CN116033016A - 一种车载网络中利用路边停放车辆的协作缓存方法 - Google Patents

Abstract

本发明公开了一种车载网络中利用路边停放车辆的协作缓存方法，该方法可以充分利用车载自组织网络中有限的缓存资源，有效提高移动车辆请求内容时的请求成功率。具体包括：首先根据车辆的社会相似性和中心性来选择合适的移动缓存节点，移动车辆发出内容请求时，它可以从路边单元(RSU)、移动缓存节点和路边停放车辆中获取请求内容，根据该机制构建缓存放置策略优化模型；为了提高内容获取的成功率，对车辆请求内容流行度进行预测；随后构建一个缓存命中率最大化的优化问题，采用遗传算法对该问题进行求解，得到最优的缓存放置方案。

Description

一种车载网络中利用路边停放车辆的协作缓存方法

技术领域

本发明涉及通信技术领域，具体涉及一种车载网络中利用路边停放车辆的协作缓存方法。

背景技术

随着多媒体和车载网络的快速发展，除了传统的信息外，图片、音频、视频等大型多媒体内容也需要通过车载网络进行传输。这些多媒体内容对于提高司机的驾驶体验非常重要，然而车载网络的缓存能力是有限的，因此如何合理的缓存和有效的传输这些内容成为一种挑战。

传统的车载网络中的缓存方法，不考虑移动车辆、路边单元RSU和路边停放车辆之间的协作，这使得整个网络的内容请求时延和成本很高，也不考虑对请求内容作流行度的预测，这导致内容的请求成功率很低。因此应该考虑移动车辆、RSU和路边停放车辆之间的协作缓存，将内容协同分配在缓存节点、RSU和路边停放车辆中，以此提高网络中缓存内容的多样性，减少冗余，降低内容获取的时延和成本。同时应该对车辆请求内容进行流行度的预测，让缓存节点、RSU和路边停放车辆中缓存更有可能被请求的内容，从而提高内容的请求成功率。

发明内容

发明目的：为了克服现有技术的不足，本发明的目的是提供一种车载网络中利用路边停放车辆的协作缓存方法，车辆可以从缓存节点、路边单元RSU和路边停放车辆中获取请求内容，应用该方法，可以有效降低内容请求时延和成本，同时可以提高车载网络中的内容成功交付率。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

第一方面，本发明提供一种车载网络中利用路边停放车辆的协作缓存，包括：

步骤S1、根据车辆的社会相似性和中心性从移动车辆中选择合适的车辆作为缓存节点；

步骤S2、构建移动车辆从缓存节点、路边停放车辆或路边单元RSU获取内容的交付机制；

步骤S3、根据移动车辆从缓存节点、路边停放车辆或路边单元RSU获取内容的交付机制，构建缓存放置策略优化模型；

步骤S4、根据历史请求信息，采用LSTM神经网络对内容请求数进行预测，根据预测的内容请求数的大小将内容进行排序后输入齐夫分布，获得请求内容流行度；

步骤S5、基于缓存放置策略优化模型和请求内容流行度，构建缓存命中率H最大化的优化问题P1；

步骤S6、采用遗传算法对优化问题P1进行求解，得到最优的缓存放置策略。

在一些实施例中，步骤S1包括：

S101、根据车辆的社会相似性和中心性计算每个车辆的选择性SE；SE＝α·SS+β·CE，其中SS为车辆与周围的邻居车辆的社会相似性、CE为车辆的中心性，α、β为加权因子；

S102、如果车辆i的选择性大于车辆j的选择性，那么车辆i为缓存节点，车载网络中的缓存节点达到阈值时，节点选择过程结束。

进一步地，在一些实施例中，计算每个车辆的选择性SE，包括：

SE＝α·SS+β·CE

其中SS为车辆与周围的邻居车辆的社会相似性、CE为车辆的中心性，α、β为加权因子；

其中w_k是属性SA_k的重要性，w_k越大说明有更多的节点和V_r,j之间有共同的属性，l是节点V_r,j具有的社会属性总数；

其中c_k为第k个属性的数量；

中心性CE为度中心性DC和紧密性中心性CC之和；

CE＝DC+CC

其中

是节点V_r,j和其邻居节点V_r,i的链接，

是节点V_r,j和其邻居节点V_r,i之间距离的倒数。

在一些实施例中，步骤S2包括：

在城市道路场景下，每个十字路口都放置有一个路边单元RSU，总共有N_R个RSU；在长度为L的城市道路上随机分布着

个移动车辆，在路边停放着

个车辆，移动车辆在请求内容时，从路边单元RSU和缓存节点中获取内容，或向路边停放车辆发出请求，RSU的缓存容量为S_RSU，移动车辆和路边停放车辆的缓存容量分别为

和

移动车辆表示为

路边停放车辆表示为

路边单元RSU表示为R，请求内容为q(q∈{1,2,3,...,Q})；

当移动车辆需要获取内容时，先向周围1跳范围的缓存节点发出内容请求，若缓存节点包含该内容，则直接将内容返回给请求车辆；否则会将内容请求转发给路边停放车辆，若路边停放车辆缓存有该内容，则将该内容发送给缓存节点车辆，缓存节点再将内容转发给请求车辆；

若缓存节点和路边停放车辆都没有缓存该内容，移动车辆向路边单元RSU发出内容请求，如果RSU缓存有该内容，则将内容返回给请求车辆，否则本次内容请求失败。

在一些实施例中，步骤S3包括：

定义缓存放置矩阵为

表示路边单元RSU中缓存有内容q，

表示缓存节点中包含内容q，

表示路边停放车辆中含有内容q，若未缓存内容q，则a_q,:＝0；

同一个内容在一条道路范围内只能被缓存一次，RSU、缓存节点和路边停放车辆中不能重复缓存，即：

其中N_R、

分别为路边单元RSU、缓存节点移动车辆、路边停放车辆的个数。

在一些实施例中，步骤S4、根据历史请求信息，采用LSTM神经网络对内容请求数进行预测，根据预测的内容请求数的大小将内容进行排序后输入齐夫分布，获得请求内容流行度；

LSTM神经网络包括遗忘门、输入门和输出门；

遗忘门f_t的作用是决定细胞状态C_t-1是否被遗忘，定义为：

f_t＝σ(U_fx_t+W_fh_t-1+b_f)

其中，h_t-1是上一层的最终隐藏状态，x_t为当前输入，为上一时刻每个内容的请求数，记为x(t)＝{x₁(t),x₂(t),...,x_Q(t)}，σ(·)为非线性激活函数，b_f为偏置矩阵，U_f和W_f为权重矩阵，f_t的取值在[0,1]之间；

输入门i_t的作用是决定新增信息

是否加入当前细胞状态C_t中，定义为：

i_t＝σ(U_ix_t+W_ih_t-1+b_i)

细胞状态的更新与f_t和i_t有关，更新公式如下：

输出门o_t的作用是输出当前层的最终隐藏状态，定义为：

o_t＝σ(U_ox_t+W_oh_t-1+b_o)

h_t＝o_t×tanh(C_t)

其中，b_i、b_C、b_o为偏置矩阵，U_i、U_C、U_o和W_i、W_C、W_o为权重矩阵，tanh(·)是非线性激活函数；h_t是最终输出的结果，为预测的本时刻每个内容的请求数，记作h(t)＝{h₁(t),h₂(t),...,h_Q(t)}；

将预测后的内容根据请求数的大小进行排序，作为齐夫分布的输入e_q，以此获得更准确的内容流行度P＝[p₁,p₂,p₃,...,p_Q]；

车辆请求内容的流行度遵循齐夫分布，则内容q(q∈{1,2,3,...,Q})的流行度为：

其中s为齐夫分布的参数，e_q是内容q请求次数的排序。

在一些实施例中，步骤S5包括：缓存命中率H最大化的优化问题P1：

其中，P为请求内容流行度矩阵，

为缓存放置矩阵，N_R、

分别为路边单元RSU、缓存节点移动车辆、路边停放车辆的个数；RSU的缓存容量为S_RSU，移动缓存节点和路边停放车辆的缓存容量分别为

和

s_q为内容q的大小；a_q,x、a_q,y、a_q,z为缓存放置矩阵的子矩阵；

第一个约束是为了保证同一个内容q不可以被重复缓存，第二个到第四个约束是缓存容量约束，确保缓存的内容的总大小不超过RSU、缓存节点和路边停放车辆的缓存容量。

在一些实施例中，步骤S6、采用遗传算法对优化问题P1进行求解，得到最优的缓存放置策略，包括：

S601、初始化缓存放置方案，计算每种方案的缓存命中率；

S602、进行选择、交叉和变异操作，并保存每一代中的最优个体，也即每一代中最优的缓存放置方案；

选择操作是为了挑选优秀的个体，在选择过程中，定义选择概率P_s为个体适应度值与总体适应度值之比：

其中N为种群数量，Fit为适应度函数，定义为：

Fit＝H

在选择过程完成之后，根据交叉率P_c进行交叉操作，在当前种群中选择两个染色体，然后寻找一个交叉点将两条染色体的基因进行交叉，形成新的后代；交叉是在满足缓存容量约束条件下将缓存放置矩阵的某两行进行交换，从而改变缓存的内容，得到不同的缓存命中率，避免陷入局部最优；

变异操作是根据变异率P_v将一个染色体上的某个基因发生突变，即对当前基因进行取反，将1变成0，将0变成1，这样每一轮遗传都会有新的染色体出现，即会有新的适应度值出现；假设缓存放置矩阵的某一列有b个1，变异是将这b个1变成0，然后在同一列中随机选取b行，将0变成1，从而改变缓存的内容，达到与交叉相同的目的；

S603、当迭代达到预设最大次数时，停止迭代，找出缓存命中率最大的缓存放置方案，并记录此时的缓存命中率。

第二方面，本发明提供了一种车载网络中利用路边停放车辆的协作缓存装置，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据第一方面所述方法的步骤。

第三方面，本发明提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述方法的步骤。

有益效果：

本发明与现有技术相比，其显著优点是：

1、本发明以缓存命中率最大化为优化目标，采用遗传算法的思想，对缓存放置方案进行优化，以得到缓存命中率最大的缓存放置方案。

2、本发明给出了一种缓存节点选择方法，可以选出更适合缓存内容的移动车辆，避免了缓存冗余。

3、本发明给出了一种协作缓存方法，将内容协同缓存在缓存节点、RSU和路边停放车辆中，有效降低了内容获取时延和成本，同时也提高了内容请求的成功率。

附图说明

图1为本发明实施例方法的流程示意图；

图2为本发明实施例的系统模型示意图；

图3位本发明实施例中LSTM结构图。

具体实施方式

下面结合附图和实施例对本发明做进一步详细说明。

本发明的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

实施例1

一种车载网络中利用路边停放车辆的协作缓存，包括：

步骤S1、根据车辆的社会相似性和中心性从移动车辆中选择合适的车辆作为缓存节点；

步骤S2、构建移动车辆从缓存节点、路边停放车辆或路边单元RSU获取内容的交付机制；

步骤S3、根据移动车辆从缓存节点、路边停放车辆或路边单元RSU获取内容的交付机制，构建缓存放置策略优化模型；

步骤S4、根据历史请求信息，采用LSTM神经网络对内容请求数进行预测，根据预测的内容请求数的大小将内容进行排序后输入齐夫分布，获得请求内容流行度；

步骤S5、基于缓存放置策略优化模型和请求内容流行度，构建缓存命中率H最大化的优化问题P1；

步骤S6、采用遗传算法对优化问题P1进行求解，得到最优的缓存放置策略。

在一些实施例中，本实施例系统模型如图2所示，在城市道路场景下，每个十字路口都放置有一个RSU，总共有N_R个RSU。在长度为L的城市道路上随机分布着N_Vr个移动车辆，移动车辆的速度为40km/h，在路边停放着

个车辆，移动车辆在请求内容时，不仅可以从RSU和缓存节点中获取内容，同时也可以向路边停放车辆发出请求，RSU的缓存容量为S_RSU，移动车辆和路边停放车辆的缓存容量分别为

和

移动车辆表示为

路边停放车辆表示为

RSU表示为R，请求内容为q(q∈{1,2,3,...,Q})。

在车载网络中首先从移动车辆中选择合适的车辆作为移动缓存节点，当移动车辆需要获取内容时，先向周围1跳范围的缓存节点发出请求信息，若缓存节点包含该内容，则直接将内容返回给请求车辆，否则会将请求转发给路边停放车辆，若路边停放车辆缓存有该内容，则将其发送给缓存节点车辆，缓存节点再将内容转发给请求车辆。若缓存节点和路边停放车辆都没有缓存该内容，移动车辆会向RSU发出内容请求，如果RSU缓存有该内容，则将内容返回给请求车辆，否则本次内容请求失败。需要注意，移动车俩之间的通信、移动车辆和RSU之间的通信采用不同的频段，不存在相互干扰。

车辆可以从RSU、缓存节点和路边停放车辆中获取内容，不同的内容获取方式会产生不同的内容请求时延，假设请求内容为q，大小为s_q。

当移动车辆从RSU获得请求内容时，此时的内容请求时延为：

其中，

是移动车辆V_r,i和路边单元R之间的带宽大小，

是车辆V_r,i的接收功率，N₀是噪声功率谱密度。

其中，P_R是RSU的发射功率，

是移动车辆V_r,i和路边单元R之间的信道增益。

当移动车辆从缓存节点获取请求内容时，请求时延为：

其中，

是移动车辆V_r,i和V_r,j之间的带宽，

是车辆V_r,i的接收功率，N₀是噪声功率谱密度，

为其他车辆对内容请求车辆的干扰。

其中，

是缓存节点V_r,j的发射功率，

是移动车辆V_r,i和缓存节点V_r,j之间的信道增益。

当移动车辆从路边停放车辆获取内容时，内容q从路边停放车辆传输给缓存节点，再由缓存节点转发给请求车辆，此时的时延为：

其中，

是缓存节点V_r,j和路边停放车辆V_s,m之间的带宽，

是缓存节点V_r,j的接收功率，N₀是噪声功率谱密度。

移动车辆从发出内容请求到获取内容，称为一次缓存命中，缓存命中率是移动车辆获取的内容数与总的请求内容数之间的比值，车辆获取的内容越多，意味着缓存命中率就会越高，而RSU、缓存节点以及路边停放车辆的缓存容量是有限的，所以需要对缓存放置策略进行优化，以达到缓存命中率最大的目的。定义缓存放置矩阵为

表示RSU中缓存有内容q，

表示缓存节点中包含内容q，

表示路边停放车辆中含有内容q，若未缓存内容q，则a_q,:＝0。为了提高缓存命中率，本实施例规定同一个内容在一条道路范围内只能被缓存一次，即如果RSU中缓存内容q,则缓存节点和路边停放车辆中不能重复缓存，也即：

请求内容流行度矩阵为P＝[p₁,p₂,p₃,...,p_Q]，缓存命中率可以表示为：

缓存命中率是评估系统缓存性能的重要因素，它可以直接反映出缓存放置策略是否合理，考虑到有限的缓存容量，定义目标函数为：

其中，第一个约束是为了保证同一个内容q不可以被重复缓存，第二个到第四个约束是缓存容量约束，确保缓存的内容的总大小不超过RSU、缓存节点和路边停放车辆的缓存容量。

本发明根据车辆的社会相似性、中心性来选择缓存节点。社会相似性是两个节点之间社会属性的相似程度，社交相似的两个节点更容易有共同的兴趣爱好。如果请求节点和缓存节点之间具有更高的社会相似性，那么缓存节点中的缓存内容更有可能是请求节点感兴趣的内容，请求成功率也会随之提高。

本实施例采用了网络数据集中的部分车辆用户数据，其中用户包含性别、年龄、职业、居住地(具体到某个区)等社会属性，定义社会属性为SA＝{s_u,1,s_u,2,s_u,3,...,s_u,l},其中s_u,l表示第u个社会属性的第l种属性，例如：性别包含男、女两种属性。年龄包含5个属性[1,2,3,4,5]，其中1表示年龄在0-18岁，2表示19-25岁，3表示26-35岁，4表示36-50岁，5表示年龄50岁以上。

社会相似性用于评估两个节点之间的公共社会属性，本实施例采用杰卡德相似系数来计算两个节点之间的社会相似性SS_u，与传统的杰卡德相似系数计算方式不同的是，本实施例中每个属性都定义有一个重要性，通过计算重要性来得到最终的社会相似性，节点V_r,i和V_r,j之间的社会相似性定义为：

其中w_k是属性SA_k的重要性，w_k越大说明有更多的节点和V_r,j之间有共同的属性，l是节点V_r,j具有的社会属性总数。

假设节点V_r,i的社会属性为{男，1，学生，地区1}，V_r,j的社会属性为{男，2，学生，地区1}，那么V_r,i和V_r,j相同的社会属性即

为{男，学生，地区1}，取数据集中部分数据如下如表1所示

表1数据集中的部分数据

性别	男(7)	女(3)
						年龄	1(1)	2(4)	3(2)	4(2)	5(1)
职业	学生(4)	老师(2)	律师(2)	作家(1)	艺术家(1)
						居住地	地区1(3)	地区2(3)	地区3(1)	地区4(2)	地区5(1)

重要性w_k定义为：

其中c_k为第k个属性的数量，以表中为例，性别为男的数量为7，则

年龄段在19-25岁的数量为4，则

职业为学生的节点总共有4个，所以

居住地在鼓楼区的有三个，则

其中

的重要性为{w1,w2,w3}，则V_r,i和V_r,i之间的社会相似性为：

在社交网络中，中心性通常用来识别网络中最具影响力的节点，本实施例中考虑节点的度中心性和紧密性中心性，度中心性表示节点V_r,j与相邻节点直接相邻的数量，定义为：

其中

是节点V_r,j和其邻居节点V_r,i的链接，度中心性越高说明节点越受欢迎，即有更多的邻居，车载网络中选择更受欢迎的车辆作为缓存节点，增加了车辆间传递信息的机会。

紧密性中心性描述了节点V_r,j的中心程度，中心节点的选择可以保证内容在网络中更广泛的传播，定义为：

其中

是节点之间距离的倒数，CC越大说明节点V_r,j具有到网络中其他节点的距离越短。

本实施例的中心性为度中心性和紧密性中心性之和：

CE＝DC+CC

综合考虑节点的社会相似性和中心性，定义节点的选择性为：

SE＝α·SS+β·CE

其中α和β为各个影响因素的加权因子，SE越大表明该节点更适合被选为缓存节点。

车辆请求内容的流行度遵循齐夫分布，则内容q(q∈{1,2,3,...,Q})的请求概率为

其中s为齐夫分布的参数，e_q是内容q请求次数的排序。参数s越大，表明受欢迎内容出现的概率越高，相应内容请求频率就会提高，这些内容被缓存的概率也会提高。

根据历史请求数量直接计算出来的内容流行度可能是不准确的，于是本实施例采用LSTM神经网络对内容请求数进行预测，可以充分利用历史请求信息得到下一时刻的内容请求数量。LSTM神经网络的结构如图2所示，它是一种时间循环神经网络，是为了解决一般的RNN存在的长期依赖问题而专门设计出来的，LSTM神经网络由三个神经网络单元组成，包括遗忘门、输入门和输出门。

在LSTM神经网络中，遗忘门f_t的作用是决定细胞状态C_t-1是否被遗忘，定义为

f_t＝σ(U_fx_t+W_fh_t-1+b_f)

其中，h_t-1是上一层的最终隐藏状态，x_t为当前输入，在本实施例中输入为上一时刻每个内容的请求数，记为x(t)＝{x₁(t),x₂(t),...,x_Q(t)}，σ(·)为非线性激活函数，b为偏置矩阵，U和W为权重矩阵，f_t的取值在[0,1]之间。

输入门i_t的作用是决定新增信息

是否加入当前细胞状态C_t中，定义为

i_t＝σ(U_ix_t+W_ih_t-1+b_i)

其中，tanh(·)是非线性激活函数，i_t与f_t具有相同的功能。

细胞状态的更新与f_t和i_t有关，其更新公式如下

输出门o_t的作用是输出当前层的最终隐藏状态，定义为

o_t＝σ(U_ox_t+W_oh_t-1+b_o)

h_t＝o_t×tanh(C_t)

其中，h_t是最终输出的结果，在本实施例中，输出为预测后的本时刻每个内容的请求数，记作h(t)＝{h₁(t),h₂(t),...,h_Q(t)}。

在完成内容流行度预测后，将预测后的内容根据请求数的大小进行排序，作为齐夫分布的输入e_q，以此获得更准确的内容流行度P＝[p₁,p₂,p₃,...,p_Q]。

问题P1是一个NP-hard问题，本实施例采用遗传算法来求解P1的最优值，以得到最优的缓存放置策略。遗传算法是一种优胜劣汰的过程，它是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解。它是经过一代一代的进化，来选择出最适应环境的个体，也即问题的最优解。在本实施例中，遗传算法中的染色体代表缓存放置矩阵，适应度代表缓存命中率，通过算法迭代求出适应度的最大值，也即最大的缓存命中率，再反过来求出最优的个体，即最优的缓存放置方案。

遗传算法主要包括选择、交叉和变异过程。选择操作是为了挑选优秀的个体，在选择过程中，本实施例定义选择概率为个体适应度值与总体适应度值之比

其中N为种群数量，Fit为适应度函数，定义为

Fit＝H

在选择过程完成之后，算法会根据交叉率P_c进行交叉操作，在当前种群中选择两个染色体，然后寻找一个交叉点将两条染色体的基因进行交叉，形成新的后代，其目的是增加种群的基因多样性。在本实施例中交叉是在满足缓存容量约束条件下将缓存放置矩阵的某两行进行交换，从而改变缓存的内容，得到不同的缓存命中率，避免陷入局部最优。

除了交叉，遗传算法还包含了变异操作，变异是根据变异率P_v将一个染色体上的某个基因发生突变，即对当前基因进行取反，将1变成0，将0变成1，这样每一轮遗传都会有新的染色体出现，即会有新的适应度值出现。在本实施例中，假设缓存放置矩阵的某一列有b个1，变异是将这b个1变成0，然后在同一列中随机选取b行，将0变成1，从而改变缓存的内容，达到与交叉相同的目的。

每一轮迭代都保存最优个体，当达到最大遗传代数时算法终止，找出缓存命中率最大的缓存放置方案，并记录此时的缓存命中率。

最终，如图1所示，基于上述优化问题的发明方法流程如下所示：

(1)初始化车辆位置；

(2)根据选择性计算公式计算每个车辆的选择性SE，如果车辆i的选择性大于车辆j的选择性，那么车辆i为缓存节点，车载网络中的缓存节点达到阈值时，节点选择过程结束。

(3)本实施例中只有缓存节点、路边停放车辆和RSU中可以缓存内容，对内容获取时延和内容请求成功率进行分析。

(4)构建一个缓存命中率最大化的优化问题。

(5)初始化缓存放置方案，计算每种方案的缓存命中率。

(6)进行选择、交叉和变异操作，并保存每一代中的最优个体，也即每一代中最优的缓存放置方案。

(7)当迭代达到最大次数时，停止迭代，找出缓存命中率最大的缓存放置方案，并记录此时的缓存命中率。

综上所述，为了充分利用车载网络中的缓存资源，降低内容请求时延并提高内容请求的成功率，本发明提出了一种利用路边停放车辆的协作缓存策略。具体来说，首先选择合适的缓存节点，随后在内容请求过程中，车辆可以从缓存节点、RSU和路边停放车辆中获取内容，为了使得请求成功率最大化，先是对请求内容流行度进行预测，随后设计了一种基于遗传算法的缓存放置方法对其进行求解，得到了最优的缓存放置方案。

实施例2

第二方面，本实施例提供了一种车载网络中利用路边停放车辆的协作缓存装置，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据实施例1所述方法的步骤。

实施例3

第三方面，本实施例提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现实施例1所述方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。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、嵌入式处理机或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性概念，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，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种车载网络中利用路边停放车辆的协作缓存方法，包括：

步骤S1、根据车辆的社会相似性和中心性从移动车辆中选择合适的车辆作为缓存节点；

步骤S2、构建移动车辆从缓存节点、路边停放车辆或路边单元RSU获取内容的交付机制；

步骤S3、根据移动车辆从缓存节点、路边停放车辆或路边单元RSU获取内容的交付机制，构建缓存放置策略优化模型；

步骤S4、根据历史请求信息，采用LSTM神经网络对内容请求数进行预测，根据预测的内容请求数的大小将内容进行排序后输入齐夫分布，获得请求内容流行度；

步骤S5、基于缓存放置策略优化模型和请求内容流行度，构建缓存命中率H最大化的优化问题P1；

步骤S6、采用遗传算法对优化问题P1进行求解，得到最优的缓存放置策略。

2.根据权利要求1所述的车载网络中利用路边停放车辆的协作缓存方法，其特征在于，步骤S1包括：

S101、根据车辆的社会相似性和中心性计算每个车辆的选择性SE；SE＝α·SS+β·CE，其中SS为车辆与周围的邻居车辆的社会相似性、CE为车辆的中心性，α、β为加权因子；

S102、如果车辆i的选择性大于车辆j的选择性，那么车辆i为缓存节点，车载网络中的缓存节点达到阈值时，节点选择过程结束。

3.根据权利要求2所述的车载网络中利用路边停放车辆的协作缓存方法，其特征在于，计算每个车辆的选择性SE，包括：

SE＝α·SS+β·CE

其中SS为车辆与周围的邻居车辆的社会相似性、CE为车辆的中心性，α、β为加权因子；

其中w_k是属性SA_k的重要性，w_k越大说明有更多的节点和V_r,j之间有共同的属性，l是节点V_r,j具有的社会属性总数；

其中c_k为第k个属性的数量；

中心性CE为度中心性DC和紧密性中心性CC之和；

CE＝DC+CC

其中

是节点V_r,j和其邻居节点V_r,i的链接，

是节点V_r,j和其邻居节点V_r,i之间距离的倒数。

4.根据权利要求1所述的车载网络中利用路边停放车辆的协作缓存方法，其特征在于，步骤S2包括：

在城市道路场景下，每个十字路口都放置有一个路边单元RSU，总共有N_R个RSU；在长度为L的城市道路上随机分布着N_Vr个移动车辆，在路边停放着N_Vs个车辆，移动车辆在请求内容时，从路边单元RSU和缓存节点中获取内容，或向路边停放车辆发出请求，RSU的缓存容量为S_RSU，移动车辆和路边停放车辆的缓存容量分别为S_Vr和S_Vs；移动车辆表示为V_r,i(i∈{1,2,3,...,N_Vr})，路边停放车辆表示为V_s,m(m∈{1,2,3,...,N_Vs})，路边单元RSU表示为R，请求内容为q(q∈{1,2,3,...,Q})；

当移动车辆需要获取内容时，先向周围1跳范围的缓存节点发出内容请求，若缓存节点包含该内容，则直接将内容返回给请求车辆；否则会将内容请求转发给路边停放车辆，若路边停放车辆缓存有该内容，则将该内容发送给缓存节点车辆，缓存节点再将内容转发给请求车辆；

若缓存节点和路边停放车辆都没有缓存该内容，移动车辆向路边单元RSU发出内容请求，如果RSU缓存有该内容，则将内容返回给请求车辆，否则本次内容请求失败。

5.根据权利要求1所述的车载网络中利用路边停放车辆的协作缓存方法，其特征在于，步骤S3包括：

定义缓存放置矩阵为

表示路边单元RSU中缓存有内容q，

表示缓存节点中包含内容q，

表示路边停放车辆中含有内容q，若未缓存内容q，则a_q,:＝0；

同一个内容在一条道路范围内只能被缓存一次，RSU、缓存节点和路边停放车辆中不能重复缓存，即：

其中N_R、

分别为路边单元RSU、缓存节点移动车辆、路边停放车辆的个数。

6.根据权利要求1所述的车载网络中利用路边停放车辆的协作缓存方法，其特征在于，步骤S4、根据历史请求信息，采用LSTM神经网络对内容请求数进行预测，根据预测的内容请求数的大小将内容进行排序后输入齐夫分布，获得请求内容流行度；

LSTM神经网络包括遗忘门、输入门和输出门；

遗忘门f_t的作用是决定细胞状态C_t-1是否被遗忘，定义为：

f_t＝σ(U_fx_t+W_fh_t-1+b_f)

其中，h_t-1是上一层的最终隐藏状态，x_t为当前输入，为上一时刻每个内容的请求数，记为x(t)＝{x₁(t),x₂(t),...,x_Q(t)}，σ(·)为非线性激活函数，b_f为偏置矩阵，U_f和W_f为权重矩阵，f_t的取值在[0,1]之间；

输入门i_t的作用是决定新增信息

是否加入当前细胞状态C_t中，定义为：

i_t＝σ(U_ix_t+W_ih_t-1+b_i)

细胞状态的更新与f_t和i_t有关，更新公式如下：

输出门o_t的作用是输出当前层的最终隐藏状态，定义为：

o_t＝σ(U_ox_t+W_oh_t-1+b_o)

h_t＝o_t×tanh(C_t)

其中，b_i、b_C、b_o为偏置矩阵，U_i、U_C、U_o和W_i、W_C、W_o为权重矩阵，tanh(·)是非线性激活函数；h_t是最终输出的结果，为预测的本时刻每个内容的请求数，记作h(t)＝{h₁(t),h₂(t),...,h_Q(t)}；

将预测后的内容根据请求数的大小进行排序，作为齐夫分布的输入e_q，以此获得更准确的内容流行度P＝[p₁,p₂,p₃,...,p_Q]；

车辆请求内容的流行度遵循齐夫分布，则内容q(q∈{1,2,3,...,Q})的流行度为：

其中s为齐夫分布的参数，e_q是内容q请求次数的排序。

7.根据权利要求1所述的车载网络中利用路边停放车辆的协作缓存方法，其特征在于，步骤S5包括：缓存命中率H最大化的优化问题P1：

其中，P为请求内容流行度矩阵，

为缓存放置矩阵，N_R、

分别为路边单元RSU、缓存节点移动车辆、路边停放车辆的个数；RSU的缓存容量为S_RSU，移动缓存节点和路边停放车辆的缓存容量分别为

和

s_q为内容q的大小；a_q,x、a_q,y、a_q,z为缓存放置矩阵的子矩阵；

第一个约束是为了保证同一个内容q不可以被重复缓存，第二个到第四个约束是缓存容量约束，确保缓存的内容的总大小不超过RSU、缓存节点和路边停放车辆的缓存容量。

8.根据权利要求7所述的车载网络中利用路边停放车辆的协作缓存方法，其特征在于，步骤S6、采用遗传算法对优化问题P1进行求解，得到最优的缓存放置策略，包括：

S601、初始化缓存放置方案，计算每种方案的缓存命中率；

S602、进行选择、交叉和变异操作，并保存每一代中的最优个体，也即每一代中最优的缓存放置方案；

选择操作是为了挑选优秀的个体，在选择过程中，定义选择概率P_s为个体适应度值与总体适应度值之比：

其中N为种群数量，Fit为适应度函数，定义为：

Fit＝H

在选择过程完成之后，根据交叉率P_c进行交叉操作，在当前种群中选择两个染色体，然后寻找一个交叉点将两条染色体的基因进行交叉，形成新的后代；交叉是在满足缓存容量约束条件下将缓存放置矩阵的某两行进行交换，从而改变缓存的内容，得到不同的缓存命中率，避免陷入局部最优；

变异操作是根据变异率P_v将一个染色体上的某个基因发生突变，即对当前基因进行取反，将1变成0，将0变成1，这样每一轮遗传都会有新的染色体出现，即会有新的适应度值出现；假设缓存放置矩阵的某一列有b个1，变异是将这b个1变成0，然后在同一列中随机选取b行，将0变成1，从而改变缓存的内容，达到与交叉相同的目的；

S603、当迭代达到预设最大次数时，停止迭代，找出缓存命中率最大的缓存放置方案，并记录此时的缓存命中率。

9.一种车载网络中利用路边停放车辆的协作缓存装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1至8任一项所述方法的步骤。

10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8任一项所述方法的步骤。

Images