CN113965937A - 一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法 - Google Patents
一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法 Download PDFInfo
- Publication number
- CN113965937A CN113965937A CN202111254524.XA CN202111254524A CN113965937A CN 113965937 A CN113965937 A CN 113965937A CN 202111254524 A CN202111254524 A CN 202111254524A CN 113965937 A CN113965937 A CN 113965937A
- Authority
- CN
- China
- Prior art keywords
- content
- popularity
- local
- mobile
- fog
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000006870 function Effects 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000000694 effects Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 230000004927 fusion Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开了一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法,该方法包括:根据雾接入点收集到的本地用户信息和内容信息,构造本地用户与内容的初始特征;根据初始特征与历史请求记录,为每个雾接入点建立本地用户请求内容概率的预测模型;利用聚类联邦学习对各雾接入点的预测模型进行分布式训练并实现模型参数的特殊化;根据内容信息,以移动用户的内容请求概率为预测目标,建立移动用户的偏好模型;对本地流行度和移动流行度的预测结果进行整合,得到内容流行度的最终预测结果。本发明使雾接入点准确预测并动态更新内容流行度,并通过模型特殊化,自适应地区分内容流行度的区域差异,同时减少了通信成本。
Description
技术领域
本发明涉及内容流行度预测的技术领域,特别是涉及一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法。
背景技术
随着各类智能设备以及移动应用服务的空前发展,近年来无线网络中出现了大量亟待解决的问题,尤其是在容量有限的回程链路上由爆发式增长的数据流量压力造成的拥塞。雾无线接入网(F-RAN)作为一种前景广阔的新型架构,可以利用部署在网络边缘的雾接入点(F-AP)来减轻回程链路的流量负担。雾接入点可以缓存流行的内容以满足用户的要求,但由于缓存容量和计算资源的限制,雾接入点需要预测未来的内容流行度,以决定在何时存放什么内容,进而提高自身的缓存效率。
传统的缓存策略例如先入先出缓存策略、最近最少使用缓存策略以及最近最不常用缓存策略,在有线网络中得到了长期广泛的应用。但受限于无线网络中边缘节点有限的覆盖范围以及存储空间,这些传统的缓存策略由于无法直接对内容流行度进行提前预测,在无线网络中会遭受严重的性能下降。因此,以上的传统缓存策略在新型的无线网络中很难适用。近期许多研究者的工作已着眼于通过对内容流行度进行预测来提高缓存效率。但在无线网络中,区域差异将导致内容流行度在不同边缘节点处的分布不同,全局内容流行度预测对于缓存性能的提升有限,而且移动网络中收集到的用户信息与内容信息中隐藏着大量有助于内容流行度预测的表征。同时,移动网络中部分用户具有较高的移动性,特定雾接入点的内容流行度会随着用户的移动性不断变化。如果能够在构建预测模型时自适应地区分内容流行度的区域差异,充分学习有助于内容流行度预测的隐藏表征,实现未来内容流行度的精确预测,并根据用户移动性实现动态更新,从而极大地提升雾接入点的缓存效率,最大程度降低回程链路负载。
联邦学习是一种新型人工智能技术,最初被用于解决用户终端在本地的模型更新问题,保障本地模型训练时数据交换的信息安全,同时保护终端数据中的个人隐私。联邦学习实现了多方参与的高效率机器学习。
发明内容
有鉴于此,本发明的目的在于提供一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法,用以自适应地区分内容流行度的区域差异并根据用户移动性实现动态更新,在提高缓存效率的同时,具备通信成本低的特点。
为了实现上述目的,本发明采用如下技术方案:
一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法,所述预测方法包括以下步骤:
步骤S1、根据本地用户和内容的邻域集,利用雾接入点获取的本地用户信息和内容信息,通过信息融合构建每个本地用户和每个内容的初始特征;
步骤S2、以所述本地用户和内容的初始特征为输入,再以本地用户的内容请求概率为预测目标,为各个雾接入点建立基于双通道神经网络的预测模型,并设定二元交叉熵损失为损失函数以对模型参数进行优化;
步骤S3、利用聚类联邦学习方法,对各个雾接入点的预测模型进行分布式训练,并且自适应地将区域类型相似的雾接入点进行分簇,为每个雾接入点实现模型参数的特殊化;
步骤S4、利用历史请求数量得到本地用户的活跃程度,并根据本地用户的活跃程度和预测的内容请求概率得到本地流行度的预测结果;
步骤S5、根据内容信息,以移动用户的内容请求概率为预测目标,为每个移动用户建立偏好模型的目标函数,并设定偏好模型的优化目标为最小化目标函数;
步骤S6、各雾接入点收集当前与之关联的移动用户的内容请求概率,得到移动流行度的预测结果;
步骤S7、各雾接入点分别对所有内容的本地流行度和移动流行度进行归一化处理,并根据当前移动用户数量占比对本地流行度和移动流行度进行整合,得到各雾接入点的内容流行度。
所述的设定二元交叉熵损失为损失函数以对模型参数进行优化,具体表达式为:
进一步的,所述步骤S3具体包括:
公式中,θm为F-APm的基于双通道神经网络的预测模型的模型参数;
步骤S302、各F-AP根据各自的训练样本集和模型参数,利用随机梯度下降算法更新模型权值,表达式为:
公式中,Δθm为F-APm的模型权值更新;
步骤S303、各F-AP将模型权值更新上传至云服务器,云服务器对所有的F-AP簇进行一次遍历,并对每个F-AP簇进行如下条件判断:
对于F-AP簇φ,若条件不成立,则跳过该簇φ;若条件成立,则在F-AP簇φ内执行如下步骤:
步骤S3031、在簇内计算每两个F-AP间的余弦相似度,表达式为:
公式中,αm,n为F-APm与F-APn之间的余弦相似度,<Δθm,Δθn>为Δθm和Δθn的内积;
步骤S3032、云服务器利用簇内每两个F-AP间的余弦相似度,通过最小化不同子簇的F-AP之间的最大余弦相似度,将簇φ中的F-AP划分为两个子簇,表达式为:
其中,φ1和φ2为划分后的两个子簇;
步骤S304、云服务器在每个簇内各自独立地进行模型权值更新的聚合,并将聚合后的模型权值更新传输给对应簇内的每个F-AP,各F-AP利用聚合后的模型权值更新,对各自的模型参数进行更新,表达式为:
公式中,φ(m)为包含了F-APm的F-AP簇,|φ(m)|为簇φ(m)中包含的F-AP数量;
步骤S305、重复步骤S302到S304,直到所有F-AP的模型达到收敛,即对任意F-APm,Δθm<ε2。
所述根据本地用户的活跃程度和预测的内容请求概率得到本地流行度的预测结果,表达式为:
进一步的,在所述步骤S5中,所述移动用户的内容请求概率的表达式为:
所述偏好模型的目标函数的表达式为:
以最小化l(au)为优化目标,利用FTRL-Proximal(Follow The RegularizedLeader Proximal)算法进行求解,得到偏好模型参数au。
进一步的,在所述步骤S6中,各F-AP根据下式计算当前与之关联的移动用户的平均内容请求概率,并将其作为移动流行度的预测结果,表达式为:
进一步的,所述步骤S7具体包括如下步骤:
步骤S701、各F-AP分别对所有内容的本地流行度和移动流行度进行归一化处理,以消除二者之间由于预测方法不同而产生的差异,表达式为:
步骤S702、各F-AP计算当前移动用户数量占比,表达式为:
公式中,wm为F-APm中当前移动用户数量占比;
步骤S703、各F-AP根据当前移动用户数量占比,通过对本地流行度和移动流行度进行整合,得到内容流行度的预测结果:
本发明的有益效果是:
(1)本发明充分考虑了内容流行度预测所涉及的本地用户和移动用户,并根据两类用户的特点,分别为两类用户实现了本地流行度和移动流行度的预测,并对本地流行度与移动流行度进行整合,使其更加符合雾无线接入网中边缘缓存场景的实际情况。
(2)本发明通过信息融合构建每个本地用户和每个内容的初始特征,并构建了合适的深度学习模型,充分学习了有助于内容流行度预测的隐藏表征,从而准确地预测本地流行度。
(3)本发明在联邦学习框架的基础上,采用聚类联邦学习方法,在分布式模型训练的过程中,通过自适应地将区域类型相似的F-AP进行分簇,为每个F-AP实现模型参数的特殊化,从而能够有效地区分内容流行度的区域差异,且减少了通信成本。
(4)考虑到移动用户具有较高的移动性,以及移动用户设备计算能力有限的特点,本发明通过学习移动用户的偏好模型,仅需与内容信息相同数量的参数,从而降低模型的训练难度与计算复杂度。
(5)本发明中移动流行度的预测,仅需F-AP实时地收集当前与之关联的移动用户的内容请求概率,从而保护移动用户的数据隐私,同时减少了通信成本。
附图说明
图1为实施例1中提供的一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法的流程示意图。
图2为实施例1提供的预测方法与其他预测方法在缓存命中率随缓存空间大小变化方面的对比示意图;
图3为实施例1提供的预测方法与其他预测方法在缓存命中率随移动用户数量占比变化方面的对比示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
实施例1
参见图1-图3,本实施例提供一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法,该方法具体包括如下的步骤:
步骤S1、在给定F-AP内,根据本地用户和内容的邻域集,利用F-AP获取的本地用户信息和内容信息,通过信息融合构建每个本地用户和每个内容的初始特征。
具体的说,在本实施例中,该步骤S1具体包括:
步骤S2、以本地用户和内容的初始特征为输入,本地用户的内容请求概率为预测目标,为各F-AP建立基于双通道神经网络的预测模型,设定二元交叉熵损失为损失函数以对模型参数进行优化。
具体的说,在本实施例中,该步骤S2具体包括:
步骤S201、对于给定的F-APm,记录本地用户的历史请求,以及本地用户和内容的初始特征,得到F-APm的训练样本集其中,为F-APm的本地用户集合,为内容库,为本地用户请求内容i的标签,若历史请求中本地用户请求过内容i,否则
以本地用户和内容的初始特征为输入,预测的本地用户的内容请求概率表示为:
步骤S203、设定二元交叉熵损失为损失函数以对模型参数进行优化:
公式(4)中,η为单个训练样本的二元交叉熵损失。
步骤S3、利用聚类联邦学习方法,在对各F-AP的预测模型进行分布式训练的过程中,自适应地将区域类型相似的F-AP进行分簇,为每个F-AP实现模型参数的特殊化。
具体的说,在本实施例中,该步骤S3具体包括:
公式(5)中,θm为F-APm的基于双通道神经网络的预测模型的模型参数;
步骤S302、各F-AP根据各自的训练样本集和模型参数,利用随机梯度下降(stochastic gradient descent,SGD)计算模型权值更新:
公式(6)中,Δθm为F-APm的模型权值更新;
步骤S303、各F-AP将模型权值更新上传至云服务器。云服务器对所有的F-AP簇进行一次遍历,并对每个F-AP簇进行如下条件判断:
对于F-AP簇φ,若条件不成立,则跳过该簇φ;若条件成立,则在F-AP簇φ内执行如下步骤:
步骤S3031、在簇内计算每两个F-AP间的余弦相似度:
公式(9)中,αm,n为F-APm与F-APn之间的余弦相似度,<Δθm,Δθn>为Δθm和Δθn的内积;
步骤S3032、云服务器利用簇内每两个F-AP间的余弦相似度,通过最小化不同子簇的F-AP之间的最大余弦相似度,将簇φ中的F-AP划分为两个子簇:
公式(10)中,φ1和φ2为划分后的两个子簇;
步骤S304、云服务器在每个簇内各自独立地进行模型权值更新的聚合,并将聚合后的模型权值更新传输给对应簇内的每个F-AP。各F-AP利用聚合后的模型权值更新,对各自的模型参数进行更新:
公式(11)中,φ(m)为包含了F-APm的F-AP簇,|φ(m)|为簇φ(m)中包含的F-AP数量;
步骤S305、重复步骤S302到步骤S304,直到所有F-AP的模型达到收敛,即对任意F-APm,Δθm<ε2。
步骤S4、利用历史请求数量得到本地用户的活跃程度,并根据本地用户的活跃程度和预测的内容请求概率得到本地流行度的预测结果。
具体的说,在本实施例中,该步骤S4具体包括:
步骤S402、根据下式计算以活跃程度进行加权的本地用户的平均内容请求概率,并将其作为本地流行度的预测结果:
步骤S5、根据内容信息,以移动用户的内容请求概率为预测目标,为每个移动用户建立偏好模型的目标函数,并设定偏好模型的优化目标为最小化目标函数。
具体的说,在本实施例中,该步骤S5具体包括:
步骤S502、利用sigmoid函数,移动用户的内容请求概率表示为:
步骤S503、利用移动用户的历史请求信息,建立偏好模型的目标函数:
上式即负对数似然函数;
步骤S504、以最小化l(au)为优化目标,利用Follow The(Proximally)Regularized Leader(FTRL-Proximal)算法进行求解,得到偏好模型参数au。每个移动用户都按照S501到S504各自独立地进行线下训练。
步骤S6、各F-AP收集当前与之关联的移动用户的内容请求概率,进而得到移动流行度的预测结果。
具体的说,在本实施例中,该步骤S6具体包括:
步骤S601、各F-AP实时监视各自覆盖范围内的移动用户,并收集覆盖范围内的移动用户的内容请求概率。位于某一F-AP覆盖范围内的移动用户将保持与该F-AP的关联,直至离开其覆盖范围;
步骤S602、各F-AP计算当前与之关联的移动用户的平均内容请求概率,并将其作为移动流行度的预测结果:
步骤S7、各F-AP分别对所有内容的本地流行度和移动流行度进行归一化处理,并根据当前移动用户数量占比对本地流行度和移动流行度进行整合,得到各F-AP的内容流行度。
具体的说,在本实施例中,该步骤S7具体包括:
步骤S701、各F-AP分别对所有内容的本地流行度和移动流行度进行归一化处理,以消除二者之间由于预测方法不同而产生的差异:
步骤S702、各F-AP计算当前移动用户数量占比:
公式(19)中,wm为F-APm中当前移动用户数量占比;
步骤S703、各F-AP根据当前移动用户数量占比,通过对本地流行度和移动流行度进行整合,得到内容流行度的预测结果:
为了验证本实施例中提供的一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法的先进性,本实施例还进行了仿真实验,具体请参见图2和图3,图2为缓存命中率随缓存空间大小变化曲线图,图3缓存命中率随移动用户数量占比变化曲线图。其中,DCNN-CFL、DCNN-FL以及DCNN-LC分别代表:不考虑移动流行度,基于聚类联邦学习、联邦学习以及本地学习的双通道神经网络预测模型的内容流行度预测算法;pLSA代表基于概率潜在语义分析的内容流行度预测算法;LFU、LRU分别为最近最少使用缓存策略以及最近最不常用缓存策略。如图2所示,利用本发明预测的内容流行度在缓存命中率方面较传统算法提高了20%左右。如图3所示,随着F-AP覆盖范围内移动用户数量占比增加,利用本发明预测的内容流行度在缓存命中率方面的波动始终控制在3%以内。
本发明未详述之处,均为本领域技术人员的公知技术。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法,其特征在于,所述预测方法包括以下步骤:
步骤S1、根据本地用户和内容的邻域集,利用雾接入点获取的本地用户信息和内容信息,通过信息融合构建每个本地用户和每个内容的初始特征;
步骤S2、以所述本地用户和内容的初始特征为输入,再以本地用户的内容请求概率为预测目标,为各个雾接入点建立基于双通道神经网络的预测模型,并设定二元交叉熵损失为损失函数以对模型参数进行优化;
步骤S3、利用聚类联邦学习方法,对各个雾接入点的预测模型进行分布式训练,并且自适应地将区域类型相似的雾接入点进行分簇,为每个雾接入点实现模型参数的特殊化;
步骤S4、利用历史请求数量得到本地用户的活跃程度,并根据本地用户的活跃程度和预测的内容请求概率得到本地流行度的预测结果;
步骤S5、根据内容信息,以移动用户的内容请求概率为预测目标,为每个移动用户建立偏好模型的目标函数,并设定偏好模型的优化目标为最小化目标函数;
步骤S6、各雾接入点收集当前与之关联的移动用户的内容请求概率,得到移动流行度的预测结果;
步骤S7、各雾接入点分别对所有内容的本地流行度和移动流行度进行归一化处理,并根据当前移动用户数量占比对本地流行度和移动流行度进行整合,得到各雾接入点的内容流行度。
4.根据权利要求3所述的一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法,其特征在于,所述步骤S3具体包括:
公式中,θm为F-APm的基于双通道神经网络的预测模型的模型参数;
步骤S302、各F-AP根据各自的训练样本集和模型参数,利用随机梯度下降算法更新模型权值,表达式为:
公式中,Δθm为F-APm的模型权值更新;
步骤S303、各F-AP将模型权值更新上传至云服务器,云服务器对所有的F-AP簇进行一次遍历,并对每个F-AP簇进行如下条件判断:
对于F-AP簇φ,若条件不成立,则跳过该簇φ;若条件成立,则在F-AP簇φ内执行如下步骤:
步骤S3031、在簇内计算每两个F-AP间的余弦相似度,表达式为:
公式中,αm,n为F-APm与F-APn之间的余弦相似度,<Δθm,Δθn>为Δθm和Δθn的内积;
步骤S3032、云服务器利用簇内每两个F-AP间的余弦相似度,通过最小化不同子簇的F-AP之间的最大余弦相似度,将簇φ中的F-AP划分为两个子簇,表达式为:
其中,φ1和φ2为划分后的两个子簇;
步骤S304、云服务器在每个簇内各自独立地进行模型权值更新的聚合,并将聚合后的模型权值更新传输给对应簇内的每个F-AP,各F-AP利用聚合后的模型权值更新,对各自的模型参数进行更新,表达式为:
公式中,φ(m)为包含了F-APm的F-AP簇,|φ(m)|为簇φ(m)中包含的F-AP数量;
步骤S305、重复步骤S302到S304,直到所有F-AP的模型达到收敛,即对任意F-APm,Δθm<ε2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111254524.XA CN113965937B (zh) | 2021-10-27 | 2021-10-27 | 一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111254524.XA CN113965937B (zh) | 2021-10-27 | 2021-10-27 | 一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113965937A true CN113965937A (zh) | 2022-01-21 |
CN113965937B CN113965937B (zh) | 2024-02-13 |
Family
ID=79467537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111254524.XA Active CN113965937B (zh) | 2021-10-27 | 2021-10-27 | 一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113965937B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115243197A (zh) * | 2022-07-18 | 2022-10-25 | 拉扎斯网络科技(上海)有限公司 | 配送数据处理方法、装置、设备及存储介质 |
CN115767596A (zh) * | 2022-11-15 | 2023-03-07 | 重庆邮电大学 | 边缘计算中面向用户移动性与偏好的边缘协同缓存方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340277A (zh) * | 2020-02-19 | 2020-06-26 | 东南大学 | 雾无线接入网中基于联邦学习的流行度预测模型及预测方法 |
CN111935784A (zh) * | 2020-08-12 | 2020-11-13 | 重庆邮电大学 | 一种雾计算网络中基于联邦学习的内容缓存方法 |
CN113315978A (zh) * | 2021-05-13 | 2021-08-27 | 江南大学 | 一种基于联邦学习的协作式在线视频边缘缓存方法 |
CN113382059A (zh) * | 2021-06-08 | 2021-09-10 | 东南大学 | 一种雾无线接入网中基于联邦强化学习的协作缓存方法 |
WO2021179720A1 (zh) * | 2020-10-12 | 2021-09-16 | 平安科技(深圳)有限公司 | 基于联邦学习的用户数据分类方法、装置、设备及介质 |
-
2021
- 2021-10-27 CN CN202111254524.XA patent/CN113965937B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340277A (zh) * | 2020-02-19 | 2020-06-26 | 东南大学 | 雾无线接入网中基于联邦学习的流行度预测模型及预测方法 |
CN111935784A (zh) * | 2020-08-12 | 2020-11-13 | 重庆邮电大学 | 一种雾计算网络中基于联邦学习的内容缓存方法 |
WO2021179720A1 (zh) * | 2020-10-12 | 2021-09-16 | 平安科技(深圳)有限公司 | 基于联邦学习的用户数据分类方法、装置、设备及介质 |
CN113315978A (zh) * | 2021-05-13 | 2021-08-27 | 江南大学 | 一种基于联邦学习的协作式在线视频边缘缓存方法 |
CN113382059A (zh) * | 2021-06-08 | 2021-09-10 | 东南大学 | 一种雾无线接入网中基于联邦强化学习的协作缓存方法 |
Non-Patent Citations (1)
Title |
---|
ZHIHENG WANG等: "Content Popularity Prediction in Fog-RANs: A Clustered Federated Learning Based Approach", 《 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC 2022)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115243197A (zh) * | 2022-07-18 | 2022-10-25 | 拉扎斯网络科技(上海)有限公司 | 配送数据处理方法、装置、设备及存储介质 |
CN115767596A (zh) * | 2022-11-15 | 2023-03-07 | 重庆邮电大学 | 边缘计算中面向用户移动性与偏好的边缘协同缓存方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113965937B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Asynchronous federated learning on heterogeneous devices: A survey | |
Yu et al. | Federated learning based proactive content caching in edge computing | |
Elgendy et al. | Joint computation offloading and task caching for multi-user and multi-task MEC systems: reinforcement learning-based algorithms | |
Jiang et al. | User preference learning-based edge caching for fog radio access network | |
Chen et al. | Machine learning for wireless networks with artificial intelligence: A tutorial on neural networks | |
US10163420B2 (en) | System, apparatus and methods for adaptive data transport and optimization of application execution | |
CN111340277B (zh) | 雾无线接入网中基于联邦学习的流行度预测模型及预测方法 | |
Yu et al. | Privacy-preserving federated deep learning for cooperative hierarchical caching in fog computing | |
Zhang et al. | Federated learning with adaptive communication compression under dynamic bandwidth and unreliable networks | |
CN113965937B (zh) | 一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法 | |
CN113902021A (zh) | 一种高能效的聚类联邦边缘学习策略生成方法和装置 | |
CN108667653B (zh) | 超密集网络中基于聚类的缓存配置方法及装置 | |
Wu et al. | Content popularity prediction in fog radio access networks: A federated learning based approach | |
CN111049903B (zh) | 一种基于应用感知预测的边缘网络负载分配算法 | |
Jiang et al. | A novel caching policy with content popularity prediction and user preference learning in fog-RAN | |
CN113315669B (zh) | 基于云边协同的吞吐量优化的机器学习推断任务部署方法 | |
WO2023178793A1 (zh) | 双视角图神经网络模型的训练方法、装置、设备及介质 | |
Jiang et al. | Federated learning-based content popularity prediction in fog radio access networks | |
Li et al. | DQN-enabled content caching and quantum ant colony-based computation offloading in MEC | |
Zhou et al. | Content placement with unknown popularity in fog radio access networks | |
Nithyanantham et al. | Hybrid Deep Learning Framework for Privacy Preservation in Geo-Distributed Data Centre. | |
Wang et al. | Caching as an image characterization problem using deep convolutional neural networks | |
CN116339748A (zh) | 基于移动性预测的边缘计算网络中的自适应应用程序部署方法 | |
CN111901394B (zh) | 一种联合考虑用户偏好及活跃程度的移动边缘缓存的方法及系统 | |
Qin et al. | Adaptive In‐Network Collaborative Caching for Enhanced Ensemble Deep Learning at Edge |
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 |