CN117528589B - 一种基于边缘计算的移动感知层次缓存容错方法 - Google Patents
一种基于边缘计算的移动感知层次缓存容错方法 Download PDFInfo
- Publication number
- CN117528589B CN117528589B CN202311841087.0A CN202311841087A CN117528589B CN 117528589 B CN117528589 B CN 117528589B CN 202311841087 A CN202311841087 A CN 202311841087A CN 117528589 B CN117528589 B CN 117528589B
- Authority
- CN
- China
- Prior art keywords
- user
- edge server
- refers
- cache
- content
- 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
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000008447 perception Effects 0.000 title claims abstract description 12
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 230000005012 migration Effects 0.000 claims abstract description 13
- 238000013508 migration Methods 0.000 claims abstract description 13
- 230000007246 mechanism Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241001206881 Myrmeleon inconspicuus Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- 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
- H04L67/5681—Pre-fetching or pre-delivering data based on network characteristics
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于边缘计算的移动感知层次缓存容错方法，通过将边缘服务器缓存容量按照比例进行划分；根据边缘服务器历史缓存资源信息，选取基本缓存内容缓存到边缘服务器基本缓存内容部分；构建图神经网络模型对用户组进行预测，将用户个性化内容缓存到边缘服务器个性化内容缓存部分；预测用户下一个连接的边缘服务器，将用户正在请求服务相关的缓存内容，缓存到边缘服务器特殊内容缓存部分；为边缘服务器设定容错机制，得到最优可用边缘服务器；判断用户和边缘服务器连接状态进行服务迁移，通过容错机制将边缘服务器特殊内容缓存部分中缓存内容迁移至最优可用边缘服务器。通过上述方式，本发明能够提高数据命中率，降低内容传递时延。
Description
技术领域
本发明涉及边缘计算缓存领域，特别是涉及一种基于边缘计算的移动感知层次缓存容错方法。
背景技术
移动边缘计算通过在边缘设备上部署通信、计算、存储等资源，有效克服传统云计算存在的传输距离较长、响应时延过慢等问题。然而，边缘设备资源存在有限性，并且用户不会一直停留在同一个地方，当用户移动到基站覆盖范围外时，请求任务可能会中断。
公开号为CN115767596A，名称为边缘计算中面向用户移动性与偏好的边缘协同缓存方法的专利文献，通过基于用户历史行为，建立用户偏好模型，并根据用户偏好对用户进行分簇；基于用户历史位置信息，建立移动用户数量预测模型；结合预测的下一时刻区域内各类别用户数量、各类别用户偏好文件，确定相应缓存目标资源；根据各服务器负载，缓存能耗，建立负载与能耗平衡的协作式缓存放置优化模型；采用基于螺旋式搜索的蚁狮算法，求解缓存放置优化模型，获得缓存放置策略，但是该方法仅对用户的历史偏好内容建立缓存放置策略，忽略了其他情况所包含的缓存内容同样需要进行缓存放置优化。
公开号为CN116828052A，名称为一种基于边缘计算的数据智能协同缓存方法的专利文献，首先，用户根据上下文信息完成簇群选择，使得同一簇群中的用户具有相似内容偏好，由于簇群间用户不相交，提出了基于享乐联盟博弈的用户分簇算法；其次，基于分层联邦学习，用户建立深度神经网络DNN训练本地模型并上传至边缘网络层中的MEN和SEN，通过分层联邦学习优化内容缓存放置位置策略；最后，在边缘网络引入内容缓存价值协助SEN进行短期内容更新，基于当前的缓存状态与用户内容输出估计偏好，最大化协同联盟整体内容缓存价值，从而减少缓存冗余，但是该方法仅考虑了边缘服务器缓存内容的优化，忽略了边缘服务器容易产生故障带来的内容传输不稳定情况。
发明内容
本发明主要解决的技术问题是提供一种基于边缘计算的移动感知层次缓存容错方法，解决传统云计算中传输距离较长、响应时延过慢等问题。
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移动感知层次缓存容错方法，其特征在于，包括：
S100：通过边缘服务器获取边缘服务器信息、用户信息和用户请求任务信息；
S200：将边缘服务器缓存容量按照5：4：1的比例划分为基本缓存内容部分、个性化内容缓存部分、特殊内容缓存部分；
S300：根据边缘服务器历史缓存资源信息，对历史缓存资源按照缓存次数进行降序排序，选取前5个缓存资源作为边缘服务器基本缓存内容，缓存到边缘服务器基本缓存内容部分；
S400：构建图神经网络模型对用户进行预测得到用户个性化内容，将所述用户个性化内容，作为边缘服务器个性化内容，缓存到边缘服务器个性化内容缓存部分；
S500：判断用户与边缘服务器的距离，预测用户下一个连接的边缘服务器，将用户正在请求服务相关的缓存内容作为边缘服务器预缓存内容，缓存到边缘服务器特殊内容缓存部分；
S600：为边缘服务器设定容错机制，当边缘服务器发生任务迁移时，对下一边缘服务器进行判断，得到最优可用边缘服务器；
S700：根据用户的历史移动轨迹信息和边缘服务器状态信息，判断用户和边缘服务器连接状态，如果用户与边缘服务器失去连接，则进行服务迁移，通过所述容错机制选择最优可用边缘服务器，将边缘服务器特殊内容缓存部分中当前用户正在请求服务相关的缓存内容迁移至最优可用边缘服务器；
所述边缘服务器状态信息包括：边缘服务器日志记录、边缘服务器容量大小、边缘服务器服务范围、边缘服务器故障次数；
所述用户信息包括：用户的历史移动轨迹信息、用户请求任务缓存状态、用户当前位置信息，边缘服务器历史缓存资源信息；
所述用户请求任务信息包括：任务请求状态、任务内容类别、任务缓存时延。
进一步地，述构建图神经网络模型对用户进行预测，包括：
S410：通过对边缘服务器覆盖范围内的用户进行随机划分，得到用户组；
S420：获取所述用户组的特征信息，对所述特征信息进行预处理，得到用户特征数据；
S430：构建图神经网络模型，将所述用户特征数据输入所述图神经网络模型中，叠加卷积层得到用户特征数据的节点特征；
S440：将所述节点特征映射到样本空间，进行加权求和，得到用户个性化内容；
所述特征信息，表示为：
；
其中，是指特征信息，/>是指用户u的年龄，/>是指用户u的性别，/>是指时间，/>是指用户的经纬度坐标，/>是指用户的服务内容类别，/>是指用户的服务内容格式；
所述对特征信息进行预处理，表示为：
；
其中，是指用户特征数据，/>是指特征信息，/>是指特征信息的均值，/>是指特征信息的标准差；
所述图神经网络模型，其传播计算公式和空间依赖关系表示为：
；
；
其中，是指有自连接的邻接矩阵，/>是指/>的度矩阵, />是指线性激活函数，/>是指t+1时刻的图节点特征，/>是指t时刻的图节点特征，/>是指2个卷积层的捕获空间依赖关系，A是指图结构的邻接矩阵，/>是指用户特征数据，/>是指参数矩阵，/>是指激活函数；
所述用户个性化内容，表示为：
；
其中，是指全连接层中的权重系数，是指2个卷积层的捕获空间依赖关系，是指t+1时刻的图节点特征，是指全连接层的偏置量，是指预测的用户u的个
性化内容，n是指图节点特征个数。
进一步地，所述预测用户下一个连接的边缘服务器，包括：
S510：通过历史轨迹信息获取历史时刻t的位置信息，并与当前时刻t的位置信息对比，计算每个时刻t用户u的相对距离；
S520：根据两个时刻的相对距离分配不同的权重，计算每条历史轨迹的加权平均距离；
S530：将加权平均距离进行嵌入处理后输入到门控循环单元进行预测，得到预测位置信息；
S540：根据所述预测位置信息，找到距离预测位置信息最近的边缘服务器作为用户下一个连接的边缘服务器；
所述计算每个时刻t用户u的相对距离，计算公式为：
；
；
其中，是指用户u在t时刻x轴的坐标，是指用户u在t时刻y轴的坐标，是指用
户u在历史t时刻x轴的坐标，是指用户u在历史t时刻y轴的坐标，是指用户u在t时刻x
轴方向的距离，是指用户u在t时刻y轴方向的距离；
所述计算每条历史轨迹的加权平均距离，计算公式为：
；
；
其中，是指用户u在t时刻x轴上的加权平均距离，是指用户u在t时刻y轴上的
加权平均距离，是指距离权重，m是指历史轨迹数量；
所述预测位置信息，是指通过将平均距离输入门控循环单元进行预测，其中门控循环单元进行预测过程表示为：
；
；
其中，是指嵌入处理的嵌入向量，/>是指嵌入函数，/>是指嵌入权重，/>是指用户u在t时刻的轨迹预测信息，/>是指用户u在t-1时刻的轨迹预测信息，/>是指模型权重矩阵，是指用户u在t时刻x轴上的加权平均距离，/>是指用户u在t时刻y轴上的加权平均距离。
进一步地，所述S600，包括：
S610：根据边缘服务器历史故障信息，计算边缘服务器的故障事件概率；
S620：根据排队论计算边缘服务器资源处理过载概率；
S630：根据所述故障事件概率和所述资源处理过载概率计算边缘服务器综合故障概率；
S640：判断迁移目标边缘服务器的综合故障概率，当综合故障概率大于故障阈值时，则获取离用户最近的可用边缘服务器作为迁移目标边缘服务器，当综合故障概率小于故障阈值时，则将缓存内容迁移至目标边缘服务器；
所述计算边缘服务器的故障事件概率，计算公式为：
；
其中，是指故障次数，/> 是指边缘服务器bj在t时刻的故障事件概率，/>是指自然对数的底数，/>是指边缘服务器故障率，/>是指边缘服务器/>的故障数量，/>是指发生/>故障的时间段，N是指边缘服务器数量；
所述资源处理过载概率，计算公式为：
；
其中，ρ是指系统繁忙率，CN是指服务器的容量，是指发生/>故障的时间段；
所述综合故障概率，计算公式为：
；
其中， 是指边缘服务器综合故障概率，/>是指边缘服务器的故障事件概率，/>是指资源处理过载概率；
所述故障阈值为70%。
进一步地，所述判断用户和边缘服务器连接状态，是指通过用户边缘服务器的距离以及15秒内连接情况进行判断，当用户离开边缘服务器的覆盖范围且15秒内未重新连接，则定义为断连状态，否则为连通状态；
所述用户边缘服务器的距离，计算公式为：
；
其中，是指用户ui和边缘服务器bj之间的近似球面距离，/>是指用户ui的经度，/>是指用户ui的纬度，/>是指边缘服务器bj的经度，/>是指边缘服务器bj的纬度，/>是指地球的半径；
当时，判定用户已经离开边缘服务器覆盖范围，当时，判定用
户仍在边缘服务器覆盖范围，是指边缘服务器服务范围。
本发明的有益效果是：
1、本发明提供的一种基于边缘计算的移动感知层次缓存容错方法通过对边缘服务器的内存容量进行分层管理，使不同内存块能够缓存不同类型的内容，从而充分利用有限的边缘服务器内存资源，提高数据命中率，降低内容传递时延，显著改善了系统性能。
2、本发明提供的一种基于边缘计算的移动感知层次缓存容错方法引入了强大的容错机制，确保了移动边缘计算系统的稳定性和可靠性。在边缘计算节点故障或发生异常情况时，该容错机制能够实时检测节点故障，迅速实施故障转移，以保证移动设备和感知设备在移动感知系统中的功能和性能不会因为单一节点的故障或不可用而受到影响，从而显著提升整个系统的可靠性和容错性。
附图说明
图1是一种基于边缘计算的移动感知层次缓存容错方法的流程图。
图2是一种基于边缘计算的移动感知层次缓存容错方法的个性化内容预测流程图。
图3是一种基于边缘计算的移动感知层次缓存容错方法的预测用户下一个连接的边缘服务器流程图。
图4是一种基于边缘计算的移动感知层次缓存容错方法的边缘服务器容错机制示意图。
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。
请参阅图1、图2、图3和图4，本发明实施例包括：
如图1所示，一种基于边缘计算的移动感知层次缓存容错方法，其特征在于，包括：
S100：通过边缘服务器获取边缘服务器信息、用户信息和用户请求任务信息；
所述边缘服务器状态信息包括：边缘服务器日志记录、边缘服务器容量大小、边缘服务器服务范围、边缘服务器故障次数；
所述用户信息包括：用户的历史移动轨迹信息、用户请求任务缓存状态、用户当前位置信息，边缘服务器历史缓存资源信息；
所述用户请求任务信息包括：任务请求状态、任务内容类别、任务缓存时延；
S200：将边缘服务器缓存容量按照5：4：1的比例划分为基本缓存内容部分、个性化内容缓存部分、特殊内容缓存部分；
S300：根据边缘服务器历史缓存资源信息，对历史缓存资源按照缓存次数进行降序排序，选取前5个缓存资源作为边缘服务器基本缓存内容，缓存到边缘服务器基本缓存内容部分；
S400：构建图神经网络模型对用户进行预测得到用户个性化内容，将所述用户个性化内容，作为边缘服务器个性化内容，缓存到边缘服务器个性化内容缓存部分。
进一步地，如图2所示，述构建图神经网络模型对用户进行预测，包括：
S410：通过对边缘服务器覆盖范围内的用户进行随机划分，得到用户组；
S420：获取所述用户组的特征信息，对所述特征信息进行预处理，得到用户特征数据；
S430：构建图神经网络模型，将所述用户特征数据输入所述图神经网络模型中，叠加卷积层得到用户特征数据的节点特征；
S440：将所述节点特征映射到样本空间，进行加权求和，得到用户个性化内容；
所述特征信息，表示为：
；
其中，是指特征信息，/>是指用户u的年龄，/>是指用户u的性别，/>是指时间，/>是指用户的经纬度坐标，/>是指用户的服务内容类别，/>是指用户的服务内容格式；
所述对特征信息进行预处理，表示为：
；
其中，是指用户特征数据，/>是指特征信息，/>是指特征信息的均值，/>是指特征信息的标准差；
所述图神经网络模型，其传播计算公式和空间依赖关系表示为：
；
；
其中，是指有自连接的邻接矩阵，/>是指/>的度矩阵, />是指线性激活函数，/>是指t+1时刻的图节点特征，/>是指t时刻的图节点特征，/>是指2个卷积层的捕获空间依赖关系，A是指图结构的邻接矩阵，/>是指用户特征数据，/>是指参数矩阵，/>是指激活函数；
所述用户个性化内容，表示为：
；
其中，是指全连接层中的权重系数，是指2个卷积层的捕获空间依赖关系，是指t+1时刻的图节点特征，是指全连接层的偏置量，是指预测的用户u的个
性化内容，n是指图节点特征个数。
S500：判断用户与边缘服务器的距离，预测用户下一个连接的边缘服务器，将用户正在请求服务相关的缓存内容作为边缘服务器预缓存内容，缓存到边缘服务器特殊内容缓存部分。
进一步地，如图3所示，所述预测用户下一个连接的边缘服务器，包括：
S510：通过历史轨迹信息获取历史时刻t的位置信息，并与当前时刻t的位置信息对比，计算每个时刻t用户u的相对距离；
S520：根据两个时刻的相对距离分配不同的权重，计算每条历史轨迹的加权平均距离；
S530：将加权平均距离进行嵌入处理后输入到门控循环单元进行预测，得到预测位置信息；
S540：根据所述预测位置信息，找到距离预测位置信息最近的边缘服务器作为用户下一个连接的边缘服务器；
所述计算每个时刻t用户u的相对距离，计算公式为：
；
；
其中，是指用户u在t时刻x轴的坐标，是指用户u在t时刻y轴的坐标，是指用
户u在历史t时刻x轴的坐标，是指用户u在历史t时刻y轴的坐标，是指用户u在t时刻x
轴方向的距离，是指用户u在t时刻y轴方向的距离；
所述计算每条历史轨迹的加权平均距离，计算公式为：
；
；
其中，是指用户u在t时刻x轴上的加权平均距离，是指用户u在t时刻y轴上的
加权平均距离，是指距离权重，m是指历史轨迹数量；
所述预测位置信息，是指通过将平均距离输入门控循环单元进行预测，其中门控循环单元进行预测过程表示为：
；
；
其中，是指嵌入处理的嵌入向量，/>是指嵌入函数，/>是指嵌入权重，/>是指用户u在t时刻的轨迹预测信息，/>是指用户u在t-1时刻的轨迹预测信息，/>是指模型权重矩阵，是指用户u在t时刻x轴上的加权平均距离，/>是指用户u在t时刻y轴上的加权平均距离。
S600：为边缘服务器设定容错机制，当边缘服务器发生任务迁移时，对下一边缘服务器进行判断，得到最优可用边缘服务器。
进一步地，如图4所示，所述S600，包括：
S610：根据边缘服务器历史故障信息，计算边缘服务器的故障事件概率；
S620：根据排队论计算边缘服务器资源处理过载概率；
S630：根据所述故障事件概率和所述资源处理过载概率计算边缘服务器综合故障概率；
S640：判断迁移目标边缘服务器的综合故障概率，当综合故障概率大于故障阈值时，则获取离用户最近的可用边缘服务器作为迁移目标边缘服务器，当综合故障概率小于故障阈值时，则将缓存内容迁移至目标边缘服务器；
所述计算边缘服务器的故障事件概率，计算公式为：
；
其中，是指故障次数，/> 是指边缘服务器bj在t时刻的故障事件概率，/>是指自然对数的底数，/>是指边缘服务器故障率，/>是指边缘服务器/>的故障数量，/>是指发生/>故障的时间段，N是指边缘服务器数量；
所述资源处理过载概率，计算公式为：
；
其中，ρ是指系统繁忙率，CN是指服务器的容量，是指发生/>故障的时间段；
所述综合故障概率，计算公式为：
；
其中， 是指边缘服务器综合故障概率，/>是指边缘服务器的故障事件概率，/>是指资源处理过载概率；
所述故障阈值为70%。
S700：根据用户的历史移动轨迹信息和边缘服务器状态信息，判断用户和边缘服务器连接状态，如果用户与边缘服务器失去连接，则进行服务迁移，通过所述容错机制选择最优可用边缘服务器，将边缘服务器特殊内容缓存部分中当前用户正在请求服务相关的缓存内容迁移至最优可用边缘服务器。
进一步地，所述判断用户和边缘服务器连接状态，是指通过用户边缘服务器的距离以及15秒内连接情况进行判断，当用户离开边缘服务器的覆盖范围且15秒内未重新连接，则定义为断连状态，否则为连通状态；
所述用户边缘服务器的距离，计算公式为：
；
其中，是指用户ui和边缘服务器bj之间的近似球面距离，/>是指用户ui的经度，/>是指用户ui的纬度，/>是指边缘服务器bj的经度，/>是指边缘服务器bj的纬度，/>是指地球的半径；
当时，判定用户已经离开边缘服务器覆盖范围，当时，判定用
户仍在边缘服务器覆盖范围，是指边缘服务器服务范围。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (4)
1.一种基于边缘计算的移动感知层次缓存容错方法，其特征在于，包括：
S100：通过边缘服务器获取边缘服务器信息、用户信息和用户请求任务信息；
S200：将边缘服务器缓存容量按照5：4：1的比例划分为基本缓存内容部分、个性化内容缓存部分、特殊内容缓存部分；
S300：根据边缘服务器历史缓存资源信息，对历史缓存资源按照缓存次数进行降序排序，选取前5个缓存资源作为边缘服务器基本缓存内容，缓存到边缘服务器基本缓存内容部分；
S400：构建图神经网络模型对用户进行预测得到用户个性化内容，将所述用户个性化内容，作为边缘服务器个性化内容，缓存到边缘服务器个性化内容缓存部分；
S500：判断用户与边缘服务器的距离，预测用户下一个连接的边缘服务器，将用户正在请求服务相关的缓存内容作为边缘服务器预缓存内容，缓存到边缘服务器特殊内容缓存部分；
S600：为边缘服务器设定容错机制，当边缘服务器发生任务迁移时，对下一边缘服务器进行判断，得到最优可用边缘服务器；
S700：根据用户的历史移动轨迹信息和边缘服务器状态信息，判断用户和边缘服务器连接状态，如果用户与边缘服务器失去连接，则进行服务迁移，通过所述容错机制选择最优可用边缘服务器，将边缘服务器特殊内容缓存部分中当前用户正在请求服务相关的缓存内容迁移至最优可用边缘服务器；
所述边缘服务器状态信息包括：边缘服务器日志记录、边缘服务器容量大小、边缘服务器服务范围、边缘服务器故障次数；
所述用户信息包括：用户的历史移动轨迹信息、用户请求任务缓存状态、用户当前位置信息，边缘服务器历史缓存资源信息；
所述用户请求任务信息包括：任务请求状态、任务内容类别、任务缓存时延；
所述S600，包括：
S610：根据边缘服务器历史故障信息，计算边缘服务器的故障事件概率；
S620：根据排队论计算边缘服务器资源处理过载概率；
S630：根据所述故障事件概率和所述资源处理过载概率计算边缘服务器综合故障概率；
S640：判断迁移目标边缘服务器的综合故障概率，当综合故障概率大于故障阈值时，则获取离用户最近的可用边缘服务器作为迁移目标边缘服务器，当综合故障概率小于故障阈值时，则将缓存内容迁移至目标边缘服务器；
所述计算边缘服务器的故障事件概率，计算公式为：
；
其中，是指故障次数，/> 是指边缘服务器bj在t时刻的故障事件概率，/>是指自然对数的底数，/>是指边缘服务器故障率，/>是指边缘服务器/>的故障数量，/>是指发生/>故障的时间段，N是指边缘服务器数量；
所述资源处理过载概率，计算公式为：
；
其中，ρ是指系统繁忙率，CN是指服务器的容量，是指发生/>故障的时间段；
所述综合故障概率，计算公式为：
；
其中， 是指边缘服务器综合故障概率，/>是指边缘服务器的故障事件概率，/>是指资源处理过载概率；
所述故障阈值为70%。
2.如权利要求1所述的一种基于边缘计算的移动感知层次缓存容错方法，其特征在于，所述构建图神经网络模型对用户进行预测，包括：
S410：通过对边缘服务器覆盖范围内的用户进行随机划分，得到用户组；
S420：获取所述用户组的特征信息，对所述特征信息进行预处理，得到用户特征数据；
S430：构建图神经网络模型，将所述用户特征数据输入所述图神经网络模型中，叠加卷积层得到用户特征数据的节点特征；
S440：将所述节点特征映射到样本空间，进行加权求和，得到用户个性化内容；
所述特征信息，表示为：
；
其中，是指特征信息，/>是指用户u的年龄，/>是指用户u的性别，/>是指时间，是指用户的经纬度坐标，/>是指用户的服务内容类别，/>是指用户的服务内容格式；
所述对特征信息进行预处理，表示为：
；
其中，是指用户特征数据，/>是指特征信息，/>是指特征信息的均值，/>是指特征信息的标准差；
所述图神经网络模型，其传播计算公式和空间依赖关系表示为：
；
；
其中，是指有自连接的邻接矩阵，/>是指/>的度矩阵, />是指线性激活函数，/>是指t+1时刻的图节点特征，/>是指t时刻的图节点特征，/>是指2个卷积层的捕获空间依赖关系，A是指图结构的邻接矩阵，/>是指用户特征数据，/>是指参数矩阵，/>是指激活函数；
所述用户个性化内容，表示为：
；
其中，是指全连接层中的权重系数，/>是指2个卷积层的捕获空间依赖关系，/>是指t+1时刻的图节点特征，/>是指全连接层的偏置量，/>是指预测的用户u的个性化内容，n是指图节点特征个数。
3.如权利要求1所述的一种基于边缘计算的移动感知层次缓存容错方法，其特征在于，所述预测用户下一个连接的边缘服务器，包括：
S510：通过历史轨迹信息获取历史时刻t的位置信息，并与当前时刻t的位置信息对比，计算每个时刻t用户u的相对距离；
S520：根据两个时刻的相对距离分配不同的权重，计算每条历史轨迹的加权平均距离；
S530：将加权平均距离进行嵌入处理后输入到门控循环单元进行预测，得到预测位置信息；
S540：根据所述预测位置信息，找到距离预测位置信息最近的边缘服务器作为用户下一个连接的边缘服务器；
所述计算每个时刻t用户u的相对距离，计算公式为：
；
；
其中，是指用户u在t时刻x轴的坐标，/>是指用户u在t时刻y轴的坐标，/>是指用户u在历史t时刻x轴的坐标，/>是指用户u在历史t时刻y轴的坐标，/>是指用户u在t时刻x轴方向的距离，/>是指用户u在t时刻y轴方向的距离；
所述计算每条历史轨迹的加权平均距离，计算公式为：
；
；
其中，是指用户u在t时刻x轴上的加权平均距离，/>是指用户u在t时刻y轴上的加权平均距离，/>是指距离权重，m是指历史轨迹数量；
所述预测位置信息，是指通过将平均距离输入门控循环单元进行预测，其中门控循环单元进行预测过程表示为：
；
；
其中，是指嵌入处理的嵌入向量，/>是指嵌入函数，/>是指嵌入权重，/>是指用户u在t时刻的轨迹预测信息，/>是指用户u在t-1时刻的轨迹预测信息，/>是指模型权重矩阵，/>是指用户u在t时刻x轴上的加权平均距离，/>是指用户u在t时刻y轴上的加权平均距离。
4.如权利要求1所述的一种基于边缘计算的移动感知层次缓存容错方法，其特征在于，所述判断用户和边缘服务器连接状态，是指通过用户边缘服务器的距离以及15秒内连接情况进行判断，当用户离开边缘服务器的覆盖范围且15秒内未重新连接，则定义为断连状态，否则为连通状态；
所述用户边缘服务器的距离，计算公式为：
；
其中，是指用户ui和边缘服务器bj之间的近似球面距离，/>是指用户ui的经度，是指用户ui的纬度，/>是指边缘服务器bj的经度，/>是指边缘服务器bj的纬度，/>是指地球的半径；
当时，判定用户已经离开边缘服务器覆盖范围，当/>时，判定用户仍在边缘服务器覆盖范围，/>是指边缘服务器服务范围。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311841087.0A CN117528589B (zh) | 2023-12-29 | 2023-12-29 | 一种基于边缘计算的移动感知层次缓存容错方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311841087.0A CN117528589B (zh) | 2023-12-29 | 2023-12-29 | 一种基于边缘计算的移动感知层次缓存容错方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117528589A CN117528589A (zh) | 2024-02-06 |
| CN117528589B true CN117528589B (zh) | 2024-03-22 |
Family
ID=89762954
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311841087.0A Active CN117528589B (zh) | 2023-12-29 | 2023-12-29 | 一种基于边缘计算的移动感知层次缓存容错方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117528589B (zh) |
Citations (10)
| 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 |
| KR102298698B1 (ko) * | 2020-12-16 | 2021-09-03 | 재단법인대구경북과학기술원 | 에지 컴퓨팅 네트워크에서의 서비스 캐싱 방법 및 장치 |
| 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 |
| CN115884094A (zh) * | 2023-03-02 | 2023-03-31 | 江西师范大学 | 一种基于边缘计算的多场景协作优化缓存方法 |
| KR20230055271A (ko) * | 2021-10-18 | 2023-04-25 | 인하대학교 산학협력단 | 딥러닝 애플리케이션의 캐싱 및 오프로딩을 지원하는 엣지 서버 |
| WO2023168824A1 (zh) * | 2022-03-07 | 2023-09-14 | 北京工业大学 | 一种基于联邦学习的移动边缘缓存优化方法 |
| US11778053B1 (en) * | 2020-06-11 | 2023-10-03 | Amazon Technologies, Inc. | Fault-tolerant function placement for edge computing |
| CN116866995A (zh) * | 2023-09-05 | 2023-10-10 | 江西师范大学 | 一种基于移动车辆的内容分层边缘缓存策略 |
| CN117149443A (zh) * | 2023-10-30 | 2023-12-01 | 江西师范大学 | 一种基于神经网络的边缘计算服务部署方法 |
| CN117221403A (zh) * | 2023-09-07 | 2023-12-12 | 广西电网有限责任公司 | 一种基于用户移动和联邦缓存决策的内容缓存方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9681317B2 (en) * | 2011-11-16 | 2017-06-13 | International Business Machines Corporation | Mitigating effects of predicted failures in a mobile network basestation due to weather |
| US10516752B2 (en) * | 2015-06-05 | 2019-12-24 | Apple Inc. | Edge caching shared devices |
| FI3869763T3 (fi) * | 2020-02-20 | 2023-06-13 | Broadpeak | Menetelmä ääni- ja/tai videosisällön jakelemiseksi mobiiliverkkoinfrastruktuurissa |
-
2023
- 2023-12-29 CN CN202311841087.0A patent/CN117528589B/zh active Active
Patent Citations (10)
| 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 |
| US11778053B1 (en) * | 2020-06-11 | 2023-10-03 | Amazon Technologies, Inc. | Fault-tolerant function placement for edge computing |
| KR102298698B1 (ko) * | 2020-12-16 | 2021-09-03 | 재단법인대구경북과학기술원 | 에지 컴퓨팅 네트워크에서의 서비스 캐싱 방법 및 장치 |
| KR20230055271A (ko) * | 2021-10-18 | 2023-04-25 | 인하대학교 산학협력단 | 딥러닝 애플리케이션의 캐싱 및 오프로딩을 지원하는 엣지 서버 |
| WO2023168824A1 (zh) * | 2022-03-07 | 2023-09-14 | 北京工业大学 | 一种基于联邦学习的移动边缘缓存优化方法 |
| 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 |
| CN115884094A (zh) * | 2023-03-02 | 2023-03-31 | 江西师范大学 | 一种基于边缘计算的多场景协作优化缓存方法 |
| CN116866995A (zh) * | 2023-09-05 | 2023-10-10 | 江西师范大学 | 一种基于移动车辆的内容分层边缘缓存策略 |
| CN117221403A (zh) * | 2023-09-07 | 2023-12-12 | 广西电网有限责任公司 | 一种基于用户移动和联邦缓存决策的内容缓存方法 |
| CN117149443A (zh) * | 2023-10-30 | 2023-12-01 | 江西师范大学 | 一种基于神经网络的边缘计算服务部署方法 |
Non-Patent Citations (6)
| Title |
|---|
| A Performance and Reliability-Guaranteed Predictive Approach to Service Migration Path Selection in Mobile Computing;Yong Ma et al;IEEE Internet of Things Journal;20231015;第10卷(第20期);全文 * |
| Content-Adaptive Cache Partitioning for Two-Layer Mobile Edge Networks;Yingxue Zhao et al;2023 IEEE/CIC International Conference on Communications in China (ICCC);20230905;全文 * |
| 无人机接替场景中相似度感知的边缘计算缓存算法;王峻伟;范建华;王彦刚;王统祥;胡永扬;;通信技术;20200731(第07期);全文 * |
| 移动边缘网络中基于内容信息年龄和流行度的缓存机制;邱娅;蔡岳平;谭兵;;网络空间安全;20191125(第11期);全文 * |
| 移动边缘计算综述;李子姝;谢人超;孙礼;黄韬;;电信科学;20180131(第01期);全文 * |
| 边缘计算中数据分层的协同缓存策略;王朝;高岭;高全力;;纺织高校基础科学学报;20200930(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117528589A (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109104464B (zh) | 一种边缘计算环境下面向协同存储的分布式数据更新方法 | |
| WO2023168824A1 (zh) | 一种基于联邦学习的移动边缘缓存优化方法 | |
| 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 | |
| Mehta et al. | Hierarchical WSN protocol with fuzzy multi-criteria clustering and bio-inspired energy-efficient routing (FMCB-ER) | |
| CN102355490B (zh) | 用于网络空间信息服务系统的空间信息集群缓存预取方法 | |
| CN113906716A (zh) | 雾节点资源的分配 | |
| Li et al. | A prefetching model based on access popularity for geospatial data in a cluster-based caching system | |
| CN113315978B (zh) | 一种基于联邦学习的协作式在线视频边缘缓存方法 | |
| CN111641681A (zh) | 基于边缘计算和深度强化学习的物联网服务卸载决策方法 | |
| CN112395090B (zh) | 一种移动边缘计算中服务放置的智能混合优化方法 | |
| Majidi et al. | HFDRL: An intelligent dynamic cooperate cashing method based on hierarchical federated deep reinforcement learning in edge-enabled IoT | |
| CN111935025B (zh) | 一种tcp传输性能的控制方法、装置、设备和介质 | |
| Li et al. | DQN-enabled content caching and quantum ant colony-based computation offloading in MEC | |
| CN117528589B (zh) | 一种基于边缘计算的移动感知层次缓存容错方法 | |
| CN116321307A (zh) | 一种无蜂窝网络中基于深度强化学习的双向缓存放置方法 | |
| CN117149443B (zh) | 一种基于神经网络的边缘计算服务部署方法 | |
| CN115099133A (zh) | 一种基于tlmpa-bp的集群系统可靠性评估方法 | |
| CN117221403A (zh) | 一种基于用户移动和联邦缓存决策的内容缓存方法 | |
| Qi et al. | A wireless sensor node deployment scheme based on embedded virtual force resampling particle swarm optimization algorithm | |
| Pruthvi et al. | A systematic survey on content caching in ICN and ICN-IoT: Challenges, approaches and strategies | |
| Liang et al. | Surrogate-assisted Phasmatodea population evolution algorithm applied to wireless sensor networks | |
| Samiayya et al. | An optimal model for enhancing network lifetime and cluster head selection using hybrid snake whale optimization | |
| Dou et al. | Architecture of virtual edge data center with intelligent metadata service of a geo-distributed file system | |
| WO2024078132A1 (zh) | 一种信息新鲜度感知的高精地图分布式缓存方法 | |
| CN111770152B (zh) | 一种边缘数据管理方法、介质、边缘服务器和系统 |
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 |