【技术实现步骤摘要】
基于深度学习的内容流行度预测及边缘缓存方法
本专利技术涉及一种基于深度学习的内容流行度预测及边缘缓存方法，属于移动通信中的边缘缓存
技术介绍
随着各种智能设备和先进移动应用服务的持续迅速地增加，近年来无线网络正在遭受空前的数据传输压力。持续增加的数据传输量给容量有限的回传链路带来了巨大的压力，尤其在业务传输峰值时刻。边缘缓存技术通过放置最流行的内容到更靠近请求用户的节点上，从而可以有效地降低回传负载，近年来受到了业界和学术界的广泛关注。由于节点的存储空间有限且内容流行度随时间和空间变化，边缘缓存技术面临各种各样的挑战，诸如，为使得节点的缓存命中率尽可能地高，应该在何时存放什么内容到本地节点。传统的缓存策略诸如先入先出缓存策略、最近最少使用缓存策略、最近最不常用缓存策略以及这些算法的变体已经广泛应用于有线网络，然而，由于无线网络中边缘节点的覆盖范围和存储空间有限，以上传统的缓存策略不能直接对内容流行度进行提前预测，这些传统的缓存策略在无线网络中可能遭受严重的性能下降，因此，这些传统的缓存策略不再适用于无线网络。目前的研究工作正在转向基于流行度的边缘缓存策略...
【技术保护点】
1.基于深度学习的内容流行度预测方法，其特征在于：包括以下步骤：S1：选定一个初始内容类别，在该初始内容类别中随机选取一个内容的流行度序列数据作为训练数据；S2：构建基于双向长短期记忆神经网络的流行度预测模型并基于训练数据对其进行训练，得到该内容类别对应的流行度预测模型，所述流行度预测模型，以内容在当前时隙经过预处理的流行度作为输入，以该内容在下一时隙的流行度作为输出；S3：基于流行度预测模型预测对应的内容类别中内容的流行度，得到该内容类别中的每个内容的流行度预测误差，当该内容的流行度预测误差大于设定的预测误差阈值，将该内容从原类别中划分到一个新的内容类别；S4：遍历完当前...
【技术特征摘要】
1.基于深度学习的内容流行度预测方法，其特征在于：包括以下步骤：S1：选定一个初始内容类别，在该初始内容类别中随机选取一个内容的流行度序列数据作为训练数据；S2：构建基于双向长短期记忆神经网络的流行度预测模型并基于训练数据对其进行训练，得到该内容类别对应的流行度预测模型，所述流行度预测模型，以内容在当前时隙经过预处理的流行度作为输入，以该内容在下一时隙的流行度作为输出；S3：基于流行度预测模型预测对应的内容类别中内容的流行度，得到该内容类别中的每个内容的流行度预测误差，当该内容的流行度预测误差大于设定的预测误差阈值，将该内容从原类别中划分到一个新的内容类别；S4：遍历完当前内容类别中的所有内容后，产生一个新的内容类别，在该新的内容类别中随机选取一个内容的流行度序列数据作为训练数据；针对该新的内容类别，训练双向长短期记忆神经网络，得到新的内容类别的流行度预测模型；S5：重复上述S3-S4产生新的内容类别和重新训练预测模型的过程，直到得到设定数目的内容类别以及对应的流行度预测模型；S6：构建基于神经网络的内容分类器，该内容分类器的训练集为初始内容类别中的所有内容及其对应的内容类别标签，所述内容分类器，以内容预处理后的流行度趋势信息矢量为输入，以该内容的内容类别为输出；S7：对每一个内容使用内容分类器得到其所属内容类别，由对应内容类别的流行度预测模型获得该内容的流行度预测值。2.根据权利要求1所述的基于深度学习的内容流行度预测方法，其特征在于：内容f在时隙t的流行度由内容f在时隙t的请求次数计算得到：其中，pf,t为内容f在时隙t的流行度，nf,t为内容f在时隙t的请求次数，为所有内容的集合，得到每个内容在每个时隙的流行度，而每个内容在所有时隙的流行度构成该内容的一个流行度序列。3.根据权利要求1所述的基于深度学习的内容流行度预测方法，其特征在于：所述S2和S6中，预处理方法为对数处理和简单滑动平均处理：L(pf,t)＝ln(pf,t+1)(2...
【专利技术属性】
技术研发人员：蒋雁翔，冯浩杰，尤肖虎，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。