CN115484314A - 一种移动边缘计算网络下推荐赋能的边缘缓存优化方法 - Google Patents
一种移动边缘计算网络下推荐赋能的边缘缓存优化方法 Download PDFInfo
- Publication number
- CN115484314A CN115484314A CN202210956961.4A CN202210956961A CN115484314A CN 115484314 A CN115484314 A CN 115484314A CN 202210956961 A CN202210956961 A CN 202210956961A CN 115484314 A CN115484314 A CN 115484314A
- Authority
- CN
- China
- Prior art keywords
- content
- edge
- cache
- edge server
- time
- 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 31
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 22
- 238000013468 resource allocation Methods 0.000 claims abstract description 19
- 230000008030 elimination Effects 0.000 claims description 24
- 238000003379 elimination reaction Methods 0.000 claims description 24
- 150000001875 compounds Chemical class 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 10
- 241000695274 Processa Species 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
- H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
-
- 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
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/10—Flow control between communication endpoints
- H04W28/14—Flow control between communication endpoints using intermediate storage
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本发明公开一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，步骤包括：1)建立可推荐边缘缓存系统；2)获取当前待分析基站中所有服务用户、边缘服务器中的信息数据；3)初始化可推荐边缘缓存系统参数；4)确定t时刻的内容推荐策略
5)计算t时刻的内容推荐策略
的资源分配代价；6)建立基于强化学习的内容替换模型，并利用基于强化学习的内容替换模型更新边缘服务器的缓存内容；7)返回步骤2)，重复迭代，直至时刻t＝T，输出可推荐边缘缓存系统中的最优缓存内容
T为运行周期。本发明解决了边缘服务端缓存内容利用率低，传输时间过长用户体验感不好等情况。减低了系统成本，提高了用户的服务质量。
Description
技术领域
本发明涉及边缘缓存领域，具体是一种移动边缘计算网络下推荐赋能的边缘缓存优化方法。
背景技术
目前大规模的终端设备接入互联网用来实现内容访问、虚拟导航等多种服务，但大批量接入会导致主干网的严重堵塞，也会影响用户的体验感。多层计算作为系统级计算架构赋予了网络边缘计算/缓存的能力，可以在近用户侧缓存内容，将缓存内容发送给用户以减少检索延迟和缓解网络拥塞等问题，即边缘缓存的概念。与云服务器相比，边缘服务器只能缓存少部分内容，即缓存的容量十分有限。而用户的网络请求是动态变化的，这可能会导致大量的请求内容没有被缓存在边缘服务器上，用户仍然需要从云端获取到对应的请求内容。因此，为了提高边缘缓存命中率、降低服务延迟等问题，边缘缓存的缓存命中方案尤为重要。为了解决缓存命中率低的问题，大部分的解决方案会采取缓存替换策略：如传统的最少最近使用原则(Least Recently Used，LRU)和最少频繁使用原则(Least FrequentlyUsed，LFU)以及基于深度学习的缓存替换策略。
然而，上述基于规则和基于学习的策略都是以直接命中的方式操作的，直接命中的边缘缓存策略不计成本，必须检索到用户所需要的目标内容，且只能频繁的替换掉缓存中的内容，不能有效地解决缓存容量有限的问题。另一方面，只有同一个缓存内容被多个用户请求(即，同质请求)时，缓存命中率才会有所增加，但不同用户的请求内容是高度异构的，缓存替换策略的有效性会受到用户请求内容的影响。
总的来说，当前的边缘缓存存在以下两个问题：)资源级别：直接命中无法解决边缘服务器缓存容量有限的问题。2)决策级别：请求的异构性将降低缓存替换策略的命中率。
发明内容
本发明的目的是提供一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，包括以下步骤：
1)建立可推荐边缘缓存系统，包括远程云服务器、基站、边缘服务器、服务用户、内容文件；
进一步，所述基站的数量记为B；每一个基站包含一个边缘服务器；服务用户数量记为M；内容文件数量记为F；所述服务用户为终端设备；
所述可推荐边缘缓存系统中，一个服务用户在一个时刻被一个基站所服务；
所述可推荐边缘缓存系统周期性运行，总运行时刻记为T。
2)获取当前待分析基站中所有服务用户、边缘服务器中的信息数据；
所述终端设备的信息数据包括终端设备的请求内容f；
所述边缘服务器的信息数据包括边缘服务器的缓存内容
边缘服务器的缓存容量大小Kb、边缘服务器的服务用户
和当前边缘服务端的缓存策略
其中策略参数
且
策略参数
代表用户m所请求的内容由边缘服务器提供；策略参数
代表用户m所请求的内容由远程云服务器提供；策略参数
代表用户m所请求的内容由边缘服务器所缓存的相似内容提供；
为t时刻服务用户数量；
所述相似内容是指与请求内容相似度评分大于预设阈值的缓存内容。
边缘服务器内缓存内容与请求内容相似度评分
如下所示：
式中，
为用户m对内容f的评分；Sim(f,j)为相似度矩阵；
其中，相似度矩阵如下所示：
式中，|N(f)|和|N(j)|分别代表喜欢内容f和内容j的用户数，|N(f)∩N(j)|为同时喜欢内容f和内容j的用户数的用户数。
3)初始化可推荐边缘缓存系统参数；
所述初始化可推荐边缘缓存系统参数的步骤包括：
设定缓存策略
其中
设定资源分配代价
其中
表示在t时刻边缘服务器b中包含内容的状态。
设定边缘服务器的缓存内容
随机从F个不同的文件中抽取，且满足约束条件
kf为缓存内容的容量；
设定预推荐内容j＝0，j为预推荐内容的编号。
4)确定t时刻的内容推荐策略
确定t时刻的内容推荐策略
的步骤包括：
4.1)根据边缘服务器缓存内容状态信息
的值判断请求内容f缓存位置；
若
则判断请求内容缓存在边缘服务器中，进入步骤4.2)；
若
则判断请求内容未缓存在边缘服务器中，进入步骤4.3)；
4.2)更新缓存参数，令缓存参数
缓存参数
缓存参数
确定t时刻的内容推荐策略
为用户m所请求的内容由边缘服务器提供；
4.3)计算边缘服务器中缓存内容与请求内容的相似度评分，若相似度评分大于预设阈值，则令缓存参数
缓存参数
缓存参数
确定t时刻的内容推荐策略
为用户m所请求的内容由边缘服务器所缓存的相似内容提供，否则，进入步骤4.4)；
4.4)更新缓存参数，令缓存参数
缓存参数
缓存参数
确定t时刻的内容推荐策略
为用户m所请求的内容由远程云服务器提供。
5)计算t时刻的内容推荐策略
的资源分配代价；
所述t时刻的内容推荐策略
的资源分配代价
如下所示：
式中，λ1、λ2、λ3表示权重，且λ1+λ2+λ3＝1；资源分配代价
为t时刻缓存参数
时的总相似度代价；
为总时延代价；
为t时刻边缘服务端的缓存命中代价；
其中，t时刻软命中的总相似度代价
如下所示：
式中，
为用户m在t时刻请求的内容；软命中指用户m所请求的内容由边缘服务器所缓存的相似内容提供；
用户m的请求内容f和推荐内容j之间的相似度代价cm(f,j)如下所示：
t时刻的总时延代价
如下所示：
式中，
表示t时刻边缘服务器b中的缓存替代方案；当
表明当前内容f应该被缓存，否则不缓存；
为云端传输时延；
传输过程中的时延代价
如下所示：
式中，
为边缘服务器传输时延；
表明为用户m推荐的最相似内容j的传输时延；
用户m和边缘服务端b下载速率
如下所示：
最优带宽分配代价
如下所示：
式中，σ2为噪声功率、pb是从边缘服务器b分配给其服务用户的发射功率、|hb,m|表示信道增益；
t时刻边缘服务端的缓存命中代价
如下所示：
软命中率
如下所示：
式中，
表示b所服务的用户数。
6)更新边缘服务器的缓存内容；
将当前获得的缓存策略
和总系统代价
作为输入数据，通过LRU和LFU原则替换当前边缘服务端的缓存内容。
通过LRU和LFU原则替换当前边缘服务端的缓存内容的步骤包括：
a)在边缘服务器中存储LRU队列和LFU队列；
b)计算
的值，若
则将当前内容f加入所述LRU队列；
c)当所述LRU队列中存在访问热度大于预设热度阈值的数据时，将该数据从所述LRU队列中转移至所述LFU队列；
d)将从所述LRU队列中淘汰的数据的索引记录到LRU淘汰列表，并将从所述LFU队列中淘汰的数据的索引记录到LFU淘汰列表；
e)当所述LRU淘汰列表的命中次数达到预设第一命中阈值时，增加所述LRU队列的空间，减小所述LFU队列的空间，并重置所述LRU淘汰列表的命中次数；
f)当所述LFU淘汰列表的命中次数达到预设第二命中阈值时，增加所述LFU队列的空间，减小所述LRU队列的空间，并重置所述LFU淘汰列表的命中次数。
7)返回步骤2)，重复迭代，直至时刻t＝T，输出可推荐边缘缓存系统中的最优缓存内容
T为运行周期。
本发明的技术效果是毋庸置疑的，本发明综合考虑边缘服务端缓存空间的大小、直接命中、软命中的内容命中率和传输代价等综合因素，给出了边缘服务端的最佳缓存策略和当前时间段的最优缓存内容，很大程度上解决了边缘服务端缓存内容利用率低，传输时间过长用户体验感不好等情况。减低了系统成本，提高了用户的服务质量。
附图说明
图1为系统模型图；
图2为计算推荐赋能的边缘缓存系统的算法流程图。
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至图2，一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，包括以下步骤：
1)建立可推荐边缘缓存系统，包括远程云服务器、基站、边缘服务器、服务用户、内容文件；
所述基站的数量记为B；每一个基站包含一个边缘服务器；服务用户数量记为M；内容文件数量记为F；所述服务用户为终端设备；
所述可推荐边缘缓存系统中，一个服务用户在一个时刻被一个基站所服务；
所述可推荐边缘缓存系统以固定时间片刻方式运行，运行周期为T。
2)获取当前待分析基站中所有服务用户、边缘服务器中的信息数据；
所述终端设备的信息数据包括终端设备的请求内容f；
所述边缘服务器的信息数据包括边缘服务器的缓存内容
边缘服务器的缓存容量大小Kb、边缘服务器的服务用户
和当前边缘服务端的缓存策略
其中策略参数
且
策略参数
代表用户m所请求的内容由边缘服务器提供；策略参数
代表用户m所请求的内容由远程云服务器提供；策略参数
代表用户m所请求的内容由边缘服务器所缓存的相似内容提供；
为t时刻服务用户数量；
所述相似内容是指与请求内容相似度评分大于预设阈值的缓存内容。
边缘服务器内缓存内容与请求内容相似度评分
如下所示：
式中，
为用户m对内容f的评分；Sim(f,j)为相似度矩阵；
其中，相似度矩阵如下所示：
式中，|N(f)|和|N(j)|分别代表喜欢内容f和内容j的用户数，|N(f)∩N(j)|为同时喜欢内容f和内容j的用户数的用户数。
3)初始化可推荐边缘缓存系统参数；
所述初始化可推荐边缘缓存系统参数的步骤包括：
设定缓存策略
其中
设定资源分配代价
其中
表示在t时刻边缘服务器b中包含内容的状态。设定边缘服务器的缓存内容
随机从F个不同的文件中抽取，且满足约束条件
kf为缓存内容的容量；
设定预推荐内容j＝0，j为预推荐内容的编号。
4)确定t时刻的内容推荐策略
确定t时刻的内容推荐策略
的步骤包括：
4.1)根据边缘服务器缓存内容状态信息
的值判断请求内容f缓存位置；
若
则判断请求内容缓存在边缘服务器中，进入步骤4.2)；
若
则判断请求内容未缓存在边缘服务器中，进入步骤4.3)；
4.2)更新缓存参数，令缓存参数
缓存参数
缓存参数
确定t时刻的内容推荐策略
为用户m所请求的内容由边缘服务器提供；
4.3)计算边缘服务器中缓存内容与请求内容的相似度评分，若相似度评分大于预设阈值，则令缓存参数
缓存参数
缓存参数
确定t时刻的内容推荐策略
为用户m所请求的内容由边缘服务器所缓存的相似内容提供，否则，进入步骤4.4)；
4.4)更新缓存参数，令缓存参数
缓存参数
缓存参数
确定t时刻的内容推荐策略
为用户m所请求的内容由远程云服务器提供。
5)计算t时刻的内容推荐策略
的资源分配代价；
所述t时刻的内容推荐策略
的资源分配代价
如下所示：
式中，λ1、λ2、λ3表示权重，且λ1+λ2+λ3＝1；资源分配代价
为t时刻缓存参数
时的总相似度代价；
为总时延代价；
为t时刻边缘服务端的缓存命中代价；
其中，t时刻软命中的总相似度代价
如下所示：
式中，
为用户m在t时刻请求的内容；软命中指用户m所请求的内容由边缘服务器所缓存的相似内容提供；
用户m的请求内容f和推荐内容j之间的相似度代价cm(f,j)如下所示：
t时刻的总时延代价
如下所示：
式中，
表示t时刻边缘服务器b中的缓存替代方案；当
表明当前内容f应该被缓存，否则不缓存；
为云端传输时延；
的值是通过基于强化学习的内容替换模型确定。
传输过程中的时延代价
如下所示：
式中，
为边缘服务器传输时延；
表明为用户m推荐的最相似内容j的传输时延；
用户m和边缘服务端b下载速率
如下所示：
最优带宽分配代价
如下所示：
式中，σ2为噪声功率、pb是从边缘服务器b分配给其服务用户的发射功率、|hb,m|表示信道增益；
t时刻边缘服务端的缓存命中代价
如下所示：
软命中率
如下所示：
式中，
表示b所服务的用户数。
6)建立基于强化学习的内容替换模型，并利用基于强化学习的内容替换模型更新边缘服务器的缓存内容；所述基于强化学习的内容替换模型为神经网络模型，包括输入层、输出层和隐藏层。
将当前获得的缓存策略
和总系统代价
作为已构建好的基于强化学习的内容替换模型的输入数据并不断训练优化，通过LRU和LFU原则替换当前边缘服务端的缓存内容。
通过LRU和LFU原则替换当前边缘服务端的缓存内容的步骤包括：
a)在边缘服务器中存储LRU队列和LFU队列；
b)计算
的值，若
则将当前内容f加入所述LRU队列；
c)当所述LRU队列中存在访问热度大于预设热度阈值的数据时，将该数据从所述LRU队列中转移至所述LFU队列；
d)将从所述LRU队列中淘汰的数据的索引记录到LRU淘汰列表，并将从所述LFU队列中淘汰的数据的索引记录到LFU淘汰列表；
e)当所述LRU淘汰列表的命中次数达到预设第一命中阈值时，增加所述LRU队列的空间，减小所述LFU队列的空间，并重置所述LRU淘汰列表的命中次数；
f)当所述LFU淘汰列表的命中次数达到预设第二命中阈值时，增加所述LFU队列的空间，减小所述LRU队列的空间，并重置所述LFU淘汰列表的命中次数。
7)返回步骤2)，重复迭代，直至时刻t＝T，输出可推荐边缘缓存系统中的最优缓存内容
T为运行周期。
实施例2：
参见图1至图2，一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，包括以下步骤：
1)建立可推荐边缘缓存系统模型。
所述的可推荐边缘缓存系统模型包括远程云服务器、B个基站BS、b个部署在基站中的边缘服务器、M个不同的终端设备(用户)、F个不同的内容文件。每个用户在一个时刻只能被一个基站所服务。系统以固定时间片刻方式运行，总的运行周期为T。
2)获取当前所分析的基站中所有终端设备、边缘服务器中的信息数据，开始迭代运算。
所述的终端设备和边缘服务器的信息数据包括终端设备的请求内容f，边缘服务器的缓存内容
边缘服务器的缓存容量大小Kb，边缘服务器的服务用户
以及当前边缘服务端的缓存策略
其中的
分别代表用户m所请求的内容由边缘服务器提供、由云端提供以及由边缘服务器所缓存的相似内容提供，且满足约束条件
向用户推送请求内容称为直接命中，向用户推送相似的内容称为软命中。
3)初始化可推荐边缘缓存系统参数。
初始状态下令缓存策略
其中
表示请求的内容不在边缘服务器，且边缘服务器没有相似的内容可以推荐，只能由云端直接命中推荐给用户。资源分配代价
表示当前资源分配代价无穷大，有优化的可能。边缘服务器的缓存内容
随机从F个不同的文件中抽取，且满足约束条件
预推荐内容j＝0，j为预推荐内容的编号。
4)确定当前t时刻的内容推荐策略
通过
的值判断请求内容f缓存位置。
表示请求内容缓存在边缘服务器，修改缓存策略
跳到第6步，
继续第5步操作。
5)此时存在两种推送策略：从边缘服务器推送相似内容给用户和从云端推送请求内容，为了选取代价最小的推送策略，主要步骤如下：
5.1)相似度评分计算。利用基于协同过滤(Collaboration Filtering，CF)构建相似度矩阵并计算当前评分，计算公式如下：
式中
为用户m对内容f的评分，Sim(f,j)为构建的相似度矩阵。其中
对于用户
CF的思想是计算请求的内容f和
中缓存内容的相关性。|N(f)|和|N(j)|分别代表喜欢内容f和内容j的用户数，|N(f)∩N(j)|为同时喜欢内容f和内容j的用户数的用户数。
5.2)推荐内容选取。
利用当前计算值绘制正态分布曲线，3σ定理设置当前评分阈值τ。评分由高到低依次检索
中的内容直至
输出最终j。
6)推荐策略命中方案判断。
若
证明边缘服务器无满足条件的内容，修改缓存策略
即从云端直接命中请求内容并推送给用户。否则为软命中，修改缓存策略
将相似内容j从边缘服务器推送给用户。
7)修正当前t时刻边缘服务器的缓存内容，主要步骤如下：
7.1)系统传输有一定的代价，主要涉及到相似度代价、时延代价和缓存命中代价三部分。替换边缘服务器命中率低的缓存内容能够降低总传输代价。
t时刻软命中情况下的总相似度代价：
式中
为用户m在t时刻请求的内容。其中cm(f,j)表示用户m的请求内容f和推荐内容j之间的相似度代价，计算如下：
t时刻的总时延代价计算如下：
式中
表示t时刻边缘服务器b中的缓存替代方案。当
表明当前内容f应该被缓存，否则不缓存。
为云端传输时延。其中传输过程中的时延代价计算如下：
其中带宽分配代价，计算公式为：
式中σ2为噪声功率、pb是从边缘服务器b分配给其服务用户的发射功率、|hb,m|表示信道增益。
t时刻边缘服务端的缓存命中代价：
其中软命中率计算如下：
式中
表示b所服务的用户数。
7.2)总传输代价：
式中λ1、λ2、λ3分别代表了各自的权重并满足限制条件：λ1+λ2+λ3＝1。最终总代价满足约束条件
8)资源替换
将当前获得的缓存策略
和总系统代价
作为已构建好的基于强化学习的内容替换模型的输入数据并不断训练优化，通过LRU和LFU原则替换当前边缘服务端的缓存内容。
9)返回步骤2，重复迭代，直至确定t＝T。输出该可推荐边缘缓存系统中的最优缓存内容
实施例3：
一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，包括以下步骤：
1)建立所述可推荐边缘缓存系统，包括远程云服务器、基站、边缘服务器、服务用户、内容文件。
2)获取当前待分析基站中所有服务用户、边缘服务器中的信息数据。
3)初始化可推荐边缘缓存系统参数；
4)确定t时刻的内容推荐策略
5)计算t时刻的内容推荐策略
的资源分配代价；
6)更新边缘服务器的缓存内容；
7)返回步骤2)，重复迭代，直至时刻t＝T，输出可推荐边缘缓存系统中的最优缓存内容
T为运行周期。
实施例4：
一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，主要内容见实施例3，其中，所述基站的数量记为B；每一个基站包含一个边缘服务器；服务用户数量记为M；内容文件数量记为F；所述服务用户为终端设备；
所述可推荐边缘缓存系统中，一个服务用户在一个时刻被一个基站所服务；
所述可推荐边缘缓存系统周期性运行，总运行时刻记为T。
实施例5：
一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，主要内容见实施例3，其中，所述终端设备的信息数据包括终端设备的请求内容f；
所述边缘服务器的信息数据包括边缘服务器的缓存内容
边缘服务器的缓存容量大小Kb、边缘服务器的服务用户
和当前边缘服务端的缓存策略
其中策略参数
且
策略参数
代表用户m所请求的内容由边缘服务器提供；策略参数
代表用户m所请求的内容由远程云服务器提供；策略参数
代表用户m所请求的内容由边缘服务器所缓存的相似内容提供；
为t时刻服务用户数量；
实施例6：
一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，主要内容见实施例3，其中，所述相似内容是指与请求内容相似度评分大于预设阈值的缓存内容。
实施例7：
一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，主要内容见实施例3，其中，边缘服务器内缓存内容与请求内容相似度评分
如下所示：
式中，
为用户m对内容f的评分；Sim(f,j)为相似度矩阵；
其中，相似度矩阵如下所示：
式中，|N(f)|和|N(j)|分别代表喜欢内容f和内容j的用户数，|N(f)∩N(j)|为同时喜欢内容f和内容j的用户数的用户数。
实施例8：
一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，主要内容见实施例3，其中，所述初始化可推荐边缘缓存系统参数的步骤包括：
设定缓存策略
其中
设定资源分配代价
其中
表示在t时刻边缘服务器b中包含内容的状态。
设定边缘服务器的缓存内容
随机从F个不同的文件中抽取，且满足约束条件
kf为缓存内容的容量；
设定预推荐内容j＝0，j为预推荐内容的编号。
实施例9：
一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，主要内容见实施例3，其中，确定t时刻的内容推荐策略
的步骤包括：
1)根据边缘服务器缓存内容状态信息
的值判断请求内容f缓存位置；
若
则判断请求内容缓存在边缘服务器中，进入步骤2)；
若
则判断请求内容未缓存在边缘服务器中，进入步骤3)；
2)更新缓存参数，令缓存参数
缓存参数
缓存参数
确定t时刻的内容推荐策略
为用户m所请求的内容由边缘服务器提供；
3)计算边缘服务器中缓存内容与请求内容的相似度评分，若相似度评分大于预设阈值，则令缓存参数
缓存参数
缓存参数
确定t时刻的内容推荐策略
为用户m所请求的内容由边缘服务器所缓存的相似内容提供，否则，进入步骤4)；
4)更新缓存参数，令缓存参数
缓存参数
缓存参数
确定t时刻的内容推荐策略
为用户m所请求的内容由远程云服务器提供。
实施例10：
一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，主要内容见实施例3，其中，所述t时刻的内容推荐策略
的资源分配代价
如下所示：
式中，λ1、λ2、λ3表示权重，且λ1+λ2+λ3＝1；资源分配代价
为t时刻缓存参数
时的总相似度代价；
为总时延代价；
为t时刻边缘服务端的缓存命中代价；
其中，t时刻软命中的总相似度代价
如下所示：
式中，
为用户m在t时刻请求的内容；软命中指用户m所请求的内容由边缘服务器所缓存的相似内容提供；
用户m的请求内容f和推荐内容j之间的相似度代价cm(f,j)如下所示：
t时刻的总时延代价
如下所示：
式中，
表示t时刻边缘服务器b中的缓存替代方案；当
表明当前内容f应该被缓存，否则不缓存；
为云端传输时延；
传输过程中的时延代价
如下所示：
式中，
为边缘服务器传输时延；
表明为用户m推荐的最相似内容j的传输时延；
用户m和边缘服务端b下载速率
如下所示：
最优带宽分配代价
如下所示：
式中，σ2为噪声功率、pb是从边缘服务器b分配给其服务用户的发射功率、|hb,m|表示信道增益；
t时刻边缘服务端的缓存命中代价
如下所示：
软命中率
如下所示：
式中，
表示边缘服务器b所服务的用户数。
实施例11：
一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，主要内容见实施例3，其中，以当前获得的缓存策略
和总系统代价
作为输入数据，通过LRU和LFU原则替换当前边缘服务端的缓存内容。
实施例12：
一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，主要内容见实施例3，其中，通过LRU和LFU原则替换当前边缘服务端的缓存内容的步骤包括：
1)在边缘服务器中存储LRU队列和LFU队列；
2)计算
的值，若
则将当前内容f加入所述LRU队列；
3)当所述LRU队列中存在访问热度大于预设热度阈值的数据时，将该数据从所述LRU队列中转移至所述LFU队列；
4)将从所述LRU队列中淘汰的数据的索引记录到LRU淘汰列表，并将从所述LFU队列中淘汰的数据的索引记录到LFU淘汰列表；
5)当所述LRU淘汰列表的命中次数达到预设第一命中阈值时，增加所述LRU队列的空间，减小所述LFU队列的空间，并重置所述LRU淘汰列表的命中次数；
6)当所述LFU淘汰列表的命中次数达到预设第二命中阈值时，增加所述LFU队列的空间，减小所述LRU队列的空间，并重置所述LFU淘汰列表的命中次数。
Claims (10)
1.一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，其特征在于，包括以下步骤：
1)建立所述可推荐边缘缓存系统，包括远程云服务器、基站、边缘服务器、服务用户、内容文件。
2)获取当前待分析基站中所有服务用户、边缘服务器中的信息数据。
3)初始化可推荐边缘缓存系统参数；
4)确定t时刻的内容推荐策略
5)计算t时刻的内容推荐策略
的资源分配代价；
6)更新边缘服务器的缓存内容；
7)返回步骤2)，重复迭代，直至时刻t＝T，输出可推荐边缘缓存系统中的最优缓存内容
T为运行周期。
2.根据权利要求1所述的一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，其特征在于，所述基站的数量记为B；每一个基站包含一个边缘服务器；服务用户数量记为M；内容文件数量记为F；所述服务用户为终端设备；
所述可推荐边缘缓存系统中，一个服务用户在一个时刻被一个基站所服务；
所述可推荐边缘缓存系统周期性运行，总运行时刻记为T。
3.根据权利要求1所述的一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，其特征在于，所述终端设备的信息数据包括终端设备的请求内容f；
所述边缘服务器的信息数据包括边缘服务器的缓存内容
边缘服务器的缓存容量大小Kb、边缘服务器的服务用户
和当前边缘服务端的缓存策略
其中策略参数
且
策略参数
代表用户m所请求的内容由边缘服务器提供；策略参数
代表用户m所请求的内容由远程云服务器提供；策略参数
代表用户m所请求的内容由边缘服务器所缓存的相似内容提供；
为t时刻服务用户数量。
4.根据权利要求3所述的一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，其特征在于，所述相似内容是指与请求内容相似度评分大于预设阈值的缓存内容。
5.根据权利要求3所述的一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，其特征在于，边缘服务器内缓存内容与请求内容相似度评分
如下所示：
式中，
为用户m对内容f的评分；Sim(f,j)为相似度矩阵；
其中，相似度矩阵如下所示：
式中，|N(f)|和|N(j)|分别代表喜欢内容f和内容j的用户数，|N(f)∩N(j)|为同时喜欢内容f和内容j的用户数的用户数。
6.根据权利要求1所述的一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，其特征在于，所述初始化可推荐边缘缓存系统参数的步骤包括：
设定缓存策略
其中
设定资源分配代价
其中
表示在t时刻边缘服务器b中包含内容的状态。
设定边缘服务器的缓存内容
随机从F个不同的文件中抽取，且满足约束条件
kf为缓存内容的容量；
设定预推荐内容j＝0，j为预推荐内容的编号。
7.根据权利要求1所述的一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，其特征在于，确定t时刻的内容推荐策略
的步骤包括：
1)根据边缘服务器缓存内容状态信息
的值判断请求内容f缓存位置；
若
则判断请求内容缓存在边缘服务器中，进入步骤2)；
若
则判断请求内容未缓存在边缘服务器中，进入步骤3)；
2)更新缓存参数，令缓存参数
缓存参数
缓存参数
确定t时刻的内容推荐策略
为用户m所请求的内容由边缘服务器提供；
3)计算边缘服务器中缓存内容与请求内容的相似度评分，若相似度评分大于预设阈值，则令缓存参数
缓存参数
缓存参数
确定t时刻的内容推荐策略
为用户m所请求的内容由边缘服务器所缓存的相似内容提供，否则，进入步骤4)；
4)更新缓存参数，令缓存参数
缓存参数
缓存参数
确定t时刻的内容推荐策略
为用户m所请求的内容由远程云服务器提供。
8.根据权利要求1所述的一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，其特征在于，所述t时刻的内容推荐策略
的资源分配代价
如下所示：
式中，λ1、λ2、λ3表示权重，且λ1+λ2+λ3＝1；资源分配代价
为t时刻缓存参数
时的总相似度代价；
为总时延代价；
为t时刻边缘服务端的缓存命中代价；
其中，t时刻软命中的总相似度代价
如下所示：
式中，
为用户m在t时刻请求的内容；软命中指用户m所请求的内容由边缘服务器所缓存的相似内容提供；
用户m的请求内容f和推荐内容j之间的相似度代价cm(f,j)如下所示：
t时刻的总时延代价
如下所示：
式中，
表示t时刻边缘服务器b中的缓存替代方案；当
表明当前内容f应该被缓存，否则不缓存；
为云端传输时延；
传输过程中的时延代价
如下所示：
式中，
为边缘服务器传输时延；
表明为用户m推荐的最相似内容j的传输时延；
用户m和边缘服务端b下载速率
如下所示：
最优带宽分配代价
如下所示：
式中，σ2为噪声功率、pb是从边缘服务器b分配给其服务用户的发射功率、|hb,m|表示信道增益；
t时刻边缘服务端的缓存命中代价
如下所示：
软命中率
如下所示：
式中，
表示边缘服务器b所服务的用户数。
9.根据权利要求1所述的一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，其特征在于，以当前获得的缓存策略
和总系统代价
作为输入数据，通过LRU和LFU原则替换当前边缘服务端的缓存内容。
10.根据权利要求1所述的一种移动边缘计算网络下推荐赋能的边缘缓存优化方法，其特征在于，通过LRU和LFU原则替换当前边缘服务端的缓存内容的步骤包括：
1)在边缘服务器中存储LRU队列和LFU队列；
2)计算
的值，若
则将当前内容f加入所述LRU队列；
3)当所述LRU队列中存在访问热度大于预设热度阈值的数据时，将该数据从所述LRU队列中转移至所述LFU队列；
4)将从所述LRU队列中淘汰的数据的索引记录到LRU淘汰列表，并将从所述LFU队列中淘汰的数据的索引记录到LFU淘汰列表；
5)当所述LRU淘汰列表的命中次数达到预设第一命中阈值时，增加所述LRU队列的空间，减小所述LFU队列的空间，并重置所述LRU淘汰列表的命中次数；
6)当所述LFU淘汰列表的命中次数达到预设第二命中阈值时，增加所述LFU队列的空间，减小所述LRU队列的空间，并重置所述LFU淘汰列表的命中次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210956961.4A CN115484314B (zh) | 2022-08-10 | 2022-08-10 | 一种移动边缘计算网络下推荐赋能的边缘缓存优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210956961.4A CN115484314B (zh) | 2022-08-10 | 2022-08-10 | 一种移动边缘计算网络下推荐赋能的边缘缓存优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115484314A true CN115484314A (zh) | 2022-12-16 |
| CN115484314B CN115484314B (zh) | 2024-04-02 |
Family
ID=84420829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210956961.4A Active CN115484314B (zh) | 2022-08-10 | 2022-08-10 | 一种移动边缘计算网络下推荐赋能的边缘缓存优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115484314B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116483585A (zh) * | 2023-06-16 | 2023-07-25 | 江西师范大学 | 一种基于边缘计算的多服务预部署方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140307640A1 (en) * | 2013-04-10 | 2014-10-16 | International Business Machines Corporation | Resource Sharing Among Multiple Service Providers in a Wireless Network Cloud |
| CN106161569A (zh) * | 2015-04-24 | 2016-11-23 | 华为软件技术有限公司 | 网络内容的推荐、缓存替换方法和设备 |
| US20170293980A1 (en) * | 2011-04-04 | 2017-10-12 | Aon Securities, Inc. | System and method for managing processing resources of a computing system |
| US10805652B1 (en) * | 2019-03-29 | 2020-10-13 | Amazon Technologies, Inc. | Stateful server-less multi-tenant computing at the edge |
| CN112860350A (zh) * | 2021-03-15 | 2021-05-28 | 广西师范大学 | 一种边缘计算中基于任务缓存的计算卸载方法 |
| CN113612843A (zh) * | 2021-08-02 | 2021-11-05 | 吉林大学 | 一种基于深度强化学习的mec任务卸载和资源分配方法 |
| CN113672819A (zh) * | 2021-05-25 | 2021-11-19 | 重庆大学 | 一种基于推荐感知和协作边缘缓存的内容请求处理系统 |
| CN114553963A (zh) * | 2022-02-24 | 2022-05-27 | 重庆邮电大学 | 移动边缘计算中基于深度神经网络的多边缘节点协作缓存方法 |
| CN114584801A (zh) * | 2022-01-13 | 2022-06-03 | 北京理工大学 | 一种基于图神经网络推荐算法的视频资源缓存方法 |
-
2022
- 2022-08-10 CN CN202210956961.4A patent/CN115484314B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170293980A1 (en) * | 2011-04-04 | 2017-10-12 | Aon Securities, Inc. | System and method for managing processing resources of a computing system |
| US20140307640A1 (en) * | 2013-04-10 | 2014-10-16 | International Business Machines Corporation | Resource Sharing Among Multiple Service Providers in a Wireless Network Cloud |
| CN106161569A (zh) * | 2015-04-24 | 2016-11-23 | 华为软件技术有限公司 | 网络内容的推荐、缓存替换方法和设备 |
| US10805652B1 (en) * | 2019-03-29 | 2020-10-13 | Amazon Technologies, Inc. | Stateful server-less multi-tenant computing at the edge |
| CN112860350A (zh) * | 2021-03-15 | 2021-05-28 | 广西师范大学 | 一种边缘计算中基于任务缓存的计算卸载方法 |
| CN113672819A (zh) * | 2021-05-25 | 2021-11-19 | 重庆大学 | 一种基于推荐感知和协作边缘缓存的内容请求处理系统 |
| CN113612843A (zh) * | 2021-08-02 | 2021-11-05 | 吉林大学 | 一种基于深度强化学习的mec任务卸载和资源分配方法 |
| CN114584801A (zh) * | 2022-01-13 | 2022-06-03 | 北京理工大学 | 一种基于图神经网络推荐算法的视频资源缓存方法 |
| CN114553963A (zh) * | 2022-02-24 | 2022-05-27 | 重庆邮电大学 | 移动边缘计算中基于深度神经网络的多边缘节点协作缓存方法 |
Non-Patent Citations (2)
| Title |
|---|
| 唐滨: "内容中心网络内置缓存优化技术研究", 信息科技辑, 15 June 2018 (2018-06-15) * |
| 王源: "基于群体用户行为的移动网络合作缓存方法研究", 信息科技辑, 15 December 2018 (2018-12-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116483585A (zh) * | 2023-06-16 | 2023-07-25 | 江西师范大学 | 一种基于边缘计算的多服务预部署方法 |
| CN116483585B (zh) * | 2023-06-16 | 2023-09-15 | 江西师范大学 | 一种基于边缘计算的多服务预部署方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115484314B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN108848395B (zh) | 基于果蝇优化算法的边缘协作缓存布置方法 | |
| CN111491331B (zh) | 一种雾计算网络中基于迁移学习的网络感知自适应缓存方法 | |
| CN113282786B (zh) | 一种基于深度强化学习的全景视频边缘协作缓存替换方法 | |
| CN110809167B (zh) | 一种视频播放方法、装置、电子设备及存储介质 | |
| CN108616845B (zh) | 基于社交内容的d2d分组多目标缓存方法及其系统、装置 | |
| CN111314862B (zh) | 雾无线接入网中深度强化学习下带有推荐的缓存方法 | |
| CN115297170A (zh) | 一种基于异步联邦和深度强化学习的协作边缘缓存方法 | |
| CN113687960B (zh) | 一种基于深度强化学习的边缘计算智能缓存方法 | |
| CN115484314A (zh) | 一种移动边缘计算网络下推荐赋能的边缘缓存优化方法 | |
| CN117221403A (zh) | 一种基于用户移动和联邦缓存决策的内容缓存方法 | |
| 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 | |
| CN112702443B (zh) | 一种星地协同通信系统多星多级缓存分配方法及装置 | |
| CN113114762A (zh) | 一种数据缓存方法及系统 | |
| CN117499484A (zh) | 一种基于深度强化学习的边缘缓存替换方法 | |
| CN115587266A (zh) | 一种空天地一体化互联网智能边缘缓存方法 | |
| CN113766540B (zh) | 低时延的网络内容传输方法、装置、电子设备及介质 | |
| CN112954026B (zh) | 一种基于边缘计算的多约束内容协作缓存优化方法 | |
| KR102235622B1 (ko) | IoT 환경에서의 협력 에지 캐싱 방법 및 그를 위한 장치 | |
| CN109769135A (zh) | 基于联合请求速率的在线视频缓存管理方法和系统 | |
| CN112822727B (zh) | 一种基于移动性和流行度感知的自适应边缘内容缓存方法 | |
| CN105530303B (zh) | 一种网络缓存线性替换方法 | |
| CN111901394A (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 | |
| KR101980458B1 (ko) | 무선 온라인 캐싱 시스템에서 파일 및 화질의 선호도를 고려한 파일 저장 방법 및 파일 저장 장치 | |
| CN118283113A (zh) | 一种基于边际收益的协作缓存策略 |
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 |