CN114785858A - 应用于互感器在线监测系统的资源主动缓存方法及装置 - Google Patents

应用于互感器在线监测系统的资源主动缓存方法及装置 Download PDF

Info

Publication number
CN114785858A
CN114785858A CN202210698878.1A CN202210698878A CN114785858A CN 114785858 A CN114785858 A CN 114785858A CN 202210698878 A CN202210698878 A CN 202210698878A CN 114785858 A CN114785858 A CN 114785858A
Authority
CN
China
Prior art keywords
resource
user
client
cache
popularity
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
Application number
CN202210698878.1A
Other languages
English (en)
Other versions
CN114785858B (zh
Inventor
赵杰
代洁
陈勉舟
陈应林
任波
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.)
Wuhan Gelanruo Intelligent Technology Co ltd
Original Assignee
Wuhan Glory Road Intelligent Technology 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 Wuhan Glory Road Intelligent Technology Co ltd filed Critical Wuhan Glory Road Intelligent Technology Co ltd
Priority to CN202210698878.1A priority Critical patent/CN114785858B/zh
Publication of CN114785858A publication Critical patent/CN114785858A/zh
Application granted granted Critical
Publication of CN114785858B publication Critical patent/CN114785858B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种应用于互感器在线监测系统的资源主动缓存方法及缓存装置，方法包括：获取用户资源访问的历史行为日志记录数据；根据用户资源访问的历史行为日志记录数据，预测未来设定时间内，每一个资源的资源流行度，每一个资源的所述资源流行度是指每一个资源被所述用户访问的概率；基于每一个资源的资源流行度，确定每一个客户端的缓存放置策略，所述缓存放置策略为客户端需要缓存的资源。本发明提供一种主动缓存算法，通过提前将资源缓存在各个用户客户端（Web客户端、APP客户端）中，用户访问时直接从客户端缓存中获取资源，因此可忽略服务端的处理时间及网络传输延时的影响，从而大大提高系统响应时间，提升系统性能。

Description

应用于互感器在线监测系统的资源主动缓存方法及装置
技术领域
本发明涉及数据缓存领域，更具体地，涉及一种应用于互感器在线监测系统的资源主动缓存方法及装置。
背景技术
互感器在线监测技术是以多互感器、长周期内的运行数据为基础，通过大数据、人工智能等技术为手段，来实现互感器误差结果的精准评估。基于互感器在线监测技术建设互感器在线监测系统可实现各互感器误差状态实时在线监测，互感器计量状态全掌控，从而将互感器运维从“定期运维”提升为“按需运维”。
互感器在线监测系统通过对变电站档案数据、互感器档案数据、站内一次接线图、互感器基础数据、运维数据等进行管理，并借助3D建模、动效以及图表展示等可视化技术实现“在线监测”、“状态评价”与“运维管理”等核心功能，实现不停电下的远程监测，节省大量人力物力，及时发现超差的互感器，实现电量追补，推动对互感器的精益化管理，进一步实现对互感器的精准运维。
随着计算机硬件、高速网络传输技术、大数据技术的发展，用户对互感器在线监测系统的性能提出了更高的要求，比如更短的响应时间、更高的并发量、更快的页面渲染帧率。在系统架构中增加缓存模块，并采用高效的缓存算法就是一种用来获取更短的响应时间、更高的并发量的手段。
在高并发的互联网系统中，缓存的命中率是至关重要的指标，缓存的命中率越高则表示使用缓存的收益越高，应用的性能越好（响应时间越短、吞吐量越高），抗并发的能力越强。
当前更多采用的缓存机制都是一种被动的缓存方式，当用户请求到达服务端后才触发缓存操作，该方案在用户获取内容时依旧存在一定的延时。当缓存容量满时，采用LRU最近最少使用算法，LFU最不经常使用算法，FIFO先进先出算法等来决定缓存系统中哪些数据将被删除。
现有技术无法对未来的访问资源进行预测，因此可能存在将真正需要被缓存的资源淘汰删除，从而导致缓存命中率低的问题。
发明内容
本发明针对现有技术中存在的技术问题，提供一种应用于互感器在线监测系统的资源主动缓存方法及装置。
根据本发明的第一方面，提供了一种应用于互感器在线监测系统的资源主动缓存方法，包括：
获取用户资源访问的历史行为日志记录数据；
根据用户资源访问的历史行为日志记录数据，预测未来设定时间内，每一个资源的资源流行度，每一个资源的所述资源流行度是指每一个资源被所述用户访问的概率；
基于每一个资源的资源流行度，确定每一个客户端的缓存放置策略，所述缓存放置策略为客户端需要缓存的资源。
根据本发明的第二方面，提供了一种应用于互感器在线监测系统的资源主动缓存装置，包括：
获取模块，用于获取用户资源访问的历史行为日志记录数据；
预测模块，用于根据用户资源访问的历史行为日志记录数据，预测未来设定时间内，每一个资源的资源流行度，每一个资源的所述资源流行度是指每一个资源被所述用户访问的概率；
确定模块，用于基于每一个资源的资源流行度，确定每一个客户端的缓存放置策略，所述缓存放置策略为客户端需要缓存的资源。
根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现应用于互感器在线监测系统的资源主动缓存方法的步骤。
根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现应用于互感器在线监测系统的资源主动缓存方法的步骤。
本发明提供的一种应用于互感器在线监测系统的资源主动缓存方法及装置，通过提前将资源缓存在各个用户客户端（Web客户端、APP客户端）中，用户访问时直接从客户端缓存中获取资源，因此可忽略服务端的处理时间及网络传输延时的影响，从而大大提高系统响应时间，提升系统性能。
附图说明
图1为本发明提供的一种应用于互感器在线监测系统的资源主动缓存方法流程图；
图2为本发明提供的一种应用于互感器在线监测系统的资源主动缓存装置的结构示意图；
图3为应用资源主动缓存的互感器在线监测系统的结构示意图；
图4为本发明提供的一种可能的电子设备的硬件结构示意图；
图5为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例一
一种应用于互感器在线监测系统的资源主动缓存方法，参见图1，该资源主动缓存方法主要包括以下步骤：
S1，获取用户资源访问的历史行为日志记录数据。
可以理解的是，当用户登录访问互感器在线监测系统客户端时，客户端获取用户访问用户的行为日志记录数据，并将用户访问用户的行为日志记录数据以及本地缓存命中情况上传至服务端。
其中，资源访问的历史行为日志记录数据包括资源访问请求的URL（UniversalResource Locator，统一资源定位符）、客户端IP、客户端类型、操作时间、用户角色、用户名、请求的资源类别、请求的资源和资源页面停留时间等信息。
S2，根据用户资源访问的历史行为日志记录数据，预测未来设定时间内，每一个资源的资源流行度，每一个资源的所述资源流行度是指每一个资源被所述用户访问的概率。
可以理解的是，对于每一个客户端，可根据用户访问资源的历史行为日志记录数据，搭建用户行为预测模型，后续可根据用户行为预测模型对用户下一阶段的资源访问行为进行预测，得到未来一段时间内的每一个资源被用户访问的概率，即资源流行度。其中，对于搭建的用户行为预测模型，可根据用户更多的行为日志记录数据，不断地进行完善，提高用户行为预测模型的预测精度。
其中，根据用户资源访问的历史行为日志记录数据，预测未来设定时间内，每一个资源的资源流行度，包括：
对用户资源访问的历史行为日志记录数据进行统计生成向量
Figure 445962DEST_PATH_IMAGE001
和
Figure 23574DEST_PATH_IMAGE002
，其中：
假设互感器在线监测系统中的用户总数量为U，页面数量为P，令
Figure 336744DEST_PATH_IMAGE003
，
Figure 210284DEST_PATH_IMAGE004
表示第u个用户访问的第p个页面中资源的个数，
Figure 812167DEST_PATH_IMAGE005
，
Figure 927891DEST_PATH_IMAGE006
，
Figure 626725DEST_PATH_IMAGE007
表示第p个页面中第f个资源的个数，p表示页面的编号，p=1,2,...,P，f表示资源的编 号，f=1,2,...,F，F为资源总数量；
选择LDA模型计算用户u选择资源f的联合概率：
Figure 405588DEST_PATH_IMAGE008
；
其中，基于LDA模型，对用户历史行为日志记录数据进行训练，得到收敛后的
Figure 557083DEST_PATH_IMAGE009
和
Figure 899334DEST_PATH_IMAGE010
，
Figure 921517DEST_PATH_IMAGE009
的初始值为50/资源类别数量，
Figure 136860DEST_PATH_IMAGE010
的初始值为0.1；
得到用户对每一个资源访问的联合概率，计算每一个资源的资源流行度：
Figure 978914DEST_PATH_IMAGE011
；
其中C为常量，
Figure 764336DEST_PATH_IMAGE012
是位于0.5到1之间的常量，C和
Figure 470386DEST_PATH_IMAGE012
的值通过对历史行为日志记录 数据进行多项式回归拟合得到，i是用户编号，
Figure 355165DEST_PATH_IMAGE013
表示资源被用户i访问的概率，即资源流 行度。
S3，基于每一个资源的资源流行度，确定每一个客户端的缓存放置策略，所述缓存放置策略为客户端需要缓存的资源。
可以理解的是，每一个资源的资源流行度是指每一个资源被用户访问的概率，根据用户访问每一个资源的概率，可求解每一个用户的缓存放置策略。其中，每一个客户端中设置有缓存，所谓每一个客户端的缓存放置策略即为每一个客户端的缓存中存储哪些资源，其中，客户端的本地缓存介质包括Web端的IndexDB或APP端的SQLite数据库。
其中，设系统中用户总数量为U，资源总数量为F，记
Figure 950095DEST_PATH_IMAGE014
为用户i访问资源j的概率，
Figure 916039DEST_PATH_IMAGE015
是缓存标记，表示资源j是否被用户i缓存，其中
Figure 647235DEST_PATH_IMAGE016
，
Figure 702915DEST_PATH_IMAGE017
，所 述每一个客户端的缓存放置策略为缓存最容易被用户访问到的资源；建立优化目标函数：
Figure 519562DEST_PATH_IMAGE018
；
Figure 339795DEST_PATH_IMAGE019
；
其中，
Figure 925497DEST_PATH_IMAGE020
表示用户i请求所有资源的概率和，符号
Figure 683237DEST_PATH_IMAGE021
表示对于任意 一个i。
对于每一个客户端，将上述的优化目标函数进行分解，可得每一个客户端的优化目标函数：
Figure 190442DEST_PATH_IMAGE022
；
其中，每一个客户端的优化目标函数需要满足以下约束条件：
(1)各个客户端可分配的缓存容量限制，即
Figure 826085DEST_PATH_IMAGE023
；
(2) 缓存标志cij取值为0或1，cij=1当时表示资源j被用户i缓存，否则未被缓存， 即
Figure 531873DEST_PATH_IMAGE024
；
其中
Figure 929356DEST_PATH_IMAGE025
表示资源j占用的大小，
Figure 720595DEST_PATH_IMAGE026
表示用户i当前登录的客户端可分配的缓存容 量大小。对每一个用户，求解其对应的优化目标函数，得到每一个客户端的缓存放置策略。
基于上述建立的优化目标函数，基于SARSA的互感器在线监测系统的缓存算法可表达成如下的优化问题模型：
target:
Figure 628770DEST_PATH_IMAGE027
；
subject to:
Figure 126748DEST_PATH_IMAGE028
；
Figure 757449DEST_PATH_IMAGE029
；
其中，
Figure 770404DEST_PATH_IMAGE030
，即用户i访问所有资源的概率和。
要解决上述问题，需要对用户请求资源的概率进行估计，首先基于用户历史行为日志记录对用户的偏好进行预测，即用户访问每一个资源的概率，用户访问每一个资源的概率可参考上述技术特征，在此不再重复说明。其中，互感器在线监测系统中的资源类别包括省级资源、市级资源、站级资源、设备级资源等，每一类别包含一种或多种资源，如市级资源包含各个地市资源信息，站级资源包含各个变电站资源信息。
建立了每一个客户端的优化目标函数，接下来可以利用SARSA算法对优化目标函数进行求解，其求解步骤如下：
(1)建立
Figure 216691DEST_PATH_IMAGE031
矩阵，初始化为
Figure 834755DEST_PATH_IMAGE032
，矩阵行表示当前状态，即互感器在线 监测系统当前的页面，也就是用户当前访问资源，矩阵行可构成状态空间S，矩阵列表示在 当前状态下采取的动作，即缓存策略
Figure 839620DEST_PATH_IMAGE033
的值，
Figure 339871DEST_PATH_IMAGE034
表示第i 个用户缓存哪些资源，矩阵列构成动作空间A，
Figure 386587DEST_PATH_IMAGE035
表示在某一时刻的状态
Figure 921473DEST_PATH_IMAGE036
下采 取动作
Figure 926601DEST_PATH_IMAGE037
得到的Q值；
(2)根据当前Q矩阵给当前状态选择一个动作并执行，采取
Figure 976465DEST_PATH_IMAGE038
策略来选择， 初始设置
Figure 263090DEST_PATH_IMAGE039
，进入s’状态；
(3)在s’状态下选择一个动作a’，同样采用
Figure 153948DEST_PATH_IMAGE038
策略来选择，然后更新Q矩阵，
Figure 438299DEST_PATH_IMAGE040
，
Figure 178722DEST_PATH_IMAGE041
，
Figure 800196DEST_PATH_IMAGE042
，其中
Figure 279981DEST_PATH_IMAGE043
为学习 率，初始设置为
Figure 63129DEST_PATH_IMAGE044
，
Figure 759690DEST_PATH_IMAGE045
为奖励性衰变系数，初始设置为
Figure 591380DEST_PATH_IMAGE046
，r为在状态s下执行 动作a得到的奖励值r，当执行动作a后，缓存的资源容量超过当前客户端缓存容量最大值 时，奖励值r=-1，否则
Figure 220944DEST_PATH_IMAGE047
。
（4）重复步骤（2）-（3），指导训练结束，对于从Q矩阵中每一个状态选择的对应动作，均可计算对应的Q值，最大对应Q值对应的动作即为得到最优的缓存策略。
本发明提出的应用于互感器在线监测系统的资源主动缓存方法，该方法通过对互感器在线监测系统中用户的历史行为进行分析，建立用户行为预测模型，对用户未来一段时间内的行为进行预测，然后基于预测结果建立每个用户独立的缓存资源表，最后将该缓存资源表推送至每个在线的用户进行客户端本地缓存。本算法是一种主动的缓存算法，利用服务端推送技术，提前将资源缓存在客户端本地，可以大大提升缓存效率及系统响应时间，从而提高系统性能，此外该算法还具备良好的自适应性。
实施例二
一种应用于互感器在线监测系统的资源主动缓存装置，参见图2，该资源主动缓存装置包括获取模块21、预测模块22和确定模块23，其中：
获取模块21，用于获取用户资源访问的历史行为日志记录数据；
预测模块22，用于根据用户资源访问的历史行为日志记录数据，预测未来设定时间内，每一个资源的资源流行度，每一个资源的所述资源流行度是指每一个资源被所述用户访问的概率；
确定模块23，用于基于每一个资源的资源流行度，确定每一个客户端的缓存放置策略，所述缓存放置策略为客户端需要缓存的资源。
上述获取模块21、预测模块22和确定模块23可以理解为位于服务端，其中，可参见图3，服务端还可以包括用户行为日志记录模块、用户行为日志分析模块、用户行为预测模块、缓存策略算法模块以及缓存数据推送模块，客户端中可以包括用户行为日志上传模块和客户端缓存模块，其中：
用户行为日志分析模块，通过读取用户行为日志记录模块中存储的用户行为日志历史记录，对用户行为预测模型进行完善拟合。用户行为预测模块，基于用户行为日志分析模块的用户行为预测模型对用户下一阶段的行为进行预测，得到未来一段时间内的资源被用户访问的概率，即资源流行度。缓存策略算法模块，基于用户行为预测算法模块预测出来的未来一段时间内的资源流行度，执行缓存放置策略，决定需要被放入每一个客户端缓存中的资源，通过客户端id和资源key集合的方式存放到redis分布式缓存中。
缓存数据推送模块供用户将缓存策略算法模块计算出来的缓存资源key集合推送至客户端。客户端缓存模块，用于接收缓存数据推送模块推送的消息，以及对数据进行本地存储，存储介质包括Web端的IndexDB或APP端的SQLite数据库。用户行为日志上传模块部署在客户端，用于将用户的客户端操作信息上传至服务端。
可以理解的是，本发明提供的一种应用于互感器在线监测系统的资源主动缓存装置与前述各实施例提供的应用于互感器在线监测系统的资源主动缓存方法相对应，应用于互感器在线监测系统的资源主动缓存装置的相关技术特征可参考应用于互感器在线监测系统的资源主动缓存方法的相关技术特征，在此不再赘述。
实施例三
请参阅图4，图4为本发明实施例提供的电子设备的实施例示意图。如图4所示，本发明实施例提了一种电子设备400，包括存储器410、处理器420及存储在存储器410上并可在处理器420上运行的计算机程序411，处理器420执行计算机程序411时实现实施例一的应用于互感器在线监测系统的资源主动缓存方法的步骤。
实施例四
请参阅图5，图5为本发明提供的一种计算机可读存储介质的实施例示意图。如图5所示，本实施例提供了一种计算机可读存储介质500，其上存储有计算机程序511，该计算机程序511被处理器执行时实现实施例一的应用于互感器在线监测系统的资源主动缓存方法的步骤。
本发明实施例提供的一种应用于互感器在线监测系统的资源主动缓存方法及装置，具有以下技术效果：
(1)本技术方案通过对每个用户的行为进行预测，可实现资源被精准命中，从而大大提高缓存效率，降低系统响应时间，进而提升系统性能。
(2)本技术方案具有良好的自适应性，每收到用户的请求记录后都会对用户行为预测模型进行完善拟合，并通过一种基于Agent代理自学习的SARSA算法来获取每个用户的最优缓存分配策略，从而提升缓存命中率。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/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。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者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。
这些计算机程序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计算机可读存储器中，使得存储在该计算机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。
这些计算机程序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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (9)

1.一种应用于互感器在线监测系统的资源主动缓存方法，其特征在于，包括：
获取用户资源访问的历史行为日志记录数据；
根据用户资源访问的历史行为日志记录数据，预测未来设定时间内，每一个资源的资源流行度，每一个资源的所述资源流行度是指每一个资源被所述用户访问的概率；
基于每一个资源的资源流行度，确定每一个客户端的缓存放置策略，所述缓存放置策略为客户端需要缓存的资源。
2.根据权利要求1所述的资源主动缓存方法，其特征在于，所述资源访问的历史行为日志记录数据包括资源访问请求的URL、客户端IP、客户端类型、操作时间、用户角色、用户名、请求的资源类别、请求的资源和资源页面停留时间。
3.根据权利要求1所述的资源主动缓存方法，其特征在于，所述根据用户资源访问的历史行为日志记录数据，预测未来设定时间内，每一个资源的资源流行度，包括：
对用户资源访问的历史行为日志记录数据进行统计生成向量
Figure 823602DEST_PATH_IMAGE001
和
Figure 459245DEST_PATH_IMAGE002
，其中：
假设互感器在线监测系统中的用户总数量为U，页面数量为P，令
Figure 899453DEST_PATH_IMAGE003
，
Figure 624833DEST_PATH_IMAGE004
表示第u个用户访问的第p个页面中资源的个数，
Figure 448695DEST_PATH_IMAGE005
，
Figure 589826DEST_PATH_IMAGE006
，
Figure 415699DEST_PATH_IMAGE007
表示第p个页面中第f个资源的个数，p表示页面的编号， p=1,2,...,P，f表示资源的编号，f=1,2,...,F，F为资源总数量；
选择LDA模型计算用户u选择资源f的联合概率：
Figure 984084DEST_PATH_IMAGE008
；
其中，基于LDA模型，对用户历史行为日志记录数据进行训练，得到收敛后的
Figure 764083DEST_PATH_IMAGE009
和
Figure 912168DEST_PATH_IMAGE010
，
Figure 326969DEST_PATH_IMAGE009
的初始值为50/资源类别数量，
Figure 66255DEST_PATH_IMAGE010
的初始值为0.1；
得到用户对每一个资源访问的联合概率，计算每一个资源的资源流行度：
Figure 67971DEST_PATH_IMAGE011
；
其中C为常量，
Figure 82063DEST_PATH_IMAGE012
是位于0.5到1之间的常量，C和
Figure 351371DEST_PATH_IMAGE012
的值通过对历史行为日志记录数据 进行多项式回归拟合得到，i是用户编号，
Figure 730399DEST_PATH_IMAGE013
表示资源被用户i访问的概率，即资源流行度。
4.根据权利要求3所述的资源主动缓存方法，其特征在于，所述基于每一个资源的资源流行度，确定每一个客户端的缓存放置策略，包括：
设系统中用户总数量为U，资源总数量为F，记
Figure 983526DEST_PATH_IMAGE014
为用户i访问资源j的概率，
Figure 759897DEST_PATH_IMAGE015
是缓 存标记，表示资源j是否被用户i缓存，其中
Figure 149290DEST_PATH_IMAGE016
，
Figure 495958DEST_PATH_IMAGE017
，所述每 一个客户端的缓存放置策略为缓存最容易被用户访问到的资源；建立优化目标函数：
Figure 705222DEST_PATH_IMAGE018
；
Figure 297003DEST_PATH_IMAGE019
；
其中，
Figure 744165DEST_PATH_IMAGE020
表示用户i请求所有资源的概率和，符号
Figure 261734DEST_PATH_IMAGE021
表示对于任意一 个i；
对于每一个用户，其优化目标函数为：
Figure 489453DEST_PATH_IMAGE022
；
其中，每一个用户的优化目标函数需要满足以下约束条件：
(1)各个客户端可分配的缓存容量限制，即
Figure 619345DEST_PATH_IMAGE023
；
(2)缓存标志cij取值为0或1，cij=1当时表示资源j被用户i缓存，否则未被缓存，即
Figure 921014DEST_PATH_IMAGE024
；
其中
Figure 609484DEST_PATH_IMAGE025
表示资源j占用的大小，
Figure 793341DEST_PATH_IMAGE026
表示用户i当前登录的客户端可分配的缓存容量大 小；
对每一个用户，求解其对应的优化目标函数，得到每一个客户端的缓存放置策略。
5.根据权利要求4所述的资源主动缓存方法，其特征在于，所述对每一个用户，求解其对应的优化目标函数，得到每一个客户端的缓存放置策略，包括：
采用SARSA算法对优化目标函数，得到每一个客户端的缓存放置策略。
6.根据权利要求5所述的资源主动缓存方法，其特征在于，所述采用SARSA算法对优化目标函数，得到每一个客户端的缓存放置策略，包括：
步骤1，建立Q矩阵，所述Q矩阵的行表示状态空间S，即用户的当前访问资源，所述Q矩阵 的列表示动作空间A，即缓存策略
Figure 491038DEST_PATH_IMAGE027
，
Figure 210995DEST_PATH_IMAGE028
表示第i个用户的缓存策略，
Figure 539208DEST_PATH_IMAGE029
表示在状态下采取动作
Figure 210361DEST_PATH_IMAGE030
得到的Q值；
步骤2，基于当前状态s，从Q矩阵的动作空间A中选取一个动作a并执行，进入下一个状态s’；
步骤3，基于下一个状态s’，从Q矩阵中选择一个动作a’，更新Q矩阵；
步骤4，重复执行步骤2和步骤3，不断更新Q矩阵，并计算在每一个状态下选取对应动作的Q值；
步骤5，将最大Q值对应的动作作为最终用户的缓存放置策略。
7.根据权利要求6所述的资源主动缓存方法，其特征在于，基于
Figure 383853DEST_PATH_IMAGE031
策略从Q矩阵 中选取状态对应的动作。
8.根据权利要求6所述的资源主动缓存方法，其特征在于，所述步骤3中基于下一个状态s’，从Q矩阵中选择一个动作a’，更新Q矩阵，包括：
Figure 456851DEST_PATH_IMAGE032
；
其中
Figure 988589DEST_PATH_IMAGE033
为学习率，初始设置为
Figure 147038DEST_PATH_IMAGE034
，
Figure 920959DEST_PATH_IMAGE035
为奖励性衰变系数，初始设置为
Figure 379622DEST_PATH_IMAGE036
，r 为在状态s下执行动作a得到的奖励值r，当执行动作a后，缓存的资源容量超过当前客户端 缓存容量限制时，奖励值r=-1，否则
Figure 82261DEST_PATH_IMAGE037
。
9.一种应用于互感器在线监测系统的资源主动缓存装置，其特征在于，包括：
获取模块，用于获取用户资源访问的历史行为日志记录数据；
预测模块，用于根据用户资源访问的历史行为日志记录数据，预测未来设定时间内，每一个资源的资源流行度，每一个资源的所述资源流行度是指每一个资源被所述用户访问的概率；
确定模块，用于基于每一个资源的资源流行度，确定每一个客户端的缓存放置策略，所述缓存放置策略为客户端需要缓存的资源。
CN202210698878.1A 2022-06-20 2022-06-20 应用于互感器在线监测系统的资源主动缓存方法及装置 Active CN114785858B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210698878.1A CN114785858B (zh) 2022-06-20 2022-06-20 应用于互感器在线监测系统的资源主动缓存方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210698878.1A CN114785858B (zh) 2022-06-20 2022-06-20 应用于互感器在线监测系统的资源主动缓存方法及装置

Publications (2)

Publication Number Publication Date
CN114785858A true CN114785858A (zh) 2022-07-22
CN114785858B CN114785858B (zh) 2022-09-09

Family

ID=82421671

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210698878.1A Active CN114785858B (zh) 2022-06-20 2022-06-20 应用于互感器在线监测系统的资源主动缓存方法及装置

Country Status (1)

Country Link
CN (1) CN114785858B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116991902A (zh) * 2023-09-26 2023-11-03 北京点聚信息技术有限公司 基于数据缓存的本地资源调用方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100318484A1 (en) * 2009-06-15 2010-12-16 Bernardo Huberman Managing online content based on its predicted popularity
CN107222787A (zh) * 2017-06-02 2017-09-29 中国科学技术大学 视频资源流行度预测方法
CN108833352A (zh) * 2018-05-17 2018-11-16 北京邮电大学 一种缓存方法及系统
CN109857934A (zh) * 2019-01-21 2019-06-07 广州大学 基于用户行为分析的软件模块缓存预取方法、装置及介质
CN109981659A (zh) * 2019-03-29 2019-07-05 郑州工程技术学院 基于数据去重技术的网络资源预取方法以及系统
CN111818130A (zh) * 2020-06-17 2020-10-23 华北电力大学（保定） 基于强化学习缓存与计算的联合优化
CN112862060A (zh) * 2019-11-28 2021-05-28 南京大学 一种基于深度学习的内容缓存方法
CN113687960A (zh) * 2021-08-12 2021-11-23 华东师范大学 一种基于深度强化学习的边缘计算智能缓存方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100318484A1 (en) * 2009-06-15 2010-12-16 Bernardo Huberman Managing online content based on its predicted popularity
CN107222787A (zh) * 2017-06-02 2017-09-29 中国科学技术大学 视频资源流行度预测方法
CN108833352A (zh) * 2018-05-17 2018-11-16 北京邮电大学 一种缓存方法及系统
CN109857934A (zh) * 2019-01-21 2019-06-07 广州大学 基于用户行为分析的软件模块缓存预取方法、装置及介质
CN109981659A (zh) * 2019-03-29 2019-07-05 郑州工程技术学院 基于数据去重技术的网络资源预取方法以及系统
CN112862060A (zh) * 2019-11-28 2021-05-28 南京大学 一种基于深度学习的内容缓存方法
CN111818130A (zh) * 2020-06-17 2020-10-23 华北电力大学（保定） 基于强化学习缓存与计算的联合优化
CN113687960A (zh) * 2021-08-12 2021-11-23 华东师范大学 一种基于深度强化学习的边缘计算智能缓存方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
常珞等: "概率缓存策略的网络传输机制研究", 《电子设计工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116991902A (zh) * 2023-09-26 2023-11-03 北京点聚信息技术有限公司 基于数据缓存的本地资源调用方法
CN116991902B (zh) * 2023-09-26 2023-12-08 北京点聚信息技术有限公司 基于数据缓存的本地资源调用方法

Also Published As

Publication number Publication date
CN114785858B (zh) 2022-09-09

Similar Documents

Publication Publication Date Title
Che et al. Hierarchical web caching systems: Modeling, design and experimental results
Ali et al. Intelligent web proxy caching approaches based on machine learning techniques
JP4327481B2 (ja) データベースシステム、サーバ、問い合わせ投入方法及びデータ更新方法
US8504558B2 (en) Framework to evaluate content display policies
US20090094416A1 (en) System and method for caching posting lists
CN105550338A (zh) 一种基于HTML5应用缓存的移动Web缓存优化方法
CN104822068A (zh) 流媒体代理缓存替换方法及装置
CN103150245B (zh) 确定数据实体的访问特性的方法和存储控制器
CN109981659A (zh) 基于数据去重技术的网络资源预取方法以及系统
CN114785858B (zh) 应用于互感器在线监测系统的资源主动缓存方法及装置
CN111881358B (zh) 一种对象推荐系统、方法、装置、电子设备和存储介质
CN113360094B (zh) 数据预测方法和装置、电子设备及存储介质
CN114297478A (zh) 一种页面推荐方法、装置、设备以及存储介质
CN109471971B (zh) 一种面向教育领域资源云存储的语义预取方法及系统
Chen Pre-fetching and Re-fetching in Web Caching systems: Algorithms and Simulation
CN111858469A (zh) 一种基于时间滑动窗口的自适应分级存储的方法
CN109189696B (zh) 一种ssd缓存系统及缓存方法
US7571446B2 (en) Server, computer system, object management method, server control method, computer program
CN110019362A (zh) 一种访问数据库的方法及装置
García et al. An adaptive neural network-based method for tile replacement in a web map cache
Jeon et al. A prefetching Web caching method using adaptive search patterns
Foong et al. Adaptive web caching using logistic regression
Han et al. A Statistic and Analysis of Access Pattern for Online VoD Multimedia
CN104636209A (zh) 基于大数据和云存储系统定向性能优化的资源调度系统和方法
Du et al. A web cache replacement strategy for safety-critical systems

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
CP01 Change in the name or title of a patent holder

Address after: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000

Patentee after: Wuhan Gelanruo Intelligent Technology Co.,Ltd.

Address before: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000

Patentee before: WUHAN GLORY ROAD INTELLIGENT TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Active resource cache method and device for on-line monitoring system of transformer

Effective date of registration: 20221230

Granted publication date: 20220909

Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch

Pledgor: Wuhan Gelanruo Intelligent Technology Co.,Ltd.

Registration number: Y2022420000404

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20220909

Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch

Pledgor: Wuhan Gelanruo Intelligent Technology Co.,Ltd.

Registration number: Y2022420000404

PC01 Cancellation of the registration of the contract for pledge of patent right