CN113115340B - 一种蜂窝网络中基于流行度预测的缓存优化方法 - Google Patents

Abstract

本发明公开一种蜂窝网络中基于流行度预测的缓存优化方法，属于移动通信技术领域。主要解决5G边缘缓存领域，缓存节点容量受限的缓存文件选择以及缓存策略设计问题。首先选择缓存文件类型并进行预处理，构建文件特征提取模型，提取文件特征，之后关联文件特征与用户请求，构建关联矩阵，并利用关联矩阵计算下一时隙文件流行度值。建立边缘网络系统架构，根据已知的文件流行度设计协作缓存策略，将其建模为一个缓存容量受限的能耗优化问题并求解。本发明将文件自身特征与用户请求偏好相关联，提高了文件的流行度预测精度，并根据预测结果设计了能耗优化协作缓存策略，可以有效地提高缓存命中率并降低回程负载以及系统能耗。

Description

一种蜂窝网络中基于流行度预测的缓存优化方法

技术领域

本发明设计移动通信技术领域，涉及一种蜂窝网络中基于流行度预测的缓存优化方法。

背景技术

近年来，随着5G网络的广泛部署，移动无线通信、社交网络、移动智能终端等地快速发展，人类的生活与工作逐渐向移动互联网全面迁徙，全球移动数据流量爆炸式增长。据思科2019年发布的全球移动数据流量预测白皮书数据显示，到2022年，总移动数据流量预计将增至每月77艾字节。面对如此爆炸性的流量，通过在无线边缘缓存内容可以将流量分流到网络中实现数据的高效处理，边缘缓存的基本思想是利用移动网络边缘的各种设备，例如基站(Base Station,BS)、小基站(Small Base Station,SBS)、甚至用户终端等，在非高峰时段预先下载和缓存受欢迎的内容，使得用户在高峰时段可以直接从本地获取请求内容，而不必经过回程链路。应用边缘缓存技术，能够大大减少流行文件的重复传输，降低回程链路负载，并且可以加速实时传输，有效降低服务时延，减低系统能耗。

在具有缓存能力的网络中，边缘缓存设备以更靠近终端的方式响应部分请求，但是边缘缓存设备具有容量限制，网络中产生的文件数据却是海量的，如果缓存设备中的缓存文件的可复用性太低，会给运营商带来很高的成本负担，造成资源的浪费，因此确定缓存内容显得尤为重要。针对缓存什么内容的问题，首先需要缓存的文件有着较高的可复用性，虽然用户的未来请求是未知的，但是未来文件的流行程度却具有一定的可预测性，所以大量基于文件流行度预测以提高缓存命中率的研究应运而生。传统的流行度预测方法如最近最少使用、先进先出等仅仅根据用户的历史请求进行统计从而做出流行度的判断，预测精度不高。

与此同时，绿色通信是5G通信的一个重要研究方向，而边缘缓存技术虽然在一定程度上降低了系统能耗，但是随着系统中小基站和用户等数目的持续增加以及业务流量的不断增长，内容缓存以及文件交付等过程中的能量消耗仍然是可观的，所以能耗问题仍然是缓存设计中需要考虑的重要方面。现有对边缘缓存的研究往往侧重于时延的优化，对能耗的研究较少，且大多将用户请求拟合为Zipf分布，为考虑文件流行度变化对缓存更新的影响。

现有针对上述问题也有一些研究，专利文献“一种基于边缘计算的内容缓存优化方法”(申请公布号：CN108551472A)中根据用户移动轨迹的规律性对某一区域进行区域划分，再利用最优化理论进行缓存分配，进而优化缓存，以保证缓存内容尽量多，在此基础上减少业务传输时延，改善用户的缓存体验。但该方案假设文件流行度已知且未考虑边缘节点之间的协作问题。专利文献“一种移动边缘计算中的缓存策略决策方法”(申请公布号：CN112218337A)中构建了多小区网络模型，为解决多小区的协作缓存问题，通过移动边缘计算服务器能够缓存定量的文件为移动用户提供缓存服务，若移动边缘计算服务器内缓存的文件命中了移动用户的文件请求，便能为该移动用户提供低时延的缓存服务并缓解回程链路的负载。由于边缘服务器缓存容量有限，该方法引入深度Q网络算法得到满足要求的各小区基站的缓存策略。但该方案同样假设文件流行度已知且在设计缓存策略时未考虑能耗的影响。

发明内容

为解决现有技术的不足，本发明提供了一种蜂窝网络中基于流行度预测的缓存优化方法。通过该方法能够提高缓存文件流行度值的预测精度，进而为缓存文件的更新提供指导，并根据预测结果设计了能耗优化协作缓存策略，可以有效降低回程负载以及系统能耗，提高了蜂窝网络的系统性能。

为了实现上述目的，本发明的思路是：首先选择缓存文件类型并进行预处理；构建文件特征提取模型，提取文件特征；关联文件特征与用户请求，构建关联矩阵，并利用关联矩阵计算下一时隙文件流行度值；建立边缘网络系统架构，根据已知的文件流行度设计协作缓存策略，将其建模为一个缓存容量受限的能耗优化问题并求解。

本发明方法的具体步骤如下：

S1：根据网络卸载的文本、图像、视频等业务类型，选择适用于缓存的文件类型，对选择的文件集合进行预处理，去除冗余信息，将部分文本类型转化为便于学习的形式。

S2：构建文件特征提取模型，提取文件特征。

S3：所有文件的集合用

表示，将提取的特征用矩阵H_f表示，关联用户对文件f的请求，构建关联矩阵P(t)，根据上一时隙用户对文件的请求，更新下一时隙的关联矩阵P(t+1)，利用特征累积的方式求下一时隙的文件流行度值η_f(t+1)。

S4：建立边缘蜂窝网络系统模型，其中包括一个宏蜂窝基站和多个小基站，小基站集合用

表示，其中宏基站简称MBS，小基站简称SBS，SBS配置有缓存存储单元，可响应用户请求并完成文件交付，SBS之间可进行数据协作，用户请求优先由SBS服务，当SBS未缓存有所需文件时，由MBS提供服务。

S5：建立能耗优化数学模型并求解，其中能耗由传输能耗以及缓存能耗组成。缓存能耗与缓存文件大小有关，传输能耗与文件的放置位置以及文件的交付方式有关，优化目标属于非凸问题，利用变量松弛进行求解。

S6：根据求解结果得到能耗最优的边缘缓存策略，确定了文件的缓存放置，进而确定了文件的交付方式。

进一步地，所述步骤S2具体包括：构建了文件的特征提取学习模型，可提取文件ID特征、文件类别特征以及文件标题特征，其中文件标题属于自然语言范畴，利用CNN训练网络对标题特征进行提取，最后将所有特征进行连接，得到视频文件特征矩阵H_f。

进一步地，所述步骤S3具体包括：将文件的历史请求信息与当期时刻文件特征相结合，若时隙t的P(t)已知，则下一时隙的关联矩阵表示为：

其中⊙表示两个矩阵对应元素的乘积，q_f(t)为t时隙内文件f的请求次数。为保证关联矩阵的一致性，将得到的叠加结果做归一化处理得

文件f在下一时刻的流行度值为：

其中1^N、1^M分别表示N行、M行的单位列向量。

进一步地，所述步骤S5具体包括：

S51：在能耗优化模型中，能耗E_tot由缓存能耗E_c以及传输能耗E_t组成，其中传输能耗包括关联SBS传输文件给用户的传输能耗E₁，SBS通过协作将文件传输给用户的能耗E₂以及当文件未缓存时通过回程链路将文件传输给用户的能耗E₃，优化目标为：

C3:x_b,f∈{0,1},x_l,f∈{0,1},x_c,f∈{0,1}

其中第一项为缓存能耗，第二项为传输能耗，E_cache为缓存单位大小文件所需能耗，s_f为文件f的大小，t为缓存时间，q_b,f(t)表示在时隙t内用户请求文件f的次数。约束条件C1表示由于边缘SBS的缓存能力有限，因此缓存文件总量不能超过SBS的缓存容量u_b，约束条件C2表示用户请求的文件只能通过一种方式缓存及交付，约束条件C3表示各缓存变量的二元约束，其中x_b,f表示文件f是否缓存在SBSb中并交付，x_l,f表示文件f是否缓存在SBSl中并交付，x_b,f表示文件f是否未缓存并通过回程链路交付。

S52：上述优化目标受文件缓存交付位置的3维布尔变量，文件大小以及链路消耗的制约，优化目标为非凸问题，可通过变量之间的约束关系进行问题简化，由于选择哪种交付方式取决于文件的缓存位置，因此3维变量简化为一维，再通过变量松弛将{0,1}转化为[0,1]，将问题由非凸性转变为凸性求解，之后将变量按流行度高低恢复，得到最终的缓存策略。

本发明的有益效果在于：本发明将文件特征与用户请求相关联，提高了缓存文件流行度的预测精度，以较高的缓存命中率为缓存策略设计提供了良好的依据，克服了由于文件预测精度低导致的缓存效率低的问题。本发明在得到下一时刻文件流行度值的前提下，设计了蜂窝网络下能耗优化的缓存策略，能够很好的降低系统的回程负载以及系统能耗，该方法考虑了缓存节点之间的协作问题，并且计算复杂度低且易于实现。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明一种蜂窝网络中基于流行度预测的缓存优化方法的整体流程图。

图2为本发明文件特征提取模型图。

图3为采用缓存的蜂窝网络系统架构图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图3，图1为本实施例提供的一种蜂窝网络中基于流行度预测的缓存优化方法整体流程图，如图1所示，该方法具体包括以下步骤：

S1：根据网络卸载的文本、图像、视频等业务类型，选择适用于缓存的文件类型，对选择的文件集合进行预处理，去除冗余信息，将部分文本类型转化为便于学习的形式。步骤S1具体包括：

S11：选择网络卸载量最大的视频文件作为用户请求的内容，使用视频研究领域使用最广泛的MovieLens的ml-1m数据集作为缓存文件集合，数据集包含用户数据，电影数据以及用户的评分数据三个数据表，其中电影数据由文件ID，文件标题，文件类别组成。将电影数据作为视频文件的信息，将用户的评分过程等同为用户对视频文件的请求过程。

S12：对数据进行预处理，在ml-1m数据集中文件ID是由数字组成，标题是文本字段，文件类型是类别字段。因此文件ID不需进行预处理，文件类型部分需要转成数字，首先将其中的类型映射成字符串到数字的字典，然后再将每个文件的类型字段转成数字列表，因为视频文件的类型字段个数不同，为了便于处理，将字段长度统一，不足部分补齐。标题部分也需要进行同样的处理，首先创建文本到数字的字典，然后将标题中的描述转成数字的列表，并且将其中的年份部分去掉，因为这是实际网络文件中不常出现的。

S2：构建文件特征提取模型，提取文件特征，特征提取模型如图2所示。具体包括：

S21：文件ID与文件类型的处理，网络的第一层使用嵌入层，将多维输入进行压缩处理，将文件ID与文件类型构成的稀疏矩阵输入嵌入层，通过线性变换得到一个密集矩阵。经过嵌入层后，文件ID特征被提取出来，而文件类型处理还需多一个步骤，由于一个视频有多个类型，这样从嵌入矩阵索引出来是一个n×N的矩阵，将这个矩阵求和，变为1×N的向量，进而文件类型特征也被提取出来。

S22：对于文件标题部分，它不是简单的类别字段，而是一段有语义的句子，用户选择此视频，可能是因为标题中的某些语义受用户喜爱，可利用CNN对自然语言处理的优势对标题特征进行提取。首先将每一个单词的嵌入向量组成嵌入矩阵，每行是一个词向量。之后使用多个不同窗口大小的卷积核在嵌入矩阵上做卷积，以向量为单位进行卷积，每次滑动2个、3个、4个或5个单词，最终覆盖整个文本。最后通过最大池化层得到一个长向量，通过全连接网络并进行正则化处理，最终提取出文件的标题特征。

S23：将文件ID特征与文件类型特征进行全连接，并将输出结果与经过CNN提取出的文件标题特征进行全连接，得到该视频文件的特征向量。

S3：所有文件的集合用

表示，文件f的特征用矩阵H_f表示，关联用户对文件f的请求，构建关联矩阵P(t)，根据上一时隙用户对文件的请求，更新下一时隙的关联矩阵P(t+1)，利用特征累积的方式求下一时隙的文件流行度值η_f(t+1)。步骤S3具体包括：

S31：对用户而言，每个特征的重要程度是不同的，该时隙流行的特征在下一时隙不一定适用，可以通过关联用户对文件的请求与文件特征，使文件的流行度符合用户的需求。P(t)为时隙中t的关联矩阵，在开始阶段，将文件的历史请求信息与当前时刻文件特征相结合，得到：

其中Q_f(τ)是经过了时间τ后对文件f的总请求次数。若时隙t的P(t)已知，通过特征累积的方式可以得到文件f在t时隙的流行度值为：

η_f(t)＝(1^N)^T(P(t)⊙H_f1^M)

其中⊙表示求两个矩阵对应元素的乘积，1^N、1^M分别表示N行、M行的单位列向量。用此方法求得的流行度值既包含了文件的特征感知，又结合了用户请求信息，能很好的表现用户的请求偏好。

S32：当上一时刻内用户对各数据文件的请求状态被统计时，下一时刻结合用户偏好的关联矩阵可以求得为：

其中P(t)是由t时隙内已有的文件特征以及用户请求求得，符合t时刻的网络状态，q_f(t)为t时隙内文件f的请求次数，当文件f为已存在数据中心的文件时，可以直接求得P(t+1)；当f为新上传到数据中心的文件时，可以先求出f的特征矩阵H_f，再求P(t+1)。因此，本发明提出的流行度预测方法不仅适用于网络中现有文件的预测，对新上传的文件也能保证其预测效果。为保证P(t)的一致性，将得到的叠加结果做归一化处理得

文件f在下一时刻的流行度值为：

对计算结果进行降序排序，将流行度值高的文件缓存到蜂窝网络的边缘SBSs中实现高效服务，精度较高的流行度预测方法对缓存策略的设计有着重要的指导作用。

S4：建立边缘蜂窝网络系统模型，如图3所示。其中包括一个宏蜂窝基站和多个小基站，小基站集合用

表示，其中宏基站简称MBS，小基站简称SBS，SBS配置有缓存存储单元，可响应用户请求并完成文件交付，SBS之间可进行数据协作，用户请求优先由SBS服务，当SBS未缓存有所需文件时，由MBS提供服务。MBS通过高速光纤链路与核心网数据中心相连，由于本发明主要研究的是SBS中文件缓存策略的制定，因此可以假设MBS包含有用户可能请求的所有文件，当文件经MBS传输即可称为回程传输。

S5：建立能耗优化数学模型并求解，其中能耗由传输能耗以及缓存能耗组成。缓存能耗与缓存文件大小有关，传输能耗与文件的放置位置以及文件的交付方式有关，优化目标属于非凸问题，利用变量松弛进行求解。步骤S5具体包括：

S51：在能耗优化模型中，能耗E_tot由缓存能耗E_c以及传输能耗E_t组成，其中传输能耗包括关联SBS传输文件给用户的传输能耗E₁，SBS通过协作将文件传输给用户的能耗E₂以及当文件未缓存时通过回程链路将文件传输给用户的能耗E₃，优化目标为：

C3:x_b,f∈{0,1},x_l,f∈{0,1},x_c,f∈{0,1}

:其中第一项为缓存能耗，第二项为传输能耗，E_cache为缓存单位大小文件所需能耗，s_f为文件f的大小，t为缓存时间，q_b,f(t)表示在时隙t内用户请求文件f的次数。约束条件C1表示由于边缘SBS的缓存能力有限，因此缓存文件总量不能超过SBS的缓存容量u_b，约束条件C2表示用户请求的文件只能通过一种方式缓存及交付，约束条件C3表示各缓存变量的二元约束，其中x_b,f表示文件f是否缓存在SBSb中并交付，x_l,f表示文件f是否缓存在SBSl中并通过SBS之间的协作进行交付，x_b,f表示文件f是否未缓存并通过回程链路交付。

S52：上述优化目标受文件缓存交付位置的3维布尔变量，文件大小以及链路消耗的制约，优化目标为非凸问题，可通过变量之间的约束关系进行问题简化，由于选择哪种交付方式取决于文件的缓存位置，故可用x_l,f代替x_b,f，当l＝b时，表示用户请求发生在其关联的SBS中，同时

文件请求数与文件流行度成正相关，因此可用η_f(t)代替q_b,f(t)，若考虑将缓存空间充分利用，则时间t内缓存能耗为固定值，优化目标为传输能耗，故而优化目标可重写为：

s.t.C1,C2,C3

即能耗优化的文件的缓存策略为：

minX·E·η(t)

其中X＝[x_1,1,...,x_B,1,...,x_b,f,...,x_B,F]为所有文件的缓存位置，E为B×B的矩阵，η(t)为所有文件的流行度值。

S53：上述优化目标中可将布尔变量松弛x_l,f∈{0,1}为x_l,f∈[0,1]，将优化问题由非凸变为凸性，再利用线性规划可得一定精度范围内的最优解。得出的最优解用X′表示，在X′中x_l,f为[0,1]的小数，将X′按值大小排序，恢复过程按顺序执行，并且对于X′中第v大的变量的恢复策略表达式为：

其中，

是SBSb中已经被占用的缓存空间，最终恢复缓存放置方案X。

S6：根据求解结果得到能耗最优的边缘缓存策略，确定了文件的缓存放置，进而确定了文件的交付方式。其中文件的缓存放置方案由S5求得，缓存放置确定时，用户请求某一文件的交付方式是本地交付、协作交付或是回程交付也随之确定，将求解的代入X到E_tot中，可求得系统的最小化能耗，进而得到能耗最优的边缘缓存策略。

本发明在设计了一种具有较高精确度的缓存预测算法，并在提高缓存命中率的同时设计了一种能耗最优的缓存策略，充分发挥的边缘缓存的优势。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种蜂窝网络中基于流行度预测的缓存优化方法，主要包括以下步骤：

S1：根据网络卸载的文本、图像、视频业务类型，选择适用于缓存的文件类型，对选择的文件集合进行预处理，去除冗余信息，将部分文本类型转化为便于学习的形式；

S2：构建文件特征提取模型，提取文件特征；

S3：所有文件的集合用

表示，将提取的特征用矩阵H_f表示，关联用户对文件f的请求，构建关联矩阵P(t)，根据上一时隙用户对文件的请求，更新下一时隙的关联矩阵P(t+1)，利用特征累积的方式求下一时隙的文件流行度值η_f(t+1)；

S4：建立边缘蜂窝网络系统模型，其中包括一个宏蜂窝基站和多个小基站，小基站集合用

表示，其中宏基站简称MBS，小基站简称SBS，SBS配置有缓存存储单元，可响应用户请求并完成文件交付，SBS之间可进行数据协作，用户请求优先由SBS服务，当SBS未缓存有所需文件时，由MBS提供服务；

S5：建立能耗优化数学模型并求解，在该能耗优化模型中，能耗E_tot由缓存能耗E_c以及传输能耗E_t组成，其中传输能耗包括关联SBS传输文件给用户的传输能耗E₁，SBS通过协作将文件传输给用户的能耗E₂以及当文件未缓存时通过回程链路将文件传输给用户的能耗E₃，优化目标为：

C3:x_b,f∈{0,1},x_l,f∈{0,1},x_c,f∈{0,1}

其中第一项为缓存能耗，第二项为传输能耗，E_cache为缓存单位大小文件所需能耗，s_f为文件f的大小，t为缓存时间，q_b,f(t)表示在时隙t内用户请求文件f的次数，约束条件C1表示由于边缘SBS的缓存能力有限，缓存文件总量不应超过SBS的缓存容量u_b，约束条件C2表示用户请求的文件只能通过一种方式缓存及交付，约束条件C3表示各缓存变量的二元约束，其中x_b,f表示文件f是否缓存在SBSb中并交付，x_l,f表示文件f是否缓存在SBSl中并交付，x_c,f表示文件f是否未缓存并通过回程链路交付，优化目标受文件缓存交付位置的3维布尔变量、文件大小以及链路消耗的制约，优化目标为非凸问题，可通过变量之间的约束关系对多维问题进行简化，再通过变量松弛将{0,1}转化为[0,1]，将问题由非凸性转变为凸性求解，之后将变量按流行度高低恢复，得到最终的缓存策略；

S6：根据求解结果得到能耗最优的边缘缓存策略，确定文件的缓存放置，进而确定了文件的交付方式。

2.如权利要求1所述的一种蜂窝网络中基于流行度预测的缓存优化方法，其特征在于：在如述S2中构建了文件的特征提取学习模型，可提取文件ID特征、文件类别特征以及文件标题特征，其中文件标题属于自然语言范畴，利用CNN训练网络对标题特征进行提取，最后将所有特征进行连接，得到视频文件特征矩阵H_f。

3.如权利要求1所述的一种蜂窝网络中基于流行度预测的缓存优化方法，其特征在于：在如述S3中，将文件的历史请求信息与当期时刻文件特征相结合，若时隙t的P(t)已知，则下一时隙的关联矩阵表示为：

其中⊙表示两个矩阵对应元素的乘积，q_f(t)为t时隙内文件f的请求次数。

4.如权利要求1所述的一种蜂窝网络中基于流行度预测的缓存优化方法，其特征在于：在如述S3中，为保证关联矩阵的一致性，将得到的叠加结果做归一化处理得

文件f在下一时刻的流行度值为：

其中1^N、1^M分别表示N行、M行的单位列向量。

5.如权利要求1所述的一种蜂窝网络中基于流行度预测的缓存优化方法，其特征在于：在如述S5中，在能耗优化模型中，能耗E_tot由缓存能耗E_c以及传输能耗E_t组成，其中传输能耗包括关联SBS传输文件给用户的传输能耗，SBS通过协作将文件传输给用户的能耗以及当文件未缓存时通过回程链路将文件传输给用户的能耗，优化目标为最小化E_tot＝E_c+E_t。

6.如权利要求1所述的一种蜂窝网络中基于流行度预测的缓存优化方法，其特征在于：在如述S5中，在能耗优化模型中，优化目标受文件缓存交付位置，文件大小以及链路消耗的制约，优化目标为非凸问题，可通过变量之间的约束关系进行问题简化，再通过变量松弛将问题由非凸性转变为凸性求解。

Images