CN116320000A - 协同缓存方法、装置、电子设备和存储介质 - Google Patents
协同缓存方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116320000A CN116320000A CN202310156893.8A CN202310156893A CN116320000A CN 116320000 A CN116320000 A CN 116320000A CN 202310156893 A CN202310156893 A CN 202310156893A CN 116320000 A CN116320000 A CN 116320000A
- Authority
- CN
- China
- Prior art keywords
- track
- vehicles
- file
- collaborative
- objective function
- 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 55
- 238000005457 optimization Methods 0.000 claims abstract description 66
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 67
- 230000005540 biological transmission Effects 0.000 claims description 47
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 230000006399 behavior Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 11
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 abstract description 11
- 238000004364 calculation method Methods 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008685 targeting Effects 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
- H04L67/50—Network services
- H04L67/56—Provisioning of proxy services
- H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
-
- 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
- H04L47/28—Flow control; Congestion control in relation to timing considerations
- H04L47/283—Flow control; Congestion control in relation to timing considerations in response to processing delays, e.g. caused by jitter or round trip time [RTT]
-
- 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
- H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
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)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种协同缓存方法、装置、电子设备和存储介质,属于通信技术领域,其中,协同缓存方法包括:获取多个车辆的加噪轨迹数据,所述多个车辆的加噪轨迹数据是通过对所述多个车辆的轨迹数据进行加噪处理得到的;对所述多个车辆的加噪轨迹数据进行相似行为分析,得到轨迹相似度,基于所述轨迹相似度进行轨迹聚类,得到轨迹聚类结果;根据所述轨迹聚类结果,构建缓存优化目标函数;对所述缓存优化目标函数进行求解,得到车联网环境下的文件协同缓存方案。本发明不仅能够保护用户轨迹隐私,还能提高缓存效率,自适应复杂的移动网络的应用场景。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种协同缓存方法、装置、电子设备和存储介质。
背景技术
随着无线通信技术和智能车载平台的快速发展,在移动车辆中提供了越来越丰富的多媒体服务,移动流量指数级增长。大规模移动流量的增长给核心网络的负载和带宽传输带来了巨大的压力,导致数据缓存服务质量下降。现有技术大多是通过分析车辆位置、行为、偏好等得到文件流行度,将流行度较高的文件缓存在边缘基站以供获取。现有缓存技术对于车辆轨迹隐私保护考虑的较少,缓存效率较低,不足以适应复杂的移动网络的应用场景。
发明内容
本发明提供一种协同缓存方法、装置、电子设备和存储介质,用以解决现有技术中的缓存方法无法兼顾轨迹隐私保护以及缓存效率的缺陷,实现在保护轨迹隐私的基础上对数据进行高效缓存,自适应复杂的移动网络的应用场景。
本发明提供一种协同缓存方法,包括:
获取多个车辆的加噪轨迹数据,所述多个车辆的加噪轨迹数据是通过对所述多个车辆的轨迹数据进行加噪处理得到的;
对所述多个车辆的加噪轨迹数据进行相似行为分析,得到轨迹相似度,基于所述轨迹相似度进行轨迹聚类,得到轨迹聚类结果;
根据所述轨迹聚类结果,构建缓存优化目标函数;
对所述缓存优化目标函数进行求解,得到车联网环境下的文件协同缓存方案。
在一些实施例中,所述对所述多个车辆的加噪轨迹数据进行相似行为分析,得到轨迹相似度,包括:
基于所述多个车辆的加噪轨迹数据,计算得到轨迹间距离和轨迹连续度;
基于所述轨迹间距离和轨迹连续度,得到轨迹相似度。
在一些实施例中,所述基于所述轨迹相似度进行轨迹聚类,得到轨迹聚类结果,包括:
利用层次聚类算法,基于所述轨迹相似度不断进行簇的合并,得到轨迹聚类结果。
在一些实施例中,所述根据所述轨迹聚类结果,构建缓存优化目标函数,包括:
根据所述轨迹聚类结果,确定聚类后各簇内的车辆数量;
根据所述聚类后各簇内的车辆数量,为各簇设置文件卸载方式和阈值;
根据所述各簇对应的文件卸载方式和阈值,构建以总传输时延最小为目标的缓存优化目标函数。
在一些实施例中,所述文件卸载方式包括:云端卸载,协同卸载以及就近卸载,
所述根据所述各簇对应的文件卸载方式和阈值,构建以总传输时延最小为目标的缓存优化目标函数,包括:
确定所述各簇对应的文件卸载方式的传输时延,当所述文件卸载方式为就近卸载时,对应的传输时延为:当所述文件卸载方式为协同卸载时,对应的传输时延为:/>当所述文件卸载方式为云端卸载时,对应的传输时延为:且/>其中fs表示文件大小,B为信道带宽,N0为噪声功率谱密度,z为信道增益,Pt为传输功率,f为文件,ki为第i个簇内的车辆,r表示就近路侧单元,x表示协同路侧单元,c表示云端服务器;
根据所述各簇对应的文件卸载方式的传输时延,确定所有簇的平均最短传输延迟:
其中,|ki|表示第i个簇的车辆数量;
根据所述平均最短传输延迟,得到缓存优化目标函数,表示为:
P:Maximize AL
C2:|ki,c|<|thrc|
C3:|ki,x|<|thrx|
其中,K表示聚类总簇数,F表示文件集合,C1表示在本地缓存的文件总大小不能超过总缓存容量Cr,C2表示在选择云端卸载方式时,各簇内的车辆数量|ki,c|必须在云端卸载方式对应的阈值|thrc|内,C3表示在选择协同卸载方式时,各簇内的车辆数量|ki,x|必须在协同卸载方式对应的阈值|thrx|内。
在一些实施例中,所述对所述缓存优化目标函数进行求解,得到车联网环境下的文件协同缓存方案,包括:
对所述缓存优化目标函数进行马尔科夫建模;
利用MADQN算法进行缓存方案决策,得到车联网环境下的文件协同缓存方案。
在一些实施例中,所述协同缓存方法还包括:
根据所述文件协同缓存方案,缓存来自云端服务器的文件。
本发明还提供一种协同缓存装置,包括:
获取单元,用于获取多个车辆的加噪轨迹数据,所述多个车辆的加噪轨迹数据是通过对所述多个车辆的轨迹数据进行加噪处理得到的;
聚类单元,用于对所述多个车辆的加噪轨迹数据进行相似行为分析,得到轨迹相似度,基于所述轨迹相似度进行轨迹聚类,得到轨迹聚类结果;
构建单元,用于根据所述轨迹聚类结果,构建缓存优化目标函数;
求解单元,用于对所述缓存优化目标函数进行求解,得到车联网环境下的文件协同缓存方案。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述协同缓存方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述协同缓存方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述协同缓存方法。
本发明提供的一种协同缓存方法、装置、电子设备和存储介质,通过获取多个车辆的加噪轨迹数据,对多个车辆的加噪轨迹数据进行相似行为分析和轨迹聚类,得到轨迹聚类结果,根据轨迹聚类结果,构建缓存优化目标函数,对缓存优化目标函数进行求解,得到车联网环境下的文件协同缓存方案,不仅能够保护用户轨迹隐私,还能提高缓存效率,自适应复杂的移动网络的应用场景。
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为本发明实施例提供的协同缓存方法的应用场景示意图;
图2为本发明实施例提供的协同缓存方法的流程示意图;
图3为本发明实施例提供的对多个车辆的加噪轨迹数据进行相似行为分析,基于所述轨迹相似度进行轨迹聚类的流程示意图;
图4为本发明实施例提供的根据轨迹聚类结果,构建缓存优化目标函数的流程示意图;
图5为本发明实施例提供的对缓存优化目标函数进行求解的流程示意图;
图6为本发明实施例提供的协同缓存装置的结构示意图;
图7为本发明实施例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。
车联网(Internet of Vehicles,IOV)即车辆物联网,利用传感技术感知车辆的状态信息,并借助无线通信网络与现代智能信息处理技术实现交通的智能化管理,以及文件服务的智能决策和车辆的智能化控制。随着无线通信技术和智能车载平台的快速发展,在移动车辆中提供的多媒体服务越来越丰富,如娱乐新闻、沉浸式媒体应用、定位服务等。随着用户需求与多媒体应用的日益增长,车联网中的移动流量指数级增长,预计到2030年,其年增长率将达到12%。大规模移动流量的增长给核心网络的负载和带宽传输带来了巨大的压力,导致车辆网服务质量下降。因此,降低网络流量负载且提供高质量的车联网文件服务对提升用户服务体验质量是非常必要的。
移动边缘缓存(Mobile Edge Caching,MEC)通过提供就近的缓存服务和更短的延迟来缓解以上问题。该技术将通信资源和计算服务下沉到靠近移动车辆一侧的路侧单元(Road Side Unit,RSU),如车辆附近的加油站、餐厅、客运服务站等,这可以极大地减少多媒体服务的传输延迟和流量压力。然而,由于车辆的频繁移动和信息的敏感性,边缘缓存技术仍然面临一些挑战,该技术可能导致用户隐私信息泄露,难以保证车辆网服务质量。由于车辆轨迹数据的隐私性,车辆用户请求服务的过程中,用户敏感信息容易被服务提供商搜集,或者被黑客通过不法手段窃取。因此在数据分析的过程中,保护数据隐私安全是极其重要的。此外,大多缓存方法缺乏智能性和动态性,不足以适应复杂的移动网络的应用场景。当用户请求视频、娱乐、导航等业务时,从基站到远端服务器之间都会产生很大的时延,在短时间内大量用户对统一热门内容提出传输请求时,给网络链路带来了巨大的压力,同时造成带宽资源浪费、用户体验差等问题。
为此,本发明提供了一种协同缓存方法、装置、电子设备和存储介质,通过获取多个车辆的加噪轨迹数据,对多个车辆的加噪轨迹数据进行相似行为分析和轨迹聚类,得到轨迹聚类结果,根据轨迹聚类结果,构建缓存优化目标函数,对缓存优化目标函数进行求解,得到车联网环境下的文件协同缓存方案。本发明不仅能够保护用户轨迹隐私,还能提高缓存效率,自适应复杂的移动网络的应用场景。
图1为本发明实施例提供的协同缓存方法的应用场景示意图。如图1所示,本发明实施例实现的协同缓存框架主要分为三层,分别是:云服务层、边缘计算层和车辆用户层。
(1)云服务层,它主要用于存储车辆网用户请求的总文件资源,可以将文件传递给边缘计算层,也可以直接传递文件给车辆。
(2)边缘计算层,提供一个边缘计算路侧单元(Edge Computing-Road Side Unit,EC-RSU),实现车辆聚类和缓存计算服务。根据隐私保护方法,本地RSU(即距离车辆节点最近的RSU)将轨迹添加拉普拉斯噪声,上传至边缘计算层,应用凝聚层次聚类方法进行相似度聚类,使用深度强化学习算法进行本地RSU的文件缓存决策。
(3)车辆用户层,主要用于移动网络环境下用户的文件请求服务。车辆用户可以直接从云端获取文件。此外,根据边缘计算层的计算结果,通过EC-RSU将云服务层文件下沉至各本地RSU内,供车辆用户获取,或者从协同RSU内获取文件服务。
图2为本发明实施例提供的协同缓存方法的流程示意图。如图2所示,提供了一种协同缓存方法,包括以下步骤:步骤210、步骤220、步骤230和步骤240。该方法流程步骤仅仅作为本发明一个可能的实现方式。
步骤210、获取多个车辆的加噪轨迹数据,所述多个车辆的加噪轨迹数据是通过对所述多个车辆的轨迹数据进行加噪处理得到的。
其中,每一车辆的轨迹数据包括每一车辆在预设时间序列中的多个位置点数据。
需要说明的是,考虑到用户轨迹的敏感性,结合差分隐私方法,根据拉普拉斯加噪对多个车辆的轨迹数据进行泛化,以提升轨迹的隐私安全性。
具体地,所述对所述多个车辆的轨迹数据进行加噪处理,包括:
设置本地差分隐私模型,包括隐私参数ε、敏感度Δf以及拉普拉斯函数Lap(λ);
基于本地差分隐私模型,通过本地RSU对多个车辆的轨迹数据进行加噪处理,得到多个车辆的加噪轨迹数据,表示如下:
车辆m的加噪位置数据的计算公式表示如下:
步骤220、对所述多个车辆的加噪轨迹数据进行相似行为分析,得到轨迹相似度,基于所述轨迹相似度进行轨迹聚类,得到轨迹聚类结果。
具体地,轨迹聚类结果包括多个车辆簇,以及各个车辆簇对应的车辆数量。
需要说明的是,轨迹聚类结果反映不同车辆轨迹间的行为与偏好。
步骤230、根据所述轨迹聚类结果,构建缓存优化目标函数。
其中,缓存优化目标函数是指以优化缓存效率为目标的函数。
步骤240、对所述缓存优化目标函数进行求解,得到车联网环境下的文件协同缓存方案。
具体地,利用深度强化学习算法,对所述缓存优化目标函数进行求解,得到车联网环境下的最优的文件协同缓存方案。
在本发明实施例中,通过获取多个车辆的加噪轨迹数据,对多个车辆的加噪轨迹数据进行相似行为分析和轨迹聚类,得到轨迹聚类结果,根据轨迹聚类结果,构建缓存优化目标函数,对缓存优化目标函数进行求解,得到车联网环境下的文件协同缓存方案,不仅能够保护用户轨迹隐私,还能提高缓存效率,自适应复杂的移动网络的应用场景。
图3为本发明实施例提供的对多个车辆的加噪轨迹数据进行相似行为分析,基于所述轨迹相似度进行轨迹聚类的流程示意图。如图3所示,在一些实施例中,步骤220中,所述对所述多个车辆的加噪轨迹数据进行相似行为分析,得到轨迹相似度,包括:
步骤221、基于所述多个车辆的加噪轨迹数据,计算得到轨迹间距离和轨迹连续度;
步骤222、基于所述轨迹间距离和轨迹连续度,得到轨迹相似度。
其中,DZ,Q表示轨迹Z上的所有离散位置点到轨迹Q的平均距离和,同理,DQ,Z表示轨迹Q上的所有离散位置点到轨迹Z的平均距离和,DZ,Q具体计算过程如下:
同理,DQ,Z的计算过程表示为:
其中,z表示轨迹Z上的某个离散位置点,q表示轨迹Q上的某个离散位置点,len(Z)表示为轨迹Z的长度。
具体地,根据一条轨迹上每个位置点到另一条轨迹的最短匹配数值大小是否递增,来判断两条轨迹的曲线方向近似程度。首先对最佳匹配数的计算说明如下:对于两个轨迹序列Z=(z1,z2,...)和Q=(q1,q2,...)。如果从位置z1到轨迹Q的最短位置是q5,则best(z1,Q)=5。
因此,轨迹连续度计算公式表示如下:
其中,|Z|表示轨迹Z的离散位置个数,|Q|表示轨迹Q的离散位置个数。
需要说明的是,连续度指的是对轨迹方向的一种衡量,递增越多,连续度值越大,轨迹方向越相似。
示例性地,对于两条轨迹如Z轨迹有3个点,Q轨迹有5个轨迹点,分别对两条轨迹的位置点下标进行标号,计算best(z,Q)值,得到的是多个相距最近的位置下标值,如“1,2,3”,“1,2,3”为递增序列,因此,count(best(z,Q)值为“1”。
综上计算可知,轨迹间距离值越小越相似,而轨迹连续度值越大越相似。因此,轨迹相似度的计算公式表示为:
需要说明的是,结合距离计算和连续度计算,最后得到轨迹方向尽可能一致且距离尽可能小的两条轨迹,即为最相似的两条轨迹。
可以理解的是,在本发明实施例中,基于多个车辆的加噪轨迹数据,计算得到轨迹间距离和轨迹连续度,基于轨迹间距离和轨迹连续度,得到轨迹相似度,提高了轨迹相似度的准确性。
在一些实施例中,步骤220中,所述基于所述轨迹相似度进行轨迹聚类,得到轨迹聚类结果,包括:
步骤223、利用层次聚类算法,基于所述轨迹相似度不断进行簇的合并,得到轨迹聚类结果。
具体地,利用层次聚类算法,对具有最大相似性的车辆用户轨迹进行簇的合并,得到聚类集合J*,表示如下:
下面对层次聚类算法进行介绍:
输入:初始化轨迹集Trace,隐私预算ε,车辆集合M.
输出:轨迹聚类集合J*,
1.For trace∈trace1...,traceM do
2.trace*=trace+ε
3.End
4.For m1=1,2,3,..,M do
5.For m2=1,2,3,...M do
6.计算轨迹间距离Dist(Z,Q);
7.计算轨迹连续度C(Z,Q);
8.计算轨迹相似度Alikeness(Z,Q);
9.利用层次聚类算法得到J*.
在本发明实施例中,利用层次聚类算法,基于轨迹相似度不断进行簇的合并,得到轨迹聚类结果,提高了聚类结果的准确性。
图4为本发明实施例提供的根据轨迹聚类结果,构建缓存优化目标函数的流程示意图,如图4所示,步骤230包括:
步骤231、根据所述轨迹聚类结果,确定聚类后各簇内的车辆数量;
步骤232、根据所述聚类后各簇内的车辆数量,为各簇设置文件卸载方式和阈值;
本发明从传输延迟的角度来衡量缓存的效率。定义三种请求文件的方式即云端、协同和就近获取,对应地,所述文件卸载方式包括:云端卸载,协同卸载以及就近卸载。定义文件f到车辆的传输延迟,表示如下:
其中,fs表示文件大小,B为信道带宽,N0为噪声功率谱密度,z为信道增益,Pt为传输功率,Pc表示选择云端卸载的传输功率,Px表示选择协同卸载的传输功率,Pr表示选择就近卸载的传输功率。
由于聚类后的各簇数量不同,而RSU的容量有限,若对于数量少的车辆簇进行就近缓存会浪费空间,导致缓存服务性能差。因此,设置云端卸载和协同卸载对应不同的阈值。在有限缓存容量下,从就近RSU或协同RSU请求文件的比例越高,从云端请求的比例越低,移动网络服务性能越高。
步骤233、根据所述各簇对应的文件卸载方式和阈值,构建以总传输时延最小为目标的缓存优化目标函数。
进一步地,所述步骤233根据所述各簇对应的文件卸载方式和阈值,构建以总传输时延最小为目标的缓存优化目标函数,包括:
步骤2331、确定所述各簇对应的文件卸载方式的传输时延;
当所述文件卸载方式为就近卸载时,对应的传输时延为:当所述文件卸载方式为协同卸载时,对应的传输时延为:/>当所述文件卸载方式为云端卸载时,对应的传输时延为:/>且/>其中fs表示文件大小,B为信道带宽,N0为噪声功率谱密度,z为信道增益,Pt为传输功率,f为文件,ki为第i个簇内的车辆,r表示就近路侧单元,x表示协同路侧单元,c表示云端服务器。
步骤2332、根据所述各簇对应的文件卸载方式的传输时延,确定所有簇的平均最短传输延迟,计算公式如下:
其中,|ki|表示第i个簇的车辆数量;
步骤2333、根据所述所有簇的平均最短传输延迟和所述阈值,得到缓存优化目标函数;
需要说明的是,由于加噪聚类后各簇的数量参差不齐,而且每个RSU基站内部的缓存容量有限,若对轨迹数量较少的车辆簇进行文件预缓存,而导致数量较多的车辆簇无法缓存,则会造成不必要的空间浪费。
可以理解的是,在RSU缓存容量受限的条件下,当簇内数量较多的车辆用户请求文件资源时,从就近或者相邻RSU获取的比例越大,从云端获取的比例越小,车辆网服务性能越好。因此,缓存优化目标函数表示为:
P:Maximize AL
C2:|ki,c|<|thrc|
C3:|ki,x|<|thrx|;
其中,K表示聚类总簇数,F表示文件集合,C1表示在本地缓存的文件总大小不能超过总缓存容量Cr,C2表示在选择云端卸载方式时,各簇内的车辆数量|ki,c|必须在云端卸载方式对应的阈值|thrc|内,C3表示在选择协同卸载方式时,各簇内的车辆数量|ki,x|必须在协同卸载方式对应的阈值|thrx|内。
在本发明实施例中,根据聚类后各簇内的车辆数量,为各簇设置文件卸载方式和阈值,在此基础上,构建以总传输时延最小为目标的缓存优化目标函数,提高了缓存优化目标函数的可靠性。
图5为本发明实施例提供的对缓存优化目标函数进行求解的流程示意图,如图5所示,步骤240包括:
步骤241、对所述缓存优化目标函数进行马尔科夫建模;
步骤242、利用多智能体深度Q网络MADQN算法进行缓存方案决策,得到车联网环境下的文件协同缓存方案。
本发明为了对上述缓存优化目标函数进行求解,通过对缓存优化目标函数进行马尔科夫建模,并利用MADQN算法来寻找最优的缓存方案决策。
其中,多智能体深度Q网络(Multi-agent Deep Q Network,MADQN)算法让每个智能体来独立学习,训练时,每个智能体都学习获取最优的Q函数。
本发明提供了基于MADQN的协同缓存优化算法:
输入:聚类结果J*,基站集合R,文件集合F,学习率α,折扣因子γ.
输出:最佳缓存优化结果R*.
1.For t=1,2,3,...,T do
2.For r=1,2,3....R do
3.While step<Γ:
4.根据ξ-策略,在状态s选择行为a;
5.得到奖励值r和下一时刻状态;
6.存储状态值、行为值,奖励值,下一时刻状态在经验池;
7.If step>200and step%5==0:
8.从经验池中选取样本;
9.计算Q值,训练神经网络参数;
10.每隔一个时间片进行参数拷贝;
11.返回最优化结果R*.
定义深度强化学习算法Q值如下:
Q(st,at)=E[r+γmaxQ(st+1,A)]
其中,st,at分别代表t时隙的缓存状态和行动,r是状态s在t时隙的奖励,γ是下一个时隙的收益折扣系数。
MADQN算法的经验库被用来更新和存储观察到的状态、行动、奖励和下一个状态,从状态方程中提取的一部分样本集被用来更新神经网络,在一个时间片之后,将Q-评价网络的参数复制到Q-目标网络中。
MADQN算法的Q值的计算公式表示如下:
Q(st,at)=E[r+γmaxQ(st+1,A)]
其中st代表t时隙的缓存状态,st+1代表t+1时隙的缓存状态,at和代表t时隙的行动,A表示行动集合,r是状态s在t时隙的奖励,γ是下一个时隙的收益折扣系数,E表示期望。
进一步地,用均方误差来定义损失函数,如下所示:
其中,θt表示t时刻的神经网络参数。
梯度函数进一步表示为:
结合前向均方根梯度下降算法(Root Mean Square Propagation,RMSProp)进行参数优化表示为:
其中α表示学习率,χ代表加权平均梯度和,ω代表加权平均系数。
其中,RMSProp算法是梯度下降优化算法中的一种,为了进一步优化损失函数在更新中存在摆动幅度过大的问题,并且进一步加快函数的收敛速度,RMSProp算法对权重和偏置的梯度使用了微分平方加权平均数。
在本发明实施例中,通过对缓存优化目标函数进行马尔科夫建模,利用MADQN算法进行缓存方案决策,便于得到车联网环境下的最优文件协同缓存方案,以保证高质量的文件获取服务,提升数据缓存与转发效率。
在一些实施例中,所述协同缓存方法还包括:
根据所述文件协同缓存方案,缓存来自云端服务器的文件。
可选地,根据文件协同缓存方案,EC-RSU将云服务层文件下沉至各本地RSU内,供车辆用户获取,或者从协同RSU内获取文件服务。
本发明实施例根据文件协同缓存方案,缓存来自云端服务器的文件,提高了文件缓存效率。
下面对本发明实施例提供的协同缓存装置进行描述,下文描述的装置与上文描述的协同缓存方法可相互对应参照。
图6为本发明实施例提供的协同缓存装置的结构示意图,如图6所示,该协同缓存装置600包括:
获取单元610,用于获取多个车辆的加噪轨迹数据,所述多个车辆的加噪轨迹数据是通过对所述多个车辆的轨迹数据进行加噪处理得到的;
聚类单元620,用于对所述多个车辆的加噪轨迹数据进行相似行为分析,得到轨迹相似度,基于所述轨迹相似度进行轨迹聚类,得到轨迹聚类结果;
构建单元630,用于根据所述轨迹聚类结果,构建缓存优化目标函数;
求解单元640,用于对所述缓存优化目标函数进行求解,得到车联网环境下的文件协同缓存方案。
可选地,所述对所述多个车辆的加噪轨迹数据进行相似行为分析,得到轨迹相似度,包括:
基于所述多个车辆的加噪轨迹数据,计算得到轨迹间距离和轨迹连续度;
基于所述轨迹间距离和轨迹连续度,得到轨迹相似度。
可选地,所述基于所述轨迹相似度进行轨迹聚类,得到轨迹聚类结果,包括:
利用层次聚类算法,基于所述轨迹相似度不断进行簇的合并,得到轨迹聚类结果。
可选地,所述根据所述轨迹聚类结果,构建缓存优化目标函数,包括:
根据所述轨迹聚类结果,确定聚类后各簇内的车辆数量;
根据所述聚类后各簇内的车辆数量,为各簇设置文件卸载方式和阈值;
根据所述各簇对应的文件卸载方式和阈值,构建以总传输时延最小为目标的缓存优化目标函数。
可选地,所述文件卸载方式包括:云端卸载,协同卸载以及就近卸载,
所述根据所述各簇对应的文件卸载方式和阈值,构建以总传输时延最小为目标的缓存优化目标函数,包括:
确定所述各簇对应的文件卸载方式的传输时延,当所述文件卸载方式为就近卸载时,对应的传输时延为:当所述文件卸载方式为协同卸载时,对应的传输时延为:/>当所述文件卸载方式为云端卸载时,对应的传输时延为:且/>其中fs表示文件大小,B为信道带宽,N0为噪声功率谱密度,z为信道增益,Pt为传输功率,f为文件,ki为第i个簇内的车辆,r表示就近路侧单元,x表示协同路侧单元,c表示云端服务器;
根据所述各簇对应的文件卸载方式的传输时延,确定所有簇的平均最短传输延迟:
其中,|ki|表示第i个簇的车辆数量;
根据所述平均最短传输延迟,得到缓存优化目标函数,表示为:
P:Maximize ΔL
C2:|ki,c|<thrc|
C3:|ki,x|<thrx|;
其中,K表示聚类总簇数,F表示文件集合,C1表示在本地缓存的文件总大小不能超过总缓存容量Cr,C2表示在选择云端卸载方式时,各簇内的车辆数量|ki,c|必须在云端卸载方式对应的阈值|thrc|内,C3表示在选择协同卸载方式时,各簇内的车辆数量|ki,x|必须在协同卸载方式对应的阈值|thrx|内。
可选地,所述对所述缓存优化目标函数进行求解,得到车联网环境下的文件协同缓存方案,包括:
对所述缓存优化目标函数进行马尔科夫建模;
利用MADQN算法进行缓存方案决策,得到车联网环境下的文件协同缓存方案。
可选地,所述协同缓存装置600还包括:
缓存单元650,用于根据所述文件协同缓存方案,缓存来自云端服务器的文件。
根据所述文件协同缓存方案,缓存来自云端服务器的文件。
在此需要说明的是,本发明实施例提供的协同缓存装置,能够实现上述协同缓存方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图7示例了一种电子设备的实体结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行协同缓存方法,该方法包括:获取多个车辆的加噪轨迹数据,所述多个车辆的加噪轨迹数据是通过对所述多个车辆的轨迹数据进行加噪处理得到的;对所述多个车辆的加噪轨迹数据进行相似行为分析,得到轨迹相似度,基于所述轨迹相似度进行轨迹聚类,得到轨迹聚类结果;根据所述轨迹聚类结果,构建缓存优化目标函数;对所述缓存优化目标函数进行求解,得到车联网环境下的文件协同缓存方案。
此外,上述的存储器730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-Only Memory)、随机存取存储器(RAM,Random Access Memory)、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计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的协同缓存方法,该方法包括:获取多个车辆的加噪轨迹数据,所述多个车辆的加噪轨迹数据是通过对所述多个车辆的轨迹数据进行加噪处理得到的;对所述多个车辆的加噪轨迹数据进行相似行为分析,得到轨迹相似度,基于所述轨迹相似度进行轨迹聚类,得到轨迹聚类结果;根据所述轨迹聚类结果,构建缓存优化目标函数;对所述缓存优化目标函数进行求解,得到车联网环境下的文件协同缓存方案。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的协同缓存方法,该方法包括:获取多个车辆的加噪轨迹数据,所述多个车辆的加噪轨迹数据是通过对所述多个车辆的轨迹数据进行加噪处理得到的;对所述多个车辆的加噪轨迹数据进行相似行为分析,得到轨迹相似度,基于所述轨迹相似度进行轨迹聚类,得到轨迹聚类结果;根据所述轨迹聚类结果,构建缓存优化目标函数;对所述缓存优化目标函数进行求解,得到车联网环境下的文件协同缓存方案。
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)
1.一种协同缓存方法,其特征在于,应用于边缘计算路侧单元,包括:
获取多个车辆的加噪轨迹数据,所述多个车辆的加噪轨迹数据是通过对所述多个车辆的轨迹数据进行加噪处理得到的;
对所述多个车辆的加噪轨迹数据进行相似行为分析,得到轨迹相似度,基于所述轨迹相似度进行轨迹聚类,得到轨迹聚类结果;
根据所述轨迹聚类结果,构建缓存优化目标函数;
对所述缓存优化目标函数进行求解,得到车联网环境下的文件协同缓存方案。
2.根据权利要求1所述的协同缓存方法,其特征在于,所述对所述多个车辆的加噪轨迹数据进行相似行为分析,得到轨迹相似度,包括:
基于所述多个车辆的加噪轨迹数据,计算得到轨迹间距离和轨迹连续度;
基于所述轨迹间距离和轨迹连续度,得到轨迹相似度。
3.根据权利要求1所述的协同缓存方法,其特征在于,所述基于所述轨迹相似度进行轨迹聚类,得到轨迹聚类结果,包括:
利用层次聚类算法,基于所述轨迹相似度不断进行簇的合并,得到轨迹聚类结果。
4.根据权利要求1所述的协同缓存方法,其特征在于,所述根据所述轨迹聚类结果,构建缓存优化目标函数,包括:
根据所述轨迹聚类结果,确定聚类后各簇内的车辆数量;
根据所述聚类后各簇内的车辆数量,为各簇设置文件卸载方式和阈值;
根据所述各簇对应的文件卸载方式和阈值,构建以总传输时延最小为目标的缓存优化目标函数。
5.根据权利要求4所述的协同缓存方法,其特征在于,所述文件卸载方式包括:云端卸载,协同卸载以及就近卸载,
所述根据所述各簇对应的文件卸载方式和阈值,构建以总传输时延最小为目标的缓存优化目标函数,包括:
确定所述各簇对应的文件卸载方式的传输时延,当所述文件卸载方式为就近卸载时,对应的传输时延为当所述文件卸载方式为协同卸载时,对应的传输时延为:/>当所述文件卸载方式为云端卸载时,对应的传输时延为:且/>其中fs表示文件大小,B为信道带宽,N0为噪声功率谱密度,z为信道增益,Pt为传输功率,f为文件,ki为第i个簇内的车辆,r表示就近路侧单元,x表示协同路侧单元,c表示云端服务器;
根据所述各簇对应的文件卸载方式的传输时延,确定所有簇的平均最短传输延迟:
其中,|ki|表示第i个簇的车辆数量;
根据所述平均最短传输延迟,得到缓存优化目标函数,表示为:
P:MaximizeΔL
C2:|ki,c|<|thrc|
C3:|ki,x|<|thrx|
6.根据权利要求1所述的协同缓存方法,其特征在于,所述对所述缓存优化目标函数进行求解,得到车联网环境下的文件协同缓存方案,包括:
对所述缓存优化目标函数进行马尔科夫建模;
利用多智能体深度Q网络MADQN算法进行缓存方案决策,得到车联网环境下的文件协同缓存方案。
7.根据权利要求1-6中任一项所述的协同缓存方法,其特征在于,所述协同缓存方法还包括:
根据所述文件协同缓存方案,缓存来自云端服务器的文件。
8.一种协同缓存装置,其特征在于,包括:
获取单元,用于获取多个车辆的加噪轨迹数据,所述多个车辆的加噪轨迹数据是通过对所述多个车辆的轨迹数据进行加噪处理得到的;
聚类单元,用于对所述多个车辆的加噪轨迹数据进行相似行为分析,得到轨迹相似度,基于所述轨迹相似度进行轨迹聚类,得到轨迹聚类结果;
构建单元,用于根据所述轨迹聚类结果,构建缓存优化目标函数;
求解单元,用于对所述缓存优化目标函数进行求解,得到车联网环境下的文件协同缓存方案。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的协同缓存方法。
10.一种非暂态计算机可读存储介质,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如权利要求1至7任一项所述的协同缓存方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310156893.8A CN116320000A (zh) | 2023-02-21 | 2023-02-21 | 协同缓存方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310156893.8A CN116320000A (zh) | 2023-02-21 | 2023-02-21 | 协同缓存方法、装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116320000A true CN116320000A (zh) | 2023-06-23 |
Family
ID=86784427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310156893.8A Pending CN116320000A (zh) | 2023-02-21 | 2023-02-21 | 协同缓存方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116320000A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117971503A (zh) * | 2024-03-29 | 2024-05-03 | 杭州远石科技有限公司 | 一种基于边缘计算的数据缓存方法及系统 |
-
2023
- 2023-02-21 CN CN202310156893.8A patent/CN116320000A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117971503A (zh) * | 2024-03-29 | 2024-05-03 | 杭州远石科技有限公司 | 一种基于边缘计算的数据缓存方法及系统 |
CN117971503B (zh) * | 2024-03-29 | 2024-06-11 | 杭州远石科技有限公司 | 一种基于边缘计算的数据缓存方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111031102B (zh) | 一种多用户、多任务的移动边缘计算系统中可缓存的任务迁移方法 | |
CN109391681B (zh) | 基于mec的v2x移动性预测与内容缓存卸载方案 | |
Elgendy et al. | Joint computation offloading and task caching for multi-user and multi-task MEC systems: reinforcement learning-based algorithms | |
Wu et al. | Mobility-aware cooperative caching in vehicular edge computing based on asynchronous federated and deep reinforcement learning | |
Wang et al. | A novel reputation-aware client selection scheme for federated learning within mobile environments | |
WO2023087442A1 (zh) | 数字孪生网络低时延高可靠传输方法、装置、设备及介质 | |
CN114116198A (zh) | 一种移动车辆的异步联邦学习方法、系统、设备及终端 | |
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 | |
CN108833352A (zh) | 一种缓存方法及系统 | |
Xu et al. | An efficient and reliable asynchronous federated learning scheme for smart public transportation | |
CN113315978B (zh) | 一种基于联邦学习的协作式在线视频边缘缓存方法 | |
CN116320000A (zh) | 协同缓存方法、装置、电子设备和存储介质 | |
CN114973673B (zh) | 车路协同系统中结合noma和内容缓存的任务卸载方法 | |
CN116367231A (zh) | 基于ddpg算法的边缘计算车联网资源管理联合优化方法 | |
Chua et al. | Resource allocation for mobile metaverse with the Internet of Vehicles over 6G wireless communications: A deep reinforcement learning approach | |
CN116566838A (zh) | 一种区块链与边缘计算协同的车联网任务卸载和内容缓存方法 | |
CN114626298A (zh) | 无人机辅助车联网中高效缓存和任务卸载的状态更新方法 | |
CN113821270B (zh) | 任务卸载顺序预测方法、决策方法、电子设备及存储介质 | |
CN113726894B (zh) | 一种基于深度强化学习的多车应用计算卸载方法及终端 | |
CN115314944A (zh) | 基于移动车辆社会关系感知的车联网协作缓存方法 | |
CN117221403A (zh) | 一种基于用户移动和联邦缓存决策的内容缓存方法 | |
CN113114762B (zh) | 一种数据缓存方法及系统 | |
Wang et al. | Research on V2I/V2V hybrid multi-hop edge computing offloading algorithm in IoV environment | |
CN113993168A (zh) | 一种雾无线接入网中基于多智能体强化学习的协作缓存方法 | |
WO2024078132A1 (zh) | 一种信息新鲜度感知的高精地图分布式缓存方法 |
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 |