CN113297152B - 一种电力物联网边缘服务器缓存更新的方法及装置 - Google Patents

一种电力物联网边缘服务器缓存更新的方法及装置 Download PDF

Info

Publication number
CN113297152B
CN113297152B CN202110512978.6A CN202110512978A CN113297152B CN 113297152 B CN113297152 B CN 113297152B CN 202110512978 A CN202110512978 A CN 202110512978A CN 113297152 B CN113297152 B CN 113297152B
Authority
CN
China
Prior art keywords
data file
cache
edge server
cached
value
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
Application number
CN202110512978.6A
Other languages
English (en)
Other versions
CN113297152A (zh
Inventor
陆继钊
李文萃
孟慧平
宋宁希
党芳芳
杨杨
张艺馨
赵斌男
蔡沛霖
梅林�
秦龙
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.)
State Grid Corp of China SGCC
Beijing University of Posts and Telecommunications
Information and Telecommunication Branch of State Grid Henan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Beijing University of Posts and Telecommunications
Information and Telecommunication Branch of State Grid Henan Electric Power Co Ltd
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 State Grid Corp of China SGCC, Beijing University of Posts and Telecommunications, Information and Telecommunication Branch of State Grid Henan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110512978.6A priority Critical patent/CN113297152B/zh
Publication of CN113297152A publication Critical patent/CN113297152A/zh
Application granted granted Critical
Publication of CN113297152B publication Critical patent/CN113297152B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/10—File systems; File servers
    • G06F16/17—Details of further file system functions
    • G06F16/172—Caching, prefetching or hoarding of files
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G06F16/24552—Database cache management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/35—Utilities, e.g. electricity, gas or water

Abstract

本申请实施例提供一种电力物联网边缘服务器缓存更新的方法及装置。其方法包括：获取数据文件的缓存价值，所述数据文件包括：待缓存数据文件以及所述边缘服务器上的已缓存数据文件；用所述待缓存数据文件更新所述边缘服务器的缓存空间，使其满足更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值达到最大化。通过本申请实施例提供的电力物联网边缘服务器缓存更新的方法及装置，提出数据文件缓存价值的评价方式，对边缘服务器的缓存更新策略进行了优化，使得边缘服务器尽可能多地缓存数据文件，同时最大化数据文件的缓存价值，高效的利用有限的缓存空间。

Description

一种电力物联网边缘服务器缓存更新的方法及装置
技术领域
本申请涉及物联网技术领域，尤其涉及电力物联网的一种电力物联网边缘服务器缓存更新的方法及装置。
背景技术
电力物联网是物联网在智能电网中的应用，是信息通信技术发展到一定阶段的结果，其将有效整合通信基础设施资源和电力系统基础设施资源，提高电力系统信息化水平，改善电力系统现有基础设施利用效率，为电网发、输、变、配、用电等环节提供重要技术支撑，进而为电网用户提供定制化的、多样性的以及高效率的服务。
边缘计算技术通过将拥有一定计算和存储能力的小型服务器部署于用户终端设备的附近，为高时延敏感度应用的更低时延提供了支持，电力物联网智能设备的实时高质量服务得到了保证。然而不可忽视的是，许多电力物联网智能设备经常将其使用相关数据执行的计算任务卸载到边缘服务器，这会造成大量不必要的数据传输。目前可行的解决方案是将计算任务所需的数据文件缓存在边缘服务器上，并允许数据文件在不同的计算任务之间共享，从而进一步减少数据传输过程中的时延。
由于电力物联网泛在业务的服务类型具有多样性，同时用户所订阅的服务级别也具有多样性，这使得不同服务的相关协议中数据的访问频率和重要程度不同，数据文件的流行度和计算资源密度因而存在差异性，传统的缓存策略大多在更新过程中以缓存的命中率为目标，这些策略以缓存内容的访问频率和重要程度相同为前提，并不适用于目前电力物联网的应用场景。
因此，针对边缘缓存空间有限、用户需求随时间变化明显、缓存数据访问频率和重要程度不同的问题，更高效利用边缘服务器的缓存空间是业界亟待解决的重要课题。
发明内容
针对现有技术存在的问题，本申请实施例提供一种电力物联网边缘服务器缓存更新的方法及装置。
第一方面，本申请实施例提供一种电力物联网边缘服务器缓存更新的方法，包括：获取数据文件的缓存价值，所述数据文件包括：待缓存数据文件以及所述边缘服务器上的已缓存数据文件；
用所述待缓存数据文件更新所述边缘服务器的缓存空间，使其满足更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值达到最大化。
可选地，所述获取数据文件的缓存价值，包括：
基于加权滑动平均算法，确定所述数据文件流行度的累加值和所述数据文件计算资源密度的累加值；
基于所述数据文件流行度的累加值，所述数据文件计算资源密度的累加值和所述数据文件的大小，获取所述数据文件的缓存价值。
可选地，所述确定数据文件的缓存价值之前，还包括：
确定所述数据文件的缓存状态变量，基于所述数据文件的缓存状态变量的取值，在所述边缘服务器上创建虚拟表；
在所述虚拟表上或者直接在所述边缘服务器上确定所述数据文件在每个时隙的流行度，每个时隙的计算资源密度，以及所述数据文件的大小。
可选地，所述基于加权滑动平均算法，确定所述数据文件流行度的累加值和所述数据文件计算资源密度的累加值，具体包括：
以特定时隙t为起点，在时间段T内，分别计算所述数据文件的流行度的加权滑动平均值和计算资源密度的加权滑动平均值；
对所述数据文件流行度的加权滑动平均值以及所述数据文件计算资源密度的加权滑动平均值，进行校正，得到所述数据文件流行度的累加值以及所述数据文件计算资源密度的累加值。
可选地，所述基于所述数据文件流行度的累加值，所述数据文件计算资源密度的累加值和所述数据文件的大小，获取所述数据文件的缓存价值，包括：
分别对所述数据文件流行度的累加值，所述数据文件计算资源密度的累加值和所述数据文件的大小进行归一化处理，作为所述数据文件的三个指标；
确定所述数据文件的每个指标的对比强度以及冲突性；
基于所述数据文件的每个指标的对比强度和冲突性，确定所述数据文件的每个指标的客观权重；
基于所述数据文件的每个指标的客观权重，确定所述数据文件的缓存价值。
可选地，所述用所述待缓存数据文件更新所述边缘服务器的缓存空间，使其满足更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值达到最大化，包括：
确定所述边缘服务器上的所述已缓存数据文件的缓存价值平均值的最大值，以及对应的所述已缓存数据文件的个数，作为理想点；
将所述待缓存数据文件替换所述边缘服务器上的一个或者多个所述已缓存数据文件，确定更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值，以及对应的所述已缓存数据文件的个数，作为可行解；
采用标准化欧式距离计算所述可行解与所述理想点的距离，选取与所述理想点距离最小的所述可行解作为最优解；
根据所述最优解更新所述已缓存数据文件对应的缓存状态变量，同时更新所述边缘服务器的缓存空间。
可选地，所述数据文件计算资源密度，根据计算任务所需的计算资源密度大小将其划分为10个等级。
第二方面，本申请实施例还提供一种电力物联网边缘服务器缓存更新的设备，包括存储器，收发机，处理器；
存储器，用于存储计算机程序；收发机，用于在所述处理器的控制下收发数据；处理器，用于执行所述存储器中的计算机程序并实现如下步骤：
获取数据文件的缓存价值，所述数据文件包括：待缓存数据文件以及所述边缘服务器上的已缓存数据文件；
用所述待缓存数据文件更新所述边缘服务器的缓存，使其满足更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值达到最大化。
第三方面，本申请实施例还提供一种电力物联网边缘服务器缓存更新的装置，其特征在于，所述装置包括：
获取模块，用于获取数据文件的缓存价值，所述数据文件包括：待缓存数据文件以及所述边缘服务器上的已缓存数据文件；
更新模块，用于用所述待缓存数据文件更新所述边缘服务器的缓存，使其满足更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值达到最大化。
第四方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行如上所述第一方面所述一种电力物联网边缘服务器缓存更新的方法的步骤。
本申请实施例提供的一种电力物联网边缘服务器缓存更新的方法及装置，通过提出数据文件缓存价值的评价方式，对边缘服务器的缓存更新策略进行了优化，使得边缘服务器尽可能多地缓存数据文件，同时最大化数据文件的缓存价值，高效的利用有限的缓存空间。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请提供的电力物联网边缘服务器缓存更新的方法的流程示意图之一；
图2是本申请提供的电力物联网边缘服务器缓存更新的方法的流程示意图之二；
图3是本申请提供的电力物联网边缘服务器缓存更新的设备的结构示意图；
图4为本申请提供的电力物联网边缘服务器缓存更新的装置的结构示意图。
具体实施方式
本申请中术语“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请中术语“多个”是指两个或两个以上，其它量词与之类似。
下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，并不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
云计算在过去一直被用于为终端设备提供弹性服务，满足其计算能力和缓存需求，为移动用户终端节省了较大的开销以及创造出了有效的经济效益。但是现代科技的飞速发展，许多移动应用程序，如VR、AR以及车联网，对计算能力和时延非常敏感，云计算这种集中式处理模式已经不再适用于这个万物互联时代，而且将所有移动用户的数据和计算任务都迁移到远端云，不仅会大大加重远端核心网络的负担，也会导致较大的传输延迟，从而降低移动用户体验。为了应对上述问题，产业界和学术界开始研究新的网络架构模型，移动边缘计算(Mobile Edge Computing，MEC)便在这时期应运而生。移动边缘计算MEC把云计算平台从远端网络迁移到离移动用户更接近的边缘网络，通过部署边缘服务器在边缘网络的基站(Base Station，BS)处，能够为基站附近的移动用户提供具有更低时延、更高带宽的数据服务。
针对电力物联网中数据文件在边缘服务器的缓存问题，常见的研究是在缓存更新过程中采用以缓存命中率为目标的缓存策略，例如，最近最久未使用算法(LRU)、最近最少使用算法(LFU)、先进先出策略和随机策略等。以缓存命中率为目标的策略的前提是缓存内容的访问频率和重要程度相同。然而电力物联网场景下的服务类型具有多样性，同时用户所订阅的服务级别也具有多样性，这使得不同服务的相关协议中数据的访问频率和重要程度不同，数据的流行度和计算资源密度因而存在差异性。同时，用户对计算任务的需求往往随时间变化，在缓存方式的实际判断中需要考虑到当前以及历史的所有数据。
因此，需要制定一个新的缓存更新机制高效利用有限的缓存空间并辅助进行计算卸载决策。本申请针对边缘缓存空间有限、用户需求随时间变化明显、缓存数据访问频率和重要程度不同的问题，设计了一种基于数据文件的缓存价值的评价方式，并通过求解一个多目标优化问题，旨在保证尽可能多地缓存数据文件的同时最大化数据文件的缓存价值，更高效地利用有限的缓存空间。
首先，对本申请边缘缓存服务器更新的方法及装置中使用的变量做出说明。使用的变量如下:
·DFk:数据文件；
·
Figure BDA0003061035000000071
数据文件的缓存价值；
·
Figure BDA0003061035000000072
数据文件DFk的流行度(即数据文件的访问频率)，定义为每个数据文件在每个时隙内的访问频率；
·
Figure BDA0003061035000000073
数据文件DFk的计算资源密度，定义为一个时隙中使用数据文件的计算任务对应的计算密度的平均值；
·
Figure BDA0003061035000000074
数据文件DFk的文件大小；
·T：加权滑动平均(WMA)的窗口容量；
·
Figure BDA0003061035000000075
经过偏差修正的数据文件流行度
Figure BDA0003061035000000076
的累加值；
·
Figure BDA0003061035000000077
经过偏差修正的计算资源密度
Figure BDA0003061035000000078
的累加值；
·
Figure BDA0003061035000000079
经CRITIC权重法计算后得到的客观权重；
·
Figure BDA00030610350000000710
经CRITIC权重法计算后得到的客观权重；
·
Figure BDA00030610350000000711
数据文件大小经CRITIC权重法计算后得到的客观权重；
·DFnum：边缘服务器缓存的数据文件个数；
·Cn：边缘服务器n的缓存能力；
·
Figure BDA00030610350000000712
当前时隙缓存状态变量，表示数据文件DFk是否缓存在边缘服务器中(
Figure BDA00030610350000000713
意味着是，
Figure BDA00030610350000000714
意味着否)。
图1是本申请提供的电力物联网边缘服务器缓存更新的方法的流程示意图之一。如图1所示，该方法包括如下步骤：
步骤101、获取数据文件的缓存价值，所述数据文件包括：待缓存数据文件以及所述边缘服务器上的已缓存数据文件；
边缘计算技术通过将拥有一定计算和存储能力的小型服务器部署于用户终端设备的附近，为高时延敏感度应用的更低时延提供了支持，电力物联网智能设备的实时高质量服务得到了保证。然而不可忽视的是，许多电力物联网智能设备经常将其使用相关数据执行的计算任务卸载到边缘服务器，这会造成大量不必要的数据传输。同时缓存在边缘服务器上的数据文件并不一定具有较高的访问频率和重要程度，并且终端设备和边缘服务器之间可能存在一对一，一对多，多对一，多对多等多种关系，同一个终端也可能有多个数据文件。对边缘服务器缓存的更新显得尤为重要。因此本申请提出了数据文件的缓存价值评价方式，进而根据该评价方式，分别计算边缘服务器上已缓存的数据文件和待缓存的数据文件对应的缓存价值。
步骤102、用所述待缓存数据文件更新所述边缘服务器的缓存空间，使其满足更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值达到最大化。
具体的，边缘数据服务器上的已缓存数据文件的个数可能有很多，由这些已缓存数据文件构成一个原始集合。采用将待缓存数据文件替换在边缘数据服务器上的已缓存数据文件的一个或者多个，从而得到新的集合，计算新的集合中所有元素的缓存价值的平均值，当其取值最大时，代表新的集合对应的缓存价值是最大的。即确定了待缓存的数据文件应该替换原始集合中具体的某一个或者多个已缓存数据文件，使得边缘服务器上缓存的数据文件的缓存价值平均值达到最大。
本申请提供的电力物联网边缘服务器缓存更新的方法，通过针对不同缓存数据文件具有不同缓存价值的特点，对边缘服务器的缓存策略进行了优化，使得边缘服务器尽可能多地缓存数据文件，同时最大化数据文件的缓存价值，高效的利用有限的缓存空间。
可选地，所述获取数据文件的缓存价值，包括：
步骤201、基于加权滑动平均算法，确定所述数据文件流行度的累加值和所述数据文件计算资源密度的累加值；
具体的，加权滑动平均算法(Weighted Moving Average,WMA)考虑当前和历史的所有数据，强调当前样本的最高重要性，并且以呈线性递减的趋势逐渐淡化历史样本的重要程度，窗口中的时间与当前时刻越近，数据的加权影响就越大，数值的加权影响随着间隔时间的上升呈线性下降。在本申请中考虑到数据文件的访问频率不同和重要程度不同，而且数据文件的流行度可以体现数据文件的访问频率，数据文件的资源密度可以体现数据文件的重要程度，采用了加权滑动平均算法，对已缓存数据文件的流行度和计算资源密度，以及待缓存数据文件的流行度和计算资源密度，计算得到对应的数据文件流行度的累加值和数据文件计算资源密度的累加值。
步骤202、基于所述数据文件流行度的累加值，所述数据文件计算资源密度的累加值和所述数据文件的大小，获取所述数据文件的缓存价值。
具体的，数据文件的缓存价值的评价方式，采用的评价指标可能有多种，需要考虑数据文件的访问频率，数据文件的重要程度，以及边缘服务器的缓存空间等，在本申请中采用数据文件流行度的累加值，数据文件计算资源密度的累加值以及数据文件大小作为数据文件缓存价值的评价指标，根据相关的公式计算得到数据文件的缓存价值。
本申请提供的电力物联网边缘服务器缓存更新的方法，通过针对不同缓存数据文件具有不同缓存价值的特点，对边缘服务器的缓存策略进行了优化，采用加权滑动平均算法，体现了当前数据文件的加权影响随着间隔时间的上升呈线性下降的特性，使得数据文件的缓存价值更有效，是对缓存价值评价方式的优化途径之一。
可选地，所述确定数据文件的缓存价值之前，还包括：
步骤301、确定所述数据文件的缓存状态变量，基于所述数据文件的缓存状态变量的取值，在所述边缘服务器上创建虚拟表；
具体的，每个数据文件在当前时隙都有对应的缓存状态变量
Figure BDA0003061035000000101
用以表征在时隙t，数据文件DFk是否缓存在边缘服务器中，当
Figure BDA0003061035000000102
时，意味着该数据文件在当前时隙已缓存在边缘服务器中，当
Figure BDA0003061035000000103
时，意味着该数据文件在当前时隙未缓存在边缘服务器中，而此时需要对数据文件进一步处理的时候，需要为没有缓存在边缘服务器上的数据文件，即待缓存数据文件，在边缘服务器上创建一个虚拟表。
步骤302、在所述虚拟表上或者直接在所述边缘服务器上确定所述数据文件在每个时隙的流行度，每个时隙的计算资源密度，以及所述数据文件的大小。
具体的，根据数据文件的缓存状态变量确定数据文件是已缓存在边缘服务器或者待缓存状态后。对于待缓存数据文件，在创建的虚拟表上记录待缓存数据文件每个时隙的流行度，每个时隙的计算资源密度，以及所述数据文件的大小，以便等待后续的缓存机会。对于已缓存数据文件，则在边缘服务器上直接记录已缓存数据文件每个时隙的流行度，每个时隙的计算资源密度，以及所述数据文件的大小。
本申请提供的电力物联网边缘服务器缓存更新的方法，通过为待缓存的数据文件创建虚拟表，提供了单独的存储单元，同时获取数据文件的每个时隙的存储状态信息，为后面更新边缘服务器提供前提保障。
可选地，所述基于加权滑动平均算法，确定所述数据文件流行度的累加值和所述数据文件计算资源密度的累加值，具体包括：
步骤401、以特定时隙t为起点，在时间段T内，分别计算所述数据文件的流行度的加权滑动平均值和计算资源密度的加权滑动平均值；
步骤402、对所述数据文件流行度的加权滑动平均值以及所述数据文件计算资源密度的加权滑动平均值，进行校正，得到所述数据文件流行度的累加值以及所述数据文件计算资源密度的累加值。
由于在不同的时隙内，电力物联网场景下服务的用户计算任务拥有很大的差异性，因而当计算任务卸载到边缘服务器时，数据文件流行度和数据文件计算资源密度这两项指标受时间的影响比较大。考虑到数据文件流行度和数据文件计算资源密度具有强烈的时效性特征，引入了加权滑动平均(Weighted Moving Average,WMA)的思想用于计算上述数据文件的流行度和计算资源密度两个指标在时间维度上的加权累加值，分别记为
Figure BDA0003061035000000111
和
Figure BDA0003061035000000112
在经典的简单滑动平均(Simple Moving Average,SMA)中，有一个固定的窗口容量，窗口中的数据具有相同的权重，这意味着以不同时隙内数据具有相同的重要程度为前提。而WMA有着不同的逻辑，那就是考虑当前和历史的所有数据，强调当前样本的最高重要性，并且以呈线性递减的趋势逐渐淡化历史样本的重要程度，窗口中的时间与当前时刻越近，数据的加权影响就越大，数值的加权影响随着间隔时间的上升呈线性下降。当窗口容量为T时，WMA的计算公式如下：
Figure BDA0003061035000000113
其中xt代表数据文件每个时隙的流行度或者数据文件每个时隙的计算资源密度。
与此同时，可以通过定义偏差来纠正冷启动的问题。这种设计使得当t很小时，初始阶段的估计会更加准确；当t很大时，偏差校正几乎无效。将校正后的WMA(xt)值定义为WMA(xt)′。
Figure BDA0003061035000000114
其中β是校正参数，取值大于等于0.9，一般取值0.98。
通过以上方式，可以得到基于WMA算法计算后且经过偏差修正的数据文件流行度和数据文件计算资源密度的累加值，分别记为
Figure BDA0003061035000000121
本申请提供的电力物联网边缘服务器缓存更新的方法，通过针对不同缓存数据文件具有不同缓存价值的特点，对边缘服务器的缓存策略进行了优化，采用加权滑动平均算法，体现了当前数据文件的加权影响随着间隔时间的上升呈线性下降的特性，使得数据文件的缓存价值更有效，并对上述数据进行纠正，降低的冷启动问题对数据有效性的影响，是对缓存价值评价方式的优化途径之一。
可选地，所述基于所述数据文件流行度的累加值，所述数据文件计算资源密度的累加值和所述数据文件的大小，获取所述数据文件的缓存价值，包括：
步骤501、分别对所述数据文件流行度的累加值，所述数据文件计算资源密度的累加值和所述数据文件的大小进行归一化处理，作为所述数据文件的三个指标；
具体的，使用CRITIC权重法对
Figure BDA0003061035000000122
以及数据文件大小
Figure BDA0003061035000000123
进行客观赋权，CRITIC权重法是基于评价指标的对比强度和指标之间的冲突性来综合衡量指标的客观权重。考虑指标变异性大小的同时兼顾指标之间的相关性，利用数据自身客观属性进行科学的评价。对比强度是指同一个指标各个评价方案之间取值差距的大小，以标准差的形式来表现。标准差越大，说明波动越大，即各方案之间的取值差距越大，权重会越高；指标之间的冲突性，用相关系数进行表示，若两个指标之间具有较强的正相关，说明其冲突性越小，权重会越低。
因参数之间的差异比较大，需要先对
Figure BDA0003061035000000124
Figure BDA0003061035000000125
进行归一化处理；min-max归一化函数表示为Nor()，并定义为：
Figure BDA0003061035000000131
其中，集合X表示所有已缓存数据文件和待缓存数据文件的某一个指标构成的集合，即所有数据文件的流行度的累加值构成的集合，所有数据文件计算资源密度的累加值构成的集合，或者所有数据文件的大小构成的集合。x代表以上集合中的任意一个变量。min(X)和max(X)表示集合X的最小值和最大值。
步骤502、确定所述数据文件的每个指标的对比强度以及冲突性；
具体的，确定数据文件每个指标的对比强度，是通过计算
Figure BDA0003061035000000132
的标准差来实现的，具体的计算方法如下：
Figure BDA0003061035000000133
其中Xij代表第i个数据文件的第j个指标，n代表所有数据文件的个数，j代表每个数据文件的第j个指标。这里的j取值为3，代表每个数据文件的三个指标，包括数据文件流行度的累加值，数据文件计算资源密度的累加值和数据文件的大小。
确定数据文件的每个指标的冲突性，首先要确定每个数据文件两两指标之间的总体的误差，而每个数据文件有三个指标，如果两个变量的变化趋势一致，也就是说如果其中一个大于自身的期望值时另外一个也大于自身的期望值，那么两个变量之间的协方差就是正值；如果两个变量的变化趋势相反，即其中一个变量大于自身的期望值时另外一个却小于自身的期望值，那么两个变量之间的协方差就是负值。令每两个指标间的随机变量以X和Y进行表示，为了计算每个数据文件两两指标之间的相关度，采用相关系数算法：
Figure BDA0003061035000000141
比如，随机变量X代表所有数据文件的流行度的累加值构成的集合中的一个元素，所有数据文件的计算资源密度的累加值构成的集合中的一个元素或者所有数据文件的大小构成集合中的一个元素，同理随机变量Y代表含义同随机变量X。
根据如下公式计算数据文件每一个指标的冲突性：
Figure BDA0003061035000000142
其中p代表数据文件的指标个数，在本申请中p取值为3。
步骤503、基于所述数据文件的每个指标的对比强度和冲突性，确定所述数据文件的每个指标的客观权重；
具体的，首先根据数据文件每个指标的对比强度和冲突性，计算各指标的信息量，具体公式如下：
Cj＝Sj×Rj (7)
比如数据文件的流行度累加值的对比强度为S1，同一个数据文件的流行度累加值的冲突性为R1，则该数据文件的流行度累加值的信息量为C1＝S1×R1。
并根据信息量得到各指标的客观权重：
Figure BDA0003061035000000143
其中p代表数据文件的指标个数，在本申请中p取值为3。
步骤504、基于所述数据文件的每个指标的客观权重，确定所述数据文件的缓存价值。
数据文件DFk缓存价值表示为
Figure BDA0003061035000000144
用于评估边缘服务器是否应该缓存数据文件。缓存价值
Figure BDA0003061035000000145
由数据文件流行度、数据文件计算资源密度、数据文件大小三个指标构成，且与数据文件流行度、数据文件计算资源密度呈正相关，与数据文件大小呈负相关，其计算公式如下：
Figure BDA0003061035000000151
其中
Figure BDA0003061035000000152
分别表示数据文件流行度、数据文件计算资源密度和数据文件大小经CRITIC权重法计算后得到的客观权重。
本申请提供的电力物联网边缘服务器缓存更新的方法，通过针对不同缓存数据文件具有不同缓存价值的特点，对边缘服务器的缓存策略进行了优化，采用CRITIC算法，对数据文件各个指标进行综合衡量，得到指标的客观权重，利用数据文件自身的客观属性进行科学的评价，进一步得到数据文件的缓存价值评价方式，更客观，更科学。
可选地，所述用所述待缓存数据文件更新所述边缘服务器的缓存空间，使其满足更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值达到最大化，包括：
步骤601、确定所述边缘服务器上的所述已缓存数据文件的缓存价值平均值的最大值，以及对应的所述已缓存数据文件的个数，作为理想点；
当边缘服务器的缓存空间尚未被存满时，需要尽可能地存入更多的数据文件以保证缓存空间的高利用率，与此同时，记录所缓存的每个数据文件在每个时隙的流行度
Figure BDA0003061035000000153
和计算资源密度
Figure BDA0003061035000000154
以及数据文件大小
Figure BDA0003061035000000155
当边缘服务器的缓存空间已经存满时，对于尚未得到缓存的数据文件，可以在边缘服务器上创建一个虚拟表先记录流行度和计算资源密度或者加权滑动平均后的结果
Figure BDA0003061035000000156
Figure BDA0003061035000000157
以及数据文件的大小
Figure BDA0003061035000000158
等待后续的缓存机会。同时，需要在每个时隙的开始前，根据之前时隙的情况来更新缓存文件，目的在于缓存尽可能多的数据文件，并且使得数据文件缓存价值达到最大。将边缘服务器缓存的数据文件个数表示为DFnum，提出基于价值的缓存更新机制的优化问题，其定义如下：
maximize DFnum
Figure BDA0003061035000000161
Figure BDA0003061035000000162
其中DF′代表所有已缓存数据文件构成的集合。
可见，该问题是一个目标函数存在冲突的多目标优化问题，限制条件为边缘服务器n所存储的数据文件大小不超过其缓存能力Cn。由于两个目标函数之间存在冲突，因此，此处的目标是找到一个帕累托最优解集。
假设在第一个目标函数中存在一个值f1(x)，满足：
f1(x)≥maximize DFnum (11)
假设数据文件x是所有已被缓存的数据文件DF′中数据量最小的一个，则
Figure BDA0003061035000000163
类似的，假设在第二个目标函数中存在一个值f2(x′)，满足：
Figure BDA0003061035000000164
当边缘服务器只缓存一个缓存价值最大的数据文件时可以取到最大值，假设数据文件DFx′的缓存价值最大，即
Figure BDA0003061035000000165
在DFx′∈DF中最大，则
Figure BDA0003061035000000166
此时称[f1(x),f2(x′)]为理想点，当且仅当存在x＝x′时，[f1(x),f2(x)]为最理想点。
步骤602、将所述待缓存数据文件替换所述边缘服务器上的一个或者多个所述已缓存数据文件，确定更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值，以及对应的所述已缓存数据文件的个数，作为可行解；
具体的，假设将待缓存数据文件x替换边缘服务器上已缓存数据文件的一个或者多个后，计算得到对应的更新后边缘服务器上已缓存数据文件的个数，以及对应的缓存价值的平均值，作为可行解。
步骤603、采用标准化欧式距离计算所述可行解与所述理想点的距离，选取与所述理想点距离最小的所述可行解作为最优解；
用标准化欧氏距离来表示可行解与理想点的距离，选取与理想点距离最小的可行解为最优解，两分量的标准差分别记为S1、S2(计算方式同公式4)，得到的最小化惩罚值的目标函数表示为：
Figure BDA0003061035000000171
其中S1代表根据可行解对应的DFnum计算其标准差，S2代表根据可行解对应的缓存价值平均值计算其标准差。在本申请中两分量的标准差S1、S2为1。
步骤604、根据所述最优解更新所述已缓存数据文件对应的缓存状态变量，同时更新所述边缘服务器的缓存空间。
根据最优解确定具体需替换的已缓存数据文件的标识，将需替换的已缓存数据文件更新为待缓存数据文件，同时更新需替换的已缓存数据文件对应的缓存状态变量
Figure BDA0003061035000000172
保证数据文件的所有信息同步。
基于缓存价值的边缘缓存更新机制可以总结为，当数据文件到达边缘服务器时，边缘服务器选择是否缓存数据。当缓存空间足够时，可以尽可能多地缓存数据，如果缓存空间已满，那么将通过边缘缓存更新机制对缓存内容执行更新。
本申请提供的电力物联网边缘服务器缓存更新的方法，通过针对不同缓存数据文件具有不同缓存价值的特点，对边缘服务器的缓存策略进行了优化，采用加权平均算法和CRITIC算法，对数据文件各个指标进行综合衡量，得到更客观的指标参数，进而考虑不同指标之间的相关性，得到数据文件的缓存价值评价方式，通过求解一个多目标优化问题，旨在保证尽可能多地缓存数据文件的同时最大化数据文件的缓存价值，更高效地利用有限的缓存空间。
可选地，所述数据文件计算资源密度，根据计算任务所需的计算资源密度大小将其划分为10个等级。
具体的，数据文件计算资源密度，定义为一个时隙中使用数据文件的计算任务对应的计算密度的平均值，根据计算任务所需的计算资源密度大小将其划分为10个等级来表示，级别越高代表所需的计算资源密度越大。计算资源密度越大，进一步的说明数据文件的重要程度越高。因此，可以对不同重要程度的数据文件进行处理，并得到对应的数据文件缓存价值。
本申请提供的电力物联网边缘服务器缓存更新的方法，通过针对不同缓存数据文件定义了不同的计算资源密度，进而得到不同数据文件的不同缓存价值，对边缘服务器的缓存策略进行了优化，使得边缘服务器尽可能多地缓存数据文件，同时最大化数据文件的缓存价值，高效的利用有限的缓存空间。
电力物联网中边缘可共享缓存的引入给对计算任务执行卸载决策这一过程增加了难度，不同服务类型和级别下的协议的缓存内容具有不同的访问频率和重要程度，数据文件的流行度和计算资源密度存在较大差异性，传统的缓存策略不再适用于这种应用场景。不仅如此，用户对计算任务的需求往往随时间而变，在缓存方式的实际判断中需要考虑到当前以及历史的所有数据。
为此，本申请提供的电力物联网边缘服务器缓存更新的方法。相比现有的技术而言，主要创新点在于以下几个方面：
(1)针对电力物联网不同缓存内容具有不同访问频率和重要程度的特点对传统的缓存策略进行了优化，使之更加适用于电力物联网场景；
(2)不同于以往的方法，本申请从缓存价值的角度出发，设计了基于加权滑动平均模型的电力物联网边缘服务器缓存更新方法，主要表现在：针对数据文件流行度、数据文件计算资源密度、数据文件大小提出了新的缓存价值评价方式，针对用户对计算任务的需求在时间上变化的问题，引入了加权滑动平均的思想，强调当前样本的重要程度，逐渐淡化历史样本的重要程度；
(3)为了高效利用有限的缓存空间，本申请通过求解一个多目标优化问题，旨在保证尽可能多地缓存数据文件的同时最大化数据文件的缓存价值，更高效地利用有限的缓存空间。最终，本申请为该多目标优化问题找到了帕累托最优解。
下面以具体的实施例来说明本申请的电力物联网边缘服务器缓存更新的方法。假设边缘服务器的可共享缓存空间已经达到上限(假设共包含21个数据文件)，考虑对于新数据文件的缓存问题。如图2所示，具体分析步骤如下：
S1、使用加权滑动平均计算数据文件流行度和缓存计算资源密度的累加值。具体的，记录数据文件大小
Figure BDA0003061035000000191
记录数据文件每个时隙的流行度、计算资源密度，并使用加权滑动平均(WMA)的思想计算空间内每个数据文件流行度和计算资源密度的累加值WMA(PopDFk)',WMA(DenDFk)',结果如下表：
Figure BDA0003061035000000192
Figure BDA0003061035000000201
表1数据文件指标记录表
S2、计算每个缓存数据文件的缓存价值。具体的，使用CRITIC权重法进行客观赋权，随后根据公式9计算得出每个缓存数据文件的缓存价值：
Figure BDA0003061035000000202
Figure BDA0003061035000000211
表2数据文件缓存价值表
S3、计算多目标优化问题的可行解及理想点后寻找最优解。具体的，边缘服务器的缓存能力Cn＝10^7，对于需要考虑是否缓存数据文件DF＝[900000,10,10]，根据公式10计算得出多目标优化问题的理想点为(100,0.4024)，根据公式13计算可行解与理想点的距离，选取与理想点距离最小的可行解为最优解。通过计算得到可行解与理想点的最小距离为90.711892220627647，此时的缓存更新方案为：替换掉原已缓存数据文件中的第10、14个数据文件，更新为待缓存数据文件DF＝[900000,10,10]。同时更新原已缓存数据文件中的第10、14个数据文件对应的缓存状态变量
Figure BDA0003061035000000212
的值为0，更新待缓存数据文件对应的
Figure BDA0003061035000000213
的值为1，其中t为当前时间，DFk为具体的数据文件的ID。比如第10个数据文件对应的缓存状态变量αt,10＝0，t为当前时间，具体的格式不做限定。
图3是本申请实施例提供的电力物联网边缘服务器缓存更新的设备的结构示意图，如图3所示，该电力物联网边缘服务器缓存更新的设备包括存储器320，收发机310和处理器300；其中，处理器300与存储器320也可以物理上分开布置。
存储器320，用于存储计算机程序；收发机310，用于在处理器300的控制下收发数据。
具体地，收发机310用于在处理器300的控制下接收和发送数据。
其中，在图3中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器300代表的一个或多个处理器和存储器320代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本申请不再对其进行进一步描述。总线接口提供接口。收发机310可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元，这些传输介质包括无线信道、有线信道、光缆等传输介质。
处理器300负责管理总线架构和通常的处理，存储器320可以存储处理器300在执行操作时所使用的数据。
处理器300可以是中央处埋器(Central Processing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或复杂可编程逻辑器件(Complex Programmable LogicDevice，CPLD)，处理器也可以采用多核架构。
处理器300通过调用存储器320存储的计算机程序，用于按照获得的可执行指令执行本申请实施例提供的任一所述方法，例如：获取数据文件的缓存价值，所述数据文件包括：待缓存数据文件以及所述边缘服务器上的已缓存数据文件；
用所述待缓存数据文件更新所述边缘服务器的缓存，使其满足更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值达到最大化。
可选的，所述获取数据文件的缓存价值，包括：
基于加权滑动平均算法，确定所述数据文件流行度的累加值和所述数据文件计算资源密度的累加值；
基于所述数据文件流行度的累加值，所述数据文件计算资源密度的累加值和所述数据文件的大小，获取所述数据文件的缓存价值。
可选的，所述确定数据文件的缓存价值之前，还包括：
确定所述数据文件的缓存状态变量，基于所述数据文件的缓存状态变量的取值，在所述边缘服务器上创建虚拟表；
在所述虚拟表上或者直接在所述边缘服务器上确定所述数据文件在每个时隙的流行度，每个时隙的计算资源密度，以及所述数据文件的大小。
可选的，所述基于加权滑动平均算法，确定所述数据文件流行度的累加值和所述数据文件计算资源密度的累加值，具体包括：
以特定时隙t为起点，在时间段T内，分别计算所述数据文件的流行度的加权滑动平均值和计算资源密度的加权滑动平均值；
对所述数据文件流行度的加权滑动平均值以及所述数据文件计算资源密度的加权滑动平均值，进行校正，得到所述数据文件流行度的累加值以及所述数据文件计算资源密度的累加值。
可选的，所述基于所述数据文件流行度的累加值，所述数据文件计算资源密度的累加值和所述数据文件的大小，获取所述数据文件的缓存价值，包括：
分别对所述数据文件流行度的累加值，所述数据文件计算资源密度的累加值和所述数据文件的大小进行归一化处理，作为所述数据文件的三个指标；
确定所述数据文件的每个指标的对比强度以及冲突性；
基于所述数据文件的每个指标的对比强度和冲突性，确定所述数据文件的每个指标的客观权重；
基于所述数据文件的每个指标的客观权重，确定所述数据文件的缓存价值。
可选的，所述用所述待缓存数据文件更新所述边缘服务器的缓存空间，使其满足更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值达到最大化，包括：
确定所述边缘服务器上的所述已缓存数据文件的缓存价值平均值的最大值，以及对应的所述已缓存数据文件的个数，作为理想点；
将所述待缓存数据文件替换所述边缘服务器上的一个或者多个所述已缓存数据文件，确定更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值，以及对应的所述已缓存数据文件的个数，作为可行解；
采用标准化欧式距离计算所述可行解与所述理想点的距离，选取与所述理想点距离最小的所述可行解作为最优解；
根据所述最优解更新所述已缓存数据文件对应的缓存状态变量，同时更新所述边缘服务器的缓存空间。
在此需要说明的是，本申请实施例提供的上述电力物联网边缘服务器缓存更新的设备，能够实现上述电力物联网边缘服务器缓存更新的方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。图4为本申请实施例提供的电力物联网边缘服务器缓存更新的装置，如图4所示，该装置包括：
获取模块401，用于获取数据文件的缓存价值，所述数据文件包括：待缓存数据文件以及所述边缘服务器上的已缓存数据文件；
更新模块402，用于用所述待缓存数据文件更新所述边缘服务器的缓存，使其满足更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值达到最大化。
可选的，获取模块401还用于基于加权滑动平均算法，确定所述数据文件流行度的累加值和所述数据文件计算资源密度的累加值；
基于所述数据文件流行度的累加值，所述数据文件计算资源密度的累加值和所述数据文件的大小，获取所述数据文件的缓存价值。
可选的，获取模块401还用于确定所述数据文件的缓存状态变量，基于所述数据文件的缓存状态变量的取值，在所述边缘服务器上创建虚拟表；
在所述虚拟表上或者直接在所述边缘服务器上确定所述数据文件在每个时隙的流行度，每个时隙的计算资源密度，以及所述数据文件的大小。
可选的，获取模块401还用于以特定时隙t为起点，在时间段T内，分别计算所述数据文件的流行度的加权滑动平均值和计算资源密度的加权滑动平均值；
对所述数据文件流行度的加权滑动平均值以及所述数据文件计算资源密度的加权滑动平均值，进行校正，得到所述数据文件流行度的累加值以及所述数据文件计算资源密度的累加值。
可选的，获取模块401还用于分别对所述数据文件流行度的累加值，所述数据文件计算资源密度的累加值和所述数据文件的大小进行归一化处理，作为所述数据文件的三个指标；
确定所述数据文件的每个指标的对比强度以及冲突性；
基于所述数据文件的每个指标的对比强度和冲突性，确定所述数据文件的每个指标的客观权重；
基于所述数据文件的每个指标的客观权重，确定所述数据文件的缓存价值。
可选的，获取模块401还用于确定所述边缘服务器上的所述已缓存数据文件的缓存价值平均值的最大值，以及对应的所述已缓存数据文件的个数，作为理想点；
将所述待缓存数据文件替换所述边缘服务器上的一个或者多个所述已缓存数据文件，确定更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值，以及对应的所述已缓存数据文件的个数，作为可行解；
采用标准化欧式距离计算所述可行解与所述理想点的距离，选取与所述理想点距离最小的所述可行解作为最优解；
根据所述最优解更新所述已缓存数据文件对应的缓存状态变量，同时更新所述边缘服务器的缓存空间。需要说明的是，本申请实施例中对单元的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以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，可以存储在一个处理器可读取存储介质中。基于这样的理解，本申请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全部或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)或处理器(processor)执行本申请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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在此需要说明的是，本申请实施例提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
另一方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的电力物联网边缘服务器缓存更新的方法，包括：获取数据文件的缓存价值，所述数据文件包括：待缓存数据文件以及所述边缘服务器上的已缓存数据文件；用所述待缓存数据文件更新所述边缘服务器的缓存空间，使其满足更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值达到最大化。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机可执行指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机可执行指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些处理器可执行指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的处理器可读存储器中，使得存储在该处理器可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些处理器可执行指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (9)

1.一种电力物联网边缘服务器缓存更新的方法，其特征在于，包括：
获取数据文件的缓存价值，所述数据文件包括：待缓存数据文件以及所述边缘服务器上的已缓存数据文件；
用所述待缓存数据文件更新所述边缘服务器的缓存空间，使其满足更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值达到最大化；
所述用所述待缓存数据文件更新所述边缘服务器的缓存空间，使其满足更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值达到最大化，包括：
确定所述边缘服务器上的所述已缓存数据文件的缓存价值平均值的最大值，以及对应的所述已缓存数据文件的个数，作为理想点；
将所述待缓存数据文件替换所述边缘服务器上的一个或者多个所述已缓存数据文件，确定更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值，以及对应的所述已缓存数据文件的个数，作为可行解；
采用标准化欧式距离计算所述可行解与所述理想点的距离，选取与所述理想点距离最小的所述可行解作为最优解；
根据所述最优解更新所述已缓存数据文件对应的缓存状态变量，同时更新所述边缘服务器的缓存空间。
2.根据权利要求1所述的电力物联网边缘服务器缓存更新的方法，其特征在于，所述获取数据文件的缓存价值，包括：
基于加权滑动平均算法，确定所述数据文件流行度的累加值和所述数据文件计算资源密度的累加值；
基于所述数据文件流行度的累加值，所述数据文件计算资源密度的累加值和所述数据文件的大小，获取所述数据文件的缓存价值。
3.根据权利要求2所述的电力物联网边缘服务器缓存更新的方法，其特征在于，所述确定数据文件的缓存价值之前，还包括：
确定所述数据文件的缓存状态变量，基于所述数据文件的缓存状态变量的取值，在所述边缘服务器上创建虚拟表；
在所述虚拟表上或者直接在所述边缘服务器上确定所述数据文件在每个时隙的流行度，每个时隙的计算资源密度，以及所述数据文件的大小。
4.根据权利要求2所述的电力物联网边缘服务器缓存更新的方法，其特征在于，所述基于加权滑动平均算法，确定所述数据文件流行度的累加值和所述数据文件计算资源密度的累加值，具体包括：
以特定时隙t为起点，在时间段T内，分别计算所述数据文件的流行度的加权滑动平均值和计算资源密度的加权滑动平均值；
对所述数据文件流行度的加权滑动平均值以及所述数据文件计算资源密度的加权滑动平均值，进行校正，得到所述数据文件流行度的累加值以及所述数据文件计算资源密度的累加值。
5.根据权利要求2所述的电力物联网边缘服务器缓存更新的方法，其特征在于，所述基于所述数据文件流行度的累加值，所述数据文件计算资源密度的累加值和所述数据文件的大小，获取所述数据文件的缓存价值，包括：
分别对所述数据文件流行度的累加值，所述数据文件计算资源密度的累加值和所述数据文件的大小进行归一化处理，作为所述数据文件的三个指标；
确定所述数据文件的每个指标的对比强度以及冲突性；
基于所述数据文件的每个指标的对比强度和冲突性，确定所述数据文件的每个指标的客观权重；
基于所述数据文件的每个指标的客观权重，确定所述数据文件的缓存价值。
6.根据权利要求2所述的电力物联网边缘服务器缓存更新的方法，其特征在于，所述数据文件计算资源密度，根据计算任务所需的计算资源密度大小将其划分为10个等级。
7.一种电力物联网边缘服务器缓存更新的设备，包括存储器，收发机，处理器；
存储器，用于存储计算机程序；收发机，用于在所述处理器的控制下收发数据；处理器，用于执行所述存储器中的计算机程序并实现如下步骤：
获取数据文件的缓存价值，所述数据文件包括：待缓存数据文件以及所述边缘服务器上的已缓存数据文件；
用所述待缓存数据文件更新所述边缘服务器的缓存，使其满足更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值达到最大化；
所述用所述待缓存数据文件更新所述边缘服务器的缓存空间，使其满足更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值达到最大化，包括：
确定所述边缘服务器上的所述已缓存数据文件的缓存价值平均值的最大值，以及对应的所述已缓存数据文件的个数，作为理想点；
将所述待缓存数据文件替换所述边缘服务器上的一个或者多个所述已缓存数据文件，确定更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值，以及对应的所述已缓存数据文件的个数，作为可行解；
采用标准化欧式距离计算所述可行解与所述理想点的距离，选取与所述理想点距离最小的所述可行解作为最优解；
根据所述最优解更新所述已缓存数据文件对应的缓存状态变量，同时更新所述边缘服务器的缓存空间。
8.一种电力物联网边缘服务器缓存更新的装置，其特征在于，所述装置包括：
获取模块，用于获取数据文件的缓存价值，所述数据文件包括：待缓存数据文件以及所述边缘服务器上的已缓存数据文件；
更新模块，用于用所述待缓存数据文件更新所述边缘服务器的缓存，使其满足更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值达到最大化；
所述更新模块，具体用于：
确定所述边缘服务器上的所述已缓存数据文件的缓存价值平均值的最大值，以及对应的所述已缓存数据文件的个数，作为理想点；
将所述待缓存数据文件替换所述边缘服务器上的一个或者多个所述已缓存数据文件，确定更新后的所述边缘服务器上的所述已缓存数据文件的缓存价值的平均值，以及对应的所述已缓存数据文件的个数，作为可行解；
采用标准化欧式距离计算所述可行解与所述理想点的距离，选取与所述理想点距离最小的所述可行解作为最优解；
根据所述最优解更新所述已缓存数据文件对应的缓存状态变量，同时更新所述边缘服务器的缓存空间。
9.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行权利要求1至6任一项所述电力物联网边缘服务器缓存更新的方法。
CN202110512978.6A 2021-05-11 2021-05-11 一种电力物联网边缘服务器缓存更新的方法及装置 Active CN113297152B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110512978.6A CN113297152B (zh) 2021-05-11 2021-05-11 一种电力物联网边缘服务器缓存更新的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110512978.6A CN113297152B (zh) 2021-05-11 2021-05-11 一种电力物联网边缘服务器缓存更新的方法及装置

Publications (2)

Publication Number Publication Date
CN113297152A CN113297152A (zh) 2021-08-24
CN113297152B true CN113297152B (zh) 2022-11-11

Family

ID=77321447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110512978.6A Active CN113297152B (zh) 2021-05-11 2021-05-11 一种电力物联网边缘服务器缓存更新的方法及装置

Country Status (1)

Country Link
CN (1) CN113297152B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116088456B (zh) * 2023-04-06 2023-06-16 安徽深迪科技有限公司 基于mes的智能工厂产品质量监控方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011143946A1 (zh) * 2011-01-24 2011-11-24 华为技术有限公司 一种cdn中边缘服务器的多级缓存管理方法与系统
CN104822068A (zh) * 2015-04-29 2015-08-05 四达时代通讯网络技术有限公司 流媒体代理缓存替换方法及装置
CN109982104A (zh) * 2019-01-25 2019-07-05 武汉理工大学 一种移动边缘计算中移动感知的视频预取与缓存替换决策方法
CN110213627A (zh) * 2019-04-23 2019-09-06 武汉理工大学 基于多小区用户移动性的流媒体缓存分配装置及其工作方法
CN110377533A (zh) * 2019-07-10 2019-10-25 北京邮电大学 一种用于云计算及边缘计算的缓存置换方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200275139A1 (en) * 2019-02-25 2020-08-27 Iris.Tv, Inc. Mitigating costs of presentation and delivery of digital media assets based on geographically distributed cache memory contents
CN111555906B (zh) * 2020-04-14 2022-08-09 国电南瑞科技股份有限公司 配电网信息物理系统的故障恢复策略制定评价方法和系统
CN112218337B (zh) * 2020-09-04 2023-02-28 暨南大学 一种移动边缘计算中的缓存策略决策方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011143946A1 (zh) * 2011-01-24 2011-11-24 华为技术有限公司 一种cdn中边缘服务器的多级缓存管理方法与系统
CN104822068A (zh) * 2015-04-29 2015-08-05 四达时代通讯网络技术有限公司 流媒体代理缓存替换方法及装置
CN109982104A (zh) * 2019-01-25 2019-07-05 武汉理工大学 一种移动边缘计算中移动感知的视频预取与缓存替换决策方法
CN110213627A (zh) * 2019-04-23 2019-09-06 武汉理工大学 基于多小区用户移动性的流媒体缓存分配装置及其工作方法
CN110377533A (zh) * 2019-07-10 2019-10-25 北京邮电大学 一种用于云计算及边缘计算的缓存置换方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Maximum Cache Value Policy in Hybrid Memory-Based Edge Computing for Mobile Devices;Gangyong Jia等;《IEEE Internet of Things Journal》;20181031;第6卷(第3期);全文 *
Value-driven Cache Replacement Strategy in Mobile Edge Computing;Hua Wei等;《GLOBECOM 2020 - 2020 IEEE Global Communications Conference》;20201211;全文 *
边缘计算中基于博弈论的数据协作缓存策略研究;王朝等;《计算机应用研究》;20201231;第37卷(第12期);全文 *
面向物联网近端服务的缓存技术研究;魏华;《CNKI博士学位论文数据库》;20210115;参见第5章 *

Also Published As

Publication number Publication date
CN113297152A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN109002358B (zh) 基于深度强化学习的移动终端软件自适应优化调度方法
CN108667878A (zh) 服务器负载均衡方法及装置、存储介质、电子设备
CN113989561B (zh) 基于异步联邦学习的参数聚合更新方法、设备及系统
CN112579194A (zh) 基于时延和事务吞吐量的区块链共识任务卸载方法及装置
CN109413694B (zh) 一种基于内容流行度预测的小小区缓存方法及装置
CN113645637B (zh) 超密集网络任务卸载方法、装置、计算机设备和存储介质
CN109144730B (zh) 一种小小区下任务卸载方法及装置
CN113297152B (zh) 一种电力物联网边缘服务器缓存更新的方法及装置
CN115714820A (zh) 一种分布式的微服务调度优化方法
CN114205317B (zh) 基于sdn与nfv的服务功能链sfc资源分配方法及电子设备
CN116680062A (zh) 一种基于大数据集群的应用调度部署方法及存储介质
CN113094392A (zh) 数据缓存的方法和装置
Li et al. Collaborative optimization of edge-cloud computation offloading in internet of vehicles
CN116932174B (zh) Eda仿真任务动态资源调度方法、装置、终端及介质
Ma Edge server placement for service offloading in internet of things
CN114090108A (zh) 算力任务执行方法、装置、电子设备及存储介质
Gao et al. Joint computing, pushing, and caching optimization for mobile edge computing networks via soft actor-critic learning
CN111404974B (zh) 一种云计算效能评估方法、装置及评估设备
Zhang et al. Joint optimization of multi-user computing offloading and service caching in mobile edge computing
CN114189756B (zh) 多设备协作物联网的信息更新方法、装置、设备及介质
CN115129447A (zh) 一种工业互联网中计及条件风险价值的边缘计算任务卸载方法及计算机设备
Kang et al. Joint task offloading and resource allocation strategy for DiffServ in vehicular cloud system
CN111913780A (zh) 云计算中的资源预测与调度方法
CN111901425A (zh) 基于Pareto算法的CDN调度方法、装置、计算机设备及存储介质
CN114745389B (zh) 移动边缘计算系统的计算卸载方法

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