CN115499879A - 车载命名数据网络的数据缓存方法、装置及电子设备 - Google Patents
车载命名数据网络的数据缓存方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115499879A CN115499879A CN202110614147.XA CN202110614147A CN115499879A CN 115499879 A CN115499879 A CN 115499879A CN 202110614147 A CN202110614147 A CN 202110614147A CN 115499879 A CN115499879 A CN 115499879A
- Authority
- CN
- China
- Prior art keywords
- data
- influence factor
- network
- node
- vehicle
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims description 69
- 238000012545 processing Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 11
- 238000013210 evaluation model Methods 0.000 description 6
- 230000006855 networking Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012097 association analysis method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L47/00—Traffic control in data switching networks
- H04L47/10—Flow control; Congestion control
- H04L47/24—Traffic characterised by specific attributes, e.g. priority or QoS
- H04L47/2425—Traffic characterised by specific attributes, e.g. priority or QoS for supporting services specification, e.g. SLA
- H04L47/2433—Allocation of priorities to traffic types
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种车载命名数据网络的数据缓存方法、装置及电子设备，车载命名数据网络的数据缓存方法包括：获取网络数据的内容影响因素数据，以及车载命名数据网络的节点影响因素数据；基于所述内容影响因素数据，以及所述节点影响因素数据，得到所述内容影响因素数据与所述节点影响因素数据的关联度；基于所述关联度，执行所述网络数据在车载命名数据网络节点的缓存策略；所述内容影响因素数据包含有网络数据的内容优先级、内容流行度以及内容转发次数中的至少一种；所述节点影响因素数据包含有网络节点的移动相似性、度中心性以及中介中心性中的至少一种。本发明提供的车载命名数据网络的数据缓存方法，可以提高数据传输效率，以及缓存命中率。
Description
技术领域
本发明涉及网络技术领域，尤其涉及一种车载命名数据网络的数据缓存方法、装置及电子设备。
背景技术
车载命名数据网络(Vehicular Named Data Networking,VNDN)是将命名数据网络应用到车载自组织网络环境中的一种新型网络，在智能交通领域中有着重要应用。车载命名数据网络能够有效解决车联网环境中网络拓扑不断变化、节点快速移动所导致的间歇性通信链接，链路频繁中断等问题。车载命名数据网络本身也存在缓存空间不足以及数据冗余的问题，而数据缓存策略的设计可以有效解决这些问题。
关于车载命名数据网络，现有的研究主要是对于命名数据网络(Named DataNetworking,NDN)中缓存策略的借鉴和改进，以适应车联网网络环境的特点。车载命名数据网络中现有的缓存策略，使得网络节点的数据缓存效果不理想，数据传输效率不高，缓存命中率低。
发明内容
本发明提供一种车载命名数据网络的数据缓存方法、装置及电子设备，用以解决现有技术中网络节点的数据缓存效果不理想，数据传输效率不高，缓存命中率低的缺陷，提高数据传输效率，以及缓存命中率。
第一方面，本发明提供一种车载命名数据网络的数据缓存方法，包括：
获取网络数据的内容影响因素数据，以及车载命名数据网络的节点影响因素数据；
基于所述内容影响因素数据，以及所述节点影响因素数据，得到所述内容影响因素数据与所述节点影响因素数据的关联度；
基于所述关联度，执行所述网络数据在车载命名数据网络节点的缓存策略；
其中，所述内容影响因素数据包含有网络数据的内容优先级、内容流行度以及内容转发次数中的至少一种；
所述节点影响因素数据包含有网络节点的移动相似性、度中心性以及中介中心性中的至少一种。
在一个实施例中，所述基于所述内容影响因素数据，以及所述节点影响因素数据，得到所述内容影响因素数据与所述节点影响因素数据的关联度，包括：
对所述内容影响因素数据进行无量纲化处理，得到第一序列元素矩阵；
将所述节点影响因素数据进行无量纲化处理，得到第二序列元素矩阵；
基于所述第一序列元素矩阵和所述第二序列元素矩阵，得到所述第一序列元素矩阵与所述第二序列元素矩阵的绝对差值；
基于所述绝对差值，得到所述关联度。
在一个实施例中，所述基于所述第一序列元素矩阵和所述第二序列元素矩阵，得到所述第一序列元素矩阵与所述第二序列元素矩阵的绝对差值，包括：
基于所述第一序列元素矩阵和所述第二序列元素矩阵，得到所述第一序列元素矩阵中各元素，与所述第二序列元素矩阵中对应元素的最大绝对差值和最小绝对差值；
所述基于所述绝对差值，得到所述关联度，包括：
基于所述最大绝对差值、所述最小绝对差值以及目标分辨系数，得到所述关联度。
在一个实施例中，所述基于所述最大绝对差值、所述最小绝对差值以及目标分辨系数，得到所述关联度，包括：
基于多个时刻对应的所述最大绝对差值和所述最小绝对差值，以及所述目标分辨系数，得到多组关联系数；其中，所述关联系统，表征所述内容影响因素数据与所述节点影响因素数据的关联程度；
基于所述多组关联系数，得到所述多组关联系数的平均值，并将所述多组关联系数的平均值作为所述关联度。
在一个实施例中，所述基于所述关联度，执行所述网络数据在车载命名数据网络节点的缓存策略，包括：
在所述关联度大于目标关联度阈值的情况下，将所述网络数据缓存至所述车载命名数据网络节点。
在一个实施例中，还包括：
基于所述内容影响因素数据，得到所述网络数据的服务评价值；
在所述车载命名数据网络节点的空间低于节点空间阈值的情况下，基于所述服务评价值，从所述网络数据中筛选数据进行删除。
第二方面，本发明提供一种车载命名数据网络的数据缓存装置，包括：
数据获取模块，用于获取网络数据的内容影响因素数据，以及车载命名数据网络的节点影响因素数据；
计算模块，用于基于所述内容影响因素数据，以及所述节点影响因素数据，得到所述内容影响因素数据与所述节点影响因素数据的关联度；
缓存模块，用于基于所述关联度，执行所述网络数据在车载命名数据网络节点的缓存策略；
其中，所述内容影响因素数据包含有网络数据的内容优先级、内容流行度以及内容转发次数中的至少一种；
所述节点影响因素数据包含有网络节点的移动相似性、度中心性以及中介中心性中的至少一种。
在一个实施例中，所述计算模块，包括：
第一处理单元，用于对所述内容影响因素数据进行无量纲化处理，得到第一序列元素矩阵；
第二处理单元，用于将所述节点影响因素数据进行无量纲化处理，得到第二序列元素矩阵；
计算单元，用于基于所述第一序列元素矩阵和所述第二序列元素矩阵，得到所述第一序列元素矩阵与所述第二序列元素矩阵的绝对差值；
关联度获取单元，用于基于所述绝对差值，得到所述关联度。
第三方面，本发明提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述计算机程序时实现上述任一种所述车载命名数据网络的数据缓存方法的步骤。
第四方面，本发明提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述任一种所述车载命名数据网络的数据缓存方法的步骤。
本发明提供的车载命名数据网络的数据缓存方法、装置及电子设备，基于内容影响因素数据，以及节点影响因素数据，得到内容影响因素数据与节点影响因素数据的关联度，基于关联度，执行网络数据在车载命名数据网络节点的缓存策略，综合考虑节点和数据内容的多种影响因素，两者影响因素之间的关联度，基于关联度的高低，实现节点与数据内容之间的匹配缓存，将数据内容缓存至更理想的车辆节点。
由于内容影响因素数据包含有网络数据的内容优先级、内容流行度以及内容转发次数中的至少一种，而节点影响因素数据包含有网络节点的移动相似性、度中心性以及中介中心性中的至少一种，将内容影响因素数据与节点影响因素数据建立关联，有助于将访问可能性高的数据缓存至理想的车辆节点；其中，理想的车辆节点，也即是便于后续数据传播的节点。
因此，本发明通过将访问可能性高的数据缓存至理想的车辆节点，可以提高缓存命中率，也即是提高了在理想的车辆节点上，缓存数据被访问的几率，当用户想要获取相应数据时，可以直接从理想的车辆节点获取对应的缓存数据即可，由于理想的车辆节点便于其他车辆访问，进而可以提高数据传输效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的车载命名数据网络的数据缓存方法的流程示意图之一；
图2是本发明提供的缓存策略流程图；
图3是本发明提供的车载命名数据网络的数据缓存方法的流程示意图之二；
图4是本发明提供的车载命名数据网络的数据缓存装置的原理框图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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作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。
车载命名数据网络(Vehicular Named Data Networking,VNDN)现有的数据缓存策略大多考虑车辆命名数据网络节点(简称车辆节点或者网络节点)或者数据内容两个维度中的某一个维度来进行缓存决策，然而事实是这两者同时都对数据传输过程有一定的影响，因此有必要从内容和车辆节点两个维度进行综合考虑。
此外，载命名数据网络现有的数据缓存策略大多没有综合考虑影响车辆节点和内容的多种因素来继续缓存决策，因素过于单一，导致选择的缓存节点并不理想，数据传输效率不高，缓存命中率低。
车载命名数据网络的数据缓存发生在数据包的回传路径中，车载命名数据网络中默认的缓存策略是Always Cache，即所有节点都会缓存它监听到的全部内容，然而不是所有的内容都会在网络中起作用，这样会产生严重的网络资源浪费和数据冗余，导致网络节点的数据缓存效果不理想，数据传输效率不高，缓存命中率低。
因此，本发明提出车载命名数据网络的数据缓存方法、装置及电子设备，用于解决上述的问题。
下面结合图1-图5描述本发明的车载命名数据网络的数据缓存方法、装置及电子设备。
本发明提供一种车载命名数据网络的数据缓存方法，如图1所示，该数据缓存方法包括：
步骤110、获取网络数据的内容影响因素数据，以及车载命名数据网络的节点影响因素数据。
需要说明的是，内容影响因素数据包含有网络数据的内容优先级、内容流行度以及内容转发次数中的至少一种。
节点影响因素数据包含有网络节点的移动相似性、度中心性以及中介中心性中的至少一种。
可以理解的是，车辆节点移动性较高，所以要通过移动相似性，考虑车辆节点的运动方向，度中心性以及中介中心性是判断车辆节点重要程度的指标，度中心性是考量当前节点与周围邻居节点之间是否有过关联，中介中心性是判断节点对消息的传播能力。所以通过这几个指标可以确定出便于后续数据传播的车辆节点。
如图2所示，基于构建的内容服务评价模型，得到内容优先级、内容流行度以及内容转发次数。基于构建的节点服务评价模型，可以得到网络节点的移动相似性、度中心性以及中介中心性。
内容优先级：
依据车载命名数据网络环境中数据内容传输的特点，根据数据内容的重要程度和紧急程度将数据内容划分为四个等级，安全类、公共服务类、改善驾驶类以及娱乐类消息。具体消息类型划分如下：
1)安全数据内容：车辆碰撞警告、异常交通事故以及道路状况等等；
2)公共服务数据内容：停车服务，道路信息等；
3)改善驾驶数据内容：导航信息，驾驶辅助等；
4)娱乐数据内容：周边娱乐设施、新闻、多媒体流、音乐、视频等。
四个数据内容等级分别对应四个取值G：3，2，1，0；G值越大，表示数据内容越重要，越紧迫，优先级越高。内容优先级Priorityi具体计算如下：
其中，sum表示消息类别数，例如，sum＝4，式中加1为了避免优先级为0的情况。显然，G＜sum，内容优先级取值范围Priority∈(0,1)。
内容流行度：
车载命名数据网络中，车辆节点对于资源的请求并非服从均匀分布，消费者大约80％的资源请求都是针对于请求频次排名在前20％的重要资源，服从“80/20法则”，即服从Zipf分布。
假设某数据出现的概率是Pr，它的请求次数排名为r，则Zipf分布如下：
其中，
为常数，R为数据类容种类数，σ为Zipf参数，用于确定请求模式中的偏度。随着r的增加，Pr减小，r＝1的内容是最受欢迎的内容。
内容流行度与数据的被请求频率和请求时间间隔有关，被请求频率是指在一定时间段内数据被请求的次数，数据被请求的次数越多，流行度越高，反之越低；时间间隔越小，内容流行度越高，反之，流行度越低。
内容流行度是设计缓存替换策略的一个重要考量指标。对于任意请求消息，内容流行度P(i)定义如下：
其中tik为第k次请求数据i的时刻，tc为当前时刻，λ∈(0,1)，λ越趋于0时，请求数据的频率越重要，越趋于1时，请求数据的时间越重要。
为了便于内容流行度与其他因子之间的匹配计算，将内容流行度进行归一化处理，具体如下：
其中
表示请求数据i的最大内容流行度值。
内容转发次数：
车辆节点从Data包中的跳数字段得到本节点距离生产者节点的跳数Hhop，即该Data包的转发次数Num(i)，具体如下：
Num(i)＝Hhop
将内容转发次数进行归一化处理，公式如下：
其中Hop(i)max指的是该Data包总共被转发的次数。
移动相似性(Moving Similarity)：
根据车载命名数据网络中车辆通信特点，若有车辆携带所对应的数据内容，则该车辆就可以响应所有邻居车辆对该数据内容的请求。当同一个区域内存在多个拥有同一数据内容的车辆时，便会造成缓存冗余。
本发明为了数据资源能均匀的分布在网络中，车辆在缓存内容之后尽量远离内容的生产者，携带内容并扩散到网络的其它地方。因此节点移动相似性是设计缓存策略所需的一个重要指标，本发明通过节点相遇时间和相遇次数来计算节点移动相似性。
节点移动相似性
具体计算如下：
其中tduration代表车辆相遇过程中的持续时间，而tgap则代表了车辆相遇时间之间的间隔，T代表了车辆行驶总时长。
度中心性(Degree Centrality)：
度中心性用于考量网络中一个节点与所有其它节点相关联的程度。一个节点的度中心性越高，则在网络中的重要程度越高。
度中心性
具体计算如下：
其中，
计算节点Vi与剩余G-1个节点之间直接连接的数量，如果节点Vi和节点
之间有连接，则
G为网络中节点总数。
中介中心性(Between Centrality)：
中介中心性用于判定一个节点在网络中的传播能力，它是指网络中所有其他两个节点通过该节点进行通信的最短路径条数与两节点间的所有最短路径条数的比值，中介中心性
具体计算如下：
其中，
指的是
和
两节点间所有最短路径的总和,
指的是
和
两节点以节点Vi为中继节点进行通信的最短路径的总条数。节点的中介中心性越高，则该节点更能促进其他节点之间的通信，则在网络中就越重要。
步骤120、基于内容影响因素数据，以及节点影响因素数据，得到内容影响因素数据与节点影响因素数据的关联度。
需要说明的是，车辆节点和数据内容是设计缓存策略不可或缺的两个部分，通过对数据内容和车辆节点两个维度各个影响因素的具体分析，本发明基于灰色关联分析法将两者各影响因素之间相耦合，若两者各因素同步变化程度较高，则关联程度较高。
本发明通过计算节点和数据内容两者之间的关联度来实现缓存决策，关联度越高，则节点和数据内容匹配度越高，缓存效率越好。
步骤130、基于关联度，执行网络数据在车载命名数据网络节点的缓存策略。
需要说明的是，步骤130中，可以是通过关联度，判断数据与车辆节点之间的匹配度，当确定数据与车辆节点之间匹配良好时，就可以将待缓存的数据缓存至对应的车载命名数据网络节点，反之，则不缓存。
可以理解的是，本发明提供的是一种基于关联度的车载命名数据网络缓存策略，其中，车载命名数据网络假设车载命名数据网络节点可以安装多个无线接口，如3G/LTE，WiMAX，Wifi和802.11p(DSRC/WAVE)等，且车载命名数据网络节点缓存空间足够大。
车载命名数据网络节点可以使用任何通信方式与其他车辆节点或者基础设施进行通信。得益于NDN(即：命名数据网络)的工作机制，消费者不需要考虑消息的来源，直接通过数据名称在网络中进行检索。
车联网环境中每个车辆节点都配备至少一个无线通信接口，GPS(即：全球定位系统)定位系统以及电子地图，同时具有存储和计算能力，可以通过GPS获取到Interest包(请求包)中所指向的目的地的位置。
车载命名数据网络中车辆节点通过对Interest包和Data包(数据包，即应答包)的传输实现数据通信。设车载命名数据网络中车辆节点集合为V＝{V1,V2,…,Vi,…,Vn,}，n为车辆节点的总数目，Vi为任一车辆节点，
为节点Vi的邻居节点的集合，
为其中任意一个邻居节点，
为最佳下一跳转发节点，m为节点Vi的邻居节点总数目。
如图3所示，车辆节点Vi根据源请求Interest包，找到对应的Data包，沿着与接收到Interest包的路径相反的路径，回传Data包，车辆节点Vjk接收到Data包，如果在车辆节点Vjk不是发送源请求Interest包的源请求节点，则判断车辆节点Vjk自己的CS列表(即：缓存数据列表)中是否缓存了该Data包，若没有缓存，则基于本发明提供的基于关联度的车载命名数据网络缓存策略，进行缓存。
在一些实施例中，基于内容影响因素数据，以及节点影响因素数据，得到内容影响因素数据与节点影响因素数据的关联度，包括：
对内容影响因素数据进行无量纲化处理，得到第一序列元素矩阵；
将节点影响因素数据进行无量纲化处理，得到第二序列元素矩阵；
基于第一序列元素矩阵和第二序列元素矩阵，得到第一序列元素矩阵与第二序列元素矩阵的绝对差值；
基于绝对差值，得到关联度。
在一些实施例中，基于第一序列元素矩阵和第二序列元素矩阵，得到第一序列元素矩阵与第二序列元素矩阵的绝对差值，包括：
基于第一序列元素矩阵和第二序列元素矩阵，得到第一序列元素矩阵中各元素，与第二序列元素矩阵中对应元素的最大绝对差值和最小绝对差值；
基于绝对差值，得到关联度，包括：
基于最大绝对差值、最小绝对差值以及目标分辨系数，得到关联度。
在一些实施例中，基于最大绝对差值、最小绝对差值以及目标分辨系数，得到关联度，包括：
基于多个时刻对应的最大绝对差值和最小绝对差值，以及目标分辨系数，得到多组关联系数；其中，关联系统，表征内容影响因素数据与节点影响因素数据的关联程度；
基于多组关联系数，得到多组关联系数的平均值，并将多组关联系数的平均值作为关联度。
在一些实施例中，基于关联度，执行网络数据在车载命名数据网络节点的缓存策略，包括：
在关联度大于目标关联度阈值的情况下，将网络数据缓存至车载命名数据网络节点。
进一步地，以车辆节点各影响因素作为指标数据序列形成矩阵：X'1＝(x'1(1),x'1(2),x'1(3))。
确定内容各因素组成参考数据序列并形成矩阵：X'0＝(x'0(1),x'0(2),x'0(3))。
对指标数据和参考数据进行无量纲化处理：对于系统中各因素而言，均存在着不同的物理意义，量纲也自然各不相同，难于进行比较和计算。因此首先对所有因素进行无量纲化处理，具体计算如式下：
k可以取1，2，3…，无量纲化后指标序列形成序列元素矩阵为：X1＝(x1(1),x1(2),x1(3))，无量纲化后参考序列形成序列元素矩阵为：X0＝(x0(1),x0(2)，x0(3))。
计算节点与内容所对应的绝对差值，即|x0(k)-x1(k)|，k分别取1，2，3。
确定
与
计算节点与内容序列对应元素之间关联系数ξ(k)，具体计算如下：
k分别取1，2，3，其中ρ为分辨系数，ρ是独立于序列元素矩阵X0和X1之外的常数，0＜ρ＜1，例如ρ＝0.5。
ξ(k)是节点序列与内容序列在各个时刻的关联程度值，所以将其各个时刻的值整合为一个数值，即求其平均值，作为节点序列与内容序列间关联度的数量表示，关联度
具体计算如下：
在一些实施例中，车载命名数据网络的数据缓存方法还包括：
基于内容影响因素数据，得到网络数据的服务评价值；其中，内容服务评价值，可以表征数据内容的重要性。
在车载命名数据网络节点的空间低于节点空间阈值的情况下，基于服务评价值，从网络数据中筛选数据进行删除。
可以理解的是，这里是，基于服务评价值的高低，从网络数据中筛选部分数据进行删除。
进一步地，采用内容优先级、内容流行度以及内容转发次数来构造内容服务评价模型，通过该服务评价模型计算内容的服务评价值，当缓存空间不足时，优先删除内容服务评价值最低的数据。
综上所述，本发明提供的车载命名数据网络的数据缓存方法，基于内容影响因素数据，以及节点影响因素数据，得到内容影响因素数据与节点影响因素数据的关联度，基于关联度，执行网络数据在车载命名数据网络节点的缓存策略。
综合考虑节点和数据内容的多种影响因素，两者影响因素之间的关联度，基于关联度的高低，实现节点与数据内容之间的匹配缓存，将数据内容缓存至更理想的车辆节点。
由于内容影响因素数据包含有网络数据的内容优先级、内容流行度以及内容转发次数中的至少一种，而节点影响因素数据包含有网络节点的移动相似性、度中心性以及中介中心性中的至少一种，将内容影响因素数据与节点影响因素数据建立关联，有助于将访问可能性高的数据缓存至理想的车辆节点；其中，理想的车辆节点，也即是便于后续数据传播的节点。
因此，本发明通过将访问可能性高的数据缓存至理想的车辆节点，可以提高缓存命中率，也即是提高了在理想的车辆节点上，缓存数据被访问的几率，当用户想要获取相应数据时，可以直接从理想的车辆节点获取对应的缓存数据即可，由于理想的车辆节点便于其他车辆访问，进而可以提高数据传输效率。
下面对本发明提供的车载命名数据网络的数据缓存装置进行描述，下文描述的车载命名数据网络的数据缓存装置与上文描述的车载命名数据网络的数据缓存方法可相互对应参照。
如图4所示，车载命名数据网络的数据缓存装置400包括：数据获取模块410、计算模块420和缓存模块430。
数据获取模块410用于获取网络数据的内容影响因素数据，以及车载命名数据网络的节点影响因素数据。
计算模块420用于基于内容影响因素数据，以及节点影响因素数据，得到内容影响因素数据与节点影响因素数据的关联度。
缓存模块430用于基于关联度，执行网络数据在车载命名数据网络节点的缓存策略。
内容影响因素数据包含有网络数据的内容优先级、内容流行度以及内容转发次数中的至少一种。
节点影响因素数据包含有网络节点的移动相似性、度中心性以及中介中心性中的至少一种。
在一些实施例中，计算模块420包括：第一处理单元、第二处理单元、计算单元和关联度获取单元。
第一处理单元用于对内容影响因素数据进行无量纲化处理，得到第一序列元素矩阵。
第二处理单元用于将节点影响因素数据进行无量纲化处理，得到第二序列元素矩阵。
计算单元用于基于第一序列元素矩阵和第二序列元素矩阵，得到第一序列元素矩阵与第二序列元素矩阵的绝对差值。
关联度获取单元用于基于绝对差值，得到关联度。
在一些实施例中，计算单元进一步用于基于第一序列元素矩阵和第二序列元素矩阵，得到第一序列元素矩阵中各元素，与第二序列元素矩阵中对应元素的最大绝对差值和最小绝对差值。
关联度获取单元进一步用于基于最大绝对差值、最小绝对差值以及目标分辨系数，得到关联度。
在一些实施例中，关联度获取单元包括：关联系数计算单元和关联度计算单元。
关联系数计算单元用于基于多个时刻对应的最大绝对差值和最小绝对差值，以及目标分辨系数，得到多组关联系数；其中，关联系统，表征内容影响因素数据与节点影响因素数据的关联程度。
关联度计算单元用于基于多组关联系数，得到多组关联系数的平均值，并将多组关联系数的平均值作为关联度。
在一些实施例中，缓存模块430进一步用于在关联度大于目标关联度阈值的情况下，将网络数据缓存至车载命名数据网络节点。
在一些实施例中，车载命名数据网络的数据缓存装置400还包括：服务评价模块和删除模块。
服务评价模块用于基于内容影响因素数据，得到网络数据的服务评价值。
删除模块用于在车载命名数据网络节点的空间低于节点空间阈值的情况下，基于服务评价值，从网络数据中筛选数据进行删除。
本发明分析总结现有车载命名数据网络中缓存策略的不足，设计一种基于关联度的车载命名数据网络的数据缓存策略，综合考虑节点和数据内容的多种影响因素，分别构建内容服务评价模型和节点服务评价模型，并通过灰色关联分析法计算节点和内容两者影响因素之间的关联度，从而实现节点与内容之间的匹配缓存。
下面对本发明提供的电子设备和存储介质进行描述，下文描述的电子设备和存储介质与上文描述的车载命名数据网络的数据缓存方法可相互对应参照。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communication Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的计算机程序，以执行车载命名数据网络的数据缓存方法的步骤，例如包括：
步骤110、获取网络数据的内容影响因素数据，以及车载命名数据网络的节点影响因素数据；
步骤120、基于内容影响因素数据，以及节点影响因素数据，得到内容影响因素数据与节点影响因素数据的关联度；
步骤130、基于关联度，执行网络数据在车载命名数据网络节点的缓存策略。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的车载命名数据网络的数据缓存方法，该方法包括：
步骤110、获取网络数据的内容影响因素数据，以及车载命名数据网络的节点影响因素数据；
步骤120、基于内容影响因素数据，以及节点影响因素数据，得到内容影响因素数据与节点影响因素数据的关联度；
步骤130、基于关联度，执行网络数据在车载命名数据网络节点的缓存策略。
另一方面，本申请实施例还提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行上述各实施例提供的方法，例如包括：
步骤110、获取网络数据的内容影响因素数据，以及车载命名数据网络的节点影响因素数据；
步骤120、基于内容影响因素数据，以及节点影响因素数据，得到内容影响因素数据与节点影响因素数据的关联度；
步骤130、基于关联度，执行网络数据在车载命名数据网络节点的缓存策略。
所述处理器可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备，包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NANDFLASH)、固态硬盘(SSD))等。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种车载命名数据网络的数据缓存方法，其特征在于，包括：
获取网络数据的内容影响因素数据，以及车载命名数据网络的节点影响因素数据；
基于所述内容影响因素数据，以及所述节点影响因素数据，得到所述内容影响因素数据与所述节点影响因素数据的关联度；
基于所述关联度，执行所述网络数据在车载命名数据网络节点的缓存策略；
其中，所述内容影响因素数据包含有网络数据的内容优先级、内容流行度以及内容转发次数中的至少一种；
所述节点影响因素数据包含有网络节点的移动相似性、度中心性以及中介中心性中的至少一种。
2.根据权利要求1所述的车载命名数据网络的数据缓存方法，其特征在于，所述基于所述内容影响因素数据，以及所述节点影响因素数据，得到所述内容影响因素数据与所述节点影响因素数据的关联度，包括：
对所述内容影响因素数据进行无量纲化处理，得到第一序列元素矩阵；
将所述节点影响因素数据进行无量纲化处理，得到第二序列元素矩阵；
基于所述第一序列元素矩阵和所述第二序列元素矩阵，得到所述第一序列元素矩阵与所述第二序列元素矩阵的绝对差值；
基于所述绝对差值，得到所述关联度。
3.根据权利要求2所述的车载命名数据网络的数据缓存方法，其特征在于，所述基于所述第一序列元素矩阵和所述第二序列元素矩阵，得到所述第一序列元素矩阵与所述第二序列元素矩阵的绝对差值，包括：
基于所述第一序列元素矩阵和所述第二序列元素矩阵，得到所述第一序列元素矩阵中各元素，与所述第二序列元素矩阵中对应元素的最大绝对差值和最小绝对差值；
所述基于所述绝对差值，得到所述关联度，包括：
基于所述最大绝对差值、所述最小绝对差值以及目标分辨系数，得到所述关联度。
4.根据权利要求3所述的车载命名数据网络的数据缓存方法，其特征在于，所述基于所述最大绝对差值、所述最小绝对差值以及目标分辨系数，得到所述关联度，包括：
基于多个时刻对应的所述最大绝对差值和所述最小绝对差值，以及所述目标分辨系数，得到多组关联系数；其中，所述关联系统，表征所述内容影响因素数据与所述节点影响因素数据的关联程度；
基于所述多组关联系数，得到所述多组关联系数的平均值，并将所述多组关联系数的平均值作为所述关联度。
5.根据权利要求1所述的车载命名数据网络的数据缓存方法，其特征在于，所述基于所述关联度，执行所述网络数据在车载命名数据网络节点的缓存策略，包括：
在所述关联度大于目标关联度阈值的情况下，将所述网络数据缓存至所述车载命名数据网络节点。
6.根据权利要求1-5任一项所述的车载命名数据网络的数据缓存方法，其特征在于，还包括：
基于所述内容影响因素数据，得到所述网络数据的服务评价值；
在所述车载命名数据网络节点的空间低于节点空间阈值的情况下，基于所述服务评价值，从所述网络数据中筛选数据进行删除。
7.一种车载命名数据网络的数据缓存装置，其特征在于，包括：
数据获取模块，用于获取网络数据的内容影响因素数据，以及车载命名数据网络的节点影响因素数据；
计算模块，用于基于所述内容影响因素数据，以及所述节点影响因素数据，得到所述内容影响因素数据与所述节点影响因素数据的关联度；
缓存模块，用于基于所述关联度，执行所述网络数据在车载命名数据网络节点的缓存策略；
其中，所述内容影响因素数据包含有网络数据的内容优先级、内容流行度以及内容转发次数中的至少一种；
所述节点影响因素数据包含有网络节点的移动相似性、度中心性以及中介中心性中的至少一种。
8.根据权利要求7所述的车载命名数据网络的数据缓存装置，其特征在于，所述计算模块，包括：
第一处理单元，用于对所述内容影响因素数据进行无量纲化处理，得到第一序列元素矩阵；
第二处理单元，用于将所述节点影响因素数据进行无量纲化处理，得到第二序列元素矩阵；
计算单元，用于基于所述第一序列元素矩阵和所述第二序列元素矩阵，得到所述第一序列元素矩阵与所述第二序列元素矩阵的绝对差值；
关联度获取单元，用于基于所述绝对差值，得到所述关联度。
9.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6任一项所述车载命名数据网络的数据缓存方法的步骤。
10.一种处理器可读存储介质，其特征在于，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行权利要求1至6任一项所述车载命名数据网络的数据缓存方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110614147.XA CN115499879A (zh) | 2021-06-02 | 2021-06-02 | 车载命名数据网络的数据缓存方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110614147.XA CN115499879A (zh) | 2021-06-02 | 2021-06-02 | 车载命名数据网络的数据缓存方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115499879A true CN115499879A (zh) | 2022-12-20 |
Family
ID=84464079
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110614147.XA Pending CN115499879A (zh) | 2021-06-02 | 2021-06-02 | 车载命名数据网络的数据缓存方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115499879A (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109905480A (zh) * | 2019-03-04 | 2019-06-18 | 陕西师范大学 | 基于内容中心性的概率缓存内容放置方法 |
-
2021
- 2021-06-02 CN CN202110614147.XA patent/CN115499879A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109905480A (zh) * | 2019-03-04 | 2019-06-18 | 陕西师范大学 | 基于内容中心性的概率缓存内容放置方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李媚: "《车载命名数据网络中数据分发与缓存机制研究》", 万方, 13 May 2021 (2021-05-13) * |
| 罗熹;安莹;王建新;刘耀;: "内容中心网络中能效感知的概率性缓存机制", 电子与信息学报, no. 08, 24 May 2016 (2016-05-24) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A city-wide real-time traffic management system: Enabling crowdsensing in social Internet of vehicles | |
| Su et al. | An edge caching scheme to distribute content in vehicular networks | |
| Mekki et al. | Vehicular cloud networks: Challenges, architectures, and future directions | |
| Alam et al. | Introduction to intelligent transportation systems | |
| Zhang et al. | Smart proactive caching: Empower the video delivery for autonomous vehicles in ICN-based networks | |
| CN107211341B (zh) | 对用户设备进行分布式内容预取的系统、设备和方法 | |
| Liu et al. | Silence is golden: Enhancing privacy of location-based services by content broadcasting and active caching in wireless vehicular networks | |
| US11032370B2 (en) | Wireless communications in a vehicular macro cloud | |
| US20150088835A1 (en) | Facilitating determination of reliability of crowd sourced information | |
| Mahmood et al. | The rich prefetching in edge caches for in-order delivery to connected cars | |
| Xu et al. | Vehicular content delivery: A big data perspective | |
| Brik et al. | RCS-VC: Renting out and consuming services in vehicular clouds based on LTE-A | |
| Lee et al. | Design of V2X-based vehicular contents centric networks for autonomous driving | |
| CN115314944A (zh) | 基于移动车辆社会关系感知的车联网协作缓存方法 | |
| Ahmad et al. | Microscopic congestion detection protocol in VANETs | |
| Elsayed et al. | Proactive caching at parked vehicles for social networking | |
| Chen et al. | A geographic routing protocol based on trunk line in VANETs | |
| Grewe et al. | Caching-as-a-service in virtualized caches for information-centric connected vehicle environments | |
| CN111431643B (zh) | 一种信道连接方法及装置 | |
| Luan et al. | Enabling content distribution in vehicular ad hoc networks | |
| CN115499879A (zh) | 车载命名数据网络的数据缓存方法、装置及电子设备 | |
| Cunha et al. | Smart traffic control in vehicle ad-hoc networks: a systematic literature review | |
| CN114979145B (zh) | 一种车联网中集成感知、通信与缓存的内容分发方法 | |
| Wang et al. | Collaborative caching for dynamic map dissemination in vehicular networks | |
| Xie et al. | A Clustering‐Based Routing Protocol Using Path Pattern Discovery Method to Minimize Delay in VANET |
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 |