CN113672819B - 一种基于推荐感知和协作边缘缓存的内容请求处理系统 - Google Patents
一种基于推荐感知和协作边缘缓存的内容请求处理系统 Download PDFInfo
- Publication number
- CN113672819B CN113672819B CN202110572916.4A CN202110572916A CN113672819B CN 113672819 B CN113672819 B CN 113672819B CN 202110572916 A CN202110572916 A CN 202110572916A CN 113672819 B CN113672819 B CN 113672819B
- Authority
- CN
- China
- Prior art keywords
- content
- edge
- request
- edge server
- server
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9536—Search customisation based on social or collaborative filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
- G06F16/9574—Browsing optimisation, e.g. caching or content distillation of access to content, e.g. by caching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5011—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals
- G06F9/5016—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resources being hardware resources other than CPUs, Servers and Terminals the resource being the memory
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mobile Radio Communication Systems (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开一种基于推荐感知和协作边缘缓存的内容请求处理系统,包括网络信息获取模块、移动边缘缓存系统模型搭建模块、推荐列表生成模块、用户体验质量计算模块、请求处理策略生成模块;本发明综合考虑了终端的个性化需求,结合了“软缓存”这一观点,给出了对内容请求的最佳处理方式,同时通过对缓存友好的启发式算法确定对内容请求的最佳处理地点,很大程度上提高了用户的QoE(Qualityof Experience,体验质量)。
Description
技术领域
本发明涉及边缘缓存技术和推荐领域,具体是一种基于推荐感知和协作边缘缓存的内容请求处理系统。
背景技术
近年来,由于移动网络技术的迅猛发展、网络中各类移动终端设备数量的不断增加、以及内容提供商提供的内容越来越多,移动终端用户对内容服务的要求也逐渐变多,这导致了移动网络面临着来自终端的内容请求爆发式增长的挑战。以云服务器为中心的常规模式已经难以解决这类问题,移动边缘计算作为一种全新的计算模式,它通过部署具有计算能力与存储能力的服务器到网络边缘来提高服务质量。据研究,网络中的高负载大多是通过传输相同内容和数据产生的,作为新的革命性的方法,边缘缓存被视为减小网络负载的关键方法。在移动边缘计算网络中,边缘服务器部署在基站或基站附近,边缘缓存系统将内容提前下载并保存在边缘服务器中,当有内容请求到达时,终端直接从更靠近自己的边缘服务器获取内容而无需从云端获取,这避免了“昂贵”的连接。同时,在日益面向娱乐的移动网络中,终端更加关注内容的多样化以及个性化,为了满足终端的这类需求,推荐系统提供了一种有效的方法,它可以通过历史行为来学习终端用户喜好,为其提供个性化的服务。边缘缓存和推荐系统相结合,可以提高服务质量。
在当前的边缘缓存系统中,如何利用缓存的内容来提升服务质量,提升终端用户体验质量已经成为一个热门的研究课题,利用缓存内容去获得额外的缓存增益也是当下的研究目标。目前普遍的观点是单方面优化边缘缓存系统来获得更大且有效的缓存空间或者优化推荐系统来更准确地预测终端用户喜好,但是这类单方面优化方法存在着一些难以解决的问题:第一,没有充分考虑边缘服务器之间以及边缘服务器和云服务器之间的协作关系,仅仅关注单基站单服务器,没有充分利用边缘基站之间的协作关系,减轻回程网络压力。第二,这类方法没有充分利用已经缓存的内容来提高缓存系统的性能,没有考虑使用“软缓存”来额外的缓存增益,对终端用户来说,体验质量并没有得到明显的提高。
发明内容
本发明的目的是提供一种基于推荐感知和协作边缘缓存的内容请求处理系统,包括网络信息获取模块、移动边缘缓存系统模型搭建模块、推荐列表生成模块、用户体验质量计算模块、请求处理策略生成模块。
所述网络信息获取模块获取网络信息。所述网络信息包括请求的内容。
所述网络信息还包括移动边缘缓存系统中终端设备的数量M、边缘服务器的数量N、终端设备与边缘服务器的关联关系hm,n、终端设备和内容之间的请求关系pf、边缘服务器和内容之间的缓存关系bn,f、终端设备信息、边缘服务器信息。
所述终端设备信息包括终端传输功率Φm、无线信道增益cm,n、请求的内容个数F和内容大小Sf。
边缘服务器信息包括边缘服务器缓存A、边缘服务器带宽W、边缘服务器和云服务器之间的传输速率vc、边缘服务器之间的平均传输速率ve。
所述移动边缘缓存系统模型搭建模块存储有移动边缘缓存系统模型。所述移动边缘缓存系统模型包括若干终端设备。
所述移动边缘缓存系统模型包括云服务器和若干子服务系统。所述子服务系统包括本地边缘服务器、若干边缘服务器和若干终端设备。
移动边缘缓存系统模型在初始状态下,终端设备所有的请求都由本地边缘服务器处理。
所述推荐列表生成模块调取网络信息和移动边缘缓存系统模型,从而生成每个终端设备的推荐列表。所述推荐列表生成模块将推荐列表传输至请求处理策略生成模块。
所述推荐列表生成模块生成第m个终端设备的推荐列表,步骤包括:
1)初始化推荐列表集{0}M×R。M为终端设备的数量,R为每个终端设备推荐列表中最大内容数。
2)选取请求内容i,并计算内容i与原始内容目录中其他每个内容之间的相似度;
内容i与内容f之间的相似度simi,f如下所示:
式中,Ui和Uf分别表示对内容i和内容f喜爱程度大于阈值lmax的终端设备数量,Ui∪Uf表示对内容i和内容f喜爱程度均大于阈值lmax的终端设备数量。U(m)为和第m个终端有过联系的内容数量,即为终端活跃度,由原始数据获得。
3)由内容i与其他每个内容之间的相似度确定第m个终端对每个内容的评分,评分与相似度正相关。
4)根据每个内容的评分对所有内容降序排列,并将前R个请求内容存储在推荐列表集中,生成对第m个终端设备的推荐列表。
所述用户体验质量计算模块存储用户体验质量计算模型。
量化移动边缘缓存系统中内容传输延迟以及推荐质量(QoR),并计算它们的加权和。将内容传输延迟部分定义为服务质量(QoS),将加权和表示为QoE,故本发明目标是最大化QoE。
实时用户体验质量模型的目标函数x如下所示:
x=max(pf(αtm,n,f+βxm,n,f)) (2)
式中,α、β分别表示服务质量和推荐质量的权重。pf表示终端设备和内容之间的请求关系。tm,n,f表示服务质量。xm,n,f表示推荐质量。
其中,服务质量如下,由总传输时延的倒数表示:
式中,表示请求由本地边缘服务器处理所用的时间。/>表示第m个终端和本地边缘服务器之间的内容传输速率。hm,n、bn,f表示终端设备与边缘服务器的关联关系、边缘服务器和内容之间的缓存关系。Φm表示终端传输功率。/>表示请求由协作边缘服务器处理所用的时间。ve表示协作边缘服务器之间内容的平均传输速率。表示请求由云端服务器处理所用的时间。vc表示边缘服务器和云端服务器之间内容的平均传输速率。Sf表示内容f的大小。cm,n表示无线信道增益。W表示边缘服务器带宽。为请求被本地边缘服务器的服务器处理的表征参数,1表示处理,0表示不处理。为请求由协作边缘服务器的服务器处理的表征参数,1表示处理,0表示不处理。为请求由云服务器处理的表征参数,1表示处理,0表示不处理。
推荐质量xm,n,f如下所示:
式中,表示第m个终端对请求由本地边缘服务器处理时的内容满意度。lm,f为第m个终端对内容f的评分。/>表示第m个终端对请求由协作边缘服务器处理时的内容满意度。/>表示第m个终端对请求由云端服务器处理时的内容满意度。
所述请求处理策略生成模块根据用户体验质量计算模型计算得到请求处理策略。
所述请求处理策略生成模块计算请求处理策略的步骤包括:
1)计算当时实时用户体验质量模型目标函数值,记为下限加权和/>
2)判断内容f是否缓存在本地边缘服务器或协作边缘服务器中。若内容f缓存在本地边缘服务器中,则更新表征参数表征参数/>表征参数/>若内容f缓存在协作边缘服务器中,则更新表征参数/>表征参数/>表征参数/>若内容f均未缓存在终端设备、本地边缘服务器或协作边缘服务器中,则更新表征参数/>表征参数/>表征参数/>
3)基于步骤2)的表征参数值,计算实时用户体验质量模型目标函数值,记为Ym。判断Ym大于是否成立,若是,则更新下限加权和为Ym,并进入步骤4),否则直接进入步骤4)。
4)返回步骤1),直至生成所有终端设备推荐列表中请求内容的处理方式。将所有处理方式存储为请求处理策略。
值得说明的是,本发明设计了包括远程的云服务器、一个本地边缘服务器、多个协作边缘服务器以及多个不同的移动终端设备的移动边缘缓存系统模型。本发明将移动边缘缓存模型建模为内容传输延迟模型和推荐模型,并提出内容传输时延和推荐质量联合优化的目标函数。同时,针对目标函数及其限制条件,本发明提出一种对缓存友好的启发式算法来确定对内容请求的处理策略。本方法用终端设备的内容请求参数、边缘服务器参数、云服务器参数来进行建模,通过对缓存友好的启发式算法来优化请求的最终处理地点以及最终的处理方式,相比于其他边缘缓存策略有更好的效率以及充分利用了缓存的内容来获得额外的缓存增益,为边缘缓存领域的决策问题提供了一种新的解决思路。
本发明的技术效果是毋庸置疑的。本发明提供一种基于边缘网络环境下的层级协作边缘缓存和推荐系统的联合优化系统,通过综合考虑内容传输时延和推荐质量来最大化网络收益。本发明综合考虑移动终端设备对个性化内容的需求、边缘服务器的存储能力、以及云服务器强大的处理能力,相比于其他边缘缓存系统,应用范围更加广泛。本发明综合考虑了终端的个性化需求,结合了“软缓存”这一观点,给出了对内容请求的最佳处理方式,同时通过对缓存友好的启发式算法确定对内容请求的最佳处理地点,很大程度上提高了用户的QoE(Qualityof Experience,体验质量)。
附图说明
图1为对内容请求的处理策略流程图;
图2为系统模型图。
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和图2,一种基于推荐感知和协作边缘缓存的内容请求处理系统,包括网络信息获取模块、移动边缘缓存系统模型搭建模块、推荐列表生成模块、用户体验质量计算模块、请求处理策略生成模块。
所述网络信息获取模块获取网络信息。所述网络信息包括请求的内容。
所述网络信息还包括移动边缘缓存系统中终端设备的数量M、边缘服务器的数量N、终端设备与边缘服务器的关联关系hm,n、终端设备和内容之间的请求关系pf、边缘服务器和内容之间的缓存关系bn,f、终端设备信息、边缘服务器信息。
所述终端设备信息包括终端传输功率Φm、无线信道增益cm,n、请求的内容个数F和内容大小Sf。
边缘服务器信息包括边缘服务器缓存A、边缘服务器带宽W、边缘服务器和云服务器之间的传输速率vc、边缘服务器之间的平均传输速率ve。
所述移动边缘缓存系统模型搭建模块存储有移动边缘缓存系统模型。所述移动边缘缓存系统模型包括若干终端设备。
所述移动边缘缓存系统模型包括云服务器和若干子服务系统。所述子服务系统包括本地边缘服务器、若干边缘服务器和若干终端设备。
移动边缘缓存系统模型在初始状态下,终端设备所有的请求都由本地边缘服务器的边缘服务器处理。
所述推荐列表生成模块调取网络信息和移动边缘缓存系统模型,从而生成每个终端设备的推荐列表。所述推荐列表生成模块将推荐列表传输至请求处理策略生成模块。
所述推荐列表生成模块生成第m个终端设备的推荐列表,步骤包括:
1)初始化推荐列表集{0}M×R。M为终端设备的数量,R为每个终端设备推荐列表中最大内容数。
2)从原始内容目录中获取请求内容i。
计算内容i与内容目录中其他每个内容之间的相似度。
内容i与内容f之间的相似度simi,f如下所示:
式中,Ui和Uf分别表示对内容i和内容f喜爱程度大于阈值lmax的终端设备数量,Ui∪Uf表示对内容i和内容f喜爱程度均大于阈值lmax的终端设备数量。U(m)为为和第m个终端有过联系的内容数量,即为终端活跃度,由原始数据获得。
3)由内容i与其他内容之间的相似度确定第m个终端对每个内容的评分,评分与相似度正相关。
4)根据每个内容的评分对所有内容降序排列,并将前R个请求内容存储在推荐列表集中,生成对第m个终端设备的推荐列表。所述用户体验质量计算模块存储用户体验质量计算模型。
量化移动边缘缓存系统中内容传输延迟以及推荐质量(QoR),并计算它们的加权和。将内容传输延迟部分定义为服务质量(QoS),将加权和表示为QoE,故本发明目标是最大化QoE。
实时用户体验质量模型的目标函数x如下所示:
x=max(pf(αtm,n,f+βxm,n,f)) (2)
式中,α、β分别表示服务质量和推荐质量的权重。pf表示终端设备和内容之间的请求关系。tm,n,f表示推荐质量。xm,n,f表示推荐质量。
其中,服务质量如下,由总传输时延的倒数表示:
式中,表示请求由本地边缘服务器处理所用的时间。/>表示第m个终端和本地边缘服务器之间的内容传输速率。hm,n、bn,f表示终端设备与边缘服务器的关联关系、边缘服务器和内容之间的缓存关系。Φm表示终端传输功率。/>表示请求由协作边缘服务器处理所用的时间。ve表示协作边缘服务器之间内容的平均传输速率。表示请求由云端服务器处理所用的时间。vc表示边缘服务器和云端服务器之间内容的平均传输速率。Sf表示内容f的大小。cm,n表示无线信道增益。W表示边缘服务器带宽。为请求被本地边缘服务器的服务器处理的表征参数,1表示处理,0表示不处理。为请求由协作边缘服务器的服务器处理的表征参数,1表示处理,0表示不处理。为请求由云服务器处理的表征参数,1表示处理,0表示不处理。
推荐质量xm,n,f如下所示:
式中,表示第m个终端对请求由本地边缘服务器处理时的内容满意度。lm,f为第m个终端对内容f的评分。/>表示第m个终端对请求由协作边缘服务器处理时的内容满意度。/>表示第m个终端对请求由云端服务器处理时的内容满意度。
所述请求处理策略生成模块根据用户体验质量计算模型计算得到请求处理策略。
所述请求处理策略生成模块计算请求处理策略的步骤包括:
1)计算当时实时用户体验质量模型目标函数值,记为下限加权和/>
2)判断内容f是否缓存在本地边缘服务器或协作边缘服务器中。若内容f缓存在本地边缘服务器中,则更新表征参数表征参数/>表征参数/>若内容f缓存在协作边缘服务器中,则更新表征参数/>表征参数/>表征参数若内容f均未缓存在终端设备、本地边缘服务器或协作边缘服务器中,则更新表征参数/>表征参数/>表征参数/>
3)基于步骤2)的表征参数值,计算实时用户体验质量模型目标函数值,记为Ym。判断Ym大于是否成立,若是,则更新下限加权和为Ym,并进入步骤4),否则直接进入步骤4)。
4)返回步骤1),直至生成所有终端设备推荐列表中请求内容的处理方式。将所有处理方式存储为请求处理策略。
实施例2:
参见图1,一种基于推荐感知和协作边缘缓存的内容请求处理系统的使用方法,包括以下步骤:
1)获取单时间片刻当前网络中所有终端设备的数量M、边缘服务器的数量N、数据或者内容请求的信息。
所述移动设备和请求的信息数据包括移动终端传输功率Φm、无线信道增益cm,n、请求的内容或数据个数F以及内容的大小Sf。边缘服务器的信息数据包括每个边缘服务器的缓存大小A、带宽大小W、边缘服务器和云服务器之间的传输速率vc以及边缘服务器之间的平均传输速率ve。
终端设备和边缘服务器的关联关系hm,n,终端设备和内容之间的请求关系pf,以及边缘服务器和内容之间的缓存关系bn,f。
2)建立移动边缘缓存系统模型。
所述移动边缘缓存系统模型包括远程云服务器、多个边缘服务器(基站之间以全连接的方式相互协作)和若干不同的终端设备。
3)确定每个终端设备的推荐列表,使用基于协同过滤的推荐算法,主要步骤如下:
3.1)初始化{0}M×R。
3.2)对于每一个内容对(数据对)<i,f>,使用改进的余弦公式计算i和f的相似度simi,f。
3.3)利用相似度,计算第m个终端对内容或数据f的评分lm,f,代表终端用户对内容f的喜好程度。
3.4)将lm,f按降序排列。
3.5)选取评分最高的前R个内容,将其保存进第m个终端的推荐列表中。
每一个内容对(数据对)<i,f>的相似度simi,f如下所示:
式中,Ui和Uf分别表示喜欢内容i和内容f的终端用户数量,Ui∪Uf表示同时喜欢内容i和f的终端数量。
4)初始化移动边缘缓存系统参数。
初始状态下,终端所有的请求都由本地基站的边缘服务器处理,令请求被本地基站的服务器处理的表征参数为请求由协作基站的服务器处理的表征参数为和请求由云服务器处理的表征参数/>其中,1表示处理,0表示不处理。
5)确定用户体验质量(QoE)模型,主要步骤如下:
5.1)量化移动边缘缓存系统中内容传输延迟以及推荐质量(QoR),并计算它们的加权和。将内容传输延迟部分定义为服务质量(QoS),将加权和表示为QoE,故本发明目标是最大化QoE。
5.2)边缘缓存系统中内容传输延迟以及推荐质量的加权和为pf(αtm,n,f+βxm,n,f)。
其中,将QoS(tm,n,f)用内容传输总时延的倒数表示(内容传输时延较小时获得较大的QoS),如下所示:
式中,表示请求由本地边缘服务器处理所用的时间,/>表示第m个终端和本地基站之间的内容传输速率。/>表示请求由协作基站处理所用的时间,ve表示协作基站之间内容的平均传输速率。/>表示请求由云端服务器处理所用的时间,vc表示边缘服务器和云端服务器之间内容的平均传输速率。
推荐质量xm,n,f如下所示:
式中,表示第m个终端对请求由本地边缘服务器处理时的内容满意度,lm,f由推荐算法获得。/>表示第m个终端对请求由协作基站处理时的内容满意度。/>表示第m个终端对请求由云端服务器处理时的内容满意度。
6)确定对来自当前终端设备m的请求处理方式,以启发式方法求得相应策略。
6.1)计算当时,内容传输时延和推荐质量的加权和,表示为/>记为下限加权和。
6.2)根据内容缓存状态,依次确定是否发生本地缓存直接命中、本地软缓存命中、协作基站缓存命中,更新代表服务器动作的表征参数Ωm,n,f。如果以上情景都未发生,则代表该请求由云服务器处理,令
6.3)参数更新之后,计算新的内容传输时延和推荐质量的加权和Ym(Ωm,n,f)。
6.4)比较当前的内容传输时延和推荐质量的加权和以及下限加权和,若当前内容传输时延和推荐质量加权和大于下限加权和,则更新下限加权和,并保存代表服务器动作的表征参数,反之不更新。
7)返回步骤3,计算对于每个终端设备的内容传输时延以及推荐质量的加权和,直至次数为M。输出层级协作边缘缓存系统中最优的对于请求的处理策略。
Claims (4)
1.一种基于推荐感知和协作边缘缓存的内容请求处理系统,其特征在于:包括网络信息获取模块、移动边缘缓存系统模型搭建模块、推荐列表生成模块、用户体验质量计算模块、请求处理策略生成模块;
所述网络信息获取模块获取网络信息;所述网络信息包括请求的内容;
所述移动边缘缓存系统模型搭建模块存储有移动边缘缓存系统模型;所述移动边缘缓存系统模型包括若干终端设备;
所述推荐列表生成模块调取网络信息和移动边缘缓存系统模型,从而生成每个终端设备的推荐列表;所述推荐列表生成模块将推荐列表传输至请求处理策略生成模块;
所述用户体验质量计算模块存储用户体验质量计算模型;
所述请求处理策略生成模块根据用户体验质量计算模型计算得到请求处理策略;
所述推荐列表生成模块生成第m个终端设备的推荐列表,步骤包括:
s1)初始化推荐列表集{0}M×R;M为终端设备的数量,R为每个终端设备推荐列表中最大内容数;
s2)选取请求内容i,并分别计算内容i与其他每个内容之间的相似度;
s3)根据请求内容i与其他每个内容之间的相似度确定第m个终端对其他内容的评分;评分与相似度正相关;
s4)根据每个内容的评分对所有内容降序排列,并将前R个请求内容存储在推荐列表集中,生成对第m个终端设备的推荐列表;
内容i与内容f之间的相似度simi,f如下所示:
式中,Ui和Uf分别表示对内容i和内容f喜爱程度大于阈值lmax的终端设备数量,Ui∪Uf表示对内容i和内容f喜爱程度均大于阈值lmax的终端设备数量;U(m)为和第m个终端有过联系的内容数量;
实时用户体验质量模型的目标函数x如下所示:
x=max(pf(αtm,n,f+βxm,n,f)) (2)
式中,α、β分别表示服务质量和推荐质量的权重;pf表示终端设备和内容之间的请求关系;tm,n,f表示服务质量;xm,n,f表示推荐质量;
其中,服务质量如下所示:
式中,表示请求由本地边缘服务器处理所用的时间;/>表示第m个终端和本地边缘服务器之间的内容传输速率;hm,n、bn,f表示终端设备与边缘服务器的关联关系、边缘服务器和内容之间的缓存关系;Φm表示终端传输功率;/>表示请求由协作边缘服务器处理所用的时间;ve表示协作边缘服务器之间内容的平均传输速率;表示请求由云端服务器处理所用的时间;vc表示边缘服务器和云端服务器之间内容的平均传输速率;Sf表示内容f的大小;cm,n表示无线信道增益;W表示边缘服务器带宽;为请求被本地边缘服务器的服务器处理的表征参数,1表示处理,0表示不处理;为请求由协作边缘服务器的服务器处理的表征参数,1表示处理,0表示不处理;/>为请求由云服务器处理的表征参数,1表示处理,0表示不处理;
推荐质量xm,n,f如下所示:
式中,表示第m个终端对请求由本地边缘服务器处理时的内容满意度;lm,f为第m个终端对内容f的评分;/>表示第m个终端对请求由协作边缘服务器处理时的内容满意度;/>表示第m个终端对请求由云端服务器处理时的内容满意度;
所述请求处理策略生成模块计算请求处理策略的步骤包括:
1)计算当时实时用户体验质量模型目标函数值,记为下限加权和/>
2)判断内容f是否缓存在本地边缘服务器或协作边缘服务器中;若内容f缓存在本地边缘服务器中,则更新表征参数表征参数/>表征参数/>若内容f缓存在协作边缘服务器中,则更新表征参数/>表征参数/>表征参数/>若内容f均未缓存在终端设备、本地边缘服务器或协作边缘服务器中,则更新表征参数表征参数/>表征参数/>
3)基于步骤2)的表征参数值,计算实时用户体验质量模型目标函数值,记为Ym;判断Ym大于是否成立,若是,则更新下限加权和为Ym,并进入步骤4),否则直接进入步骤4);
4)返回步骤1),直至生成所有终端设备推荐列表中请求内容的处理方式;将所有处理方式存储为请求处理策略。
2.根据权利要求1所述的一种基于推荐感知和协作边缘缓存的内容请求处理系统,其特征在于:所述网络信息还包括移动边缘缓存系统中终端设备的数量M、边缘服务器的数量N、终端设备与边缘服务器的关联关系hm,n、终端设备和内容之间的请求关系pf、边缘服务器和内容之间的缓存关系bn,f、终端设备信息、边缘服务器信息;
所述终端设备信息包括终端传输功率Φm、无线信道增益cm,n、请求的内容个数F和内容大小Sf;
边缘服务器信息包括边缘服务器缓存A、边缘服务器带宽W、边缘服务器和云服务器之间的传输速率vc、边缘服务器之间的平均传输速率ve。
3.根据权利要求1所述的一种基于推荐感知和协作边缘缓存的内容请求处理系统,其特征在于:所述移动边缘缓存系统模型包括云服务器和若干子服务系统;所述子服务系统包括本地边缘服务器、若干边缘服务器和若干终端设备。
4.根据权利要求3所述的一种基于推荐感知和协作边缘缓存的内容请求处理系统,其特征在于:移动边缘缓存系统模型在初始状态下,终端设备所有的请求都由本地边缘服务器的边缘服务器处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110572916.4A CN113672819B (zh) | 2021-05-25 | 2021-05-25 | 一种基于推荐感知和协作边缘缓存的内容请求处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110572916.4A CN113672819B (zh) | 2021-05-25 | 2021-05-25 | 一种基于推荐感知和协作边缘缓存的内容请求处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113672819A CN113672819A (zh) | 2021-11-19 |
CN113672819B true CN113672819B (zh) | 2023-09-29 |
Family
ID=78538163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110572916.4A Active CN113672819B (zh) | 2021-05-25 | 2021-05-25 | 一种基于推荐感知和协作边缘缓存的内容请求处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113672819B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115484314B (zh) * | 2022-08-10 | 2024-04-02 | 重庆大学 | 一种移动边缘计算网络下推荐赋能的边缘缓存优化方法 |
CN116610868B (zh) * | 2023-07-13 | 2023-09-29 | 支付宝(杭州)信息技术有限公司 | 样本标注方法、端边云协同训练方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102143199A (zh) * | 2010-10-19 | 2011-08-03 | 华为技术有限公司 | 获取内容的方法、节点及内容网络 |
CN103618675A (zh) * | 2013-11-11 | 2014-03-05 | 西安交通大学 | 一种面向内容网络中基于内容影响力的缓存方法 |
CN107438398A (zh) * | 2015-01-06 | 2017-12-05 | 大卫·伯顿 | 移动式可穿戴的监控系统 |
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 |
CN112165626A (zh) * | 2020-09-24 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 图像处理方法、资源获取方法、相关设备及介质 |
CN112187872A (zh) * | 2020-09-08 | 2021-01-05 | 重庆大学 | 一种移动边缘计算网络下内容缓存和用户关联优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9215423B2 (en) * | 2009-03-30 | 2015-12-15 | Time Warner Cable Enterprises Llc | Recommendation engine apparatus and methods |
-
2021
- 2021-05-25 CN CN202110572916.4A patent/CN113672819B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102143199A (zh) * | 2010-10-19 | 2011-08-03 | 华为技术有限公司 | 获取内容的方法、节点及内容网络 |
CN103618675A (zh) * | 2013-11-11 | 2014-03-05 | 西安交通大学 | 一种面向内容网络中基于内容影响力的缓存方法 |
CN107438398A (zh) * | 2015-01-06 | 2017-12-05 | 大卫·伯顿 | 移动式可穿戴的监控系统 |
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 |
CN112187872A (zh) * | 2020-09-08 | 2021-01-05 | 重庆大学 | 一种移动边缘计算网络下内容缓存和用户关联优化方法 |
CN112165626A (zh) * | 2020-09-24 | 2021-01-01 | 腾讯科技(深圳)有限公司 | 图像处理方法、资源获取方法、相关设备及介质 |
Non-Patent Citations (2)
Title |
---|
han suning等.reccac:recommendation empowered cooperative edge caching for internet of things.ZTE Communications.2021,第19卷(第2期),2-10. * |
基于实测数据集预测用户请求行为对主动边缘缓存的影响;戚凯强;杨晨阳;韩圣千;;信号处理;第35卷(第04期);531-541 * |
Also Published As
Publication number | Publication date |
---|---|
CN113672819A (zh) | 2021-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414252B (zh) | 一种基于深度强化学习的任务卸载方法 | |
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 | |
CN112995950B (zh) | 一种车联网中基于深度强化学习的资源联合分配方法 | |
US8355384B2 (en) | System and method of handover in wireless network | |
KR101548144B1 (ko) | 사용자 장비에 대한 자산들의 프리-패치를 위한 자원 프로파일의 조정 | |
CN103888934B (zh) | 一种移动终端缓存管理装置及管理方法 | |
CN110312277B (zh) | 一种基于机器学习的移动网络边缘协作缓存模型构造方法 | |
CN113411826B (zh) | 一种基于注意力机制强化学习的边缘网络设备缓存方法 | |
CN109451517B (zh) | 一种基于移动边缘缓存网络的缓存放置优化方法 | |
CN109348454B (zh) | 一种d2d缓存通信内容共享方法 | |
CN105516018B (zh) | 网络数据传输方法和装置 | |
CN108541025B (zh) | 一种面向无线异构网络的基站与d2d共同缓存方法 | |
CN115714814B (zh) | 一种基于多智能体强化学习的边缘缓存替换方法 | |
CN107251529B (zh) | 用于在内容传输网络系统中的服务器之间传输和接收信息的方法和装置 | |
CN116916390A (zh) | 一种结合资源分配的边缘协作缓存优化方法及装置 | |
CN104471904A (zh) | 基于实时网络动态的内容优化 | |
US9521064B2 (en) | Cooperative caching method and apparatus for mobile communication system | |
CN103905516A (zh) | 分享数据的方法及相应服务器和终端 | |
CN113993168B (zh) | 一种雾无线接入网中基于多智能体强化学习的协作缓存方法 | |
CN111698732A (zh) | 微蜂窝无线网中面向时延的协作缓存优化方法 | |
CN116321307A (zh) | 一种无蜂窝网络中基于深度强化学习的双向缓存放置方法 | |
CN112911614B (zh) | 基于动态请求d2d网络中的协作编码缓存方法 | |
CN110139125B (zh) | 无线移动网络下基于需求感知与资源缓存的视频共享方法 | |
CN110620807B (zh) | 文件传输方法、服务器、系统、设备以及存储介质 | |
CN113115362B (zh) | 协同边缘缓存方法及装置 |
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 |