CN115884094B - 一种基于边缘计算的多场景协作优化缓存方法 - Google Patents

一种基于边缘计算的多场景协作优化缓存方法 Download PDF

Info

Publication number
CN115884094B
CN115884094B CN202310186493.1A CN202310186493A CN115884094B CN 115884094 B CN115884094 B CN 115884094B CN 202310186493 A CN202310186493 A CN 202310186493A CN 115884094 B CN115884094 B CN 115884094B
Authority
CN
China
Prior art keywords
user
base station
track
content
cluster
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
Application number
CN202310186493.1A
Other languages
English (en)
Other versions
CN115884094A (zh
Inventor
赵涵
马勇
刘玲蒙
邵诗韵
李兴华
戴梦轩
刘驰
夏云霓
周新宇
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.)
Jiangxi Normal University
Original Assignee
Jiangxi Normal University
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 Jiangxi Normal University filed Critical Jiangxi Normal University
Priority to CN202310186493.1A priority Critical patent/CN115884094B/zh
Publication of CN115884094A publication Critical patent/CN115884094A/zh
Application granted granted Critical
Publication of CN115884094B publication Critical patent/CN115884094B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于边缘计算的多场景协作优化缓存方法包括：从基站中获取各区域内用户的历史轨迹信息、当前地理位置信息、历史地理位置信息和历史内容访问记录，所述历史轨迹信息以时刻t划分为历史第一轨迹和历史第二轨迹；对所述历史第一轨迹使用卡尔曼滤波预测模型得到预测轨迹，计算所述预测轨迹与历史第二轨迹各轨迹点的距离，取距离最小的轨迹点构成用户的运动轨迹；使用FCM算法分别对各区域内的用户进行聚类，得到用户类簇，为所述用户类簇选择适配资源集合；为所述适配资源集合选择适配基站；制定用户的请求资源策略以及用户请求过载时基站的处理策略；本发明减少因用户转移产生的内容传输延迟时间。

Description

一种基于边缘计算的多场景协作优化缓存方法
技术领域
本发明涉及计算机边缘计算领域，特别是涉及一种基于边缘计算的多场景协作优化缓存方法。
背景技术
随着物联网、云计算、大数据等技术的发展，现阶段用户对服务器资源的请求数量不断增加，传统的云端缓存数据方式存在传输速率低、能量损耗较多、响应延迟慢、易受网络波动干扰、数据存储安全性较差等问题，造成用户对服务器资源访问体验差。边缘计算的出现解决了上述的问题，通过将资源缓存在边缘节点上，拉进了用户与资源的距离，大幅度减小网络时延，提高用户对服务器资源的访问体验。但是，目前边缘节点的存储容量通常非常有限，想要在边缘节点缓存所有内容是不现实的。因此，通过合理的缓存策略确定待缓存资源的优先级，能够最大化的提高资源缓存利用率，减少向云服务器发送请求内容的次数，对于边缘网络的服务性能保障起到至关重要的作用。
公开号为CN108551472A ，名称为一种基于边缘计算的内容缓存优化方法的专利文献，通过利用用户移动的规律性和最优化理论，根据用户移动轨迹的规律性对某一区域进行区域再划分，利用最优化理论进行文件的优化缓存，再通过比较文件传输时间与用户要求以决定用户缓存方式，虽然使得缓存内容变多，在一定程度上降低了时延，减少了业务的传输时延。但是没有考虑到缓存中容易出现的缓存资源过载，使得缓存资源过载时不能优先缓存资源适配度高的内容，从而造成资源缓存利用率较低，造成用户对资源访问体验较差。
公开号为CN112954026A ，名称为一种基于边缘计算的多约束内容协作缓存优化方法的专利文献，针对边缘计算架构中的内容缓存配置问题，提出一种边缘服务器间协作缓存优化方法。根据内容的流行度和文件大小，用户与边缘服务器的位置分布，以及边缘服务器缓存容量等约束条件，采用禁忌搜索算法模型对缓存内容和缓存位置进行迭代优化，在一定程度上提高了边缘协作服务器的资源利用率以及缓存命中率，降低了内容平均下载时延。但是没有考虑到资源缓存时用户请求过载的问题并且没有提出详尽的解决策略，从而不能综合考虑基站的时延，成本和负载，选择合适的基站对用户请求的资源进行缓存，导致用户进行资源缓存的时候效率较低，而且用户体验较差。
综上所述，现有技术中极少有结合多场景以及用户轨迹预测进行资源缓存的策略，并且极少有为缓存中易出现的缓存资源过载或用户请求过载的现象提出详尽的解决策略，这些问题都会导致基站的时延、成本以及负载过高，从而降低用户的服务质量，使整个移动边缘计算网络效率低下。所以本发明公开了一种基于边缘计算的多场景协作优化缓存方法。
发明内容
为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于边缘计算的多场景协作优化缓存方法，该方法包括：
S10.从基站中获取各区域内用户的历史轨迹信息、当前地理位置信息、历史地理位置信息和历史内容访问记录，所述历史轨迹信息以时刻t划分为历史第一轨迹和历史第二轨迹；
所述时刻t为大于或等于1的正整数。
S20.对所述历史第一轨迹使用卡尔曼滤波预测模型得到第一预测轨迹，计算所述第一预测轨迹与历史第二轨迹中各轨迹点的距离，取所述距离最小的轨迹点作为用户的第二预测轨迹；
S30.使用FCM算法分别对各区域内的用户进行聚类，得到用户类簇，为所述用户类簇选择用户类簇适配资源集合；
所述使用FCM算法分别对各区域内的用户进行聚类，得到用户类簇，包括:
（1）将用户初始化记作样本集合X={X1,X2,...,Xn}，将用户聚为c类，则对应的类簇C={C1,C2,...,Cc}，从所述样本集合中随机抽取c个用户作为聚类中心记为V={V1,V2,...,Vc}，其中，n为用户总数，c为大于或等于1的正整数；
（2）计算隶属度关系值
Figure SMS_1
，所述隶属度关系值表示每个样本元素Xi和聚类中心Vj的距离，/>
Figure SMS_2
越大表示距离聚类中心越近，/>
Figure SMS_3
越小表示距离中心越远，计算公式如下：
Figure SMS_4
；
其中，隶属度关系值
Figure SMS_5
之和为1，/>
Figure SMS_6
表示序号为k的聚类中心点，/>
Figure SMS_7
表示序号为j的聚类中心点，/>
Figure SMS_8
，/>
Figure SMS_9
，m表示模糊指数；
（3）根据所述隶属度关系值，更新聚类中心，计算公式如下：
Figure SMS_10
；
其中，
Figure SMS_11
表示超参数，n为用户总数；
（4）构建聚类目标函数Jm，所述目标函数Jm值最小则表示所述类簇为最佳类簇，聚类目标函数Jm如下所示：
Figure SMS_12
；
其中，w表示请求重合率，所述请求重合率表示用户之间发出相同的请求个数占请求总数的比例，r表示请求权值，
Figure SMS_13
表示欧几里得距离，用于度量第i个样本元素与第j聚类中心点之间的距离，公式为：/>
Figure SMS_14
；/>
（5）计算所述聚类目标函数空间值ΔJm，计算公式如下：
ΔJm=Jm+1-Jm;
（6）判断所述目标函数空间值是否小于阈值ε，若是，聚类结束；若否，转S32；
所述阈值ε大小为0.001；
S40.为所述用户类簇适配资源集合选择基站；
S50.制定用户请求资源策略以及用户请求过载时的基站处理策略。
进一步的，所述S20，包括：
所述计算所述第一预测轨迹与历史第二轨迹中各轨迹点的距离，计算公式如下：
Figure SMS_15
；
其中，DIS表示第一预测轨迹与历史第二轨迹中各轨迹点的距离，lont表示t时刻用户历史第二轨迹中轨迹点的经度，
Figure SMS_16
表示t时刻用户第一预测轨迹中轨迹点的经度；latt表示t时刻用户历史第二轨迹中轨迹点的纬度；/>
Figure SMS_17
表示t时刻用户第一预测轨迹中轨迹点的纬度。
进一步的，所述S30，包括：
S31.获取T时段内所述用户类簇的历史内容访问记录，所述T时段划分为n个时隙记为{t0,t1,...,tn}，计算用户类簇在tm时隙内的内容适配度
Figure SMS_18
Figure SMS_19
，计算公式如下：
Figure SMS_20
；
其中，k表示用户类簇访问的内容种类，
Figure SMS_21
表示在tm时隙内用户类簇对访问内容/>
Figure SMS_22
的请求次数，fk（tm）表示在tm时隙内用户类簇的访问内容；
S32. 计算所述内容适配度得到用户类簇在{t0,t1,...,tm}时隙内的内容适配度集合
Figure SMS_23
，将所述内容适配度集合输入一次指数平滑预测模型得到用户类簇在tm+1时隙内的内容适配度预测值/>
Figure SMS_24
，根据所述tm+1时隙内的内容适配度预测值得到用户类簇在tm+1时隙内对应的预测内容/>
Figure SMS_25
；
S33.计算内容特征适配度Sk，所述内容特征适配度表示用户类簇在tm+1时隙内的预测内容
Figure SMS_26
与用户类簇在tm时隙内的访问内容/>
Figure SMS_27
的适配度，计算公式如下：
Figure SMS_28
；
其中，θk为不同特征的权重，
Figure SMS_29
表示用户类簇在tm时隙的访问内容
Figure SMS_30
的对应特征，/>
Figure SMS_31
表示用户类簇在tm+1时隙内的内容适配度预测值/>
Figure SMS_32
对应的预测内容/>
Figure SMS_33
的对应特征；
S34.根据所述内容特征适配度计算用户类簇在tm+1时隙预测内容的内容适配度
Figure SMS_34
，计算公式如下：
Figure SMS_35
；
其中，N为用户类簇的访问内容数量总和，
Figure SMS_36
表示第i个内容特征适配度，/>
Figure SMS_37
表示第i个在tm时隙内的内容适配度；
S35.根据所述用户类簇在tm+1时隙预测内容的内容适配度得到T时段预测内容适配度集合，所述预测内容适配度集合即为所述用户类簇适配资源集合。
进一步的，所述S40，包括：
S41.将所述用户类簇适配资源集合按照预测内容适配度降序排序；
S42.判断所述用户类簇适配资源集合的资源容量总和是否小于或等于最优基站的容量，若是，将所述用户类簇适配资源集合缓存在最优基站上；若否，将所述用户类簇适配资源集合中的用户类簇适配资源按照预测内容适配度从高到底的顺序进行缓存，直至将最优基站的容量缓存满，得到未缓存用户类簇适配资源，转S43；
S43.判断所述未缓存用户类簇适配资源的容量总和是否小于或等于区域内所有基站容量总和，若是，使用粒子群算法为所述未缓存用户类簇适配资源选择适配基站进行缓存；若否，使用粒子群算法为所述未缓存用户类簇适配资源选择适配基站进行缓存，直至将区域内所有基站容量缓存满，得到剩余用户类簇适配资源，转S44；
S44.获取用户类簇中用户的第二预测轨迹，为所述剩余用户类簇适配资源设置次级缓存；
所述最优基站表示距离用户类簇中心最近的基站。
进一步的，所述S43，包括：
考虑基站的成本因素、距离因素和负载因素，计算适应度值Ffit，根据所述适应度值使用粒子群算法选择最优基站，所述适应度值Ffit的计算公式如下：
Figure SMS_38
；
其中，MinOcost表示最小成本，MinOdis表示最小距离，MinOload表示最小负载，μ1表示成本权重，μ2表示距离权重，μ3表示负载权重，且μ1+μ2+μ3=1。
进一步的，所述S44，包括：
获取用户类簇中用户的第二预测轨迹，提前将用户类簇适配资源集合缓存在区域内的基站上，判断所述剩余用户类簇适配资源是否小于或等于一个基站的容量大小，若是，选择区域外最近的空闲基站作为次级缓存基站进行缓存；若否，选择附近区域内空闲基站作为次级缓存基站进行缓存。
进一步的，所述S50，包括：
S51.用户发送资源请求，判断本地设备是否存在适配资源集合，若是，直接在本地设备进行缓存；若否，转S52；
S52.用户向附近基站发送资源请求，判断附近区域是否有基站对所述资源请求做出回应，若是，转S53；若否，将所述资源请求发送给云端处理；
S53.判断是否只有一个基站对所述资源请求做出回应，若是，选择所述基站进行缓存；若否，计算对所述资源请求做出回应的基站的适应度值，选择所述适应度值最低的基站进行缓存。
进一步的，所述用户请求过载时的基站处理策略，包括：
当一个基站收到的资源请求次数大于所述基站一次最多能处理的资源请求个数且
Figure SMS_39
时，将所述收到的资源请求复制到距离所述基站适应度值最小的基站上进行处理；当一个基站收到的资源请求次数大于所述基站一次最多能处理的资源请求个数且
Figure SMS_40
时,将所述收到的资源请求的一半内容迁移到所述基站适应度值最小的基站上进行处理，其中，f表示所述基站收到的请求内容种类个数，F为所述基站存在的内容种类总个数。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明一种基于边缘计算的多场景协作优化缓存方法在于设定了特定场景，结合轨迹预测算法预测人群即将要到的场景，并且将该场所内的人群聚类，为不同聚类人群选择更适配的资源提前缓存在适合的基站上，减少因用户转移产生的内容传输延迟时间，并为可能出现的缓存资源过载或用户请求过载问题提供相应的解决策略。
附图说明
图1是本发明提供的一种基于边缘计算的多场景协作优化缓存方法的流程图。
图2是本发明提供的一种基于边缘计算的多场景协作优化缓存方法的用户类簇选择用户类簇适配资源流程图。
图3是本发明提供的一种基于边缘计算的多场景协作优化缓存方法的适配资源选择基站流程图。
图4是本发明提供的一种基于边缘计算的多场景协作优化缓存方法的资源请求策略流程图。
具体实施方式
下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但本发明还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本发明的一部分实施例，而不是全部的实施例。
图1是本发明实施例提供的一种基于边缘计算的多场景协作优化缓存方法的流程图，该方法包括：
S10.从基站中获取各区域内用户的历史轨迹信息、当前地理位置信息、历史地理位置信息和历史内容访问记录，所述历史轨迹信息以时刻t划分为历史第一轨迹L1={L0,L1,...,Lt}和历史第二轨迹L2={Lt+1,Lt+2,...,Lt_end}；
所述区域包括办公区、住宅区等，用户和基站随机分布，每个基站配备一个具有计算和存储功能的边缘服务器，且一个用户一次只能对一个基站发送请求；
所述时刻t为大于或等于1的正整数。
S20.对所述历史第一轨迹使用卡尔曼滤波预测模型得到第一预测轨迹，计算所述第一预测轨迹与历史第二轨迹中各轨迹点的距离，取所述距离最小的轨迹点作为用户的第二预测轨迹。
进一步的，所述S20，包括：
所述计算所述第一预测轨迹与历史第二轨迹中各轨迹点的距离，计算公式如下：
Figure SMS_41
；
其中，DIS表示第一预测轨迹与历史第二轨迹中各轨迹点的距离，lont表示t时刻用户历史第二轨迹中轨迹点的经度，
Figure SMS_42
表示t时刻用户第一预测轨迹中轨迹点的经度；latt表示t时刻用户历史第二轨迹中轨迹点的纬度；/>
Figure SMS_43
表示t时刻用户第一预测轨迹中轨迹点的纬度。
S30.使用FCM算法分别对各区域内的用户进行聚类，得到用户类簇，为所述用户类簇选择用户类簇适配资源集合。
所述使用FCM算法分别对各区域内的用户进行聚类，得到用户类簇，包括:
（1）将用户初始化记作样本集合X={X1,X2,...,Xn}，将用户聚为c类，则对应的类簇C={C1,C2,...,Cc}，从所述样本集合中随机抽取c个用户作为聚类中心记为V={V1,V2,...,Vc}，其中，n为用户总数，c为大于或等于1的正整数；
（2）计算隶属度关系值
Figure SMS_44
，所述隶属度关系值表示每个样本元素Xi和聚类中心Vj的距离，/>
Figure SMS_45
越大表示距离聚类中心越近，/>
Figure SMS_46
越小表示距离中心越远，计算公式如下：
Figure SMS_47
；
其中，隶属度关系值
Figure SMS_48
之和为1，/>
Figure SMS_49
表示序号为k的聚类中心点，Vj表示序号为j的聚类中心点，/>
Figure SMS_50
，/>
Figure SMS_51
，m表示模糊指数；
（3）根据所述隶属度关系值，更新聚类中心，计算公式如下：
Figure SMS_52
；
其中，
Figure SMS_53
表示超参数，n为用户总数；
（4）构建聚类目标函数Jm，所述目标函数Jm值最小则表示所述类簇为最佳类簇，聚类目标函数Jm如下所示：
Figure SMS_54
；
其中，w表示请求重合率，所述请求重合率表示用户之间发出相同的请求个数占请求总数的比例，r表示请求权值，
Figure SMS_55
表示欧几里得距离，用于度量第i个样本元素与第j聚类中心点之间的距离，公式为：/>
Figure SMS_56
；
（5）计算所述聚类目标函数空间值ΔJm，计算公式如下：
ΔJm=Jm+1-Jm;
（6）判断所述目标函数空间值是否小于阈值ε，若是，聚类结束；若否，转S32；
所述阈值ε大小为0.001。
进一步的，所述S30，包括：
S31.获取T时段内所述用户类簇的历史内容访问记录，所述T时段划分为n个时隙记为{t0,t1,...,tn}，计算用户类簇在tm时隙内的内容适配度
Figure SMS_57
Figure SMS_58
，计算公式如下：
Figure SMS_59
；
其中，k表示用户类簇访问的内容种类，
Figure SMS_60
表示在tm时隙内用户类簇对访问内容/>
Figure SMS_61
的请求次数，fk（tm）表示在tm时隙内用户类簇的访问内容；
S32. 计算所述内容适配度得到用户类簇在{t0,t1,...,tm}时隙内的内容适配度集合
Figure SMS_62
，将所述内容适配度集合输入一次指数平滑预测模型得到用户类簇在tm+1时隙内的内容适配度预测值/>
Figure SMS_63
，根据所述tm+1时隙内的内容适配度预测值得到用户类簇在tm+1时隙内对应的预测内容/>
Figure SMS_64
；
S33.计算内容特征适配度Sk，所述内容特征适配度表示用户类簇在tm+1时隙内的预测内容
Figure SMS_65
与用户类簇在tm时隙内的访问内容/>
Figure SMS_66
的适配度，计算公式如下：
Figure SMS_67
；
其中，θk为不同特征的权重，
Figure SMS_68
表示用户类簇在tm时隙的访问内容
Figure SMS_69
的对应特征，/>
Figure SMS_70
表示用户类簇在tm+1时隙内的内容适配度预测值
Figure SMS_71
对应的预测内容/>
Figure SMS_72
的对应特征；
S34.根据所述内容特征适配度计算用户类簇在tm+1时隙预测内容的内容适配度
Figure SMS_73
，计算公式如下：/>
Figure SMS_74
；
其中，N为用户类簇的访问内容数量总和，
Figure SMS_75
表示第i个内容特征适配度，/>
Figure SMS_76
表示第i个在tm时隙内的内容适配度；
S35.根据所述用户类簇在tm+1时隙预测内容的内容适配度得到T时段预测内容适配度集合，所述预测内容适配度集合即为所述用户类簇适配资源集合。
S40.为所述用户类簇适配资源集合选择基站。
进一步的，所述S40，包括：
S41.将所述用户类簇适配资源集合按照预测内容适配度降序排序；
S42.判断所述用户类簇适配资源集合的资源容量总和是否小于或等于最优基站的容量，若是，将所述用户类簇适配资源集合缓存在最优基站上；若否，将所述用户类簇适配资源集合中的用户类簇适配资源按照预测内容适配度从高到底的顺序进行缓存，直至将最优基站的容量缓存满，得到未缓存用户类簇适配资源，转S43；
所述最优基站表示距离用户类簇中心最近的基站；
S43.判断所述未缓存用户类簇适配资源的容量总和是否小于或等于区域内所有基站容量总和，若是，使用粒子群算法为所述未缓存用户类簇适配资源选择适配基站进行缓存；若否，使用粒子群算法为所述未缓存用户类簇适配资源选择适配基站进行缓存，直至将区域内所有基站容量缓存满，得到剩余用户类簇适配资源，转S44。
进一步的，所述S43，包括：
考虑基站的成本因素、距离因素和负载因素，计算适应度值Ffit，根据所述适应度值使用粒子群算法选择最优基站，所述适应度值Ffit的计算公式如下：
Figure SMS_77
；
其中，MinOcost表示最小成本，MinOdis表示最小距离，MinOload表示最小负载，μ1表示成本权重，μ2表示距离权重，μ3表示负载权重，且μ1+μ2+μ3=1。
S44.获取用户类簇中用户的第二预测轨迹，为所述剩余用户类簇适配资源设置次级缓存。
进一步的，所述S44，包括：
获取用户类簇中用户的第二预测轨迹，提前将用户类簇适配资源集合缓存在区域内的基站上，判断所述剩余用户类簇适配资源是否小于或等于一个基站的容量大小，若是，选择区域外最近的空闲基站作为次级缓存基站进行缓存；若否，选择附近区域内空闲基站作为次级缓存基站进行缓存。
S50.制定用户请求资源策略以及用户请求过载时的基站处理策略。
进一步的，所述S50，包括：
S51.用户发送资源请求，判断本地设备是否存在适配资源集合，若是，直接在本地设备进行缓存；若否，转S52；
S52.用户向附近基站发送资源请求，判断附近区域是否有基站对所述资源请求做出回应，若是，转S53；若否，将所述资源请求发送给云端处理；
S53.判断是否只有一个基站对所述资源请求做出回应，若是，选择所述基站进行缓存；若否，计算对所述资源请求做出回应的基站的适应度值，选择所述适应度值最低的基站进行缓存。
进一步的，所述用户请求过载时的基站处理策略，包括：
当一个基站收到的资源请求次数大于所述基站一次最多能处理的资源请求个数且
Figure SMS_78
时，将所述收到的资源请求复制到距离所述基站适应度值最小的基站上进行处理；当一个基站收到的资源请求次数大于所述基站一次最多能处理的资源请求个数且
Figure SMS_79
时,将所述收到的资源请求的一半内容迁移到所述基站适应度值最小的基站上进行处理，其中，f表示所述基站收到的请求内容种类个数，F为所述基站存在的内容种类总个数。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (2)

1.一种基于边缘计算的多场景协作优化缓存方法，其特征在于，包括：
S10.从基站中获取各区域内用户的历史轨迹信息、当前地理位置信息、历史地理位置信息和历史内容访问记录，所述历史轨迹信息以时刻t划分为历史第一轨迹和历史第二轨迹；
S20.对所述历史第一轨迹使用卡尔曼滤波预测模型得到第一预测轨迹，计算所述第一预测轨迹与历史第二轨迹中各轨迹点的距离，取所述距离最小的轨迹点作为用户的第二预测轨迹；
S30.使用FCM算法分别对各区域内的用户进行聚类，得到用户类簇，为所述用户类簇选择用户类簇适配资源集合；
S40.为所述用户类簇适配资源集合选择基站；
S50.制定用户请求资源策略以及用户请求过载时的基站处理策略；
所述时刻t为大于或等于1的正整数；
所述S30，包括：
S31.获取T时段内所述用户类簇的历史内容访问记录，所述T时段划分为n个时隙记为{t0,t1,...,tn}，计算用户类簇在tm时隙内的内容适配度
Figure QLYQS_1
Figure QLYQS_2
，计算公式如下：
Figure QLYQS_3
；
其中，k表示用户类簇访问的内容种类，
Figure QLYQS_4
表示在tm时隙内用户类簇对访问内容
Figure QLYQS_5
的请求次数，fk(tm)表示在tm时隙内用户类簇的访问内容；
S32.计算所述内容适配度得到用户类簇在{t0,t1,...,tm}时隙内的内容适配度集合
Figure QLYQS_6
，将所述内容适配度集合输入一次指数平滑预测模型得到用户类簇在tm+1时隙内的内容适配度预测值/>
Figure QLYQS_7
，根据所述tm+1时隙内的内容适配度预测值得到用户类簇在tm+1时隙内对应的预测内容/>
Figure QLYQS_8
；
S33.计算内容特征适配度Sk，所述内容特征适配度表示用户类簇在tm+1时隙内的预测内容
Figure QLYQS_9
与用户类簇在tm时隙内的访问内容/>
Figure QLYQS_10
的适配度，计算公式如下：
Figure QLYQS_11
；
其中，θk为不同特征的权重，
Figure QLYQS_12
表示用户类簇在tm时隙的访问内容/>
Figure QLYQS_13
的对应特征，/>
Figure QLYQS_14
表示用户类簇在tm+1时隙内的内容适配度预测值/>
Figure QLYQS_15
对应的预测内容/>
Figure QLYQS_16
的对应特征；
S34.根据所述内容特征适配度计算用户类簇在tm+1时隙预测内容的内容适配度
Figure QLYQS_17
，计算公式如下：/>
Figure QLYQS_18
；
其中，N为用户类簇的访问内容数量总和，
Figure QLYQS_19
表示第i个内容特征适配度，/>
Figure QLYQS_20
表示第i个在tm时隙内的内容适配度；
S35.根据所述用户类簇在tm+1时隙预测内容的内容适配度得到T时段预测内容适配度集合，所述预测内容适配度集合即为所述用户类簇适配资源集合；
所述S40，包括：
S41.将所述用户类簇适配资源集合按照预测内容适配度降序排序；
S42.判断所述用户类簇适配资源集合的资源容量总和是否小于或等于最优基站的容量，若是，将所述用户类簇适配资源集合缓存在最优基站上；若否，将所述用户类簇适配资源集合中的用户类簇适配资源按照预测内容适配度从高到底的顺序进行缓存，直至将最优基站的容量缓存满，得到未缓存用户类簇适配资源，转S43；
S43.判断所述未缓存用户类簇适配资源的容量总和是否小于或等于区域内所有基站容量总和，若是，使用粒子群算法为所述未缓存用户类簇适配资源选择适配基站进行缓存；若否，使用粒子群算法为所述未缓存用户类簇适配资源选择适配基站进行缓存，直至将区域内所有基站容量缓存满，得到剩余用户类簇适配资源，转S44；
S44.获取用户类簇中用户的第二预测轨迹，为所述剩余用户类簇适配资源设置次级缓存；
所述最优基站表示距离用户类簇中心最近的基站；
所述S43，包括：
考虑基站的成本因素、距离因素和负载因素，计算适应度值Ffit，根据所述适应度值使用粒子群算法选择最优基站，所述适应度值Ffit的计算公式如下：
Figure QLYQS_21
；
其中，MinOcost表示最小成本，MinOdis表示最小距离，MinOload表示最小负载，μ1表示成本权重，μ2表示距离权重，μ3表示负载权重，且μ1+μ2+μ3=1；
所述S44，包括：
获取用户类簇中用户的第二预测轨迹，提前将用户类簇适配资源集合缓存在区域内的基站上，判断所述剩余用户类簇适配资源是否小于或等于一个基站的容量大小，若是，选择区域外最近的空闲基站作为次级缓存基站进行缓存；若否，选择附近区域内空闲基站作为次级缓存基站进行缓存；
所述S50，包括：
S51.用户发送资源请求，判断本地设备是否存在适配资源集合，若是，直接在本地设备进行缓存；若否，转S52；
S52.用户向附近基站发送资源请求，判断附近区域是否有基站对所述资源请求做出回应，若是，转S53；若否，将所述资源请求发送给云端处理；
S53.判断是否只有一个基站对所述资源请求做出回应，若是，选择所述基站进行缓存；若否，计算对所述资源请求做出回应的基站的适应度值，选择所述适应度值最低的基站进行缓存；
所述用户请求过载时的基站处理策略，包括：
当一个基站收到的资源请求次数大于所述基站一次最多能处理的资源请求个数且
Figure QLYQS_22
时，将所述收到的资源请求复制到所述基站适应度值最小的基站上进行处理；当一个基站收到的资源请求次数大于所述基站一次最多能处理的资源请求个数且
Figure QLYQS_23
时,将所述收到的资源请求的一半内容迁移到所述基站适应度值最小的基站上进行处理，其中，f表示所述基站收到的请求内容种类个数，F为所述基站存在的内容种类总个数。
2.如权利要求1所述的一种基于边缘计算的多场景协作优化缓存方法，其特征在于，所述S20，包括：
所述计算所述第一预测轨迹与历史第二轨迹中各轨迹点的距离，计算公式如下：
Figure QLYQS_24
；
其中，DIS表示第一预测轨迹与历史第二轨迹中各轨迹点的距离，lont表示t时刻用户历史第二轨迹中轨迹点的经度，
Figure QLYQS_25
表示t时刻用户第一预测轨迹中轨迹点的经度；latt表示t时刻用户历史第二轨迹中轨迹点的纬度；/>
Figure QLYQS_26
表示t时刻用户第一预测轨迹中轨迹点的纬度。/>
CN202310186493.1A 2023-03-02 2023-03-02 一种基于边缘计算的多场景协作优化缓存方法 Active CN115884094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310186493.1A CN115884094B (zh) 2023-03-02 2023-03-02 一种基于边缘计算的多场景协作优化缓存方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310186493.1A CN115884094B (zh) 2023-03-02 2023-03-02 一种基于边缘计算的多场景协作优化缓存方法

Publications (2)

Publication Number Publication Date
CN115884094A CN115884094A (zh) 2023-03-31
CN115884094B true CN115884094B (zh) 2023-05-23

Family

ID=85761716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310186493.1A Active CN115884094B (zh) 2023-03-02 2023-03-02 一种基于边缘计算的多场景协作优化缓存方法

Country Status (1)

Country Link
CN (1) CN115884094B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117459901B (zh) * 2023-12-26 2024-03-26 深圳市彩生活网络服务有限公司 一种基于定位技术的云平台数据智能管理系统及方法
CN117528589B (zh) * 2023-12-29 2024-03-22 江西师范大学 一种基于边缘计算的移动感知层次缓存容错方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110418367A (zh) * 2019-06-14 2019-11-05 电子科技大学 一种5g前传网络混合边缘缓存低时延方法
CN110881054A (zh) * 2018-09-05 2020-03-13 中国移动通信有限公司研究院 一种边缘缓存方法、设备及系统
CN111328023A (zh) * 2020-01-18 2020-06-23 重庆邮电大学 一种基于预测机制的移动设备多任务竞争卸载方法
CN114461931A (zh) * 2021-12-21 2022-05-10 国家计算机网络与信息安全管理中心 一种基于多关系融合分析的用户轨迹预测方法和系统
CN114554420A (zh) * 2022-04-26 2022-05-27 江西师范大学 一种基于轨迹预测的边缘计算服务迁移方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110881054A (zh) * 2018-09-05 2020-03-13 中国移动通信有限公司研究院 一种边缘缓存方法、设备及系统
CN110418367A (zh) * 2019-06-14 2019-11-05 电子科技大学 一种5g前传网络混合边缘缓存低时延方法
CN111328023A (zh) * 2020-01-18 2020-06-23 重庆邮电大学 一种基于预测机制的移动设备多任务竞争卸载方法
CN114461931A (zh) * 2021-12-21 2022-05-10 国家计算机网络与信息安全管理中心 一种基于多关系融合分析的用户轨迹预测方法和系统
CN114554420A (zh) * 2022-04-26 2022-05-27 江西师范大学 一种基于轨迹预测的边缘计算服务迁移方法

Also Published As

Publication number Publication date
CN115884094A (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
CN115884094B (zh) 一种基于边缘计算的多场景协作优化缓存方法
CN110213627B (zh) 一种基于多小区用户移动性的流媒体缓存分配方法
Zhong et al. A deep reinforcement learning-based framework for content caching
US10057367B2 (en) Systems and methods for data caching in a communications network
He et al. QoE-driven content-centric caching with deep reinforcement learning in edge-enabled IoT
WO2023168824A1 (zh) 一种基于联邦学习的移动边缘缓存优化方法
CN110933139A (zh) 一种解决Web服务器高并发的系统及方法
Li et al. Method of resource estimation based on QoS in edge computing
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
Majidi et al. HFDRL: An intelligent dynamic cooperate cashing method based on hierarchical federated deep reinforcement learning in edge-enabled IoT
WO2018049563A1 (en) Systems and methods for caching
Tu et al. An optimized cluster storage method for real-time big data in Internet of Things
CN114553963A (zh) 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
Li et al. DQN-enabled content caching and quantum ant colony-based computation offloading in MEC
CN115361710A (zh) 一种边缘缓存中的内容放置方法
Wu et al. Optimization of heat-based cache replacement in edge computing system
Li et al. Collaborative optimization of edge-cloud computation offloading in internet of vehicles
Ben Hassine et al. Popularity prediction–based caching in content delivery networks
Alipio et al. Deep Reinforcement Learning perspectives on improving reliable transmissions in IoT networks: Problem formulation, parameter choices, challenges, and future directions
CN110913430B (zh) 无线网络中文件的主动式协作缓存方法及缓存管理装置
Chen et al. Clustered popularity prediction for content caching
CN115988575A (zh) 一种混合型边缘数据缓存方法
CN115904731A (zh) 一种边缘协作式副本放置方法
Jia et al. Social‐Aware Edge Caching Strategy of Video Resources in 5G Ultra‐Dense Network
Luo et al. Graph-based data deduplication in mobile edge computing environment

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