CN116866995A - 一种基于移动车辆的内容分层边缘缓存策略 - Google Patents
一种基于移动车辆的内容分层边缘缓存策略 Download PDFInfo
- Publication number
- CN116866995A CN116866995A CN202311132115.1A CN202311132115A CN116866995A CN 116866995 A CN116866995 A CN 116866995A CN 202311132115 A CN202311132115 A CN 202311132115A CN 116866995 A CN116866995 A CN 116866995A
- Authority
- CN
- China
- Prior art keywords
- content
- vehicle
- request
- value
- edge server
- 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
- 238000004364 calculation method Methods 0.000 claims abstract description 59
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000004321 preservation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 10
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000135164 Timea Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 229920000468 styrene butadiene styrene block copolymer Polymers 0.000 description 1
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
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0925—Management thereof using policies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
-
- 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
- H04W28/08—Load balancing or load distribution
- H04W28/09—Management thereof
- H04W28/0958—Management thereof based on metrics or performance parameters
- H04W28/0967—Quality of Service [QoS] parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- 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)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Fuzzy Systems (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种基于移动车辆的内容分层边缘缓存策略,包括:从边缘服务器中获取信息;使用FCM聚类算法对基站覆盖范围区域内的车辆进行聚类;通过车辆历史请求内容与车辆当前请求内容预测车辆偏好内容,并对偏好内容进行更新;计算历史请求内容的热度值,将热度值大于或等于阈值的历史请求内容作为盛行内容;将边缘服务器的缓存空间划分为三层,层缓存偏好内容,层缓存盛行内容,层为协作缓存空间;当边缘服务器的层协作缓存空间已满时,通过OSA优化选择算法在边缘计算网络空间找到协作概率值最大的可用边缘服务器进行协作缓存;本发明通过对内容进行分层缓存,可以有效减少缓存冗余,增大缓存空间利用率。
Description
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移动车辆的内容分层边缘缓存策略。
背景技术
随着网络技术和移动智能设备的增加,数据流量呈指数级增长,传统缓存形式是将内容缓存于云端,当用户请求内容时,容易产生传输时延,通信堵塞问题,因此降低了用户体验度(QoE)。研究发现将内容下放到靠近用户端的边缘服务器很大程度上减少以上问题。进一步,则要考虑缓存容量、边缘计算负载,且要考虑如何缓存内容、缓存哪些内容,现有技术中已有不少缓存策略,大部分侧重于流行内容,而较少考虑到偏好内容与流行内容存在交集,且忽略偏好内容的更新缓存策略,进行内容缓存操作时也仅考虑到距离因素,较少选择临近的最优边缘服务器进行分层缓存。
公开号为CN109921997A,名称为一种命名数据网络缓存方法、缓存器和存储介质,通过先判断节点所处的状态,根据节点所处的状态和待定兴趣表获取节点对于分类兴趣包的偏好度,根据待定兴趣表获取分类数据包的当地流行度;根据偏好度和当地流行度计算获取缓存概率;将缓存概率与缓存概率阈值比较,决定是否缓存,虽然得到更好的缓存空间利用率,且提高数据命中率,但是在预测区域流行内容时,缺少考虑各个内容的特征差异,且没有考虑偏好内容和流行内容之间存在重叠部分,一定程度上存在数据冗余情况,用户体验感会降低。
公开号为CN112637908A,名称为一种基于内容流行度的细粒度分层边缘缓存方法,通过建立边缘缓存模型,边缘缓存模型包括核心网络、M个MBS和N个SBS,核心网络中有内容提供商和云服务器,再进行边缘内容的缓存,最后进行性能指标测量,性能指标包括总传输花销、总时间延迟,缓存命中率和QoE值,虽然能够实现较低的传输成本和时间延迟,以及较高的缓存命中率和QoE值;但是较少考虑分层缓存的空间分配问题,且没有考虑当本地存储已满时如何选择以及选择哪一个临近的边缘服务器进行缓存使负载和时延达到最优状态,一定程度上会造成资源分配效率低,缓存空间利用率较低,从而导致用户体验感较差。
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:提供一种基于移动车辆的内容分层边缘缓存策略,该方法包括:
S10.从边缘服务器中获取车辆信息、边缘服务器信息、车辆请求内容信息;
S20.使用FCM聚类算法对基站覆盖范围区域内的车辆进行聚类,得到车辆类簇;
S30.基于所述车辆类簇,结合车辆历史请求内容与车辆当前请求内容预测车辆偏好内容,创建偏好内容集合,将所述偏好内容存入所述偏好内容集合中;
S40.对所述偏好内容集合中的偏好内容进行更新;
S50.对历史请求内容进行特征分析,计算所述历史请求内容的热度值,创建盛行内容集合,将所述热度值大于或等于阈值的历史请求内容作为盛行内容存入所述盛行内容集合;
S60.将边缘服务器的缓存空间划分为三层,/>层缓存所述偏好内容集合,/>层缓存所述盛行内容集合,/>层为协作缓存空间;
S70.当边缘服务器的层协作缓存空间已满时,发出协作缓存请求,通过OSA优化选择算法在边缘计算网络空间找到协作概率值最大的可用边缘服务器进行协作缓存;
所述边缘服务器部署于基站上;
所述车辆信息包括车辆在基站覆盖范围内的行驶时间信息、平均行驶速度;
所述边缘服务器信息包括缓存容量、信道长度、传输距离、传输速度;
所述车辆请求内容信息包括历史请求内容、当前请求内容、内容分类集合;
所述阈值为0.75;
所述协作缓存空间,表示缓存自身以及其它边缘服务器层缓存空间溢出
的偏好内容和盛行内容;
所述三层缓存空间划分比例为4:4:2;
所述边缘计算网络空间,表示所有边缘服务器所组成的区域;
所述可用边缘服务器,表示以发出协作缓存请求的边缘服务器半径5km内,协作缓存空间容量大于所述协作缓存请求所需容量的边缘服务器。
进一步地,所述S20,包括:
S21.初始化车辆集合X,通过FCM聚类算法将车辆聚为m个类簇,从所述车辆集合中随机抽取m个车辆作为初始聚类中心C;
S22.计算所述车辆的隶属度关系值;
S23.根据所述隶属度关系值更新所述初始聚类中心,得到更新后的聚类中心;
S24.计算车辆与所述更新后的聚类中心的距离;
S25.构建聚类目标函数,若所述目标函数值最小,则表示所述更新后的聚类中心为最佳类簇;
S26.计算最小优化目标函数值;
S27.判断所述最小优化目标函数值是否小于阈值ε,若是,聚类结束;若否,重新选取基站覆盖范围内的车辆进行聚类;
所述车辆集合,其中n为车辆总数,初始聚类中心,其中m为正整数,m、n为大于或等于1的正整数;
所述隶属度关系值的计算公式如下:
;
其中,为隶属度关系值,且/>,/>为车辆/>在基站覆盖范围行驶时间,/>为车辆/>在基站覆盖范围内平均行驶速度,/>为模糊值;
所述更新初始聚类中心的计算公式如下:
;
其中,为更新后的聚类中心,为隶属度关系值,;
所述距离的计算公式如下:
;
其中,为车辆与聚类中心的距离;
所述聚类目标函数的计算公式如下:
;
其中,为聚类目标函数,为距离的权重,为距离聚类中心的距离
大于3km的个别远距离零散车辆,1<k<n;
所述最小优化目标函数值的计算公式如下:
;
所述阈值ε大小为0.001。
进一步地,所述S30,包括:
S31.通过车辆的历史请求内容和内容分类集合建立车辆历史分类矩阵;
S32.计算一个请求周期内当前请求内容和历史请求内容之间的相似度,若所述相
似度大于阈值,则归为相似类;
S33.将全部请求周期内所有当前请求内容与所有历史请求内容进行相似度计算,创建相似类集合,将所述相似类存入相似类集合中;
S34.计算每个车辆对所述相似类集合中所有相似类的偏好评分;
S35.创建偏好评分集合,将所述车辆的相似类按照偏好评分的大小进行降序排序,存入所述偏好评分集合;
S36.判断所述车辆的相似类的偏好评分是否大于或等于所有相似类偏好评分的平均值,若是,则为偏好内容,创建偏好内容集合,将车辆全部请求周期内的所有偏好内容存入所述偏好内容集合中;若否,则不进行保存操作;
所述车辆历史分类矩阵表示为:
;
其中,为第n辆车的车辆历史请求内容,
为第m个内容分类的类别,m、n为大于或等于1的正整数,表示车辆的历史请求内容
是否属于类别,属于类别则为1,否则为0;
所述请求周期以时间为作为一轮请求周期,阈值;
所述相似度的计算公式如下:
;
其中,为相似度,为每一轮请求周期内车辆的当前请求内容,为
每一轮请求周期内车辆的历史请求内容,表示车辆的当前请求内容是否属于类
别,属于类别则为1,否则为0;
所述相似类集合,其中为相似类;
所述偏好评分的计算公式如下:
;
其中,为偏好评分,为车辆对相似类里内容的总请求次数,为
车辆对所有相似类中内容请求次数的平均值,为车辆对相似类的请求次数,为车辆对所有相似类请求次数的平均值;
所述所有相似类评分的平均值的计算公式如下:
;
其中,为所有相似类的偏好评分的和,为所有相似类的个数;
所述全部请求周期内的所有偏好内容的计算公式如下:
;
其中,为第i个请求周期,T为全部请求周期, 为第i个请求周期的偏好内
容。
进一步地,所述S40,包括:
S41.边缘服务器通过时间标识分别记录车辆驶入基站覆盖范围的时间,创建喜好内容集合,并依据所述时间标识的先后顺序将各个车辆的当前请求内容加入喜好内容集合;
S42.计算所述当前请求内容与偏好内容的综合值;
S43.将所述喜好内容集合的当前请求内容按照所述综合值大小进行降序排序,将偏好内容集合中的偏好内容按照所述综合值大小进行降序排序;
S44.判断喜好内容集合中当前请求内容的综合值是否大于阈值E ,若是,则通过喜好内容集合中综合值大于阈值E的当前请求内容,更新所述偏好内容集合中小于阈值E的偏好内容,并且每个请求周期都会替换更新;若否,则不进行更新操作,继续下一轮判断;
所述时间标识表示为:
;
其中,为车辆驶入基站覆盖范围的时间;
所述喜好内容集合表示为:
;
其中,为当前请求内容出现的频率,Fr为当前请求内容再次出现的
时间间隔,Co为当前请求内容再次出现的次数;
所述综合值的计算公式如下:
;
其中,为综合值, 为综合权重;
所述阈值E为偏好内容集合中第三个四分位数的偏好内容的综合值的大小。
进一步地,所述S50,包括:
S51.对簇内车辆的历史请求内容进行特征提取分析得到8个特征;
S52.通过所述特征建立车辆请求内容特征矩阵;
S53.对所述车辆请求内容特征矩阵每一行的请求内容进行归一化:
S54.计算簇内车辆的点击近似度,将所述点击近似度大于或等于阈值的簇内车
辆归为点击近似类;
S55.创建似盛行内容集合,从所述近似类中所有簇内车辆的偏好内容集合中提取重叠值大于10的偏好内容,存入所述似盛行内容集合;
S56.计算所述似盛行集合中的似盛行内容的热度值;
S57.创建盛行内容集合,判断所述热度值是否大于或等于阈值,若是,则将所述
似盛行内容存入所述盛行内容集合中;若否,则不进行保存操作;
所述特征矩阵如下所示:
;
其中,为车辆请求内容的特征矩阵,为车辆的第个请求内容的第个
特征,1<r<m,矩阵中每一行代表一个请求内容;
所述归一化的计算公式如下:
;
其中,为归一化后的特征值,定义为车辆对内容的点击量,为
特征最大值,为特征最小值;
所述阈值为0.85;
所述相似度的计算公式如下:
;
其中,为车辆和的点击近似度, 为车辆
对提取的所有内容的点击量均值,为车辆对提取的所有内容的点击量均
值,为车辆对内容的点击量,为车辆对内容的点击量;
所述重叠值为单个内容被不同车辆作为偏好内容的次数;
所述热度值的计算公式为:
;
其中,为点击量的权重,为重叠值的权重,且,为标量,为车辆对内容的点击量,为重叠值;
所述阈值为0.75。
进一步地,所述S70,包括:
S71. 计算车辆向边缘服务器发出服务请求的请求时延;
S72. 计算所述边缘服务器的负载情况:
S73. 通过OSA优化选择算法在边缘计算网络空间中找到协作概率值最大的可用边缘服务器,将协同内容进行缓存;
S74. 判断边缘服务器缓存空间是否具有车辆当前发出的请求内容,若是,则边缘服务器将所述请求内容传输给车辆;若否,则寻找协作概率值最大的可用边缘服务器将所述请求内容传输给车辆;
所述请求时延的计算如下:
;
;
其中,为车辆向边缘服务器发出请求的请求时延,为边缘服
务器范围内所有当前请求内容的热度值均值,为当前请求内容的热度值, 为边缘服务器中所有车辆的当前请求内容的总次数,为信道
长度,为当前请求内容的容量大小,为车辆到边缘服务器的传输距离,为车辆的请求服务时间,为传输速度,为发送时延,为传
输时延;
所述边缘服务器的负载情况的计算公式如下:
;
其中,为热度值的权重,为信道长度,为车辆的平均请求服务时间。
进一步地,所述OSA优化选择算法包括:
S741.初始化边缘计算网络空间中个可用服务器位置;
S742.搜索一次边缘服务器位置完毕后,通过传输时延、边缘服务器负载和距离计算可用边缘服务器位置的适宜值;
S743.通过所述适宜值计算第一次搜索到的边缘服务器位置的协作概率值,若存在多个协作概率值大于阈值β的边缘服务器,将所述协作概率值最大的边缘服务器作为最优的可用边缘服务器,进行缓存;
S744.若一次搜索中不存在协作概率值大于阈值β的边缘服务器,再进行不重复迭代搜索直到搜索到协作概率值大于阈值β的边缘服务器;
所述初始化的计算公式如下:
;
;
其中,为可用边缘服务器空间,为当前边缘服务器的位置信息,,为边缘服务器的位置信息,为0到1
之间均匀分布的随机数, 为车辆离可用边缘服务器的最大距离,为车辆离可用边缘服务器的最小距离,n为大于或等于1的整数;
所述适宜值的计算公式如下:
;
其中,为车辆向可用边缘服务器发出请求的请求时延,为可用边缘
服务器的负载,为车辆到可用边缘服务器的距离,为车辆向可用边缘服务器发
出请求的请求时延的权重,为可用边缘服务器的负载的权重,为车辆到可用边缘服务
器的距离的权重,;
所述协作概率值的计算公式如下:
;
所述阈值β为0.9。
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1.本发明提供的一种基于移动车辆的内容分层边缘缓存策略通过将缓存空间分成三层,第一层缓存车辆的偏好内容,第二层缓存车辆的盛行内容,第三层为协作缓存空间,对内容分层缓存有利于合理分配缓存空间,减少缓存冗余,减少传输延迟,提高用户体验。
2.本发明提供的一种基于移动车辆的内容分层边缘缓存策略在自身缓存空间已满时,采用OSA优化选择算法选择协作概率值最大的可用边缘服务器,将内容缓存在可用边缘服务器的协作空间中,有利于提高缓存效率,减少网络延时和负载,增大缓存空间利用率。
3.本发明提供的一种基于移动车辆的内容分层边缘缓存策略采取改进的FCM算法将移动的车辆划分成类簇,有利于将零散车辆归类,便于边缘服务器进行数据处理,降低数据复杂性,提高计算效率,从而更有利于进行车辆的偏好内容预测。
附图说明
图1是本发明提供的一种基于移动车辆的内容分层边缘缓存策略的流程图。
图2是本发明提供的一种基于移动车辆的内容分层边缘缓存策略的聚类的流程图。
图3是本发明提供的一种基于移动车辆的内容分层边缘缓存策略的建立偏好内容集合的流程图。
图4是本发明提供的一种基于移动车辆的内容分层边缘缓存策略的建立盛行内容集合的流程图。
图5是本发明提供的一种基于移动车辆的内容分层边缘缓存策略的边缘服务器进行协作缓存的流程图。
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是本发明提供的一种基于移动车辆的内容分层边缘缓存策略的流程图,所述策略包括:
S10.从边缘服务器中获取车辆信息、边缘服务器信息、车辆请求内容信息;
所述边缘服务器部署于基站上;
所述车辆信息包括车辆在基站覆盖范围内的行驶时间信息、平均行驶速度;
所述边缘服务器信息包括缓存容量、信道长度、传输距离、传输速度;
所述车辆请求内容信息包括历史请求内容、当前请求内容、内容分类集合。
S20.使用FCM聚类算法对基站覆盖范围区域内的车辆进行聚类,得到车辆类簇。
进一步地,如图2所示,所述S20,包括:
S21.初始化车辆集合X,通过FCM聚类算法将车辆聚为m个类簇,从所述车辆集合中随机抽取m个车辆作为初始聚类中心C;
S22.计算所述车辆的隶属度关系值;
S23.根据所述隶属度关系值更新所述初始聚类中心,得到更新后的聚类中心;
S24.计算车辆与所述更新后的聚类中心的距离;
S25.构建聚类目标函数,若所述目标函数值最小,则表示所述更新后的聚类中心为最佳类簇;
S26.计算最小优化目标函数值;
S27.判断所述最小优化目标函数值是否小于阈值ε,若是,聚类结束;若否,重新选取基站覆盖范围内的车辆进行聚类;
所述车辆集合,其中n为车辆总数,初始聚类中心,其中m为正整数,m、n为大于或等于1的正整数;
所述隶属度关系值的计算公式如下:
;
其中,为隶属度关系值,且,为车辆在基站覆盖范围行驶时
间,为车辆在基站覆盖范围内平均行驶速度,为模糊值;
所述更新初始聚类中心的计算公式如下:
;
其中,为更新后的聚类中心,为隶属度关系值,;
所述距离的计算公式如下:
;
其中,为车辆与聚类中心的距离;
所述聚类目标函数的计算公式如下:
;
其中,为聚类目标函数,为距离的权重,为距离聚类中心的距离
大于3km的个别远距离零散车辆,1<k<n;
所述最小优化目标函数值的计算公式如下:
;
所述阈值ε大小为0.001。
S30.基于所述车辆类簇,结合车辆历史请求内容与车辆当前请求内容预测车辆偏好内容,创建偏好内容集合,将所述偏好内容存入所述偏好内容集合中。
进一步地,如图3所示,所述S30,包括:
S31.通过车辆的历史请求内容和内容分类集合建立车辆历史分类矩阵;
S32.计算一个请求周期内当前请求内容和历史请求内容之间的相似度,若所述相
似度大于阈值,则归为相似类;
S33.将全部请求周期内所有当前请求内容与所有历史请求内容进行相似度计算,创建相似类集合,将所述相似类存入相似类集合中;
S34.计算每个车辆对所述相似类集合中所有相似类的偏好评分;
S35.创建偏好评分集合,将所述车辆的相似类按照偏好评分的大小进行降序排序,存入所述偏好评分集合;
S36.判断所述车辆的相似类的偏好评分是否大于或等于所有相似类偏好评分的平均值,若是,则为偏好内容,创建偏好内容集合,将车辆全部请求周期内的所有偏好内容存入所述偏好内容集合中;若否,则不进行保存操作;
所述车辆历史分类矩阵表示为:
;
其中,为第n辆车的车辆历史请求内容,
为第m个内容分类的类别,m、n为大于或等于1的正整数,表示车辆的历史请求内容
是否属于类别,属于类别则为1,否则为0;
所述请求周期以时间为作为一轮请求周期,阈值;
所述相似度的计算公式如下:
;
其中,为相似度,为每一轮请求周期内车辆的当前请求内容,为
每一轮请求周期内车辆的历史请求内容,表示车辆的当前请求内容是否属于类
别,属于类别则为1,否则为0;
所述相似类集合,其中为相似类;
所述偏好评分的计算公式如下:
;
其中,为偏好评分,为车辆对相似类里内容的总请求次数,为
车辆对所有相似类中内容请求次数的平均值,为车辆对相似类的请求次数,为车辆对所有相似类请求次数的平均值;
所述所有相似类评分的平均值的计算公式如下:
;
其中,为所有相似类的偏好评分的和,为所有相似类的个数;
所述全部请求周期内的所有偏好内容的计算公式如下:
;
其中,为第i个请求周期,T为全部请求周期, 为第i个请求周期的偏好内
容。
S40.对所述偏好内容集合中的偏好内容进行更新。
进一步地,所述S40,包括:
S41.边缘服务器通过时间标识分别记录车辆驶入基站覆盖范围的时间,创建喜好内容集合,并依据所述时间标识的先后顺序将各个车辆的当前请求内容加入喜好内容集合;
S42.计算所述当前请求内容与偏好内容的综合值;
S43.将所述喜好内容集合的当前请求内容按照所述综合值大小进行降序排序,将偏好内容集合中的偏好内容按照所述综合值大小进行降序排序;
S44.判断喜好内容集合中当前请求内容的综合值是否大于阈值E ,若是,则通过喜好内容集合中综合值大于阈值E的当前请求内容,更新所述偏好内容集合中小于阈值E的偏好内容,并且每个请求周期都会替换更新;若否,则不进行更新操作,继续下一轮判断;
所述时间标识表示为:
;
其中,为车辆驶入基站覆盖范围的时间;
所述喜好内容集合表示为:
;
其中,为当前请求内容出现的频率,Fr为当前请求内容再次出现的
时间间隔,Co为当前请求内容再次出现的次数;
所述综合值的计算公式如下:
;
其中,为综合值,为综合权重;
所述阈值E为偏好内容集合中第三个四分位数的偏好内容的综合值的大小。
S50.对历史请求内容进行特征分析,计算所述历史请求内容的热度值,创建盛行
内容集合,将所述热度值大于或等于阈值的历史请求内容作为盛行内容存入所述盛行内
容集合。
进一步地,如图4所示,所述S50,包括:
S51.对簇内车辆的历史请求内容进行特征提取分析得到8个特征;
S52.通过所述特征建立车辆请求内容特征矩阵;
S53.对所述车辆请求内容特征矩阵每一行的请求内容进行归一化:
S54.计算簇内车辆的点击近似度,将所述点击近似度大于或等于阈值的簇内车
辆归为点击近似类;
S55.创建似盛行内容集合,从所述近似类中所有簇内车辆的偏好内容集合中提取重叠值大于10的偏好内容,存入所述似盛行内容集合;
S56.计算所述似盛行集合中的似盛行内容的热度值;
S57.创建盛行内容集合,判断所述热度值是否大于或等于阈值,若是,则将所述
似盛行内容存入所述盛行内容集合中;若否,则不进行保存操作;
所述特征矩阵如下所示:
;
其中,为车辆请求内容的特征矩阵,为车辆的第个请求内容的第个
特征,1<r<m,矩阵中每一行代表一个请求内容;
所述归一化的计算公式如下:
;
其中,为归一化后的特征值,定义为车辆对内容的点击量,为
特征最大值,为特征最小值;
所述阈值为0.85;
所述相似度的计算公式如下:
;
其中,为车辆和的点击近似度, 为车辆
对提取的所有内容的点击量均值,为车辆对提取的所有内容的点击量均
值,为车辆对内容的点击量,为车辆对内容的点击量;
所述重叠值为单个内容被不同车辆作为偏好内容的次数;
所述热度值的计算公式为:
;
其中,为点击量的权重,为重叠值的权重,且,为标量,为车辆对内容的点击量,为重叠值;
所述阈值为0.75。
S60.将边缘服务器的缓存空间划分为三层,层缓存所述偏好内容
集合,层缓存所述盛行内容集合,层为协作缓存空间;
所述协作缓存空间,表示缓存自身以及其它边缘服务器层缓存空间溢出
的偏好内容和盛行内容;
所述三层缓存空间划分比例为4:4:2。
S70.当边缘服务器的层协作缓存空间已满时,发出协作缓存请求,通过OSA优化
选择算法在边缘计算网络空间找到协作概率值最大的可用边缘服务器进行协作缓存;
所述边缘计算网络空间,表示所有边缘服务器所组成的区域;
所述可用边缘服务器,表示以发出协作缓存请求的边缘服务器半径5km内,协作缓存空间容量大于所述协作缓存请求所需容量的边缘服务器。
进一步地,如图5所示,所述S70,包括:
S71. 计算车辆向边缘服务器发出服务请求的请求时延;
S72. 计算所述边缘服务器的负载情况:
S73. 通过OSA优化选择算法在边缘计算网络空间中找到协作概率值最大的可用边缘服务器,将协同内容进行缓存;
S74. 判断边缘服务器缓存空间是否具有车辆当前发出的请求内容,若是,则边缘服务器将所述请求内容传输给车辆;若否,则寻找协作概率值最大的可用边缘服务器将所述请求内容传输给车辆;
所述请求时延的计算如下:
;
;
其中,为车辆向边缘服务器发出请求的请求时延,为边缘服
务器范围内所有当前请求内容的热度值均值,为当前请求内容的热度值, 为边缘服务器中所有车辆的当前请求内容的总次数,为信道
长度,为当前请求内容的容量大小,为车辆到边缘服务器的传输距离,为车辆的请求服务时间,为传输速度,为发送时延,为传
输时延;
所述边缘服务器的负载情况的计算公式如下:
;
其中,为热度值的权重,为信道长度,为车辆的平均请求服务时间。
进一步地,所述OSA优化选择算法,包括:
S741.初始化边缘计算网络空间中个可用服务器位置;
S742.搜索一次边缘服务器位置完毕后,通过传输时延、边缘服务器负载和距离计算可用边缘服务器位置的适宜值;
S743.通过所述适宜值计算第一次搜索到的边缘服务器位置的协作概率值,若存在多个协作概率值大于阈值β的边缘服务器,将所述协作概率值最大的边缘服务器作为最优的可用边缘服务器,进行缓存;
S744.若一次搜索中不存在协作概率值大于阈值β的边缘服务器,再进行不重复迭代搜索直到搜索到协作概率值大于阈值β的边缘服务器;
所述初始化的计算公式如下:
;
;
其中,为可用边缘服务器空间,为当前边缘服务器的位置信息,,为边缘服务器的位置信息,为0到1
之间均匀分布的随机数, 为车辆离可用边缘服务器的最大距离,为车辆离可用边缘服务器的最小距离,n为大于或等于1的整数;
所述适宜值的计算公式如下:
;
其中,为车辆向可用边缘服务器发出请求的请求时延,为可用边缘
服务器的负载,为车辆到可用边缘服务器的距离,为车辆向可用边缘服务器发
出请求的请求时延的权重,为可用边缘服务器的负载的权重,为车辆到可用边缘服务
器的距离的权重,;
所述协作概率值的计算公式如下:
;
所述阈值β为0.9。
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 (7)
1.一种基于移动车辆的内容分层边缘缓存策略,其特征在于,包括:
S10.从边缘服务器中获取车辆信息、边缘服务器信息、车辆请求内容信息;
S20.使用FCM聚类算法对基站覆盖范围区域内的车辆进行聚类,得到车辆类簇;
S30.基于所述车辆类簇,结合车辆历史请求内容与车辆当前请求内容预测车辆偏好内容,创建偏好内容集合,将所述偏好内容存入所述偏好内容集合中;
S40.对所述偏好内容集合中的偏好内容进行更新;
S50.对历史请求内容进行特征分析,计算所述历史请求内容的热度值,创建盛行内容集合,将所述热度值大于或等于阈值的历史请求内容作为盛行内容存入所述盛行内容集合;
S60.将边缘服务器的缓存空间划分为三层,/>层缓存所述偏好内容集合,层缓存所述盛行内容集合,/>层为协作缓存空间;
S70.当边缘服务器的层协作缓存空间已满时,发出协作缓存请求,通过OSA优化选择算法在边缘计算网络空间找到协作概率值最大的可用边缘服务器进行协作缓存;
所述边缘服务器部署于基站上;
所述车辆信息包括车辆在基站覆盖范围内的行驶时间信息、平均行驶速度;
所述边缘服务器信息包括缓存容量、信道长度、传输距离、传输速度;
所述车辆请求内容信息包括历史请求内容、当前请求内容、内容分类集合;
所述阈值为0.75;
所述协作缓存空间,表示缓存自身以及其它边缘服务器层缓存空间溢出的偏好内容和盛行内容;
所述三层缓存空间划分比例为4:4:2;
所述边缘计算网络空间,表示所有边缘服务器所组成的区域;
所述可用边缘服务器,表示以发出协作缓存请求的边缘服务器半径5km内,协作缓存空间容量大于所述协作缓存请求所需容量的边缘服务器。
2.如权利要求1所述的一种基于移动车辆的内容分层边缘缓存策略,其特征在于,所述S20包括:
S21.初始化车辆集合X,通过FCM聚类算法将车辆聚为m个类簇,从所述车辆集合中随机抽取m个车辆作为初始聚类中心C;
S22.计算所述车辆的隶属度关系值;
S23.根据所述隶属度关系值更新所述初始聚类中心,得到更新后的聚类中心;
S24.计算车辆与所述更新后的聚类中心的距离;
S25.构建聚类目标函数,若所述目标函数值最小,则表示所述更新后的聚类中心为最佳类簇;
S26.计算最小优化目标函数值;
S27.判断所述最小优化目标函数值是否小于阈值ε,若是,聚类结束;若否,重新选取基站覆盖范围内的车辆进行聚类;
所述车辆集合,其中n为车辆总数,初始聚类中心,其中m为正整数,m、n为大于或等于1的正整数;
所述隶属度关系值的计算公式如下:
;
其中,为隶属度关系值,且/>,/>为车辆/>在基站覆盖范围行驶时间,为车辆/>在基站覆盖范围内平均行驶速度,/>为模糊值;
所述更新初始聚类中心的计算公式如下:
;
其中,为更新后的聚类中心,/>为隶属度关系值,/>;
所述距离的计算公式如下:
;
其中,为车辆/>与聚类中心/>的距离;
所述聚类目标函数的计算公式如下:
;
其中,为聚类目标函数,/>为距离的权重,/>为距离聚类中心/>的距离大于3km的个别远距离零散车辆,1<k<n;
所述最小优化目标函数值的计算公式如下:
;
所述阈值ε大小为0.001。
3.如权利要求1所述的一种基于移动车辆的内容分层边缘缓存策略,其特征在于,所述S30包括:
S31.通过车辆的历史请求内容和内容分类集合建立车辆历史分类矩阵;
S32.计算一个请求周期内当前请求内容和历史请求内容之间的相似度,若所述相似度大于阈值,则归为相似类;
S33.将全部请求周期内所有当前请求内容与所有历史请求内容进行相似度计算,创建相似类集合,将所述相似类存入相似类集合中;
S34.计算每个车辆对所述相似类集合中所有相似类的偏好评分;
S35.创建偏好评分集合,将所述车辆的相似类按照偏好评分的大小进行降序排序,存入所述偏好评分集合;
S36.判断所述车辆的相似类的偏好评分是否大于或等于所有相似类偏好评分的平均值,若是,则为偏好内容,创建偏好内容集合,将车辆全部请求周期内的所有偏好内容存入所述偏好内容集合中;若否,则不进行保存操作;
所述车辆历史分类矩阵表示为:
;
其中,为第n辆车的车辆历史请求内容,/>为第m个内容分类的类别,m、n为大于或等于1的正整数,/>表示车辆的历史请求内容/>是否属于类别/>,属于/>类别则为1,否则为0;
所述请求周期以时间为作为一轮请求周期,阈值/>;
所述相似度的计算公式如下:
;
其中,为相似度,/>为每一轮请求周期内车辆的当前请求内容,/>为每一轮请求周期内车辆的历史请求内容,/>表示车辆的当前请求内容/>是否属于/>类别,属于/>类别则为1,否则为0;
所述相似类集合,其中/>为相似类;
所述偏好评分的计算公式如下:
;
其中,为偏好评分,/>为车辆/>对相似类/>里内容的总请求次数,/>为车辆对所有相似类/>中内容请求次数的平均值,/>为车辆/>对相似类/>的请求次数,/>为车辆对所有相似类请求次数的平均值;
所述所有相似类评分的平均值的计算公式如下:
;
其中,为所有相似类的偏好评分的和,/>为所有相似类的个数;
所述全部请求周期内的所有偏好内容的计算公式如下:
;
其中,为第i个请求周期,T为全部请求周期, />为第i个请求周期的偏好内容。
4.如权利要求1所述的一种基于移动车辆的内容分层边缘缓存策略,其特征在于,所述S40包括:
S41.边缘服务器通过时间标识分别记录车辆驶入基站覆盖范围的时间,创建喜好内容集合,并依据所述时间标识的先后顺序将各个车辆的当前请求内容加入喜好内容集合;
S42.计算所述当前请求内容与偏好内容的综合值;
S43.将所述喜好内容集合的当前请求内容按照所述综合值大小进行降序排序,将偏好内容集合中的偏好内容按照所述综合值大小进行降序排序;
S44.判断喜好内容集合中当前请求内容的综合值是否大于阈值E ,若是,则通过喜好内容集合中综合值大于阈值E的当前请求内容,更新所述偏好内容集合中小于阈值E的偏好内容,并且每个请求周期都会替换更新;若否,则不进行更新操作,继续下一轮判断;
所述时间标识表示为:
;
其中,为车辆/>驶入基站覆盖范围的时间;
所述喜好内容集合表示为:
;
其中,为当前请求内容/>出现的频率,Fr为当前请求内容再次出现的时间间隔,Co为当前请求内容再次出现的次数;
所述综合值的计算公式如下:
;
其中,为综合值,/>为综合权重;
所述阈值E为偏好内容集合中第三个四分位数的偏好内容的综合值的大小。
5.如权利要求1所述的一种基于移动车辆的内容分层边缘缓存策略,其特征在于,所述S50包括:
S51.对簇内车辆的历史请求内容进行特征提取分析得到8个特征;
S52.通过所述特征建立车辆请求内容特征矩阵;
S53.对所述车辆请求内容特征矩阵每一行的请求内容进行归一化:
S54.计算簇内车辆的点击近似度,将所述点击近似度大于或等于阈值的簇内车辆归为点击近似类;
S55.创建似盛行内容集合,从所述近似类中所有簇内车辆的偏好内容集合中提取重叠值大于10的偏好内容,存入所述似盛行内容集合;
S56.计算所述似盛行集合中的似盛行内容的热度值;
S57.创建盛行内容集合,判断所述热度值是否大于或等于阈值,若是,则将所述似盛行内容存入所述盛行内容集合中;若否,则不进行保存操作;
所述特征矩阵如下所示:
;
其中,为车辆/>请求内容的特征矩阵,/>为车辆的第/>个请求内容的第/>个特征,1<r<m,矩阵中每一行代表一个请求内容;
所述归一化的计算公式如下:
;
其中,为归一化后的特征值,定义为车辆/>对内容/>的点击量,/>为特征最大值,/>为特征最小值;
所述阈值为0.85;
所述相似度的计算公式如下:
;
其中,为车辆/>和/>的点击近似度, />为车辆/>对提取的所有内容的点击量均值,/>为车辆/>对提取的所有内容的点击量均值,为车辆/>对内容/>的点击量,/>为车辆/>对内容/>的点击量;
所述重叠值为单个内容被不同车辆作为偏好内容的次数;
所述热度值的计算公式为:
;
其中,为点击量的权重,/>为重叠值的权重,且/>,/>为标量,/>为车辆/>对内容/>的点击量,/>为重叠值;
所述阈值为0.75。
6.如权利要求1所述的一种基于移动车辆的内容分层边缘缓存策略,其特征在于,所述S70包括:
S71. 计算车辆向边缘服务器发出服务请求的请求时延;
S72. 计算所述边缘服务器的负载情况:
S73. 通过OSA优化选择算法在边缘计算网络空间中找到协作概率值最大的可用边缘服务器,将协同内容进行缓存;
S74. 判断边缘服务器缓存空间是否具有车辆当前发出的请求内容,若是,则边缘服务器将所述请求内容传输给车辆;若否,则寻找协作概率值最大的可用边缘服务器将所述请求内容传输给车辆;
所述请求时延的计算如下:
;
;
其中,为车辆向边缘服务器/>发出请求的请求时延,/>为边缘服务器范围内所有当前请求内容的热度值均值,/>为当前请求内容/>的热度值,为边缘服务器/>中所有车辆的当前请求内容/>的总次数,/>为信道长度,/>为当前请求内容/>的容量大小,/>为车辆到边缘服务器/>的传输距离,为车辆的请求服务时间,/>为传输速度,/>为发送时延,/>为传输时延;
所述边缘服务器的负载情况的计算公式如下:
;
其中,为热度值的权重,/>为信道长度,/>为车辆的平均请求服务时间。
7.如权利要求6所述的一种基于移动车辆的内容分层边缘缓存策略,其特征在于,所述OSA优化选择算法包括:
S741.初始化边缘计算网络空间中个可用服务器位置;
S742.搜索一次边缘服务器位置完毕后,通过传输时延、边缘服务器负载和距离计算可用边缘服务器位置的适宜值;
S743.通过所述适宜值计算第一次搜索到的边缘服务器位置的协作概率值,若存在多个协作概率值大于阈值β的边缘服务器,将所述协作概率值最大的边缘服务器作为最优的可用边缘服务器,进行缓存;
S744.若一次搜索中不存在协作概率值大于阈值β的边缘服务器,再进行不重复迭代搜索直到搜索到协作概率值大于阈值β的边缘服务器;
所述初始化的计算公式如下:
;
;
其中,为可用边缘服务器空间,/>为当前边缘服务器的位置信息,,/>为边缘服务器/>的位置信息,/>为0到1之间均匀分布的随机数, />为车辆离可用边缘服务器的最大距离,为车辆离可用边缘服务器的最小距离,n为大于或等于1的整数;
所述适宜值的计算公式如下:
;
其中,为车辆向可用边缘服务器发出请求的请求时延,/>为可用边缘服务器的负载,/>为车辆到可用边缘服务器的距离,/>为车辆向可用边缘服务器发出请求的请求时延的权重,/>为可用边缘服务器的负载的权重,/>为车辆到可用边缘服务器的距离的权重,/>;
所述协作概率值的计算公式如下:
;
所述阈值β为0.9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311132115.1A CN116866995B (zh) | 2023-09-05 | 2023-09-05 | 一种基于移动车辆的内容分层边缘缓存策略 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311132115.1A CN116866995B (zh) | 2023-09-05 | 2023-09-05 | 一种基于移动车辆的内容分层边缘缓存策略 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116866995A true CN116866995A (zh) | 2023-10-10 |
CN116866995B CN116866995B (zh) | 2023-12-01 |
Family
ID=88234501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311132115.1A Active CN116866995B (zh) | 2023-09-05 | 2023-09-05 | 一种基于移动车辆的内容分层边缘缓存策略 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116866995B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117528589A (zh) * | 2023-12-29 | 2024-02-06 | 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 (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019095402A1 (zh) * | 2017-11-15 | 2019-05-23 | 东南大学 | 基于内容流行度预测的边缘缓存系统及其方法 |
CN109936633A (zh) * | 2019-03-11 | 2019-06-25 | 重庆邮电大学 | 内容中心网络中基于内容重要度的协作缓存策略 |
WO2020263024A1 (en) * | 2019-06-28 | 2020-12-30 | Samsung Electronics Co., Ltd. | Content distribution server and method |
KR102252896B1 (ko) * | 2020-08-19 | 2021-05-17 | 서울대학교산학협력단 | 사용자 이동성과 다중 파일 선호도에 기초한 기지국 에지 캐싱 방법 및 그 방법을 수행하기 위한 기지국 |
KR102298698B1 (ko) * | 2020-12-16 | 2021-09-03 | 재단법인대구경북과학기술원 | 에지 컴퓨팅 네트워크에서의 서비스 캐싱 방법 및 장치 |
KR20220078244A (ko) * | 2020-12-03 | 2022-06-10 | 주식회사 케이티 | 콘텐츠 조각 캐싱을 위한 캐시 파일 관리 방법 및 이를 수행하는 엣지 서버 |
CN114900870A (zh) * | 2022-05-17 | 2022-08-12 | 南京卓云邮通科技有限公司 | 一种基于车辆聚类的缓存内容更新算法 |
CN115314944A (zh) * | 2022-08-10 | 2022-11-08 | 西南科技大学 | 基于移动车辆社会关系感知的车联网协作缓存方法 |
CN115767596A (zh) * | 2022-11-15 | 2023-03-07 | 重庆邮电大学 | 边缘计算中面向用户移动性与偏好的边缘协同缓存方法 |
CN116233926A (zh) * | 2023-02-21 | 2023-06-06 | 重庆邮电大学 | 一种基于移动边缘计算的任务卸载及服务缓存联合优化方法 |
WO2023159986A1 (zh) * | 2022-02-28 | 2023-08-31 | 南京邮电大学 | 一种分层网络体系结构中的协作缓存方法 |
-
2023
- 2023-09-05 CN CN202311132115.1A patent/CN116866995B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019095402A1 (zh) * | 2017-11-15 | 2019-05-23 | 东南大学 | 基于内容流行度预测的边缘缓存系统及其方法 |
CN109936633A (zh) * | 2019-03-11 | 2019-06-25 | 重庆邮电大学 | 内容中心网络中基于内容重要度的协作缓存策略 |
WO2020263024A1 (en) * | 2019-06-28 | 2020-12-30 | Samsung Electronics Co., Ltd. | Content distribution server and method |
KR102252896B1 (ko) * | 2020-08-19 | 2021-05-17 | 서울대학교산학협력단 | 사용자 이동성과 다중 파일 선호도에 기초한 기지국 에지 캐싱 방법 및 그 방법을 수행하기 위한 기지국 |
KR20220078244A (ko) * | 2020-12-03 | 2022-06-10 | 주식회사 케이티 | 콘텐츠 조각 캐싱을 위한 캐시 파일 관리 방법 및 이를 수행하는 엣지 서버 |
KR102298698B1 (ko) * | 2020-12-16 | 2021-09-03 | 재단법인대구경북과학기술원 | 에지 컴퓨팅 네트워크에서의 서비스 캐싱 방법 및 장치 |
WO2023159986A1 (zh) * | 2022-02-28 | 2023-08-31 | 南京邮电大学 | 一种分层网络体系结构中的协作缓存方法 |
CN114900870A (zh) * | 2022-05-17 | 2022-08-12 | 南京卓云邮通科技有限公司 | 一种基于车辆聚类的缓存内容更新算法 |
CN115314944A (zh) * | 2022-08-10 | 2022-11-08 | 西南科技大学 | 基于移动车辆社会关系感知的车联网协作缓存方法 |
CN115767596A (zh) * | 2022-11-15 | 2023-03-07 | 重庆邮电大学 | 边缘计算中面向用户移动性与偏好的边缘协同缓存方法 |
CN116233926A (zh) * | 2023-02-21 | 2023-06-06 | 重庆邮电大学 | 一种基于移动边缘计算的任务卸载及服务缓存联合优化方法 |
Non-Patent Citations (7)
Title |
---|
YUE GUO等: "Cooperative Caching Strategy Based on Dynamic Cache Value Perception in Edge Networks", 《IEEE》 * |
ZHENG XUE等: "Two-Layer Distributed Content Caching for Infotainment Applications in VANETs", 《IEEE》 * |
杨大武;李泽平;: "一种移动流媒体分层协同缓存系统", 计算机与现代化, no. 06 * |
杨静;李金科;: "带有特征感知的D2D内容缓存策略", 电子与信息学报, no. 09 * |
王峻伟;范建华;王彦刚;王统祥;胡永扬;: "无人机接替场景中相似度感知的边缘计算缓存算法", 通信技术, no. 07 * |
王朝;高岭;高全力;: "边缘计算中数据分层的协同缓存策略", 纺织高校基础科学学报, no. 03 * |
邱娅;蔡岳平;谭兵;: "移动边缘网络中基于内容信息年龄和流行度的缓存机制", 网络空间安全, no. 11 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117528589A (zh) * | 2023-12-29 | 2024-02-06 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN116866995B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110213627B (zh) | 一种基于多小区用户移动性的流媒体缓存分配方法 | |
CN116866995B (zh) | 一种基于移动车辆的内容分层边缘缓存策略 | |
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 | |
CN109257443A (zh) | 一种面向车联网的命名数据网络自适应缓存策略 | |
CN108667653A (zh) | 超密集网络中基于聚类的缓存配置方法及装置 | |
CN114973673B (zh) | 车路协同系统中结合noma和内容缓存的任务卸载方法 | |
CN107295619A (zh) | 一种边缘缓存网络中基于用户连接矩阵的基站休眠方法 | |
CN111314862A (zh) | 雾无线接入网中深度强化学习下带有推荐的缓存方法 | |
CN112508292A (zh) | 一种基于模糊topsis法的智慧充电站选址优化方法 | |
CN113012013A (zh) | 一种在车联网中基于深度强化学习的协同边缘缓存方法 | |
Ghandeharizade et al. | PAVAN: a policy framework for content availabilty in vehicular ad-hoc networks | |
CN114781717A (zh) | 网点设备推荐方法、装置、设备和存储介质 | |
CN108900266B (zh) | 基于协作节点选取和fcm算法的认知车联网频谱感知方法 | |
CN1996426A (zh) | 交通信息显示方法和装置 | |
CN112911614A (zh) | 基于动态请求d2d网络中的协作编码缓存方法 | |
CN108600365B (zh) | 一种基于排序学习的无线异构网络缓存方法 | |
Bao et al. | Data-guided approach for learning and improving user experience in computer networks | |
CN115904731A (zh) | 一种边缘协作式副本放置方法 | |
CN114900870A (zh) | 一种基于车辆聚类的缓存内容更新算法 | |
Jia et al. | Social‐Aware Edge Caching Strategy of Video Resources in 5G Ultra‐Dense Network | |
CN113052629A (zh) | 基于cecu体系智能算法模型的网络用户画像方法 | |
CN114245422A (zh) | 一种基于簇内智能共享的边缘主动缓存方法 | |
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 | |
CN112995979B (zh) | 一种面向用户QoE需求的无线网络缓存推荐方法 | |
CN115515198B (zh) | 基于博弈论和自适应跳跃的异构车载网络选择方法及系统 |
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 |