关联问题，相比于其他边缘计算系统，应用范围更加广泛。本发明综合考虑基站缓存空间的大小、基站的服务能力以及用户对内容的请求概率等综合因素，给出了基站内容的最佳缓存，同时通过基于匹配论的懒重新关联算法确定用户关联策略，很大程度减少了移动边缘计算系统的传输成本和切换成本。
本发明提供了移动边缘计算网络中内容缓存和用户关联优化方法。该方法在保证了在满足边缘服务器缓存大小要求的前提下，通过联合基站的内容缓存和用户关联，综合考虑基站缓存空间的大小、基站的服务能力以及用户对内容的请求概率，得以最小化系统的传输成本和切换成本。
附图说明
图1为系统模型图；
图2为计算基站内容缓存和移动用户关联策略算法流程图。
具体实施方式
下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。
实施例1：
参见图1至图2，一种移动边缘计算网络下内容缓存和用户关联优化方法，包括以下步骤：
1)建立超密集移动边缘计算系统。所述超密集移动边缘计算系统包括远程云服务器、宏基站、M个不同密集部署的微基站、N个移动设备和C个内容文件。其中，每个微基站均具有边缘服务器。
2)获取当前移动网络中所有移动用户、边缘服务器的信息数据。
所述移动用户和边缘服务器的信息数据包括边缘服务器的缓存大小Dm、边缘服务器最大服务用户数Zm、内容文件大小vc、用户的移动路径矩阵XN×T、用户的内容请求矩阵YN×T和状态转移矩阵BM×M。边缘服务器序号m＝1,2，…，M。M为边缘服务器总数。内容文件序号c＝1,2，…，|C|；|C|为内容文件总数；C为内容文件集合。
3)初始化时刻t＝0。初始化超密集移动边缘计算系统的参数，令所有的边缘服务器内容缓存策略a＝0，移动用户关联策略b＝0。其中a＝0表示边缘服务器不缓存内容文件，b＝0表示边缘服务器与移动用户不关联。
所述超密集移动边缘计算系统参数包括观测时间ε、最大容忍访问间隔σ和内容优先级系数p。
4)确定当前t时刻的内容缓存策略at和用户关联策略bt。
确定当前t时刻的内容缓存策略at和用户关联策略bt的步骤如下：
4.1)初始化当前t时刻的用户关联策略bt。确定每个边缘服务器服务范围内的移动用户。将剩余最大服务用户数的边缘服务器与位于边缘服务器服务范围内的移动用户相关联。将不在边缘服务器服务范围内的移动用户与宏基站相关联。
4.2)移除每个微基站中过时的内容文件。在观测时间ε内平均访问次数
Figure BDA0002670679710000061
小于微基站所有内容文件访问次数
Figure BDA0002670679710000062
的内容文件或者在σ时间内没有被用户访问的内容文件为过时内容文件。
4.3)计算第c个内容文件与第m个微基站之间的适应度
Figure BDA0002670679710000071
步骤为：
4.3.1)建立t时刻请求第c个内容的移动用户集合
Figure BDA0002670679710000072
4.3.2)遍历移动集合
Figure BDA0002670679710000073
中所有移动用户，若第n个用户在t-1时刻与第m个微基站相连，则利用公式(1)更新适应度
Figure BDA0002670679710000074
否则，利用公式(2)更新适应度
Figure BDA0002670679710000075
适应度
Figure BDA0002670679710000076
如下所示：
Figure BDA0002670679710000077
Figure BDA0002670679710000078
式中，
Figure BDA0002670679710000079
表示的是第n个用户在第m个微基站服务范围内请求第c个内容的概率。
Figure BDA00026706797100000710
表示的第c个内容的流行度。流行度gc满足zip-f分布。α为zip-f分布的参数。
Figure BDA00026706797100000711
表示的第n个用户到达第m个基站的概率，满足马尔科夫移动过程。
Figure BDA00026706797100000712
为状态转移向量；
Figure BDA00026706797100000713
为马尔科夫初始概率。ρe表示用户通过宏基站从云服务器获取每兆内容的传输成本。ρd表示用户从边缘服务器中获取每兆内容的传输成本。等式左边的
Figure BDA00026706797100000714
为更新后的适应度，等式右边的
Figure BDA00026706797100000715
为更新前的适应度。公式1和公式2为迭代更新公式。dc为下载第c个内容文件的时间；p为概率权重；k＝1，2，…，|C|。
4.4)选取适应度
Figure BDA00026706797100000716
最大的内容文件，并缓存到边缘服务器中，直到边缘服务器中的内容大小总和超过边缘服务器缓存。
5)修正当前t时刻的用户关联策略bt。
修正当前t时刻的移动用户关联策略bt的步骤如下：
5.1)判断移动用户n在t时刻的请求是否被t–1时刻关联的边缘服务器所满足，若是，则保持关联策略，否则，将移动用户n写入待更新集合中。在所有移动用户均判断完毕后，进入步骤2)。
5.2)随机交换待更新集合中任意两个不同用户关联的边缘服务器，并计算交换后t时刻的超密集移动边缘计算系统总传输成本
Figure BDA00026706797100000717
t时刻超密集移动边缘计算系统总传输成本
Figure BDA00026706797100000718
如下所示：
Figure BDA0002670679710000081
式中，
Figure BDA0002670679710000082
为云服务器向边缘服务器传输内容文件的总传输成本。
Figure BDA0002670679710000083
为用户通过边缘服务器获取请求内容总传输成本。
Figure BDA0002670679710000084
为用户通过宏基站直接从云服务器中获取内容的传输成本。
其中，云服务器向边缘服务器传输内容文件的总传输成本
Figure BDA0002670679710000085
如下所示：
Figure BDA0002670679710000086
式中，
Figure BDA0002670679710000087
表示第c个内容在第m个微基站的平均请求概率。
Figure BDA0002670679710000088
和
Figure BDA0002670679710000089
分别表示t时刻在第m个基站中的用户集合和用户总数。ρc表示从云服务器向边缘服务器中传输每兆内容的传输成本。vc表示第c个内容文件的大小。
Figure BDA00026706797100000810
表示t时刻第m个边缘服务器是否缓存第c个内容文件。
Figure BDA00026706797100000811
表示t-1时刻第m个边缘服务器是否缓存第c个内容文件。
用户通过边缘服务器获取请求内容总传输成本
Figure BDA00026706797100000812
如下所示：
Figure BDA00026706797100000813
式中，
Figure BDA00026706797100000814
表示t时刻第m个边缘服务器缓存第n个移动用户请求内容的缓存策略。
Figure BDA00026706797100000815
表示t时刻第n个移动用户请求内容。
Figure BDA00026706797100000816
表示t时刻第n个移动用户在第m个边缘服务器服务范围内请求内容
Figure BDA00026706797100000817
的请求概率、
Figure BDA00026706797100000818
表示t时刻第m个边缘服务器与第n个移动用户的用户关联策略。
Figure BDA00026706797100000819
表示t时刻第n个移动用户请求内容的大小。
用户通过宏基站直接从云服务器中获取内容的传输成本
Figure BDA00026706797100000820
如下所示：
Figure BDA00026706797100000821
式中，
Figure BDA00026706797100000822
表示t时刻第n个移动用户在宏基站服务范围内请求内容
Figure BDA00026706797100000823
的请求概率。
Figure BDA00026706797100000824
表示t时刻第n个移动用户与宏基站的用户关联策略。
5.3)判断总传输成本
Figure BDA00026706797100000825
是否小于交换前t时刻的总传输成本，若是，则更新移动用户关联策略bt，并返回步骤5.2)，否则直接返回步骤5.2)。
6)计算超密集移动边缘计算系统中总平均系统成本
Figure BDA0002670679710000091
7)判断t>T是否成立，若不成立，则令t＝t+1，返回步骤4)，若成立，则进入步骤8)。T为关联周期。
超密集移动边缘计算系统中总平均系统成本
Figure BDA0002670679710000092
如下所示：
Figure BDA0002670679710000093
式中，
Figure BDA0002670679710000094
为线性映射函数，用于消除传输成本
Figure BDA0002670679710000095
与切换成本
Figure BDA0002670679710000096
之间的量纲差异。
Figure BDA0002670679710000097
用户总切换成本
Figure BDA0002670679710000098
如下所示：
Figure BDA0002670679710000099
式中，
Figure BDA00026706797100000910
表示t-1时刻第m个边缘服务器与第n个移动用户的用户关联策略。
8)选取令超密集移动边缘计算系统中总平均系统成本
Figure BDA00026706797100000911
达到最小的内容缓存a和用户关联策略b为最优内容缓存a和最优用户关联策略b。
实施例2：
一种移动边缘计算网络下内容缓存和用户关联优化方法，主要包括以下步骤：
1)建立超密集移动边缘计算系统模型。
所述的超密集移动边缘计算系统模型包括远程云服务器、一个宏基站、M个不同密集部署的微基站、N个不同的移动设备和C个不同的内容文件。边缘服务器部署在微基站中，由微基站提供内容分发服务，宏基站不缓存内容。系统以固定时间片刻方式运行，总的运行周期为T。
2)获取当前移动网络中所有移动用户、边缘服务器的信息数据。
所述的移动用户和边缘服务器的信息数据包括边缘服务器的缓存大小Dm,边缘服务器最大服务用户数Zm,每个内容大小vc，用户的移动路径矩阵XN×T，用户的内容请求矩阵YN×T，状态转移矩阵BM×M。
3)初始化超密集移动边缘计算系统参数，开始迭代运算。
超密集移动边缘计算系统参数包括观测时间ε、最大容忍访问间隔σ、内容优先级系数p。初始状态下，令所有的边缘服务器内容缓存策略a＝0和移动用户关联策略b＝0。其中a＝0表示边缘服务器不缓存，b＝0表示不关联。
4)确定当前t时刻的内容缓存策略at，主要步骤如下：
4.1)初始化bt。将每个用户与剩余最大服务用户数的边缘服务器相关联。不在边缘服务器服务范围内的用户直接与宏基站相关联。
4.2)移除每个微基站中所有过时的内容。在观测时间ε的范围内，计算第c个内容的平均访问次数
Figure BDA0002670679710000101
是否小于总体内容访问次数
Figure BDA0002670679710000102
或该内容已经σ时间没有被用户访问。若两个之一成立，则边缘服务器移除该内容。
4.3)计算第c个内容与第m个微基站之间的适应度
Figure BDA0002670679710000103
收集t时刻请求第c个内容的用户集合
Figure BDA0002670679710000104
遍历
Figure BDA0002670679710000105
中的所有用户n,如满足用户n在t-1时刻与第m个微基站相连，则更新
Figure BDA0002670679710000106
否则更新
Figure BDA0002670679710000107
式中，
Figure BDA0002670679710000108
表示的是第n个用户在第m个微基站服务范围内请求第c个内容的概率，
Figure BDA0002670679710000109
表示的第c个内容的流行度，满足zip-f分布，α为zip-f分布的参数。
Figure BDA00026706797100001010
表示的第n个用户到达第m个基站的概率，满足马尔科夫移动过程，
Figure BDA00026706797100001011
为马尔科夫初始概率。ρe表示的是从用户通过宏基站从云服务器获取每兆内容的传输成本，ρd表示的是用户从边缘服务器中获取每兆内容的传输成本。
4.4)每次选取适应度
Figure BDA00026706797100001012
最大的内容。缓存其到边缘服务器中，直到边缘服务器中的内容大小总和超过边缘服务器缓存。
5)修正当前t时刻的用户关联策略bt，主要步骤如下：
5.1)懒重新关联策略。如用户在t时刻的请求可以被t–1时刻关联的服务器所满足，那么保持该用户与t–1时刻相同的关联方式。
5.2)交换、更新匹配。每次只交换其中两个不同用户关联的边缘服务器，其他用户保持相同的关联策略。两个不同用户可以交换的条件是当且仅当交换后t时刻的总传输成本
Figure BDA0002670679710000111
降低。
t时刻超密集移动边缘计算系统总传输成本
Figure BDA0002670679710000112
计算如下：
Figure BDA0002670679710000113
其中云服务器向边缘服务器总传输成本
Figure BDA0002670679710000114
计算如下：
Figure BDA0002670679710000115
式中
Figure BDA0002670679710000116
表示的第c个内容在第m个微基站的平均请求概率，
Figure BDA0002670679710000117
和
Figure BDA0002670679710000118
分别表示的是t时刻在第m个基站中的用户集合和用户总数，ρc表示的是从云服务器向边缘服务器中传输每兆内容的传输成本。
用户通过边缘服务器获取请求内容总传输成本
Figure BDA0002670679710000119
计算如下：
Figure BDA00026706797100001110
用户通过宏基站直接从云服务器中获取内容的传输成本计算如下：
Figure BDA00026706797100001111
6)量化超密集移动边缘计算系统中总平均系统成本。
超密集移动边缘计算系统中总平均系统成本
Figure BDA00026706797100001112
总平均系统成本主要由传输成本和切换成本两部分组成，满足下式：
Figure BDA00026706797100001113
式中
Figure BDA00026706797100001114
为线性映射函数，用于消除传输成本
Figure BDA00026706797100001115
与切换成本
Figure BDA00026706797100001116
之间的量纲差异。其中，
Figure BDA00026706797100001117
表示的是用户总切换成本，量化公式如下：
Figure BDA00026706797100001118
7)返回步骤4，重复迭代，直至确定t＝T。输出该移动边缘计算系统中最优内容缓存a和用户关联策略b。

Claims (7)

1.一种移动边缘计算网络下内容缓存和用户关联优化方法，其特征在于，包括以下步骤：
1)建立所述超密集移动边缘计算系统。
2)获取当前移动网络中所有移动用户、边缘服务器的信息数据；
3)初始化时刻t＝0；初始化超密集移动边缘计算系统的参数，令所有的边缘服务器内容缓存策略a＝0，移动用户关联策略b＝0；其中a＝0表示边缘服务器不缓存内容文件，b＝0表示边缘服务器与移动用户不关联；
4)确定当前t时刻的内容缓存策略at和用户关联策略bt；
5)修正当前t时刻的用户关联策略bt；
6)计算超密集移动边缘计算系统中总平均系统成本
Figure FDA0002670679700000011
7)判断t>T是否成立，若不成立，则令t＝t+1，返回步骤4)，若成立，则进入步骤8)；T为关联周期；
8)选取令超密集移动边缘计算系统中总平均系统成本
Figure FDA0002670679700000012
达到最小的内容缓存a和用户关联策略b为最优内容缓存a和最优用户关联策略b。
2.根据权利要求1或2所述的一种移动边缘计算网络下内容缓存和用户关联优化方法，其特征在于：所述超密集移动边缘计算系统包括远程云服务器、宏基站、M个不同密集部署的微基站、N个移动设备和C个内容文件；其中，每个微基站均具有边缘服务器。
3.根据权利要求1所述的一种移动边缘计算网络下内容缓存和用户关联优化方法，其特征在于：所述移动用户和边缘服务器的信息数据包括边缘服务器的缓存大小Dm、边缘服务器最大服务用户数Zm、内容文件大小vc、用户的移动路径矩阵XN×T、用户的内容请求矩阵YN×T和状态转移矩阵BM×M；边缘服务器序号m＝1,2，…，M；M为边缘服务器总数；内容文件序号c＝1,2，…，|C|；|C|为内容文件总数；C为内容文件集合。
4.根据权利要求1所述的一种移动边缘计算网络下内容缓存和用户关联优化方法，其特征在于：所述超密集移动边缘计算系统参数包括观测时间ε、最大容忍访问间隔σ和内容优先级系数p。
5.根据权利要求1所述的一种移动边缘计算网络下内容缓存和用户关联优化方法，其特征在于，确定当前t时刻的内容缓存策略at和用户关联策略bt的步骤如下：
1)初始化当前t时刻的用户关联策略bt；确定每个边缘服务器服务范围内的移动用户；将剩余最大服务用户数的边缘服务器与位于边缘服务器服务范围内的移动用户相关联；将不在边缘服务器服务范围内的移动用户与宏基站相关联；
2)移除每个微基站中过时的内容文件；在观测时间ε内平均访问次数
Figure FDA0002670679700000021
小于微基站所有内容文件访问次数
Figure FDA0002670679700000022
的内容文件或者在σ时间内没有被用户访问的内容文件为过时内容文件；
3)计算第c个内容文件与第m个微基站之间的适应度
Figure FDA0002670679700000023
步骤为：
3.1)建立t时刻请求第c个内容的移动用户集合
Figure FDA0002670679700000024
3.2)遍历移动集合
Figure FDA0002670679700000025
中所有移动用户，若第n个用户在t-1时刻与第m个微基站相连，则利用公式(1)更新适应度
Figure FDA0002670679700000026
否则，利用公式(2)更新适应度
Figure FDA0002670679700000027
适应度
Figure FDA0002670679700000028
如下所示：
Figure FDA0002670679700000029
Figure FDA00026706797000000210
式中，
Figure FDA00026706797000000211
表示的是第n个用户在第m个微基站服务范围内请求第c个内容文件的概率；
Figure FDA00026706797000000212
表示的第c个内容的流行度；流行度gc满足zip-f分布；α为zip-f分布的参数；
Figure FDA00026706797000000213
表示的第n个用户到达第m个基站的概率，满足马尔科夫移动过程；
Figure FDA00026706797000000214
为状态转移向量；
Figure FDA00026706797000000215
为马尔科夫初始概率；ρe表示用户通过宏基站从云服务器获取每兆内容的传输成本；ρd表示用户从边缘服务器中获取每兆内容的传输成本；
Figure FDA00026706797000000216
为更新前的适应度，
Figure FDA00026706797000000217
为更新后的适应度；dc为下载第c个内容文件的时间；p为概率权重；
4)选取适应度
Figure FDA00026706797000000218
最大的内容文件，并缓存到边缘服务器中，直到边缘服务器中的内容大小总和超过边缘服务器缓存。
6.根据权利要求1所述的一种移动边缘计算网络下内容缓存和用户关联优化方法，其特征在于，修正当前t时刻的移动用户关联策略bt的步骤如下：
1)判断移动用户n在t时刻的请求是否被t–1时刻关联的边缘服务器所满足，若是，则保持关联策略，否则，将移动用户n写入待更新集合中；在所有移动用户均判断完毕后，进入步骤2)；
2)随机交换待更新集合中任意两个不同用户关联的边缘服务器，并计算交换后t时刻的超密集移动边缘计算系统总传输成本
Figure FDA0002670679700000031
t时刻超密集移动边缘计算系统总传输成本
Figure FDA0002670679700000032
如下所示：
Figure FDA0002670679700000033
式中，
Figure FDA0002670679700000034
为云服务器向边缘服务器传输内容文件的总传输成本；
Figure FDA0002670679700000035
为用户通过边缘服务器获取请求内容总传输成本；
Figure FDA0002670679700000036
为用户通过宏基站直接从云服务器中获取内容的传输成本；
其中，云服务器向边缘服务器传输内容文件的总传输成本ξtC如下所示：
Figure FDA0002670679700000037
式中，
Figure FDA0002670679700000038
表示第c个内容在第m个微基站的平均请求概率；
Figure FDA0002670679700000039
和
Figure FDA00026706797000000310
分别表示t时刻在第m个基站中的用户集合和用户总数；ρc表示从云服务器向边缘服务器中传输每兆内容的传输成本；vc表示第c个内容文件的大小；
Figure FDA00026706797000000311
表示t时刻第m个边缘服务器是否缓存第c个内容文件；
用户通过边缘服务器获取请求内容总传输成本
Figure FDA00026706797000000312
如下所示：
Figure FDA00026706797000000313
式中，
Figure FDA00026706797000000314
表示t时刻第m个边缘服务器缓存第n个移动用户请求内容的缓存策略；
Figure FDA00026706797000000315
表示t时刻第n个移动用户请求内容；
Figure FDA00026706797000000316
表示t时刻第n个移动用户在第m个边缘服务器服务范围内请求内容
Figure FDA00026706797000000317
的请求概率；
Figure FDA00026706797000000318
表示t时刻第m个边缘服务器与第n个移动用户的用户关联策略；
Figure FDA00026706797000000319
表示t时刻第n个移动用户请求内容的大小；
用户通过宏基站直接从云服务器中获取内容的传输成本
Figure FDA00026706797000000320
如下所示：
Figure FDA0002670679700000041
式中，
Figure FDA0002670679700000042
表示t时刻第n个移动用户在宏基站服务范围内请求内容
Figure FDA0002670679700000043
的请求概率；
Figure FDA0002670679700000044
表示t时刻第n个移动用户与宏基站的用户关联策略；
3)判断总传输成本
Figure FDA0002670679700000045
是否小于交换前t时刻的总传输成本，若是，则更新移动用户关联策略bt，并返回步骤2)，否则直接返回步骤2)。
7.根据权利要求1所述的一种移动边缘计算网络下内容缓存和用户关联优化方法，其特征在于，超密集移动边缘计算系统中总平均系统成本
Figure FDA0002670679700000046
如下所示：
Figure FDA0002670679700000047
式中，
Figure FDA0002670679700000048
为线性映射函数，用于消除传输成本
Figure FDA0002670679700000049
与切换成本
Figure FDA00026706797000000410
之间的量纲差异；
用户总切换成本
Figure FDA00026706797000000411
如下所示：
Figure FDA00026706797000000412
。
CN202010932408.8A 2020-09-08 2020-09-08 一种移动边缘计算网络下内容缓存和用户关联优化方法 Active CN112187872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010932408.8A CN112187872B (zh) 2020-09-08 2020-09-08 一种移动边缘计算网络下内容缓存和用户关联优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010932408.8A CN112187872B (zh) 2020-09-08 2020-09-08 一种移动边缘计算网络下内容缓存和用户关联优化方法

Publications (2)

Publication Number Publication Date
CN112187872A true CN112187872A (zh) 2021-01-05
CN112187872B CN112187872B (zh) 2021-07-30

Family

ID=73924908

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010932408.8A Active CN112187872B (zh) 2020-09-08 2020-09-08 一种移动边缘计算网络下内容缓存和用户关联优化方法

Country Status (1)

Country Link
CN (1) CN112187872B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112822727A (zh) * 2021-01-29 2021-05-18 重庆邮电大学 一种基于移动性和流行度感知的自适应边缘内容缓存方法
CN112887992A (zh) * 2021-01-12 2021-06-01 滨州学院 基于接入均衡核和置换率的密集无线网络边缘缓存方法
CN113672819A (zh) * 2021-05-25 2021-11-19 重庆大学 一种基于推荐感知和协作边缘缓存的内容请求处理系统
CN115119273A (zh) * 2022-07-19 2022-09-27 中国联合网络通信集团有限公司 服务与通信协同切换方法、装置及系统

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170093759A1 (en) * 2015-09-29 2017-03-30 Fastly, Inc. Persistent edge state of end user devices at cache nodes
CN108259628A (zh) * 2018-02-28 2018-07-06 重庆邮电大学 异构蜂窝网络中内容缓存与用户关联联合优化方法
CN108667653A (zh) * 2018-04-17 2018-10-16 东南大学 超密集网络中基于聚类的缓存配置方法及装置
CN108834080A (zh) * 2018-04-17 2018-11-16 东南大学 异构网络中基于多播技术的分布式缓存和用户关联方法
CN109743407A (zh) * 2019-02-28 2019-05-10 电子科技大学 一种面向多租户网络的边缘网络缓存方法
CN109905888A (zh) * 2019-03-21 2019-06-18 东南大学 移动边缘计算中联合优化迁移决策和资源分配方法
CN110012508A (zh) * 2019-04-10 2019-07-12 中南大学 一种面向超密集网络的边缘计算的资源分配方法及系统
CN110730471A (zh) * 2019-10-25 2020-01-24 重庆邮电大学 基于区域用户兴趣匹配的移动边缘缓存方法
US20200053597A1 (en) * 2015-06-09 2020-02-13 Sony Corporation Control device, base station, terminal device, and control method
US20200065427A1 (en) * 2018-08-21 2020-02-27 At&T Intellectual Property I, L.P. Edge metadata
CN111031102A (zh) * 2019-11-25 2020-04-17 哈尔滨工业大学 一种多用户、多任务的移动边缘计算系统中可缓存的任务迁移方法
CN111132191A (zh) * 2019-12-12 2020-05-08 重庆邮电大学 移动边缘计算服务器联合任务卸载、缓存及资源分配方法
WO2020096879A1 (en) * 2018-11-08 2020-05-14 Cisco Technology, Inc. Methods and apparatuses for content delivery over mobile networks with multi-access edge computing (mec) control and user plane separation (cups)
CN111240701A (zh) * 2019-12-31 2020-06-05 重庆大学 一种端-边-云协同计算的任务卸载优化方法
CN111629052A (zh) * 2020-05-26 2020-09-04 中国联合网络通信集团有限公司 基于mec的内容缓存方法、节点、设备及存储介质

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200053597A1 (en) * 2015-06-09 2020-02-13 Sony Corporation Control device, base station, terminal device, and control method
US20170093759A1 (en) * 2015-09-29 2017-03-30 Fastly, Inc. Persistent edge state of end user devices at cache nodes
CN108259628A (zh) * 2018-02-28 2018-07-06 重庆邮电大学 异构蜂窝网络中内容缓存与用户关联联合优化方法
CN108667653A (zh) * 2018-04-17 2018-10-16 东南大学 超密集网络中基于聚类的缓存配置方法及装置
CN108834080A (zh) * 2018-04-17 2018-11-16 东南大学 异构网络中基于多播技术的分布式缓存和用户关联方法
US20200065427A1 (en) * 2018-08-21 2020-02-27 At&T Intellectual Property I, L.P. Edge metadata
WO2020096879A1 (en) * 2018-11-08 2020-05-14 Cisco Technology, Inc. Methods and apparatuses for content delivery over mobile networks with multi-access edge computing (mec) control and user plane separation (cups)
CN109743407A (zh) * 2019-02-28 2019-05-10 电子科技大学 一种面向多租户网络的边缘网络缓存方法
CN109905888A (zh) * 2019-03-21 2019-06-18 东南大学 移动边缘计算中联合优化迁移决策和资源分配方法
CN110012508A (zh) * 2019-04-10 2019-07-12 中南大学 一种面向超密集网络的边缘计算的资源分配方法及系统
CN110730471A (zh) * 2019-10-25 2020-01-24 重庆邮电大学 基于区域用户兴趣匹配的移动边缘缓存方法
CN111031102A (zh) * 2019-11-25 2020-04-17 哈尔滨工业大学 一种多用户、多任务的移动边缘计算系统中可缓存的任务迁移方法
CN111132191A (zh) * 2019-12-12 2020-05-08 重庆邮电大学 移动边缘计算服务器联合任务卸载、缓存及资源分配方法
CN111240701A (zh) * 2019-12-31 2020-06-05 重庆大学 一种端-边-云协同计算的任务卸载优化方法
CN111629052A (zh) * 2020-05-26 2020-09-04 中国联合网络通信集团有限公司 基于mec的内容缓存方法、节点、设备及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FRANCESCO PANTISANO等: ""Match to Cache: Joint User Association and Backhaul Allocation in Cache-aware Small Cell Networks"", 《2015 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC)》 *
M. ISHTIAQUE等: ""Green and Secure Computation Offloading for Cache-Enabled IoT Networks"", 《IEEE ACCESS》 *
YUANYUAN ZENG等: ""Smart caching based on user behavior for mobile edge computing"", 《INFORMATION SCIENCES》 *
刘苗: ""基于社交D2D网络的边缘计算与预存储资源分配技术研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
李雨晴: ""移动边缘计算网络中任务调度与资源配置的协同优化研究"", 《中国博士学位论文全文数据库 信息科技辑》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112887992A (zh) * 2021-01-12 2021-06-01 滨州学院 基于接入均衡核和置换率的密集无线网络边缘缓存方法
CN112822727A (zh) * 2021-01-29 2021-05-18 重庆邮电大学 一种基于移动性和流行度感知的自适应边缘内容缓存方法
CN112822727B (zh) * 2021-01-29 2022-07-01 重庆邮电大学 一种基于移动性和流行度感知的自适应边缘内容缓存方法
CN113672819A (zh) * 2021-05-25 2021-11-19 重庆大学 一种基于推荐感知和协作边缘缓存的内容请求处理系统
CN113672819B (zh) * 2021-05-25 2023-09-29 重庆大学 一种基于推荐感知和协作边缘缓存的内容请求处理系统
CN115119273A (zh) * 2022-07-19 2022-09-27 中国联合网络通信集团有限公司 服务与通信协同切换方法、装置及系统
CN115119273B (zh) * 2022-07-19 2023-12-19 中国联合网络通信集团有限公司 服务与通信协同切换方法、装置及系统

Also Published As

Publication number Publication date
CN112187872B (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN112187872B (zh) 一种移动边缘计算网络下内容缓存和用户关联优化方法
CN111031102B (zh) 一种多用户、多任务的移动边缘计算系统中可缓存的任务迁移方法
CN110730471B (zh) 基于区域用户兴趣匹配的移动边缘缓存方法
CN111865826B (zh) 一种基于联邦学习的主动内容缓存方法
CN110417847B (zh) 无人机通信网络用户接入和内容缓存的方法及装置
CN111552564A (zh) 基于边缘缓存的任务卸载与资源优化的方法
CN108093435B (zh) 基于缓存流行内容的蜂窝下行链路网络能效优化系统及方法
CN108156596B (zh) 支持d2d-蜂窝异构网络联合用户关联及内容缓存方法
CN110418367B (zh) 一种5g前传网络混合边缘缓存低时延方法
CN106550039B (zh) 一种基于sd‑ran的跨层协作内容缓存方法及系统
CN108307446B (zh) 一种基于软件定义的无线网络边缘协作缓存系统与方法
CN108541025B (zh) 一种面向无线异构网络的基站与d2d共同缓存方法
CN108737507B (zh) 一种d2d无线缓存方法
CN106231622A (zh) 一种基于缓存容量限制的内容存储方法
CN113282786B (zh) 一种基于深度强化学习的全景视频边缘协作缓存替换方法
CN108521640B (zh) 一种蜂窝网络中的内容分发方法
CN115665804B (zh) 一种协同无人机-智能车群的缓存优化方法
CN111698732B (zh) 微蜂窝无线网中面向时延的协作缓存优化方法
CN112996058A (zh) 基于多无人机网络的用户QoE优化方法、无人机及系统
CN115884094A (zh) 一种基于边缘计算的多场景协作优化缓存方法
CN113810931A (zh) 一种面向移动边缘计算网络的自适应视频缓存方法
CN110913239B (zh) 一种精细化的移动边缘计算的视频缓存更新方法
CN108156218A (zh) 雾无线接入网的双层分布式缓存方法
CN113672819B (zh) 一种基于推荐感知和协作边缘缓存的内容请求处理系统
CN112702443B (zh) 一种星地协同通信系统多星多级缓存分配方法及装置

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