CN113422801A - 边缘网络节点内容分配方法、系统、装置及计算机设备 - Google Patents
边缘网络节点内容分配方法、系统、装置及计算机设备 Download PDFInfo
- Publication number
- CN113422801A CN113422801A CN202110522531.7A CN202110522531A CN113422801A CN 113422801 A CN113422801 A CN 113422801A CN 202110522531 A CN202110522531 A CN 202110522531A CN 113422801 A CN113422801 A CN 113422801A
- Authority
- CN
- China
- Prior art keywords
- user
- edge network
- track
- network node
- target
- 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
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
-
- 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
- H04L67/52—Network services specially adapted for the location of the user terminal
-
- 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
- H04L67/55—Push-based network services
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明实施例公开了一种边缘网络节点内容分配方法、系统、装置及计算机设备,边缘网络平台服务器分别与多个边缘网络节点连接,边缘网络平台服务器接收各边缘网络节点发送的目标用户在未来预设时段内的行为预估数据集和轨迹预估数据集,确定所述轨迹预估数据集中各轨迹位点关联的目标边缘网络节点,根据所述目标用户在未来预设时段内的行为预估数据集,向各目标边缘网络节点发送缓存指令,使各目标边缘网络节点获取并缓存对应行为预估数据关联的推送内容。通过边缘网络平台服务器实现了数据安全共享的前提下,运用用户行为预测技术和用户轨迹预测技术,能够提前确定向边缘节点待投放的内容,智能地为目标群体提供情境感知服务,提升用户上网体验。
Description
技术领域
本发明涉及移动边缘计算领域,尤其涉及一种边缘网络节点内容分配方法、系统、装置及计算机设备。
背景技术
移动边缘计算通过在移动网络边缘提前进行高流行度内容的本地化存储,形成区域化内容共享系统,使得各项业务与内容更靠近数据源头和应用终端,以缓解流量需求高峰期的网络拥塞问题,实现用户低延迟、高体验、低资费的多元化内容服务需求。然而,要针对用户提供精准化、个性化本地内容共享服务,移动边缘计算虽然体现了技术潜力优势,但其商业生态以及核心技术还不成熟。
同时,数据源之间存在着难以打破的壁垒。一般情况下人工智能的所需要的数据会涉及多个领域,例如在基于人工智能的产品推荐服务中,产品销售方拥有产品的数据、用户购买商品的数据,但是没有用户购买能力和支付习惯的数据。因此,在大多数行业中,数据是以孤岛的形式存在的。并且,由于行业竞争、隐私安全、行政手续复杂等问题,即使是在同一个公司的不同部门之间实现数据整合也面临着重重阻力,在现实中想要将分散在各地、各个机构的数据进行整合几乎是不可能的,或者说所需的成本是巨大的。
因此,互联网企业和服务运营商亟需搭建一个边缘智能平台来应对这些挑战,以便在边缘网络提供安全高效地边缘智能服务,提高用户服务使用体验。
发明内容
为了解决上述技术问题,本申请提出了一种边缘网络节点内容分配方法、系统、装置及计算机设备,具体方案如下:
第一方面,本公开实施例提供了一种边缘网络节点内容分配方法,应用于边缘网络平台服务器,所述边缘网络平台服务器分别与多个边缘网络节点连接,所述方法包括:
接收各边缘网络节点发送的目标用户在未来预设时段内的行为预估数据集和轨迹预估数据集,所述行为预估数据集包括各边缘网络节点基于预设的用户行为预测模型预估得到的用户行为数据,所述轨迹预估数据集包括各边缘网络节点基于预设的用户轨迹预测模型预估得到的用户轨迹数据;
确定所述轨迹预估数据集中各轨迹位点关联的目标边缘网络节点;
根据所述目标用户在未来预设时段内的行为预估数据集,向各目标边缘网络节点发送缓存指令,以使各目标边缘网络节点获取并缓存对应行为预估数据关联的推送内容。
根据本公开的一种具体实施方式,所述接收各边缘网络节点发送的目标用户在未来预设时段内的行为预估数据集和轨迹预估数据集的步骤之前,所述方法还包括:
确定用户授权状态的各边缘网络节点;
发送用户授权公钥和用户安全协议至各边缘网络节点,其中,所述用户安全协议包括用户数据授权范围和模型训练目标;
获取各边缘网络节点的用户集合;
基于加密样本对齐技术对所述用户集合进行对齐处理,以提取所述用户集合中的对应所述用户授权状态的各边缘网络节点的共有用户,形成共有用户集合;
发送所述共有用户集合至所述用户授权状态的各边缘网络节点,以使各边缘网络节点根据所述共有用户集合训练得到所述用户行为预测模型和所述用户轨迹预测模型。
根据本公开的一种具体实施方式,所述方法还包括:
接收各边缘网络节点发送的部分行为预测模型构建参数和部分轨迹预测模型构建参数,用于训练联邦用户行为预测模型和联邦用户轨迹预测模型;
通过所述联邦用户行为预测模型和所述联邦用户轨迹预测模型进行预测,并将预测结果转化为新的特征序列组;
发送所述新的特征序列组至各边缘网络节点。
根据本公开的一种具体实施方式,确定所述用户轨迹数据中各轨迹位点关联的目标边缘网络节点的步骤,包括:
发送查询信息至各边缘网络节点,所述查询信息包括所请求查询的目标用户的身份信息以及所请求查询的未来预设时间段;
接收各边缘网络节点发送的所述目标用户在所述未来预设时间段内的多条预测轨迹信息,各轨迹信息均包括轨迹位点和对应各轨迹位点的概率值;
查找所述未来预设时段内各预测时刻对应概率值最高的预测轨迹位点,匹配出各预测轨迹节点对应的目标边缘网络节点。
第二方面,本公开实施例还提供了一种边缘网络节点内容分配方法,应用于边缘网络节点,所述边缘网络节点与边缘网络平台服务器连接,所述方法包括:
基于预设的用户行为预测模型预测目标用户的用户行为,以获得对应所述目标用户在未来预设时段内的行为预估数据集;
基于预设的用户轨迹预测模型预测目标用户的用户轨迹,以获得对应所述目标用户在未来预设时段内的轨迹预估数据集;
向所述边缘网络平台服务器发送所述行为预估数据集和所述轨迹预估数据集;
接收所述边缘网络平台服务器发送的缓存指令,根据所述缓存指令获取并缓存对应行为预估数据关联的推送内容。
根据本公开的一种具体实施方式,所述边缘网络节点还连接有多个用户终端,所述用户行为预测模型和所述用户轨迹预测模型的获取步骤包括:
接收所述边缘网络平台服务器发送的用户授权公钥和用户安全协议,其中,所述用户安全协议包括用户数据授权范围和模型训练目标;
根据所述用户数据授权范围向所述边缘网络平台服务器上传用户集合;
接收所述边缘网络平台服务器返回的共有用户集合,所述共有用户为各边缘网络节点的共有用户;
根据所述共有用户集合训练得到所述用户行为预测模型和所述用户轨迹预测模型。
根据本公开的一种具体实施方式,所述向所述边缘网络平台服务器上传用户的行为数据和定位数据的步骤,包括:
所述接收所述边缘网络平台服务器发送的用户授权公钥和用户安全协议的步骤之后,所述方法还包括:根据所述模型训练目标提取用户的行为数据和定位数据,所述行为数据包括对应模型训练目标的标签数据;
对用户的所述行为数据进行预设的数据格式处理;
对用户的定位数据进行相应的特征排序和填充处理,以生成对应用户的定位数据的定位数据序列组。
根据本公开的一种具体实施方式,所述根据所述共有用户集合训练得到所述用户行为预测模型的步骤,还包括:
接收所述边缘网络平台服务器发送的共有用户集合,确定目标用户;
根据目标用户的所述标签数据计算所述定位数据序列组的增益;
基于增益最大的定位数据序列组的特征信息和所述标签数据,训练得到所述用户行为预测模型。
根据本公开的一种具体实施方式,所述根据所述共有用户集合训练得到所述用户轨迹预测模型的步骤,包括:
接收边缘网络平台服务器发送的共有用户集合,确定目标用户;
从对应所述目标用户的用户终端的本地数据库中提取所述目标用户的历史轨迹数据,构建对应历史时间段的多个个体轨迹序列,其中,所述历史轨迹数据包括与历史时间段对应的请求数据和移动轨迹;
归并所述多个个体轨迹序列,形成对应所述目标用户的转移轨迹集合;
根据所述转移轨迹集合计算所述目标用户从起始位置到各停留点位置的转移矩阵,以构建位置转移矩阵;
计算所述多个个体轨迹序列在起始时刻下所处位置的频率,以构建起始矩阵;
对所述起始矩阵和所述位置转移矩阵进行学习训练,以构建用户轨迹预测模型。
根据本公开的一种具体实施方式,所述根据所述共有用户集合训练得到所述用户行为预测模型和所述用户轨迹预测模型的步骤之后,所述方法还包括:
发送根据所述用户行为预测模型获得的部分行为预测模型构建参数和所述用户轨迹预测模型获得的部分轨迹预测模型构建参数到所述边缘网络平台服务器;
从所述边缘网络平台服务器获取根据所述部分行为预测模型构建参数和根据所述部分轨迹预测模型构建参数生成的新的特征序列组;
根据所述新的特征序列组更新所述用户行为预测模型和所述用户轨迹预测模型;
判断更新后的用户行为预测模型和用户轨迹预测模型是否达到终止条件,达到终止条件后停止向所述边缘网络平台服务器发送所述部分行为预测模型构建参数和所述部分轨迹预测模型构建参数。
第三方面,本公开实施例还提供了一种边缘网络节点内容分配系统,所述系统包括:边缘网络平台服务器和多个边缘网络节点,所述边缘网络平台服务器分别与多个边缘网络节点连接;
所述边缘网络节点用于基于预设的用户行为预测模型预测目标用户的用户行为,以获得对应所述目标用户在未来预设时段内的行为预估数据集,基于预设的用户轨迹预测模型预测目标用户的用户轨迹,以获得对应所述目标用户在未来预设时段内的轨迹预估数据集,向所述边缘网络平台服务器发送所述行为预估数据集和所述轨迹预估数据集;
所述边缘网络平台服务器用于接收各边缘网络节点发送的目标用户在未来预设时段内的行为预估数据集和轨迹预估数据集,确定所述轨迹预估数据集中各轨迹位点关联的目标边缘网络节点,根据所述目标用户在未来预设时段内的行为预估数据集,向各目标边缘网络节点发送缓存指令,以使各目标边缘网络节点获取并缓存对应行为预估数据关联的推送内容;
所述边缘网络节点还用于接收所述边缘网络平台服务器发送的缓存指令,根据所述缓存指令获取并缓存对应行为预估数据关联的推送内容。
第四方面,本公开实施例还提供了一种边缘网络节点内容分配装置,应用于边缘网络平台服务器,所述边缘网络平台服务器分别与多个边缘网络节点连接,所述装置包括:
数据获取模块,用于接收各边缘网络节点发送的目标用户在未来预设时段内的行为预估数据集和轨迹预估数据集,所述行为预估数据集包括各边缘网络节点基于预设的用户行为预测模型预估得到的用户行为数据,所述轨迹预估数据集包括各边缘网络节点基于预设的用户轨迹预测模型预估得到的用户轨迹数据;
节点确定模块,用于确定所述轨迹预估数据集中各轨迹位点关联的目标边缘网络节点;
内容缓存模块,用于根据所述目标用户在未来预设时段内的行为预估数据集,向各目标边缘网络节点发送缓存指令,以使各目标边缘网络节点获取并缓存对应行为预估数据关联的推送内容。
第五方面,本公开实施例还提供了一种边缘网络节点内容分配装置,应用于边缘网络节点,所述边缘网络节点与边缘网络平台服务器连接,所述装置包括:
行为预估模块,用于基于预设的用户行为预测模型预测目标用户的用户行为,以获得对应所述目标用户在未来预设时段内的行为预估数据集;
轨迹预估模块,用于基于预设的用户轨迹预测模型预测目标用户的用户轨迹,以获得对应所述目标用户在未来预设时段内的轨迹预估数据集;
数据发送模块,用于向所述边缘网络平台服务器发送所述行为预估数据集和所述轨迹预估数据集;
内容缓存模块,用于接收所述边缘网络平台服务器发送的缓存指令,根据所述缓存指令获取并缓存对应行为预估数据关联的推送内容。
第六方面,本公开实施例还提供了一种计算机设备,包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行第一方面至第二方面任一方面所述的边缘网络节点内容分配方法。
第七方面,本公开实施例还提供了一种计算机存储介质,所述计算机存储介质中存储有计算机程序,所述计算机程序在处理器上运行时执行第一方面至第二方面任一方面所述的边缘网络节点内容分配方法。
本公开实施例提供的一种边缘网络节点内容分配方法、系统、装置及计算机设备,边缘网络平台服务器分别与多个边缘网络节点连接,边缘网络平台服务器接收各边缘网络节点发送的目标用户在未来预设时段内的行为预估数据集和轨迹预估数据集,确定所述轨迹预估数据集中各轨迹位点关联的目标边缘网络节点,根据所述目标用户在未来预设时段内的行为预估数据集,向各目标边缘网络节点发送缓存指令,使各目标边缘网络节点获取并缓存对应行为预估数据关联的推送内容。通过边缘网络平台服务器实现了数据安全共享的前提下,运用用户行为预测技术和用户轨迹预测技术,能够提前确定向边缘节点待投放的内容,智能地为目标群体提供情境感知服务,提升用户上网体验。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1示出了本公开实施例提供的一种应用于边缘网络平台服务器的边缘网络节点内容分配方法的方法流程图;
图2示出了本公开实施例提供的另一种应用于边缘网络平台服务器的边缘网络节点内容分配方法的方法流程图;
图3示出了本公开实施例提供的一种应用于边缘网络节点的边缘网络节点内容分配方法的方法流程图;
图4示出了本公开实施例提供的一种边缘网络节点内容分配系统的系统交互图;
图5示出了本公开实施例提供的一种应用于边缘网络平台服务器的边缘网络节点内容分配装置的装置模块图;
图6示出了本公开实施例提供的一种应用于边缘网络节点的边缘网络节点内容分配装置的装置模块图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例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发明一部分实施例,而不是全部的实施例。
通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
在下文中,可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合,并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
除非另有限定,否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义,除非在本发明的各种实施例中被清楚地限定。
随着移动通信技术的日渐成熟以及5G网络的飞速发展,各种新型增强移动宽带业务的不断涌现使得用户需求更加个性化、多元化,产生的海量数据也使得网络对服务性能的要求越来越高。而传统移动网络基于云架构的“中心交付”服务模式正逐渐达到传输瓶颈,这也致使具有高带宽和低时延需求的增强移动宽带业务要真正做到云端渲染、终端呈现,在技术上还存在诸多限制,当前移动网络可能面临“传不动、存不下、算不出”等问题。
在此背景下,移动边缘计算(Mobile Edge Caching,简称MEC)的概念应运而生。MEC通过在移动网络边缘提前进行高流行度内容的本地化存储,形成区域化内容共享系统,使得各项业务与内容更靠近数据源头和应用终端,以缓解流量需求高峰期的网络拥塞问题,实现用户低延迟、高体验、低资费的多元化内容服务需求。然而,要针对用户提供精准化、个性化本地内容共享服务,移动边缘计算虽然体现了技术潜力优势,但其商业生态以及核心技术还不成熟。
首先,用户的喜好和行为呈现出高差异性。考虑到用户背景、社会属性等特征,相同用户对不同内容具有不同的偏好,不同用户对相同的内容喜好度也不尽相同。用户喜好体现在请求内容种类和请求内容概率两个方面,其信息常隐含在用户历史行为数据及社交数据中。而边缘节点缓存内容的选择,需要准确分析互联网环境下的用户偏好行为,优化内容的部署和分发模式,使得内容可以根据不同用户的需求提前在缓存在合适位置,以更好地支持服务的连续性。具体的,边缘节点是对边缘网关、边缘控制器、边缘服务器等边缘侧多种产品形态的基础共性能力的逻辑抽象,这些产品形态具备边缘侧实时数据分析、本地数据存储、实时网络联接等共性能力。
其次,用户节点行为呈现出概率移动性。移动网络最大的特点就是终端节点具有移动性,用户位置的改变会影响网络的拓扑结构,使得终端-终端、终端-服务站点之间具有概率连通性。考虑网络中用户的移动性,精准预测用户在所处位置下,对应产生的用户行为及内容需求,从而确定区域内邻近边缘服务器及邻居节点的缓存内容,是提高本地内容共享命中率,提升用户使用体验的有效手段。
整体来说,现有边缘计算平台大多集中于数据本地化采集、存储和基础性分析,未针对用户情景感知类服务做出详细设计和研发。对于用户行为预测的研究,大多数基于单一的相似性计算方法,根据用户行为的历史数据建立固定模型,没有考虑用户偏好、社交行为和社会关系等多维度的上下文感知信息对用户请求的影响。而且用户行为具有明显的移动性和时效性,用户场景的改变导致用户在不同边缘节点缓存服务的历史属性不再有效。同时,对于边缘存储的设想也一直缺乏工业落地和实际产品化的应用。因此,对于边缘计算平台,缺乏一种能够精准预测用户行为的高效模型,可以智能地为边缘节点选择合适的缓存内容。
对于上述需要解决的技术问题,本发明提供了以下实施例:
实施例1
参考图1,本公开实施例提供了一种边缘网络节点内容分配方法,应用于边缘网络平台服务器,所述边缘网络平台服务器分别与多个边缘网络节点连接,所述方法包括:
S101,接收各边缘网络节点发送的目标用户在未来预设时段内的行为预估数据集和轨迹预估数据集,所述行为预估数据集包括各边缘网络节点基于预设的用户行为预测模型预估得到的用户行为数据,所述轨迹预估数据集包括各边缘网络节点基于预设的用户轨迹预测模型预估得到的用户轨迹数据;
具体的,所述边缘网络平台服务器可以作为数据共享平台使用,所述边缘网络平台服务器与多个边缘网络节点连接,特殊的,所述边缘网络平台服务器可以为轻量级云服务器。所述边缘网络节点可以是边缘网关、边缘基站、边缘服务器等可以实现实时数据分析、本地数据存储、网络连接的具体设备。所述边缘网络平台服务器与所述边缘网络节点均具有运算和存储等功能。
所述边缘网络节点与位于所述节点位置附近的用户终端之间进行交互,各用户终端存储有各自用户的行为数据和定位数据。用户在使用用户终端时会授权网络服务运营商获取自己的行为数据,授权定位服务运营商获取自己的定位数据,当所述网络服务运营商和所述定位服务运营商确定参与数据共享并进行模型训练后,所述边缘网络平台服务器会通过各个边缘网络节点确定处于用户授权状态下的用户终端。
所述用户行为数据包括用户偏好信息、用户浏览内容和浏览时间等。在进行用户行为预测模型构建时,所述边缘网络节点从用户终端获取用户的行为数据后,可对用户的部分行为数据加上标签,以获得构建用户行为预测模型所需的标签数据,例如用户浏览内容。举例来说,对于需要进行预测的用户行为,所述边缘网络节点可以给获取的用户的浏览记录信息中的浏览内容加上对应的标签,方便后续进行相应的用户行为预测模型的训练。
其中,所述定位数据包括用户的地理位置信息、上网时间和网络位置等。
所述目标用户在未来预设时间段内的行为预估数据集包括目标用户在预设时刻的网络请求内容动作。所述目标用户在未来预设时间段内的轨迹预估数据集包括目标用户在预设时刻内所处的轨迹位点,所述轨迹位点为目标用户所处的地理位置信息。
根据本公开的一种具体实施方式,所述接收各边缘网络节点发送的目标用户在未来预设时段内的行为预估数据集和轨迹预估数据集的步骤之前,所述方法还包括:
确定用户授权状态的各边缘网络节点;
发送用户授权公钥和用户安全协议至各边缘网络节点,其中,所述用户安全协议包括用户数据授权范围和模型训练目标;
获取各边缘网络节点的用户集合;
基于加密样本对齐技术对所述用户集合进行对齐处理,以提取所述用户集合中的对应所述用户授权状态的各边缘网络节点的共有用户,形成共有用户集合;
发送所述共有用户集合至所述用户授权状态的各边缘网络节点,以使各边缘网络节点根据所述共有用户集合训练得到所述用户行为预测模型和所述用户轨迹预测模型。
具体的,所述多个边缘网络节点的用户并非完全重合,所述边缘网络平台服务器在获取了各个边缘网络节点的用户集合后,筛选出所述用户集合中的共有用户,从而各个边缘网络节点在不公开各自本地数据的前提下,确认多方的共有用户,并且不暴露不互相重合的用户,形成相应的共有用户集合,从而能够保证用户的隐私的前提下,联合双方共有用户的特征进行建模。
如图4所示,所述边缘网络平台服务器连接有边缘网络节点A和边缘网络节点B,所述边缘网络节点A连接有用户终端1、2、3,所述边缘网络节点B连接有用户终端1、3、4,其中用户终端1和3为边缘网络节点A和边缘网络节点B的共有用户。
各边缘网络节点均连接有多个用户终端,其中,所述用户终端不会直接将本地数据上传至边缘网络平台服务器,用户终端与用户终端之间也不会进行数据交换,从而所述边缘网络节点可以对多各用户终端的模型参数进行分析和训练,同时充分保护所述通信用户终端的数据隐私,保证用户模型训练的安全。
具体使用时,用户在使用移动终端中的应用时,会分别向预设的边缘网络节点授权自己的行为数据和定位数据,当所述多个边缘网络节点确定参与数据共享并分别进行模型训练后,所述边缘网络平台服务器会确定处于用户授权状态下的所述多个边缘网络节点。
所述边缘网络平台服务器在确定参与数据共享的多个节点后,会向各个边缘网络节点发送用户授权公钥和用户安全协议,其中所述用户授权公钥可以赋予所述多个边缘网络节点在所述边缘网络平台服务器上进行数据共享的权限。所述用户安全协议包括数据授权范围、模型训练目标、奖惩机制、数据格式规范等模型训练细节,从而保证用户权益以及各节点参与训练的规范性。
所述多个边缘网络节点在接收到所述边缘网络平台服务器下发的用户安全协议后,基于所述模型训练目标提取各自节点内的用户集合。所述多个边缘网络节点在提取各自节点内存储的用户集合后,将各自节点内的用户集合数据发送至所述边缘网络平台服务器,以供边缘网络平台服务器执行样本对齐处理。所述边缘网络平台服务器在获取了所述多个边缘网络节点上传的用户集合后,利用加密用户样本对齐技术,即可筛选出所述多个边缘网络节点之间的共有用户,生成对应的共有用户集合。
如图2所示,根据本公开的一种具体实施方式,所述方法还包括:
S111,接收各边缘网络节点发送的部分行为预测模型构建参数和部分轨迹预测模型构建参数,用于训练联邦用户行为预测模型和联邦用户轨迹预测模型;
S112,通过所述联邦用户行为预测模型和所述联邦用户轨迹预测模型进行预测,并将预测结果转化为新的特征序列组;
S113,发送所述新的特征序列组至各边缘网络节点。
当每一个边缘网络节点完成了用户行为预测模型和用户轨迹预测模型的构建后,会将部分预测模型的构建参数发送给所述边缘网络平台服务器,所述边缘网络平台服务器利用部分行为模型构建参数训练出联邦用户行为预测模型,利用部分轨迹预测模型构建参数训练出联邦用户轨迹预测模型。所述联邦用户行为模型聚合了多个边缘网络节点的行为预测模型构建参数,所述联邦用户轨迹模型聚合了多个边缘网络节点的轨迹预测模型构建参数,从而能够保证预测结果的准确性。
通过所述联邦用户行为预测模型和所述联邦用户轨迹预测模型进行预测后,对得到的预测结果进行特征排序和缺失值填充处理,即能得到新的特征序列组。其中,所述缺失值填充为按空值填充缺失特征部分。将新的特征序列组发送回各个边缘网络节点,使各个节点更新用户行为预测模型和用户轨迹预测模型,从而能够最大程度保证训练模型的预测效果。
优选的,所述边缘网络平台服务器作为数据共享平台,还可以用于监管和协助所述多个边缘网络节点进行模型构建。
具体的,所述边缘网络平台服务器会自动记录各终端上传的模型构建参数,聚合加密后的所述模型构建参数以形成加密后的全局模型参数,在监控到各边缘网络节点出现异常状态时,可以根据所述加密后的全局模型参数和预设的风险处理方法对所述模型构建过程进行调控。
例如,当其中一个边缘网络节点在训练所述用户行为预测模型时退出,不再参与数据共享平台后续的模型训练过程,所述边缘网络平台服务器会选择其它处于用户授权状态的备用边缘网络节点继续执行所述用户行为预测模型的训练步骤。特殊的,在用户授权的情况下,所述用户行为预测模型的训练步骤也可以在所述边缘网络平台服务器中直接执行。
当所述边缘网络节点无法负担模型训练过程中的运算量时,所述边缘网络平台服务器可以协助任一终端完成部分计算,从而保障所述边缘网络节点的模型训练过程能够有效完成,从而优化架构的整体运算能力。
S102,确定所述轨迹预估数据集中各轨迹位点关联的目标边缘网络节点;
根据所述轨迹预估数据集中目标用户在预设时刻内所处的地理位置,即可根据关联度确定所述与各轨迹位点关联的边缘网络节点。其中,所述轨迹位点即目标用户在预设时刻内所处的地理位置。
具体的,所述确定所述用户轨迹数据中各轨迹位点关联的目标边缘网络节点的步骤,包括:
发送查询信息至各边缘网络节点,所述查询信息包括所请求查询的目标用户的身份信息以及所请求查询的未来预设时间段;
接收各边缘网络节点发送的所述目标用户在所述未来预设时间段内的多条预测轨迹信息,各轨迹信息均包括轨迹位点和对应各轨迹位点的概率值;
查找所述未来预设时段内各预测时刻对应概率值最高的预测轨迹位点,匹配出各预测轨迹节点对应的目标边缘网络节点。
所述边缘网络平台服务器发送包括所述目标用户的身份信息以及所述未来预设时间段的查询信息至各边缘网络节点,各边缘网络节点即可通过训练出的用户轨迹预测模型对所述目标用户在未来预设时间段内的轨迹信息进行预测,通过所述用户轨迹预测模型得到在未来预设时间段内的多个轨迹位点,并计算对应各轨迹位点的概率值,以生成所述多条预测轨迹信息。
在选定预测的时间段后,基于训练得到的用户轨迹预测模型,可采用维特比算法对所有可能路径概率进行递推,得到个体位置预测序列及对应各轨迹位点的概率值。
所述边缘网络平台服务器在接收到所述多条预测轨迹信息后,即可查询在未来预设时段内各预测时刻对应概率值最高的预测轨迹位点,从而通过所述概率值最高的预测轨迹位点确定对应的目标边缘网络节点。优选的,所述目标边缘网络节点的确定可以为距离所述预测轨迹位点最近的边缘节点。
S103,根据所述目标用户在未来预设时段内的行为预估数据集,向各目标边缘网络节点发送缓存指令,以使各目标边缘网络节点获取并缓存对应行为预估数据关联的推送内容。
所述边缘网络平台服务器在获取了所述目标用户在未来预设时段内的行为预估数据集和在未来预设时段内的轨迹预估数据后,即可根据对应未来预设时段内各预设时刻的轨迹位点确定对应各预设时刻的目标边缘网络节点,从而根据未来预设时段内对应各预设时刻信息,将与行为预估数据关联的推送内容投放至对应的目标边缘网络节点,以供所述目标边缘网络节点提前缓存对应的推送内容。
举例来说,所述边缘网络平台服务器可以根据所述未来预设时段内的轨迹预估数据,确定用户在未来预设时间段内可能出现的位置,如未来用户会在3点-4点时到达图书馆,从而可以确定与所述位置相对应的边缘网络节点,如图书馆管理服务器。所述边缘网络平台服务器还可以根据所述未来预设时段内的行为预估数据,确定用户在未来预设时间段可能发出的请求,如未来用户会在3点-4点查询图书馆书籍分类情况,从而所述边缘网络平台服务器可以提前将图书馆书籍分类情况提前缓存在所述图书馆管理服务器中。用户在实际查询时,所述图书馆管理服务器能够实现直接将图书馆书籍分类情况发送至用户终端,以实现情境感知的网络服务。
上述本实施例提供的边缘网络节点内容分配方法,通过根据用户群体对应的行为预估数据集,能够提前在相应的边缘网络节点中缓存对应的内容,使得用户在未来预设时刻可以直接从边缘网络节点获取请求内容,极大的缩短了网络请求时间,并大大提升了用户的上网体验。
实施例2
参考图3,本公开实施例还提供了一种边缘网络节点内容分配方法,应用于边缘网络节点,所述边缘网络节点与边缘网络平台服务器连接,所述方法包括:
S201,基于预设的用户行为预测模型预测目标用户的用户行为,以获得对应所述目标用户的在未来预设时段内的行为预估数据集;
所述边缘网络节点与所述边缘网络平台服务器之间的连接关系参考上述实施例,此处不再赘述。
所述边缘网络节点使用预设的用户行为预测模型预估所述目标用户的用户行为,即可获得对应所述目标用户在未来预设时段内的行为预估数据集。
具体的,所述边缘网络节点还连接有多个用户终端,所述用户行为预测模型和所述用户轨迹预测模型的获取步骤包括:
接收所述边缘网络平台服务器发送的用户授权公钥和用户安全协议,其中,所述用户安全协议包括用户数据授权范围和模型训练目标;
根据所述用户数据授权范围向所述边缘网络平台服务器上传用户集合;
接收所述边缘网络平台服务器返回的共有用户集合,所述共有用户为各边缘网络节点的共有用户;
根据所述共有用户集合训练得到所述用户行为预测模型和所述用户轨迹预测模型。
在具体实施时,各个边缘网络节点向所述边缘网络平台服务器上传用户集合数据,以供所述边缘网络平台服务器能够基于用户样本对齐技术对于共同用户进行筛选,从而得到对应所述各个边缘网络节点的共同用户。
所述边缘网络节点接收所述边缘网络平台服务器发送的用户授权公钥和用户安全协议后,即可根据所述用户安全协议中的模型训练目标从用户终端中提取用户的行为数据。特殊的,所述边缘网络节点还会根据所述模型训练目标为部分行为数据加上标签,以获得对应所述模型训练目标的标签数据。
具体的,所述接收所述边缘网络平台服务器发送的用户授权公钥和用户安全协议的步骤之后,所述方法还包括:
根据所述模型训练目标提取用户的行为数据和定位数据,所述行为数据包括对应模型训练目标的标签数据;
对用户的所述行为数据进行预设的数据格式处理;
对用户的定位数据进行相应的特征排序和填充处理,以生成对应用户的定位数据的定位数据序列组。
在提取了所述用户的行为数据后,所述边缘网络节点还会对所述行为数据进行数据格式处理,所述数据格式处理包括统一规格的数据清洗、数据转换和数据分类操作。
根据本公开的一种具体实施方式,所述根据所述共有用户集合训练得到所述用户行为预测模型的步骤,还包括:
接收所述边缘网络平台服务器发送的共有用户集合,确定目标用户;
根据目标用户的所述标签数据计算所述定位数据序列组的增益;
基于增益最大的定位数据序列组的特征信息和所述标签数据,训练得到所述用户行为预测模型。
所述边缘网络节点接收到所述共有用户集合后,即可确定应用于行为预测模型训练的目标用户,提取出对应所述目标用户的定位数据序列组,并根据上述标签数据计算所述定位数据序列组的增益,选择增益最大的定位数据序列组的特征信息和所述标签数据进行学习训练,以训练得到用户行为预测模型,在训练出所述用户行为预测模型的同时,获取用于更新所述用户行为预测模型的行为预测模型参数。
在具体实施时,所述边缘网络节点在根据所述目标用户的所述标签数据和所述定位数据序列组获取用户行为预测模型后,还包括更新所述用户行为预测模型的迭代过程。
S202,基于预设的用户轨迹预测模型预测目标用户在未来预设时段内的轨迹预估数据集;
对用户的定位数据进行相应的特征排序和填充处理,以生成对应用户的定位数据的定位数据序列组。
和上述对用户的行为数据的处理方法不同的是,对用户的定位数据进行了特征排序和填充处理。举例来说,所述边缘网络节点根据用户历史定位数据的特征集合,按照特征值从小到大进行排序,形成具有对应ID编号的特征序列。
特殊的,在形成的多组特征序列中,对不同类别的特征ID之间插入特殊字符。
根据本公开的一种具体实施方式,所述根据所述共有用户集合训练得到所述用户轨迹预测模型的步骤,包括:
接收边缘网络平台服务器发送的共有用户集合,确定目标用户;
从对应所述目标用户的用户终端的本地数据库中提取所述目标用户的历史轨迹数据,构建对应历史时间段的多个个体轨迹序列,其中,所述历史轨迹数据包括与历史时间段对应的请求数据和移动轨迹;
归并所述多个个体轨迹序列,形成对应所述目标用户的转移轨迹集合;
根据所述转移轨迹集合计算所述目标用户从起始位置到各停留点位置的转移矩阵,以构建位置转移矩阵;
计算所述多个个体轨迹序列在起始时刻下所处位置的频率,以构建起始矩阵;
对所述起始矩阵和所述位置转移矩阵进行学习训练,以构建用户轨迹预测模型。
具体的,所述边缘网络节点接收所述边缘网络平台服务器发送的共有用户集合,即可确定目标用户。确定所述目标用户后,从所述目标用户的移动终端的本地数据库中提取所述目标用户的历史轨迹数据,所述历史轨迹数据包括与历史时间段对应的请求数据和移动轨迹。
按照请求数据中与请求行为对应的时刻对移动轨迹中的轨迹位点进行划分,以获取个体轨迹序列。对所述目标用户的多个个体轨迹序列进行两步归并,则形成对应所述目标用户的转移轨迹集合其中,所述请求数据可以从所述目标用户的历史行为数据中获取,即对应用户预设时间段的行为数据。
利用贝叶斯公式,以还有起始位置的组合元素在转移轨迹集合中出现的次数作为分母,以起始位置到下一个停留点位置的组合元素在转移轨迹集合中出现的次数作为分子,计算从起始位置到各停留点位置的转移频率,构建位置转移矩阵。
计算多个个体轨迹序列在起始时刻下所处位置的频率,构建起始矩阵。
以起始矩阵作为发射概率矩阵,以位置转移矩阵作为状态转移矩阵,基于Baum-Welch算法进行学习训练,使模型收敛到全局最优点,建立时间混淆矩阵,所述时间混淆矩阵可以展示在每一时刻中,用户出现在任意位置的概率。所述时间混淆矩阵即用户轨迹预测模型。
根据本公开的一种具体实施方式,所述根据所述共有用户集合训练得到所述用户行为预测模型和所述用户轨迹预测模型的步骤之后,所述方法还包括:
发送根据所述用户行为预测模型获得的部分行为预测模型构建参数和根据所述用户轨迹预测模型获得的部分轨迹预测模型构建参数到所述边缘网络平台服务器;
从所述边缘网络平台服务器获取根据所述部分行为预测模型构建参数和所述部分轨迹预测模型构建参数生成的新的特征序列组;
根据所述新的特征序列组更新所述用户行为预测模型和所述用户轨迹预测模型;
判断更新后的用户行为预测模型和用户轨迹预测模型是否达到终止条件,达到终止条件后停止向所述边缘网络平台服务器发送所述部分行为预测模型构建参数和所述部分轨迹预测模型构建参数。
具体的,所述边缘网络节点将部分行为预测模型构建参数和部分轨迹预测模型构建参数上传至边缘网络平台服务器,经过边缘网络平台服务器生成的新的特征序列组,根据所述新的特征序列组重新执行上述构建用户行为预测模型和构建用户轨迹预测模型的步骤,即完成对于用户行为预测模型和用户轨迹预测模型的更新迭代过程。
其中,所述终止条件为增益特征阈值或上传部分行为预测模型构建参数的次数,此处不作限定。
特殊的,当终止条件为增益特征阈值时,所述边缘网络平台服务器在接收部分行为预测模型构建参数后,会根据所述部分行为预测模型构建参数计算相应的特征值,判断所述特征值是否高于预设的特征阈值的步骤。
若所述特征值低于预设的特征阈值,则根据所述特征值生成新的特征序列组,若所述特征值高于预设的特征阈值,则停止生成新的特征序列组。
所述特征阈值可以根据实际使用情况设置,此处不作限定。
S203,向所述边缘网络平台服务器发送所述行为预估数据集和所述轨迹预估数据集。
在经过上述多次迭代更新获得用户行为预测模型后,将未来预设时段数据和目标用户的身份信息代入用户行为预测模型,即可以获得目标用户在未来时段内的行为预估数据集,所述目标用户在未来时段内的行为预估数据集包括所述目标用户在未来各预设时刻的网络请求内容动作信息等。
在完成上述用户轨迹预测模型的构建后,将未来预测时段数据和目标用户的身份信息代入用户轨迹预测模型,即可以获得目标用户在未来时段内的轨迹预估数据集,所述轨迹预估数据集包括所述目标用户在未来各预设时刻可能到达的地理位置信息。
所述边缘网络节点将所述行为预估数据集和所述轨迹预估数据集发送至所述边缘网络平台服务器,以供所述边缘网络平台服务器执行边缘网络节点内容分配步骤。
S204,接收所述边缘网络平台服务器发送的缓存指令,根据所述缓存指令获取并缓存对应行为预估数据关联的推送内容。
具体边缘网络平台服务器生成缓存指令的步骤可以参考上述实施例,此处不再赘述。
所述边缘网络节点接收所述缓存指令后,即可以根据指令缓存与行为预估数据相关联的推送内容,当用户终端在发出请求时,所述边缘网络节点可以直接向用户终端提供相应的内容,以实现网络情境感知服务。
上述本实施例提供的一种边缘网络节点内容分配方法,所述边缘网络节点在不暴露用户数据隐私的情况下完成用户行为预测模型的训练,极大的提升了模型训练的安全性。且通过多次迭代过程,能够最大程度保证模型预测的准确度。通过用户轨迹预测模型的构建,能够准确预测用户在未来时间段出现的位置,从而可以更加准确的确定需要提前缓存内容的边缘网络节点,为用户提供情境感知的网络服务。具体实现方法可以参照上述实施例,不再一一赘述。
实施例3
参考图4,本公开实施例还提供了一种边缘网络节点内容分配系统300,所述边缘网络节点内容分配系统300包括:边缘网络平台服务器302和多个边缘网络节点301,所述边缘网络平台服务器302分别与多个边缘网络节点301连接;
所述边缘网络节点301用于基于预设的用户行为预测模型预测目标用户的用户行为,以获得对应所述目标用户在未来预设时段内的行为预估数据集,基于预设的用户轨迹预测模型预测目标用户的用户轨迹,以获得对应所述目标用户在未来预设时段内的轨迹预估数据集,向所述边缘网络平台服务器302发送所述行为预估数据集和所述轨迹预估数据集;
所述边缘网络平台服务器302用于接收各边缘网络节点301发送的目标用户在未来预设时段内的行为预估数据集和轨迹预估数据集,确定所述轨迹预估数据集中各轨迹位点关联的目标边缘网络节点,根据所述目标用户在未来预设时段内的行为预估数据集,向各目标边缘网络节点发送缓存指令,以使各目标边缘网络节点获取并缓存对应行为预估数据关联的推送内容;
所述边缘网络节点301还用于接收所述边缘网络平台服务器302发送的缓存指令,根据所述缓存指令获取并缓存对应行为预估数据关联的推送内容。
如图4所示,所述目标边缘网络节点可以为边缘网络节点A或边缘网络节点B,也可以为根据实际情况选择的其它边缘网络节点,此处不作限定。
所述边缘网络节点301还连接有多个用户终端303。
实施例4
参考图5,本公开实施例还提供了一种边缘网络节点内容分配装置400,应用于边缘网络平台服务器,所述边缘网络平台服务器分别与多个边缘网络节点连接,所述边缘网络节点内容分配装置400包括:
数据获取模块401,用于接收各边缘网络节点发送的目标用户在未来预设时段内的行为预估数据集和轨迹预估数据集,所述行为预估数据集包括各边缘网络节点基于预设的用户行为预测模型预估得到的用户行为数据,所述轨迹预估数据集包括各边缘网络节点基于预设的用户轨迹预测模型预估得到的用户轨迹数据;
节点确定模块402,用于确定所述轨迹预估数据集中各轨迹位点关联的目标边缘网络节点;
内容缓存模块403,用于根据所述目标用户在未来预设时段内的行为预估数据集,向各目标边缘网络节点发送缓存指令,以使各目标边缘网络节点获取并缓存对应行为预估数据关联的推送内容。
实施例5
参考图6,本公开实施例还提供了一种边缘网络节点内容分配装置500,应用于边缘网络节点,所述边缘网络节点与边缘网络平台服务器连接,所述边缘网络节点内容分配装置500包括:
行为预估模块501,用于基于预设的用户行为预测模型预测目标用户的用户行为,以获得对应所述目标用户在未来预设时段内的行为预估数据集;
轨迹预估模块502,用于基于预设的用户轨迹预测模型预测目标用户的用户轨迹,以获得对应所述目标用户在未来预设时段内的轨迹预估数据集;
数据发送模块503,用于向所述边缘网络平台服务器发送所述行为预估数据集和所述轨迹预估数据集;
内容缓存模块504,用于接收所述边缘网络平台服务器发送的缓存指令,根据所述缓存指令获取并缓存对应行为预估数据关联的推送内容。
本公开实施例还提供了一种计算机设备,包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行实施例1至实施例2的任一实施例所述的边缘网络节点内容分配方法。所述计算机设备可以是上述实施例中的边缘网络平台服务器或边缘网络节点。
本公开实施例还提供了一种计算机存储介质,所述计算机存储介质中存储有计算机程序,所述计算机程序在处理器上运行时执行实施例1至实施例2的任一实施例所述的边缘网络节点内容分配方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明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(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (15)
1.一种边缘网络节点内容分配方法,其特征在于,应用于边缘网络平台服务器,所述边缘网络平台服务器分别与多个边缘网络节点连接,所述方法包括:
接收各边缘网络节点发送的目标用户在未来预设时段内的行为预估数据集和轨迹预估数据集,所述行为预估数据集包括各边缘网络节点基于预设的用户行为预测模型预估得到的用户行为数据,所述轨迹预估数据集包括各边缘网络节点基于预设的用户轨迹预测模型预估得到的用户轨迹数据;
确定所述轨迹预估数据集中各轨迹位点关联的目标边缘网络节点;
根据所述目标用户在未来预设时段内的行为预估数据集,向各目标边缘网络节点发送缓存指令,以使各目标边缘网络节点获取并缓存对应行为预估数据关联的推送内容。
2.根据权利要求1所述的方法,其特征在于,所述接收各边缘网络节点发送的目标用户在未来预设时段内的行为预估数据集和轨迹预估数据集的步骤之前,所述方法还包括:
确定用户授权状态的各边缘网络节点;
发送用户授权公钥和用户安全协议至各边缘网络节点,其中,所述用户安全协议包括用户数据授权范围和模型训练目标;
获取各边缘网络节点的用户集合;
基于加密样本对齐技术对所述用户集合进行对齐处理,以提取所述用户集合中的对应所述用户授权状态的各边缘网络节点的共有用户,形成共有用户集合;
发送所述共有用户集合至所述用户授权状态的各边缘网络节点,以使各边缘网络节点根据所述共有用户集合训练得到所述用户行为预测模型和所述用户轨迹预测模型。
3.根据权利要求2所述的方法,其特征在于,所述方法还包括:
接收各边缘网络节点发送的部分行为预测模型构建参数和部分轨迹预测模型构建参数,用于训练联邦用户行为预测模型和联邦用户轨迹预测模型;
通过所述联邦用户行为预测模型和所述联邦用户轨迹预测模型进行预测,并将预测结果转化为新的特征序列组;
发送所述新的特征序列组至各边缘网络节点。
4.根据权利要求1所述的方法,其特征在于,确定所述用户轨迹数据中各轨迹位点关联的目标边缘网络节点的步骤,包括:
发送查询信息至各边缘网络节点,所述查询信息包括所请求查询的目标用户的身份信息以及所请求查询的未来预设时间段;
接收各边缘网络节点发送的所述目标用户在所述未来预设时间段内的多条预测轨迹信息,各轨迹信息均包括轨迹位点和对应各轨迹位点的概率值;
查找所述未来预设时段内各预测时刻对应概率值最高的预测轨迹位点,匹配出各预测轨迹节点对应的目标边缘网络节点。
5.一种边缘网络节点内容分配方法,其特征在于,应用于边缘网络节点,所述边缘网络节点与边缘网络平台服务器连接,所述方法包括:
基于预设的用户行为预测模型预测目标用户的用户行为,以获得对应所述目标用户在未来预设时段内的行为预估数据集;
基于预设的用户轨迹预测模型预测目标用户的用户轨迹,以获得对应所述目标用户在未来预设时段内的轨迹预估数据集;
向所述边缘网络平台服务器发送所述行为预估数据集和所述轨迹预估数据集;
接收所述边缘网络平台服务器发送的缓存指令,根据所述缓存指令获取并缓存对应行为预估数据关联的推送内容。
6.根据权利要求5所述的方法,其特征在于,所述边缘网络节点还连接有多个用户终端,所述用户行为预测模型和所述用户轨迹预测模型的获取步骤包括:
接收所述边缘网络平台服务器发送的用户授权公钥和用户安全协议,其中,所述用户安全协议包括用户数据授权范围和模型训练目标;
根据所述用户数据授权范围向所述边缘网络平台服务器上传用户集合;
接收所述边缘网络平台服务器返回的共有用户集合,所述共有用户为各边缘网络节点的共有用户;
根据所述共有用户集合训练得到所述用户行为预测模型和所述用户轨迹预测模型。
7.根据权利要求6所述的方法,其特征在于,所述接收所述边缘网络平台服务器发送的用户授权公钥和用户安全协议的步骤之后,所述方法还包括:
根据所述模型训练目标提取用户的行为数据和定位数据,所述行为数据包括对应模型训练目标的标签数据;
对用户的所述行为数据进行预设的数据格式处理;
对用户的定位数据进行相应的特征排序和填充处理,以生成对应用户的定位数据的定位数据序列组。
8.根据权利要求7所述的方法,其特征在于,所述根据所述共有用户集合训练得到所述用户行为预测模型的步骤,还包括:
接收所述边缘网络平台服务器发送的共有用户集合,确定目标用户;
根据目标用户的所述标签数据计算所述定位数据序列组的增益;
基于增益最大的定位数据序列组的特征信息和所述标签数据,训练得到所述用户行为预测模型。
9.据权利要求6所述的方法,其特征在于,所述根据所述共有用户集合训练得到所述用户轨迹预测模型的步骤,包括:
接收边缘网络平台服务器发送的共有用户集合,确定目标用户;
从对应所述目标用户的用户终端的本地数据库中提取所述目标用户的历史轨迹数据,构建对应历史时间段的多个个体轨迹序列,其中,所述历史轨迹数据包括与历史时间段对应的请求数据和移动轨迹;
归并所述多个个体轨迹序列,形成对应所述目标用户的转移轨迹集合;
根据所述转移轨迹集合计算所述目标用户从起始位置到各停留点位置的转移矩阵,以构建位置转移矩阵;
计算所述多个个体轨迹序列在起始时刻下所处位置的频率,以构建起始矩阵;
对所述起始矩阵和所述位置转移矩阵进行学习训练,以构建用户轨迹预测模型。
10.根据权利要求6所述的方法,其特征在于,所述根据所述共有用户集合训练得到所述用户行为预测模型和所述用户轨迹预测模型的步骤之后,所述方法还包括:
发送根据所述用户行为预测模型获得的部分行为预测模型构建参数和根据所述用户轨迹预测模型获得的部分轨迹预测模型构建参数到所述边缘网络平台服务器;
从所述边缘网络平台服务器获取根据所述部分行为预测模型构建参数和所述部分轨迹预测模型构建参数生成的新的特征序列组;
根据所述新的特征序列组更新所述用户行为预测模型和所述用户轨迹预测模型;
判断更新后的用户行为预测模型和用户轨迹预测模型是否达到终止条件,达到终止条件后停止向所述边缘网络平台服务器发送所述部分行为预测模型构建参数和所述部分轨迹预测模型构建参数。
11.一种边缘网络节点内容分配系统,其特征在于,所述系统包括:边缘网络平台服务器和多个边缘网络节点,所述边缘网络平台服务器分别与多个边缘网络节点连接;
所述边缘网络节点用于基于预设的用户行为预测模型预测目标用户的用户行为,以获得对应所述目标用户在未来预设时段内的行为预估数据集,基于预设的用户轨迹预测模型预测目标用户的用户轨迹,以获得对应所述目标用户在未来预设时段内的轨迹预估数据集,向所述边缘网络平台服务器发送所述行为预估数据集和所述轨迹预估数据集;
所述边缘网络平台服务器用于接收各边缘网络节点发送的目标用户在未来预设时段内的行为预估数据集和轨迹预估数据集,确定所述轨迹预估数据集中各轨迹位点关联的目标边缘网络节点,根据所述目标用户在未来预设时段内的行为预估数据集,向各目标边缘网络节点发送缓存指令,以使各目标边缘网络节点获取并缓存对应行为预估数据关联的推送内容;
所述边缘网络节点还用于接收所述边缘网络平台服务器发送的缓存指令,根据所述缓存指令获取并缓存对应行为预估数据关联的推送内容。
12.一种边缘网络节点内容分配装置,其特征在于,应用于边缘网络平台服务器,所述边缘网络平台服务器分别与多个边缘网络节点连接,所述装置包括:
数据获取模块,用于接收各边缘网络节点发送的目标用户在未来预设时段内的行为预估数据集和轨迹预估数据集,所述行为预估数据集包括各边缘网络节点基于预设的用户行为预测模型预估得到的用户行为数据,所述轨迹预估数据集包括各边缘网络节点基于预设的用户轨迹预测模型预估得到的用户轨迹数据;
节点确定模块,用于确定所述轨迹预估数据集中各轨迹位点关联的目标边缘网络节点;
内容缓存模块,用于根据所述目标用户在未来预设时段内的行为预估数据集,向各目标边缘网络节点发送缓存指令,以使各目标边缘网络节点获取并缓存对应行为预估数据关联的推送内容。
13.一种边缘网络节点内容分配装置,其特征在于,应用于边缘网络节点,所述边缘网络节点与边缘网络平台服务器连接,所述装置包括:
行为预估模块,用于基于预设的用户行为预测模型预测目标用户的用户行为,以获得对应所述目标用户在未来预设时段内的行为预估数据集;
轨迹预估模块,用于基于预设的用户轨迹预测模型预测目标用户的用户轨迹,以获得对应所述目标用户在未来预设时段内的轨迹预估数据集;
数据发送模块,用于向所述边缘网络平台服务器发送所述行为预估数据集和所述轨迹预估数据集;
内容缓存模块,用于接收所述边缘网络平台服务器发送的缓存指令,根据所述缓存指令获取并缓存对应行为预估数据关联的推送内容。
14.一种计算机设备,其特征在于,包括处理器和存储器,所述存储器存储有计算机程序,所述计算机程序在所述处理器上运行时执行权利要求1至10任一项所述的边缘网络节点内容分配方法。
15.一种计算机存储介质,其特征在于,所述计算机存储介质中存储有计算机程序,所述计算机程序在处理器上运行时执行权利要求1-10中任一项所述的边缘网络节点内容分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110522531.7A CN113422801B (zh) | 2021-05-13 | 2021-05-13 | 边缘网络节点内容分配方法、系统、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110522531.7A CN113422801B (zh) | 2021-05-13 | 2021-05-13 | 边缘网络节点内容分配方法、系统、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113422801A true CN113422801A (zh) | 2021-09-21 |
CN113422801B CN113422801B (zh) | 2022-12-06 |
Family
ID=77712408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110522531.7A Active CN113422801B (zh) | 2021-05-13 | 2021-05-13 | 边缘网络节点内容分配方法、系统、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113422801B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114006735A (zh) * | 2021-10-19 | 2022-02-01 | 广州木链云科技有限公司 | 一种数据保护方法、装置、计算机设备和存储介质 |
CN115022189A (zh) * | 2022-05-31 | 2022-09-06 | 武汉大学 | 边缘用户分配模型构建方法、装置、设备及可读存储介质 |
CN115514660A (zh) * | 2022-09-07 | 2022-12-23 | 北京达佳互联信息技术有限公司 | 数据缓存方法、装置、电子设备及存储介质 |
CN117713382A (zh) * | 2024-02-04 | 2024-03-15 | 北京中电飞华通信有限公司 | 分布式电力服务提供方法及分布式电力服务系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104486350A (zh) * | 2014-12-24 | 2015-04-01 | 电子科技大学 | 一种基于用户行为的网络内容加速方法 |
US20180212837A1 (en) * | 2017-01-25 | 2018-07-26 | At&T Intellectual Property I, Lp. | Network resource allocation based upon network service profile trajectories |
CN110059858A (zh) * | 2019-03-15 | 2019-07-26 | 深圳壹账通智能科技有限公司 | 服务器资源预测方法、装置、计算机设备及存储介质 |
CN110430128A (zh) * | 2019-06-24 | 2019-11-08 | 上海展湾信息科技有限公司 | 边缘计算网关 |
CN110784881A (zh) * | 2019-10-23 | 2020-02-11 | 深圳供电局有限公司 | 一种物联终端多级边缘节点主动缓存方法、设备及介质 |
US20200196210A1 (en) * | 2018-12-12 | 2020-06-18 | Akamai Technologies, Inc. | Intelligently pre-positioning and migrating compute capacity in an overlay network, with compute handoff and data consistency |
CN111464611A (zh) * | 2020-03-30 | 2020-07-28 | 中科边缘智慧信息科技(苏州)有限公司 | 动态复杂场景下固定云和边缘节点之间高效服务访问的方法 |
US20200259878A1 (en) * | 2019-02-11 | 2020-08-13 | Verizon Patent And Licensing Inc. | Systems and methods for predictive user location and content replication |
CN111756848A (zh) * | 2020-06-28 | 2020-10-09 | 河海大学 | 移动边缘环境下基于联邦学习和移动感知的QoS优化方法 |
CN112752308A (zh) * | 2020-12-31 | 2021-05-04 | 厦门越人健康技术研发有限公司 | 一种基于深度强化学习的移动预测无线边缘缓存方法 |
-
2021
- 2021-05-13 CN CN202110522531.7A patent/CN113422801B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104486350A (zh) * | 2014-12-24 | 2015-04-01 | 电子科技大学 | 一种基于用户行为的网络内容加速方法 |
US20180212837A1 (en) * | 2017-01-25 | 2018-07-26 | At&T Intellectual Property I, Lp. | Network resource allocation based upon network service profile trajectories |
US20200196210A1 (en) * | 2018-12-12 | 2020-06-18 | Akamai Technologies, Inc. | Intelligently pre-positioning and migrating compute capacity in an overlay network, with compute handoff and data consistency |
US20200259878A1 (en) * | 2019-02-11 | 2020-08-13 | Verizon Patent And Licensing Inc. | Systems and methods for predictive user location and content replication |
CN110059858A (zh) * | 2019-03-15 | 2019-07-26 | 深圳壹账通智能科技有限公司 | 服务器资源预测方法、装置、计算机设备及存储介质 |
CN110430128A (zh) * | 2019-06-24 | 2019-11-08 | 上海展湾信息科技有限公司 | 边缘计算网关 |
CN110784881A (zh) * | 2019-10-23 | 2020-02-11 | 深圳供电局有限公司 | 一种物联终端多级边缘节点主动缓存方法、设备及介质 |
CN111464611A (zh) * | 2020-03-30 | 2020-07-28 | 中科边缘智慧信息科技(苏州)有限公司 | 动态复杂场景下固定云和边缘节点之间高效服务访问的方法 |
CN111756848A (zh) * | 2020-06-28 | 2020-10-09 | 河海大学 | 移动边缘环境下基于联邦学习和移动感知的QoS优化方法 |
CN112752308A (zh) * | 2020-12-31 | 2021-05-04 | 厦门越人健康技术研发有限公司 | 一种基于深度强化学习的移动预测无线边缘缓存方法 |
Non-Patent Citations (2)
Title |
---|
PEIYAN YUAN等: ""COPO: a Context Aware and Posterior Caching Scheme in Mobile Edge Computing"", 《2019 IEEE INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING, COMMUNICATIONS AND COMPUTING (ICSPCC)》 * |
万倩等: "用户行为感知与网络边缘内容分发优化策略研究", 《广播电视信息》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114006735A (zh) * | 2021-10-19 | 2022-02-01 | 广州木链云科技有限公司 | 一种数据保护方法、装置、计算机设备和存储介质 |
CN114006735B (zh) * | 2021-10-19 | 2024-03-08 | 广州木链云科技有限公司 | 一种数据保护方法、装置、计算机设备和存储介质 |
CN115022189A (zh) * | 2022-05-31 | 2022-09-06 | 武汉大学 | 边缘用户分配模型构建方法、装置、设备及可读存储介质 |
CN115022189B (zh) * | 2022-05-31 | 2024-03-26 | 武汉大学 | 边缘用户分配模型构建方法、装置、设备及可读存储介质 |
CN115514660A (zh) * | 2022-09-07 | 2022-12-23 | 北京达佳互联信息技术有限公司 | 数据缓存方法、装置、电子设备及存储介质 |
CN115514660B (zh) * | 2022-09-07 | 2024-01-19 | 北京达佳互联信息技术有限公司 | 数据缓存方法、装置、电子设备及存储介质 |
CN117713382A (zh) * | 2024-02-04 | 2024-03-15 | 北京中电飞华通信有限公司 | 分布式电力服务提供方法及分布式电力服务系统 |
CN117713382B (zh) * | 2024-02-04 | 2024-05-07 | 北京中电飞华通信有限公司 | 分布式电力服务提供方法及分布式电力服务系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113422801B (zh) | 2022-12-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113422801B (zh) | 边缘网络节点内容分配方法、系统、装置及计算机设备 | |
Nguyen et al. | Federated learning for internet of things: A comprehensive survey | |
Feng et al. | Deepmove: Predicting human mobility with attentional recurrent networks | |
Xu et al. | A blockchain-enabled energy-efficient data collection system for UAV-assisted IoT | |
Li et al. | A time-aware personalized point-of-interest recommendation via high-order tensor factorization | |
Guo et al. | PREFER: Point-of-interest REcommendation with efficiency and privacy-preservation via Federated Edge leaRning | |
US20160105801A1 (en) | Geo-based analysis for detecting abnormal logins | |
Xia et al. | Attnmove: History enhanced trajectory recovery via attentional network | |
US11386463B2 (en) | Method and apparatus for labeling data | |
Chen et al. | Constructing and comparing user mobility profiles | |
CN104995870A (zh) | 多目标服务器布局确定 | |
Fan et al. | Decentralized attention-based personalized human mobility prediction | |
Wang et al. | Service placement for collaborative edge applications | |
Huang et al. | A bimodal Gaussian inhomogeneous Poisson algorithm for bike number prediction in a bike-sharing system | |
Dou et al. | Blockchain-based mobility-aware offloading mechanism for fog computing services | |
Aghazadeh et al. | Proactive content caching in edge computing environment: A review | |
Xin et al. | A location-context awareness mobile services collaborative recommendation algorithm based on user behavior prediction | |
CN109583227A (zh) | 一种隐私信息保护方法、装置及系统 | |
CN111104607A (zh) | 基于签到数据的地点推荐方法及装置 | |
CN104679810A (zh) | 用于基于移动装置数据产生简档的方法和系统 | |
Huang et al. | A Simulation‐Based Approach of QoS‐Aware Service Selection in Mobile Edge Computing | |
CN115860179A (zh) | 轨迹预测方法、装置、设备、存储介质及程序产品 | |
KR101522306B1 (ko) | 유사도 특성을 이용한 메타휴리스틱 알고리즘에 기반한 시스템 및 그 제어방법 | |
Guo et al. | Measuring the gap between the maximum predictability and prediction accuracy of human mobility | |
Liu et al. | LightTR: A Lightweight Framework for Federated Trajectory Recovery |
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 |