在基于多点协作的小蜂窝网络中利用机器学习的主动缓存方法技术

本发明专利技术公开在基于多点协作的小蜂窝网络中利用机器学习的主动缓存方法及装置。本发明专利技术中提出的在基于多点协作的小蜂窝网络中利用机器学习的主动缓存方法包括：形成将每个用户均具有一个社区的小蜂窝网络内的用户及小型基站包括在内的基于等级的小蜂窝网络的步骤；通过社区意识非负矩阵分解计算部执行社区意识非负矩阵分解来计算用户的内容请求概率的步骤；以及各个小型基站接收并比较针对用户计算的内容请求概率来确定所要向小蜂窝节点缓存的内容的步骤。

【技术实现步骤摘要】
在基于多点协作的小蜂窝网络中利用机器学习的主动缓存方法
本专利技术涉及在基于多点协作(CoMP)的小蜂窝网络中利用机器学习的主动缓存方法及装置。
技术介绍
小蜂窝网络以覆盖范围短、传输功率小、费用少的优点来在现有的宏蜂窝网络配置小型基站而成，意味着宏蜂窝和小蜂窝共存的双重网。在发展5G的过程中，为了增加网容量，小型基站的配置急剧增加，并对于用于向与用户相邻的小型基站或宏蜂窝基站提供网功能及服务的边缘计算的关注正在增加。尤其，边缘计算中的最大重点之一为主动缓存。主动缓存为事先预测用户将请求什么内容，并在请求内容之前事先查询。作为小蜂窝网络中的主动缓存用设计原则，具有缓存规模、小型基站配置密度等的系统规格，信道状态或用户移动性的网环境，内容配置或内容更新等的缓存战略，以及与以何种方式传输所缓存的内容相关的传输战略。但是，相比于以往的宏蜂窝网络或有线网络的缓存，小蜂窝网络中的主动缓存具有如下的问题。由于小蜂窝的规模变小且与基站建立关联的用户数量有限，难以充分地收集内容请求历史信息，因此，难以预测小型基站内的用户的内容热门度。并且，小型基站之间的内容热门度互不相同，导致需要按照小型基站预测内容热门度。并且，即便随着存储器的价格下降而能够向小型基站提供充足的存储器容量，但内容提供者所提供的内容的量太庞大，因此，难以全部缓存。
技术实现思路
本专利技术所要实现的技术目的在于，提供利用以往的非负矩阵分解(Non-negativeMatrixFactorization；NMF)提出新的社区意识非负矩阵分解(Community-awareNMF；CNMF)来预测内容热门度的方法及装置。并且，为了解决缓存规模的局限性，提出基于多点协作(CoMP)的协同缓存方法，以便利用在周围小型基站缓存的内容。在一实施方式中，本专利技术中提出的利用基于多点协作(CoMP)的小蜂窝网络中的机器学习的主动缓存方法包括：形成将每个用户均具有一个社区的小蜂窝网络内的用户及小型基站包括在内的基于等级(rating)的小蜂窝网络的步骤；通过社区意识非负矩阵分解(CNMF)计算部执行社区意识非负矩阵分解(Community-awareNMF；CNMF)来计算用户的内容请求概率的步骤；以及各个小型基站接收并比较针对用户计算的内容请求概率来确定所要向小蜂窝节点缓存的内容的步骤。小型基站具有缓存功能，并具有相关用户集、协同相关用户集、各个用户的社区信息，上述相关用户集为与当前小型基站相联接的用户集，上述协同相关用户集为与周围小型基站相联接并因位于小型基站的覆盖范围内而能够进行协同通信的用户集。在通过社区意识非负矩阵分解(CNMF)计算部执行社区意识非负矩阵分解来计算用户的内容请求概率的步骤中，移动核心端存在内容请求概率学习(CRPL，ContentRequestProbabilityLearning)服务器，因此，在相应服务器中执行社区意识非负矩阵分解来计算用户的内容请求概率。在通过社区意识非负矩阵分解(CNMF)计算部执行社区意识非负矩阵分解来计算用户的内容请求概率的步骤中，通过社区意识非负矩阵分解(CNMF)计算部向非负矩阵分解(Non-negativeMatrixFactorization；NMF)添加用户的社区信息和内容请求历史来预测用户的内容请求概率，以防止发生偏向于特定用户的缓存。通过利用用户的规范化社交社区规模和与小型基站中的各个内容有关的请求历史信息，以此将内容的等级信息转换为内容请求概率来进行预测。在各个小型基站接收并比较针对用户计算的内容请求概率来确定所要向小蜂窝节点缓存的内容的步骤中，以能够利用在周围小型基站缓存的内容的方式利用多点协作(CoMP，CoordinatedMultiPoint)方式来确定所要向小蜂窝节点缓存的内容，从而解决缓存规模的局限性。在各个小型基站接收并比较针对用户计算的内容请求概率来确定所要向小蜂窝节点缓存的内容的步骤中，根据所计算的各个用户的内容请求概率并通过基于多点协作(CoMP)的内容配置部，在小型基站中确定与自身缓存规模相当的所要缓存的内容。在各个小型基站接收并比较针对用户计算的内容请求概率来确定所要向小蜂窝节点缓存的内容的步骤中，小型基站接收自身相关用户集和协同相关用户集中所属用户的内容请求概率，来根据预定的基准对各个集进行分类，通过基于社区意识非负矩阵分解(CNMF)的预测缓存算法的优先顺序比较规则来确定所要向小蜂窝节点缓存的内容。在能够协同通信的小型基站内，在根据预定的基准分类的集中，对于热门内容重复缓存并通过联合传输(JointTransmission)来传输内容，在对于热门内容重复缓存并通过联合传输来传输后，对于剩余内容，根据内容请求概率执行以多样性为基础的缓存，通过动态点选择(DynamicPointSelection)来传输内容。在另一实施方式中，本专利技术中提出的在基于多点协作(CoMP)的小蜂窝网络中利用机器学习的主动缓存装置包括：社区意识非负矩阵分解(CNMF)计算部，通过执行社区意识非负矩阵分解(Community-awareNMF；CNMF)来计算用户的内容请求概率；以及基于多点协作(CoMP)的内容配置部，使各个小型基站接收并比较针对用户计算的内容请求概率来确定所要向小蜂窝节点缓存的内容。根据本专利技术的实施例，相比于以往的启发式算法，可通过利用机器学习方法来提高内容命中率。并且，通过利用多点协作(CoMP)来确定所要缓存的内容，从而以能够减少内容的传输延迟并使小蜂窝密集地配置的方式增加内容命中率。附图说明图1为用于说明本专利技术一实施例的系统模型的图。图2为用于说明本专利技术一实施例的在基于多点协作(CoMP)的小蜂窝网络中利用机器学习的主动缓存方法的流程图。图3为用于说明通过本专利技术一实施例的社区意识非负矩阵分解(CNMF)计算部执行社区意识非负矩阵分解来计算用户的内容请求概率的步骤的图。图4为用于说明本专利技术一实施例的确定所要向小蜂窝节点缓存的内容的图。图5为示出本专利技术一实施例的在基于多点协作(CoMP)的小蜂窝网络中利用机器学习的主动缓存装置的结构的图。图6为用于比较现有技术与本专利技术一实施例在内容命中率和内容传输延迟方面的性能的曲线图。图7a至图7c为用于比较现有技术与本专利技术一实施例的缓存方法之间的性能的曲线图。具体实施方式本专利技术涉及在基于多点协作(CoMP)的小蜂窝网络中利用机器学习的主动缓存方法，利用非负矩阵分解(Non-negativeMatrixFactorization；NMF)、社交社区信息、内容请求历史信息计算用户的内容请求概率，根据上述用户的内容请求概率事先在与用户相邻的小蜂窝节点缓存。在此情况下，确定所要向小蜂窝节点缓存的内容的方式通过考虑所预测的用户的内容请求概率信息与小蜂窝节点之间的协同通信方式(CoordinatedMultipoint；CoMP)来确定。以下，参照附图详本文档来自技高网...

【技术保护点】
1.一种主动缓存方法，其特征在于，包括：/n形成将每个用户均具有一个社区的小蜂窝网络内的用户及小型基站包括在内的基于等级的小蜂窝网络的步骤；/n通过社区意识非负矩阵分解计算部执行社区意识非负矩阵分解来计算用户的内容请求概率的步骤；以及/n各个小型基站接收并比较针对用户计算的内容请求概率来确定所要向小蜂窝节点缓存的内容的步骤。/n

【技术特征摘要】
20190530 KR 10-2019-00636841.一种主动缓存方法，其特征在于，包括：
形成将每个用户均具有一个社区的小蜂窝网络内的用户及小型基站包括在内的基于等级的小蜂窝网络的步骤；
通过社区意识非负矩阵分解计算部执行社区意识非负矩阵分解来计算用户的内容请求概率的步骤；以及
各个小型基站接收并比较针对用户计算的内容请求概率来确定所要向小蜂窝节点缓存的内容的步骤。


2.根据权利要求1所述的主动缓存方法，其特征在于，小型基站具有缓存功能，并具有相关用户集、协同相关用户集、各个用户的社区信息，上述相关用户集为与当前小型基站相联接的用户集，上述协同相关用户集为与周围小型基站相联接并因位于小型基站的覆盖范围内而能够进行协同通信的用户集。


3.根据权利要求1所述的主动缓存方法，其特征在于，在通过社区意识非负矩阵分解计算部执行社区意识非负矩阵分解来计算用户的内容请求概率的步骤中，在移动核心端存在内容请求概率学习服务器，因此，在相应服务器中执行社区意识非负矩阵分解来计算用户的内容请求概率。


4.根据权利要求1所述的主动缓存方法，其特征在于，在通过社区意识非负矩阵分解计算部执行社区意识非负矩阵分解来计算用户的内容请求概率的步骤中，通过社区意识非负矩阵分解计算部向非负矩阵分解添加用户的社区信息和内容请求历史来预测用户的内容请求概率，以防止发生偏向于特定用户的缓存。


5.根据权利要求4所述的主动缓存方法，其特征在于，通过利用用户的规范化社交...

【专利技术属性】
技术研发人员：朴弘植，崔埈均，朴智用，
申请(专利权)人：韩国高等科学技术学院，
类型：发明
国别省市：韩国;KR