一种基于机器学习的超密集网络小站缓存方法技术

本发明专利技术公开了一种基于机器学习的超密集网络小站缓存方法，首先在非高峰访问期引入K均值聚类方法分析历史访问数据，挖掘文件请求的空时模式，根据小站服务用户的文件偏好进行聚类，找出小站内流行的文件，实现类间的个性化缓存与类内的预测性缓存，同时利用历史访问数据与聚类结果构建用于新文件分类的训练集；然后在高峰访问期引入k近邻分类方法周期性地对不断出现的新文件进行分类，并缓存在偏好这类文件的小站类内；最后结合各类小站内历史流行文件与不断出现的新文件制定实时更新的缓存策略。本发明专利技术基于机器学习制定缓存策略，能充分利用小站有限的缓存空间存储小站所服务人群最需要的文件，显著降低系统回程链路负载，极大提升用户满意度。

A machine learning based cache caching method for ultra dense networks

The invention discloses a machine learning based super dense network station caching method, first in the non peak period into access K means clustering method analysis of historical data access, mining file request space-time model, clustering according to the user's file service station preferences, find out station popular file, to achieve personalized predictive cache the cache and the inter class in the history of the data access and clustering results for the construction of a new file classification training set; and then visit peak in the introduction of k neighbor classification method of periodic classification of the new files appearing, and cached files of this type preference station within class; finally, caching strategy the new file in various popular files and historical station appear constantly making real-time updates. The invention of machine learning to develop the cache strategy based on cache space can make full use of the limited storage station station service people most in need of the file, significantly reduce the system load of backhaul link, greatly enhance the user satisfaction.

【技术实现步骤摘要】
一种基于机器学习的超密集网络小站缓存方法
本专利技术属于网络通信
，涉及基站缓存方法，更为具体的说，是涉及无线通信系统中一种基于机器学习的超密集网络小站缓存方法。
技术介绍
5G(thefifthgeneration)网络中移动通信量猛增，给移动网络运营商带来极大的挑战。在宏站覆盖范围内同频密集部署小站的超密集网络技术作为5G的候选技术之一，可有效提升频谱效率和系统吞吐量。超密集网络中小站常部署在一些难以抵达的位置，这给连接小站与核心网的光纤回程链路的安装带来了困难，为解决这个问题，无线回程技术应运而生。然而无线频谱资源是有限的，从大站卸载到超密集小站的海量移动通信量会给无线回程链路带来巨大压力。一种有效的回程链路通信量卸载技术是通过在小站预存文件来降低无线回程链路负载，进而提升用户体验。然而小站的缓存空间是有限的，为了更有效地缓存，要按照精心设计的缓存策略来选取更准确的文件缓存。现有的缓存技术多是基于传统的优化算法来制定缓存策略的，而这些工作往往基于很强的假设，导致缓存策略难以适用于实际系统。而且，这些缓存策略一般根据历史访问数据制定，考虑到网络中在高峰访问期不断有新的文件会本文档来自技高网...

【技术保护点】
基于机器学习的超密集网络小站缓存方法，其特征在于，包括如下步骤：步骤1：采集网络信息及历史文件请求记录，设置参数：采集网络中宏站集合

【技术特征摘要】
1.基于机器学习的超密集网络小站缓存方法，其特征在于，包括如下步骤：步骤1：采集网络信息及历史文件请求记录，设置参数：采集网络中宏站集合小站集合历史请求文件集合对应的各文件大小记为向量s＝[s1,s2,...,sC]，第(l-2)天的(t-τ,t]时间间隔内P个小站对C个文件的请求次数记为矩阵第(l-1)天的(t-τ,t]时间间隔内P个小站对C个文件的请求次数记为矩阵代表实数，其中，l代表日期标号，以天为单位，时间间隔τ为高峰访问期T的时长，t为高峰访问期的结束时刻；获得小站缓存空间S；运营商根据超密集网络中的小站数目设置小站聚类数目最大值Kmax；历史请求文件阈值δc，设置为第c个文件的总请求次数除以小站的数目；类缓存文件阈值设置为第j类的小站数目除以2，K是类的个数；训练集大小Dtrain由文件数目C和文件请求次数矩阵Al-2(t,τ)共同确定；步骤2：利用K均值聚类分析文件请求次数矩阵Al-2(t,τ)，对小站进行聚类，挖掘文件请求中的空间模式：步骤3：把文件请求次数矩阵Al-2(t,τ)转换为由元素0和1组成的文件请求指示矩阵其中[·]pc代表矩阵的第p行第c列的元素，代表指示函数，当花括号内的条件满足时，函数值为1，否则为0；步骤4：通过选取集合Ωj，所指示的矩阵的对应行生成第j类小站的文件请求指示矩阵步骤5：根据文件请求指示矩阵以及对应的类缓存文件阈值选取各类小站偏好的文件优先缓存：如果则把c归为该类小站偏好的文件并存入向量否则，存入向量由与组成历史文件缓存顺序向量步骤6：在不超过小站缓存空间S的前提下，结合历史文件缓存顺序向量与文件大小向量s＝[s1,s2,...,sC]进行文件缓存；定义元素全0的缓存决策矩阵XK(t)，如果小站p缓存了文件c，则矩阵元素[XK(t)]pc＝1；步骤7：根据公式(5)计算第(l-1)天的系统回程链路负载：其中⊙代表哈达玛乘积，向量f的第c个元素为1是元素全为1的矩阵，向量g的第c个元素为步骤8：利用从第(l-2)天文件请求次数矩阵Al-2(t,τ)中得到的缓存决策矩阵XK(t)及第(l-1)天文件请求次数矩阵Al-1(t,τ)挖掘文件请求中的时间模式，设置K＝K+1，比较K和小站聚类数目最大值Kmax，若K<Kmax，则回到步骤2；否则，进行第步骤9；步骤9：选取使公式(5)系统回程链路负载最小的聚类个数K，记录此聚类情况下的历史文件缓存顺序向量步骤10：基于步骤3得到的文件请求指示矩阵与步骤9历史文件缓存顺序向量中的创建用来分类新文件的训练集其中列向量c∈{1,2,...,Dtrain}是矩阵的第c列，表示P个小站对第c个文件的请求次数，yc∈{1,2,...,Y}是给第c个文件添加的类别，C代表组合数，类别yc通过查找缓存顺序向量中是否存在文件c来添加；步骤11：设置第l天的采集新文件起始时刻t为高峰访问期起始时刻加上τ′，τ′为采集文件时间间隔；步骤12：采集第l天的(t-τ′,t]时间间隔内的新文件请求记录，新文件集合为对应的各文件大小记为向量s＝[s1,s2,...,sC′]，P个小站对新出现的C′个文件的请求次数矩阵记...

【专利技术属性】
技术研发人员：潘志文，高深，刘楠，尤肖虎，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32