CN113573365A - 一种基于马尔科夫转移概率的车联网边缘缓存方法 - Google Patents

Abstract

本发明公开了一种基于马尔科夫转移概率的车联网边缘缓存方法，根据马尔科夫转移概率建立车辆的移动模型，在移动模型中计算单个车辆用户的请求时延，接着以最小化车辆平均请求时延为目标提出一个缓存策略函数，最后基于次模函数的贪心算法求解最优问题，确定缓存策略。本发明考虑了移动车辆同时请求多个文件的情况，并对车辆转移进行了合理建模，基于次模函数的贪心算法确定的缓存策略能有效完成车辆平均请求时延最小化的目标。

Description

一种基于马尔科夫转移概率的车联网边缘缓存方法

技术领域

本发明属于车联边缘网络技术领域。

背景技术

随着物联网设备的大力推广和边缘计算的发展，越来越多的云端数据被卸载到边缘服务器中进行缓存和处理。边缘上的数据缓存与处理可以为用户提供无缝的在线内容流传输，因为边缘设备通常比云服务器更靠近用户，相比于直接从云服务器下载数据，边缘服务器可以更快地向用户提供内容。车联网作为物联网应用的一部分，也因数据的边缘化计算和边缘化缓存而得到了快速的发展。

边缘缓存可以在网络边缘为车联网数据提供类似云的存储资源，为车辆用户提供高效率的近端缓存服务。由于网络边缘上部署了大量具有缓存功能的智能设备，并且这些设备相比云端更靠近移动用户，因此，车联网应用程序便无需经过回程链路即可检索这些数据，从而大大减少了数据传输距离，降低了请求数据的延迟时间；并节省了边缘服务器的能耗，降低了物联网设备的能源成本。

但是，边缘设备的存储空间有限，很难将这些数据完全存储在边缘服务器中。并且由于每天生成的网络内容的数量快速增长，用户数量也在增长，导致了车联网数据呈指数增长。因此，迫切需要一种更有效地缓存策略来缓存数据内容，以使大量的用户可以享受无缝的在线内容流。

目前的车联网缓存方案并未对车辆转移对缓存系统延迟的影响进行合理的考虑，并且大多数方案只考虑了车辆用户每次只请求一个文件，但在现实生活中，车辆用户可能从移动通信基站(MBS)目录里同时选择多个文件。

发明内容

发明目的：为了解决上述现有技术存在的问题，本发明提供了一种基于马尔科夫转移概率的车联网边缘缓存方法。

技术方案：本发明提供了一种基于马尔科夫转移概率的车联网边缘缓存方法，具体包括如下步骤：

步骤1：构建异构的蜂窝区域，该区域包括缓存容量为F的移动通信基站MBS，N个缓存助手和U个车辆；

步骤2：基于马尔科夫转移概率建立N*N维的单个车辆移动模型；

步骤3：根据步骤2中的车辆移动模型计算单个车辆的请求时延，以最小化车辆的平均请求时延为目标，构建缓存策略函数；

步骤4：根据构建的缓存策略函数构建次模函数，基于次模函数的贪心算法确定车联网边缘缓存策略。

进一步的，MBS位于蜂窝区域的中心，缓存助手位于MBS的周围；蜂窝区域内的U个车辆均能够与MBS连接；位于第j个缓存助手信号覆盖区域的车辆能够与该第j个缓存助手连接，j＝1,2,…N。

进一步的，所述步骤2中车辆移动模型为：

该模型中p₀表示下一个时刻车辆未离开第n个缓存助手信号所覆盖区域的概率，p₁为下一个时刻车辆转移到与第n个缓存助手相邻的缓存助手信号所覆盖区域的概率，p₀+2p₁＝1，n＝1,2…,N。

进一步的，所述步骤3中构建单个车辆的请求时延的具体方法为：

当第i个车辆向该车辆所在区域对应的某个缓存助手同时请求k个文件时，将该k个文件组成文件集S_k，将MBS中的文件集L＝{w₁,w₂,····,w_i’,···,w_F}中的文件以k个为一组进行组合，将所有的组合组成集合R，w_i’为L中第i’个文件,i’＝1,2,…,F，k∈[1,F]；计算文件集S_k的请求概率：

其中

表示第l个组合S_l中第f个文件的受欢迎程度，f’表示组合S_l中文件的总个数，l’表示集合R中组合的总个数；rank(w_k’)表示文件集S_k中第k’个文件的受欢迎程度；λ为大于0的齐夫分布的指数常数；

计算第i个车辆的请求时延：

其中

表示第i个车辆位于第m个缓存助手h_m信号覆盖区域的概率，

表示第i个车辆位于第j个缓存助手h_j信号覆盖区域的概率，i＝1,2,…U，

表示第i个车辆到第j个缓存助手h_j的请求时延，

表示文件集S_k中文件w_k在缓存助手h_j中的缓存状态，当文件w_k已经缓存在缓存助手h_j中

否则

表示第i个车辆到MBS的请求时延。

进一步的，所述步骤3中构建缓存策略函数为：

其中M为缓存助手h_j的容量。

进一步的，所述步骤4中具体为：

步骤4.1：初始化车辆信息，缓存助手的容量信息，设置初始的缓存文件集C为空集；

步骤4.2：令迭代次数t＝1；

步骤4.3：当t＝1转步骤4.4；否则转步骤4.5；

步骤4.4：第j个缓存助手h_j第1次迭代计算时收到请求文件集Q₁，按照如下公式计算Q₁中每个文件的增益值，所述请求文件集为第j个缓存助手h_j信号覆盖区域内的某个车辆向第j个缓存助手h_j请求的X个文件的集合；

Δ_t(f_x)＝S(C∪{f_x})-S(C)

其中，Δ_t(f_x)为Q_t中第x个文件f_x的增益值，x＝1，2，3…X；S(·)为次模函数，

表示第y个车辆的请求时延，

表示第y个车辆到MBS的请求时延；y∈Y，Y为第1次迭代计算时第j个缓存助手h_j信号覆盖区域内所有车辆的集合；

将Q₁中所有请求文件按照增益值由大到小排列f_1,1,f_1,2,...，f_1,X，f_1,x为Q₁中按照增益值由大到小排列后的第x个文件；在MBS中找到f_1,1，并将f_1,1缓存至缓存文件集C中，然后令迭代次数加1，并转步骤4.3；

步骤4.5：删除第j个缓存助手h_j第t次迭代计算时收到的请求文件集Q_t中与第t-1次迭代计算时收到的请求文件集Q_t-1中相同的文件，得到第t次迭代计算时新到达文件集N_t；

步骤4.6：计算新到达文件集N_t中所有文件的增益值，将N_t中所有的文件按照增益值由大到小排列f_t,1,f_t,2,...，f_t,X’，X’为N_t中文件的总个数，将f_t,1的增益值Δ_t(f_t,1)与f_t-1,2的增益值Δ_t-1(f_t-1,2)进行比较，若Δ_t(f_t,1)≥Δ_t-1(f_t-1,2)，则在MBS中找到文件f_t,1，并将f_t,1缓存至缓存文件集C中，然后令迭代次数加1，并转步骤4.3；否则转步骤4.7；其中，f_t-1,2为第t-1次迭代计算时新到达文件集中所有的文件按照增益值由大到小排列后排列第二的文件；

步骤4.7：计算文件f_t-1,2在第t次迭代计算时的增益值Δ_t(f_t-1,2)，若Δ_t(f_t,1)>Δ_t(f_t-1,2),则在MBS中找到文件f_t,1，并将f_t,1缓存至缓存文件集C中，然后令迭代次数加1，并转步骤4.3；否则在MBS中找到文件f_t-1,2，并将f_t-1,2缓存至缓存文件集C中，然后令迭代次数加1，并转步骤4.3。

有益效果：本发明在车辆边缘网络中提出了一种基于马尔科夫转移概率的车联网边缘缓存方法，该方法为最小化车辆的平均请求时延，构建了车辆以马尔科夫概率转移时同时请求多个文件的缓存模型，使得本发明更符合实际场景；并且通过基于次模函数的贪心算法确定缓存策略，能随着车辆请求文件集中文件数量的增多获得较低的平均请求延迟。

附图说明

图1是本发明的方法流程图；

图2是本发明的系统场景图；

图3是本发明车辆请求文件流程图。

具体实施方式

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

本发明设计了一种基于马尔科夫转移概率的车联网边缘缓存方法，如图1所示，步骤如下：

(1)建立系统模型，一个异构的蜂窝区域中包括一个缓存容量为F的MBS，N个缓存助手和U个车辆；所述缓存助手为信号覆盖范围小于MBS的微基站。

(2)基于马尔科夫转移概率，建立N*N维的车辆移动模型。

(3)对移动模型中的单个车辆的请求时延进行计算，以最小化车辆的平均请求时延为目标，构建缓存策略函数。

(4)采用基于次模函数的贪心算法确定缓存策略。

在本实施例中，如图2所示，关于步骤1建立的系统模型，在一个异构的蜂窝区域中包括一个缓存容量为F的MBS，MBS中维系一个文件集L＝{w₁,w₂,····,w_i’,···,w_F}，w_i’为L中第i’个请求文件,i’＝1,2,…,F，F为L中请求文件的总个数，区域中还包括N个缓存助手，表示为H＝{h₁,h₂,···,h_i,,,···,h_N}，区域中还包括U个车辆用户。假设MBS信号覆盖范围内的所有车辆用户都可以与MBS连接，缓存助手信号覆盖范围内的所有车辆可以和该缓存助手建立连接。对于缓存助手的信号覆盖重合区域，车辆和该覆盖该区域的最近的缓存助手建立连接。由于存储限制，这些缓存助手只能在网络非高峰时间内缓存M个文件。

在本实施例中，在步骤2中，本发明假设车辆只能向相邻的缓存助手覆盖区转移，转移概率为p₁，马尔科夫概率矩阵描述了车辆从当前缓存助手信号覆盖区转移到相邻缓存助手信号覆盖区域的概率，矩阵如下：

该模型中第n行第n列元素的元素值为p₀，p₀表示下一个时刻车辆未离开第n个缓存助手信号所覆盖区域的概率，p₀左右两边的两个元素值均为p₁，p₁为下一个时刻车辆转移到与第n个缓存助手相邻的缓存助手信号所覆盖区域的概率，p₀+2p₁＝1，n＝1,2…,N；该模型中除值为p₀的元素和值为p₁的元素其余的元素值为0；且p₀+2p₁＝1。例如第一行第一列的元素值为p₀，表示车辆在第一个缓存助手信号覆盖区域的概率为p₀；p₀右边的第一行第二列的元素为p₁，表示车辆在与第一个缓存助手相邻的第二个缓存助手信号覆盖区域的概率为p₁；p₀是第一行的第一个元素，故其左边元素为第一行第N列的元素，该元素值为p₁，表示车辆在与第一个缓存助手相邻的第N个缓存助手信号覆盖区域的概率为p₁。

在本实施例中，在步骤3中构建单个车辆的请求时延的具体方法为：

当第i个车辆同时向该第i个车辆所在区域对应的缓存助手请求k个文件时，i＝1,2,…U，将该k个文件组成文件集S_k，将MBS中的请求文件集L＝{w₁,w₂,····,w_i’,···,w_F}中的请求文件以k个为一组进行组合，将所有的组合组成集合R，w_i’为L中第i’个请求文件,i’＝1,2,…,F，k∈[1,F]；计算文件集S_k的请求概率：

其中

表示第l个组合S_l中第f个文件的受欢迎程度，f’表示组合S_l中文件的总个数，l’表示集合R中组合的总个数；rank(w_k’)表示文件集S_k中第k’个文件的受欢迎程度；λ为大于0的齐夫分布的指数常数；

按照数学的方法建立时第i个车辆同时请求k个文件，该请求文件的个数以及具体文请求文件都是未知的；则数学模型为：

其中

表示第i个车辆位于第m个缓存助手信号h_m覆盖区域的概率，

表示第i个车辆到第j个缓存助手h_j的请求时延(若车辆i不在第j个缓存助手h_j信号覆盖区域内，则该认为请求时延不存在)，

表示文件集S_k中任意一个请求文件w_k在缓存助手h_j中的缓存状态，当文件w_k已经缓存在缓存助手h_j中

否则

表示车辆i到MBS的请求时延；

该模型应用到实际中请求文件的个数和具体文件都是已知的例如k＝2，则到的P(S₂)的值，令其他的当k＝1时每个组合的概率均为0，以及k＝3～F时每个组合概率值也均为0；则将该数学公式可以改写为：

以最小化所有车辆的平均请求时延为目标，构建的缓存策略函数如下：

在本实施例中，优选地，在步骤4中，假设缓存助手h_j的缓存文件集为C(也既本地文件)，请求文件集为Q，第t+1次迭代时，新到达的文件集为N_t+1＝Q_t+1-Q_t(也既删除Q_t+1与Q_t相同的请求文件)，根据构建的缓存策略函数，次模函数定义为

其在第t次迭代时对可能添加到缓存集的文件f_t,1的增益是Δ_t(f_t,1)＝S(C∪{f_t,1})-S(C)。比较第t+1次迭代时新到达请求文件集顶部的文件增益值Δ_t+1(f_t+1,1)与已存在请求文件集中的部分文件增益值的大小，选择缓存至文件集为C的文件；如图3所示，具体步骤如下：

步骤4-1、输入：预设的车辆位置和缓存助手的位置信息矩阵，预设的车辆的请求信息矩阵以及缓存助手缓存信息矩阵，

步骤4-2、迭代过程(整个迭代过程为贪心算法)：

初始化车辆信息、缓存助手容量信息、设置初始的缓存文件集C为空集；

(1)当缓存助手h_j更新缓存文件集C时，执行以下操作：

(2)如果t＝1，则执行步骤(3)，否则执行步骤(5)：

(3)当缓存助手h_j第t＝1次收到请求文件集Q_t时，按照如下公式计算Q_t中每个请求文件的增益值Δ_t(f_x)，所述请求文件集为缓存助手h_j信号覆盖范围内的某个车辆向缓存助手h_j请求的N个文件的集合(每次迭代计算时，向h_j发送的请求文件的车辆可以不同)；

Δ_t(f_x)＝S(C∪{f_x})-S(C)

其中，S(·)为次模函数，

表示第y个车辆的请求时延(在计算

时当请求的文件已经在C中，则该请求文件在h_j中的状态为1，否则为0)，

表示第y个车辆到MBS的请求时延，y∈Y；Y为第t次迭代计算时缓存助手h_j信号覆盖区域内所有车辆的集合；f_x为Q_t中第x个文件，x＝1，2，3…X；X为Q_t中文件的总个数；

(4)将Q_k中所有的文件按照增益值由大到小排列f_t,1,f_t,2,...，f_t,X；f_t,x为第t次迭代计算时按照顺利排列后的第x个文件；在MBS中找到文件f_t,1，并将f_t,1也既排列顺序后列表最顶部的文件缓存至缓存文件集C中，更新文件C＝C∪{f_1,1}，然后令迭代次数加1，并转步骤(2)；

(5)删除第j个缓存助手h_j第t次迭代计算时收到的请求文件集Q_t中与第t-1次迭代计算时收到的请求文件集Q_t-1中相同的文件，得到第t次迭代计算时新到达文件集N_t；

(6)计算新到达文件集N_t中所有文件的增益值；

(7)对所有文件按增益值由大到小的顺序进行排序；

(8)找到列表最顶部的文件也既增益最大的文件f_t,1；

(9)将文件f_t,1的增益值Δ_t(f_t,1)与第t-1次迭代计算时排列第二的文件f_t-1,2的增益Δ_t-1(f_t-1,2)进行比较；

(10)如果Δ_t(f_t,1)≥Δ_t-1(f_t-1,2)；则在MBS中找到文件f_t,1，并将文件f_t,1缓存至缓存文件集C中，然后令迭代次数加1，转步骤(2)，否则转步骤(12)

(11)计算文件f_t-1,2在第t次迭代计算时的增益Δ_t(f_t-1,2)；

(12)若Δ_t(f_t,1)>Δ_t(f_t-1,2)，则在MBS中找到文件f_t,1，并将文件f_t,1缓存至缓存文件集C中，然后令迭代次数加1，并转步骤(2)；否则在MBS中找到文件f_t-1,2，并将找到的文件f_t-1,2缓存至缓存文件集C中，然后令迭代次数加1，并转步骤(2)；

本发明的一个实施例：在每次迭代过程中，输出该次迭代计算对应的次模函数值。

本发明的一个实施例：在每次迭代过程中，判断缓存文件集C是否有请求文件集Q_t中的文件，若有则直接通过缓存文件集C中将文件发送到对应的车辆；否则在MBS中找到请求文件集Q_t中的文件，通过MBS将请求文件集Q_t中的文件发送至对应的车辆。

上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

Claims (6)

1.一种基于马尔科夫转移概率的车联网边缘缓存方法，其特征在于，具体包括如下步骤：

步骤1：构建异构的蜂窝区域，该区域包括缓存容量为F的移动通信基站MBS，N个缓存助手和U个车辆；

步骤2：基于马尔科夫转移概率建立N*N维的单个车辆移动模型；

步骤3：根据步骤2中的车辆移动模型计算单个车辆的请求时延，以最小化车辆的平均请求时延为目标，构建缓存策略函数；

步骤4：根据构建的缓存策略函数构建次模函数，基于次模函数的贪心算法确定车联网边缘缓存策略。

2.根据权利要求1所述的一种基于马尔科夫转移概率的车联网边缘缓存方法，其特征在于，MBS位于蜂窝区域的中心，缓存助手位于MBS的周围；蜂窝区域内的U个车辆均能够与MBS连接；位于第j个缓存助手信号覆盖区域内的车辆能够与该第j个缓存助手连接，j＝1,2,…N。

3.根据权利要求1所述的一种基于马尔科夫转移概率的车联网边缘缓存方法，其特征在于，所述步骤2中车辆移动模型为：

该模型中p₀表示下一个时刻车辆未离开第n个缓存助手信号所覆盖区域的概率，p₁为下一个时刻车辆转移到与第n个缓存助手相邻的缓存助手信号所覆盖区域的概率，p₀+2p₁＝1，n＝1,2…,N。

4.根据权利要求1所述的一种基于马尔科夫转移概率的车联网边缘缓存方法，其特征在于，所述步骤3中构建单个车辆的请求时延的具体方法为：

当第i个车辆向该车辆所在区域对应的某个缓存助手同时请求k个文件时，将该k个文件组成文件集S_k，将MBS中的文件集L＝{w₁,w₂,····,w_i,,···,w_F}中的文件以k个为一组进行组合，将所有的组合组成集合R，w_i’为L中第i,个文件,i’＝1,2,…,F，k∈[1,F]；计算文件集S_k的请求概率：

其中

表示第l个组合S_l中第f个文件的受欢迎程度，f’表示组合S_l中文件的总个数，l’表示集合R中组合的总个数；rank(w_k’)表示文件集S_k中第k’个文件的受欢迎程度；λ为大于0的齐夫分布的指数常数；

计算第i个车辆的请求时延：

其中

表示第i个车辆位于第m个缓存助手h_m信号覆盖区域的概率，

表示第i个车辆位于第j个缓存助手h_j信号覆盖区域内的概率，i＝1,2,…U，

表示第i个车辆到第j个缓存助手h_j的请求时延，

表示文件集S_k中文件w_k在缓存助手h_j中的缓存状态，当文件w_k已经缓存在缓存助手h_j中

否则

表示第i个车辆到MBS的请求时延。

5.根据权利要求4所述的一种基于马尔科夫转移概率的车联网边缘缓存方法，其特征在于，所述步骤3中构建缓存策略函数为：

其中M为缓存助手h_j的容量。

6.根据权利要求1所述的一种基于马尔科夫转移概率的车联网边缘缓存方法，其特征在于，所述步骤4中具体为：

步骤4.1：初始化车辆信息，缓存助手的容量信息，设置初始的缓存文件集C为空集；

步骤4.2：令迭代次数t＝1；

步骤4.3：当t＝1转步骤4.4；否则转步骤4.5；

步骤4.4：第j个缓存助手h_j第1次迭代计算时收到请求文件集Q₁，按照如下公式计算Q₁中每个文件的增益值，所述请求文件集为第j个缓存助手h_j信号覆盖区域内的某个车辆向第j个缓存助手h_j请求的X个文件的集合；

Δ_t(f_x)＝S(C∪{f_x})-S(C)

其中，Δ_t(f_x)为Q_t中第x个文件f_x的增益值，x＝1，2，3…X；S(·)为次模函数，

表示第y个车辆的请求时延，

表示第y个车辆到MBS的请求时延；y∈Y，Y为第1次迭代计算时第j个缓存助手h_j信号覆盖区域内所有车辆的集合；

将Q₁中所有请求文件按照增益值由大到小排列f_1,1,f_1,2,...，f_1,X，f_1,x为Q₁中按照增益值由大到小排列后的第x个文件；在MBS中找到f_1,1，并将f_1,1缓存至缓存文件集C中，然后令迭代次数加1，并转步骤4.3；

步骤4.5：删除第j个缓存助手h_j第t次迭代计算时收到的请求文件集Q_t中与第t-1次迭代计算时收到的请求文件集Q_t-1中相同的文件，得到第t次迭代计算时新到达文件集N_t；

步骤4.6：计算新到达文件集N_t中所有文件的增益值，将N_t中所有的文件按照增益值由大到小排列f_t,1,f_t,2,...，f_t,X,，X’为N_t中文件的总个数，将f_t,1的增益值Δ_t(f_t,1)与f_t-1,2的增益值Δ_t-1(f_t-1,2)进行比较，若Δ_t(f_t,1)≥Δ_t-1(f_t-1,2)，则在MBS中找到文件f_t,1，并将f_t,1缓存至缓存文件集C中，然后令迭代次数加1，并转步骤4.3；否则转步骤4.7；其中，f_t-1,2为第t-1次迭代计算时新到达文件集中所有的文件按照增益值由大到小排列后排列第二的文件；

步骤4.7：计算文件f_t-1,2在第t次迭代计算时的增益值Δ_t(f_t-1,2)，若Δ_t(f_t,1)>Δ_t(f_t-1,2),则在MBS中找到文件f_t,1，并将f_t,1缓存至缓存文件集C中，然后令迭代次数加1，并转步骤4.3；否则在MBS中找到文件f_t-1,2，并将f_t-1,2缓存至缓存文件集C中，然后令迭代次数加1，并转步骤4.3。

Images