一种基于深度学习的5G EPC网络主动缓存方法技术

本发明专利技术涉及一种基于深度学习的5G EPC网络主动缓存方法，其特征在于，包括以下步骤：第一，采用NFV/SDN技术构建虚拟分布式深度学习网络SSAEs；第二，以历史用户数据为基础进行无监督训练SSAEs网络参数；第三，SSAE使用SDN控制器收集的EPC用户请求数据作为SSAEs网络的输入参数；第四，SDN控制器根据SSAE的预测结果生成主动缓存策略，并通过流表将其同步到各缓存节点，进而实现主动缓存。本发明专利技术较好的解决了EPC缓存效率不高，控制不灵活等问题。

【技术实现步骤摘要】
一种基于深度学习的5GEPC网络主动缓存方法
本专利技术涉及一种基于深度学习的5GEPC网络主动缓存方法。
技术介绍
根据Cisco最新发布可视化网络指数（VNI）的预测报告，2021年全球移动数据流量将是2016年的7倍，达到587EB，联网设备数量将增加到263亿台，其中移动视频流量接近移动流量的80%。快速增长的移动网络流量，给当前移动网络带来了极大的压力和挑战，主要表现在：传输内容重复，浪费资源；网络时延大，用户感受差。目前，4G移动网络架构中，EPC已经不能满足快速增长的网络流量的要求。这就要求在未来的5G网络架构中采用NFV/SDN技术来支持EPC具有柔性和动态适应性的功能来满足用户的各种场景的暴增的流量需求。同时，在将到来的5G移动通信网络应该具有短时延、低功耗、高可靠等特点，因此，降低网络流量是核心问题。为了降低网络流量，传统的被动缓存技术通过将内容缓存到沿路径的设备中来被其他用户重用，但被动缓存技术无法满足用户的需求。在5G网络中需要是以用户为中心，具有动态预测和情境感知的主动缓存技术，而对内容流行度的智能化预测是实现内容主动缓存的关键问题。
技术实现思路
本专利技术针对现有技术的不足，为了实现基于内容流行度的全局缓存机制，需要获知网络中所有请求内容的流行度。因此，本专利技术提供一种基于深度学习的5GEPC网络主动缓存方法，以通过SDN/NFV在网络的EPC不同网元中虚拟内容请求统计服务器，用于收集本地接收的请求消息的内容信息，并将内容请求信息汇总到虚拟的全局内容请求统计服务器。因此，在5G网络通过收集海量的全局内容请求信息后，利用深度学习算法来构建预测内容流行度模型，进而利用预测模型来指导5G核心网进行高效缓存。为了达到上述目的，本专利技术一种基于深度学习的5GEPC网络主动缓存方法，主要包括以下步骤：第一，采用NFV/SDN技术构建虚拟分布式深度学习网络SSAEs；第二，以历史用户数据为基础进行无监督训练SSAEs网络参数；第三，SSAEs使用SDN控制器收集的EPC用户请求数据作为SSAEs网络的输入参数；第四，SDN控制器根据SSAEs的预测结果生成主动缓存策略，包括内容是否进行缓存，缓存的位置，替换缓存内容的信息,并通过流表将其同步到各缓存节点，进而实现主动缓存。优选地，所述SSAEs网络由一个以上的SSAE构成，所述第一步中当构建由多个SAE堆叠构成的SSAE时，每个SAE由输入层、隐含层和输出层构成，并且每个SAE的输出是SSAE的下一个SAE的输入。作为上述方案的进一步改进，所述SSAE的输入参数的维度为空间维度与时间维度的乘积。所述空间维度为同一时间间隙的网络内容流行度数据；而时间维度为多个时间间隙。所述SSAE的激活函数采用ReLU，最终的输出采用Softmax来实现分类预测。优选地，所述第二步网络参数的训练包括自编码器的预训练和网络参数精调两个过程。本专利技术通过SDN/NFV在网络的EPC不同网元中虚拟内容请求统计服务器，用于收集本地接收的请求消息的内容信息，并将内容请求信息汇总到虚拟的全局内容请求统计服务器。因此，在5G网络通过收集海量的全局内容请求信息后，利用深度学习算法来构建预测内容流行度模型，进而利用预测模型来指导5G核心网进行高效缓存。本专利技术较好的解决了EPC缓存效率不高，控制不灵活等问题。附图说明图1为本专利技术的流程图。具体实施方式以下结合附图和具体实施例对本专利技术进行详细描述，但不作为对本专利技术的限定。参照图1，本专利技术实施例一种基于深度学习的5GEPC网络主动缓存方法，主要包括以下步骤。首先，采用NFV/SDN技术构建虚拟分布式深度学习网络SSAEs。在5G网络中，核心网网元由服务器和路由器构成，它们均可认为是具有SDN架构路由器，实现了控制面与转发面的分离。核心网的每个网元均具有计算功能，这些网元之间通过SDN控制器进行相互协同。因此，可利用NFV/SDN技术在核心网网元来虚拟构建分布式深度学习网络架构，将深度学习网络的计算功能分散到核心网网络节点中，在SDN控制器上实现基于深度学习的内容流行度预测输出，并利用SDN控制器来将待缓存内容的指令同步到对应核心网节点，实现主动缓存。考虑到网络资源的有限性，因此，构建由多个SAE（稀疏自编码器）堆叠构成的SSAE（堆栈式稀疏自编码器）。每个SAE包括输入层、隐含层和输出层构成的三层网络结构。每个SAE的输出是SSAE的下一个SAE的输入。为了实现时空预测，SSAE的输入参数的维度为空间维度与时间维度的乘积。空间维度为同一时间间隙的网络内容流行度数据；时间维度为多个时间间隙。SSAE的激活函数采用ReLU，最终的输出采用Softmax来实现分类预测。第二，以历史用户数据为基础进行无监督训练SSAEs网络参数。SAE的网络参数的训练分为自编码器的预训练和网络参数精调两个过程。根据网络内容流行的历史数据生成训练集，验证集和测试集。根据网络架构得到网络的损失函数的表达式包含重构误差项、正则化项、以及KL散度表示的稀疏限制条件，并给定正则化项和稀疏项的权重因子。预训练和精调阶段的学习因子均为随迭代不错增加而逐步下降。训练时，采用随机函数生成初始化权重矩阵w及偏移参数b。在预训练过程中采用贪婪算法逐层训练网络参数，预训练完成之后，采用基于梯度下降的BP算法自顶而下来精调网络参数，完成网络模型训练。最后，SSAEs使用SDN控制器收集的EPC用户请求数据作为SSAEs网络的输入参数；SDN控制器根据SSAEs的预测结果生成主动缓存策略，包括内容是否进行缓存，缓存的位置，替换缓存内容的信息,并通过流表将其同步到各缓存节点，进而实现主动缓存。在实施基于SDN/NFV的EPC网元主动缓存策略时，NFV提供网元的虚拟功能。作为上层控制平面，SDN保存EPC网元节点的拓扑路由信息，并动态更新EPC网元缓存节点的缓存节点，以维护每个EPC缓存节点缓存的详细记录。所有缓存策略均由SDN控制器生成，EPC节点只负责执行缓存策略。SDN控制器充分考虑了网络的拓扑结构和每个节点的缓存，从而使整个EPC网络的缓存高效，避免了缓存资源的浪费。SDN控制器负责正常工作，同时负责深度学习网络的部署和维护。控制器知道EPC拓扑，同时指导EPC核心网元建立自己的路由转发表。当深度学习网络进行预测时，SDN控制器为内容创建一个路由转发表，并在EPC数据包到达之前主动将其插入正常EPC网络的交换路由表中。根据深度学习网络的内容流行度预测的结果，SDN控制器流表中对未来流行度高的内容进行存储标识，对将要被替换的内容进行标识。SDN控制器将流表同步到核心网络的控制面。核心网元的控制面接收到存储和更换指令后，当预测的内容的数据包到达时，高流行度的内容被缓存，需要被替换的内容被替换。本专利技术通过SDN/NFV在网络的EPC不同网元中虚拟内容请求统计服务器，用于收集本地接收的请求消息的内容信息，并将内容请求信息汇总到虚拟的全局内容请求统计服务器。因此，在5G网络通过收集海量的全局内容请求信息后，利用深度学习算法来构建预测内容流行度模型，进而利用预测模型来指导5G核心网进行高效缓存。本专利技术较好的解决了EPC缓存效率不高，控制不灵活等问题。以上已将本专利技术做一详细说明，但显而易见，本本文档来自技高网...

【技术保护点】
1.一种基于深度学习的5G EPC网络主动缓存方法，其特征在于，主要包括以下步骤：第一，采用NFV/SDN技术构建虚拟分布式深度学习网络SSAEs；第二，以历史用户数据为基础进行无监督训练SSAEs网络参数；第三，SSAEs使用SDN控制器收集的EPC用户请求数据作为SSAEs网络的输入参数；第四，SDN控制器根据SSAEs的预测结果生成主动缓存策略，并通过流表将其同步到各缓存节点，进而实现主动缓存。

【技术特征摘要】
1.一种基于深度学习的5GEPC网络主动缓存方法，其特征在于，主要包括以下步骤：第一，采用NFV/SDN技术构建虚拟分布式深度学习网络SSAEs；第二，以历史用户数据为基础进行无监督训练SSAEs网络参数；第三，SSAEs使用SDN控制器收集的EPC用户请求数据作为SSAEs网络的输入参数；第四，SDN控制器根据SSAEs的预测结果生成主动缓存策略，并通过流表将其同步到各缓存节点，进而实现主动缓存。2.根据权利要求1所述的一种基于深度学习的5GEPC网络主动缓存方法，其特征...

【专利技术属性】
技术研发人员：雷方元，蔡君，戴青云，赵慧民，刘燕，罗建桢，
申请(专利权)人：广东技术师范学院，
类型：发明
国别省市：广东,44