雾无线接入网中基于贝叶斯学习的内容流行度预测方法技术

本发明专利技术公开了一种雾无线接入网中基于贝叶斯学习的内容流行度预测方法，包含如下步骤：1、根据对内容请求的先验知识，构建内容请求到达概率模型；2、记录目前内容库里已有内容的每个历史时隙的请求数量及对应内容特征向量；3、根据统计数据，通过贝叶斯方法计算获得非归一化的参数后验分布函数；4、利用基于随机方差减小梯度的哈密顿蒙特卡洛方法对非归一化的后验分布进行采样；5、对存在于内容库中的内容和不存在于内容库中的内容分别做下一时隙的流行度预测。本发明专利技术可以使边缘节点仅需要较少的统计数据就可以预测内容流行度，同时避免了过拟合现象，保持较低的预测误差。保持较低的预测误差。保持较低的预测误差。

【技术实现步骤摘要】
雾无线接入网中基于贝叶斯学习的内容流行度预测方法


[0001]本专利技术属于移动通信中的边缘缓存
，尤其涉及一种雾无线接入网中基于贝叶斯学习的内容流行度预测方法。

技术介绍

[0002]随着各种智能设备的普及和新型网络应用的兴起，一些高流量需求的业务呈现了爆炸式的增长，例如移动短视频、视频直播等，无线网络为了支持这种高速大容量的服务，其数据链路正在遭受空前的压力，并且未来可能兴起的虚拟现实、增强现实等服务会加剧这种情况，传统的通信架构将难以承载这种压力。雾无线接入网作为5G通信系统的新型系统架构，其配备了边缘缓存的架构，通过在边缘节点部署存储资源，提前预取区域热点内容到离用户较近的边缘节点上，当用户请求到达时，大部分的请求将会从节点的本地缓存中获得，从而很大程度地降低通信链路的负载量，大大降低通信延迟。但是节点的存储空间有限，内容流行度随时间空间变化较快，边缘缓存技术面临着诸多挑战，例如，应该存储什么样的内容在本地节点中。
[0003]传统的缓存策略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都已经广泛应用于有线网络，但是这些应用在传统有线网络中的方法对存储空间有较高的要求，对于覆盖范围和存储空间有限的边缘节点来说，这类传统方法的性能会遭受较为严重的下降。因此，这些传统策略难以应用在新型的无线网络中。目前的研究方向主要是转到基于内容流行度本身的边缘缓存策略，但是无线网络中存储容量有限，导致已有的数据量比较少，流行度预测容易出现过拟合的现象，缓存性能提升很有限。如果能在较少统计数据下保持较为精准的流行度预测，从而降低误差，提高缓存请求命中率，做到极大程度地降低链路负载和通信时延。

技术实现思路

[0004]本专利技术目的在于提供一种雾无线接入网中基于贝叶斯学习的内容流行度预测方法，以解决因为缺乏统计数据而导致的过拟合现象，内容流行度预测的误差高的技术问题。
[0005]为解决上述技术问题，本专利技术的具体技术方案如下：
[0006]一种雾无线接入网中基于贝叶斯学习的内容流行度预测方法，包括以下步骤：
[0007]步骤1、根据内容请求的到达方式，第f个内容在第n个时隙的请求数满足泊松分布并建立多层的概率模型，其中表示第f个内容在第n个时隙的请求数，可以近似看成内容流行度，λ
f
(x
f
)表示所服从泊松分布的到达率是Q维内容特征向量x
f
的函数；
[0008]步骤2、记录内容库里已有内容的每个历史时隙的请求数量及对应的Q维内容特征向量[x1，x2，
…
，x
f
]T
；
[0009]步骤3、根据多层概率模型和获得的统计数据，通过应用贝叶斯公式，得到非归一化的参数后验分布函数其中，λ和β是所有模型参数的集合；
[0010]步骤4、利用基于随机方差减小梯度的哈密顿蒙特卡洛方法对后验分布进行采样，得到平稳分布的样本
[0011]步骤5、根据要预测流行度的内容是否存在于内容库内进行分类，对于已存在于内容库中的内容，计算其流行度表示在给定内容观察的情况下，计算内容库中所有内容在下一时隙的流行度的期望，其中，对于不存在于内容库当中的、即将到来的新内容，计算其流行度E(r
F+1
[N+1]|x
F+1
)，表示基于其Q维内容特征向量，计算该内容在下一时隙流行度的期望。
[0012]进一步的，步骤1具体包括以下步骤：
[0013]步骤1.1、根据内容请求的到达方式，第f个内容在第n个时隙的请求数满足泊松分布其中，泊松分布的到达率是内容特征x
f
的函数；
[0014]步骤1.2、对于到达率，为了允许具有相同特征的内容有不同的流行度，每个内容的到达率满足高斯分布λ
f
(x
f
)|g(x
f
)，其中，高斯分布的均值g(x
f
)是内容特征x
f
的函数，β0是高斯分布的方差；
[0015]步骤1.3、对于高斯分布的均值，每个g(x
f
)都是高斯过程的一个实现，其中，K(x
i
，x
j
)代表高斯过程的核函数：
[0016][0017]步骤1.4、高斯过程中的核函数的参数β
q
满足Gamma分布：
[0018]β
q
～Gamma(A
q
，B
q
)，
[0019]进一步的，步骤3具体包括以下步骤：
[0020]步骤3.1、根据贝叶斯公式，推导出模型中未知参数的后验分布：
[0021][0022]其中，H是归一化常数；
[0023]步骤3.2、作对数变换ρ
d
＝log(β
q
)使β
q
从大于0的变量变为无约束变量，定义τ＝[λ
T
，ρ0，
…
，ρ
Q+1
]T
其中，λ
T
＝[λ1(x1)，λ2(x2)，
…
，λ
f
(x
f
)]T
为泊松分布到达率的集合；基于已构建的概率模型和已知的内容请求先验知识，得出具体的模型中未知参数的后验分布φ(τ)。
[0024]进一步的，步骤4具体包括以下步骤：
[0025]步骤4.1、分别计算出φ(τ)对每个未知参数的偏导数和从而构成梯度向量，其中λ
f
是简化之后的λ
f
(x
f
)；
[0026]步骤4.2、用随机方差减少梯度方法来对梯度进行更新；
[0027]步骤4.3、把计算后的梯度应用在哈密顿蒙特卡洛采样方法中，得到S个平稳分布的样本
[0028]本专利技术的雾无线接入网中基于贝叶斯学习的内容流行度预测方法，具有以下优点：
[0029]1、用贝叶斯机器学习替代传统的机器学习、深度学习方法进行预测，其模型简单，易于训练，在有限的训练数据下有优秀的性能表现，有效地防止了过拟合现象。同时，构建
的概率模型允许具有相同特征的内容有不同的内容流行度，使其更满足实际无线通信系统的情况。
[0030]2、由于参数的后验分布难以获得闭式解，选用哈密顿蒙特卡洛方法对其进行近似，从而获得多组参数的样本。该方法需要用到训练数据集的梯度，计算代价大，训练时间较长，因此用随机方差减小梯度来替代普通的梯度，加速了训练收敛速度，降低预测误差。
附图说明
[0031]图1为本专利技术的雾无线接入网中基于贝叶斯学习的内容流行度预测方法流程示意图；
[0032]图2为本专利技术的对内容库中已有内容预测效果的对比示意图；
[0033]图3为本专利技术的对新添加的内容预测效果的对比示意图
[0034]图4为本专利技术的训本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种雾无线接入网中基于贝叶斯学习的内容流行度预测方法，其特征在于，包括以下步骤：步骤1、根据内容请求的到达方式，第f个内容在第n个时隙的请求数满足泊松分布并建立多层的概率模型，其中表示第f个内容在第n个时隙的请求数，λ
f
(x
f
)表示所服从泊松分布的到达率是Q维内容特征向量x
f
的函数；步骤2、记录内容库里已有内容的每个历史时隙的请求数量及对应的Q维内容特征向量[x1，x2，
…
，x
f
]
T
；步骤3、根据多层概率模型和获得的统计数据，通过应用贝叶斯公式，得到非归一化的参数后验分布函数其中，λ和β是所有模型参数的集合；步骤4、利用基于随机方差减小梯度的哈密顿蒙特卡洛方法对后验分布进行采样，得到平稳分布的样本步骤5、根据要预测流行度的内容是否存在于内容库内进行分类，对于已存在于内容库中的内容，计算其流行度表示在给定内容观察的情况下，计算内容库中所有内容在下一时隙的流行度的期望，其中，对于不存在于内容库当中的、即将到来的新内容，计算其流行度E(r
F+1
[N+1]|x
F+1
)，表示基于其Q维内容特征向量，计算该内容在下一时隙流行度的期望。2.根据权利要求1所述的雾无线接入网中基于贝叶斯学习的内容流行度预测方法，其特征在于，所述步骤1具体包括以下步骤：步骤1.1、根据内容请求的到达方式，第f个内容在第n个时隙的请求数满足泊松分布其中，泊松分布的到达率是内容特征x
f
的函数；步骤1.2、对于到达率，为了允许具有相同特征的内容有不同的流行度，每个内容的到达率满足高斯分布λ
f
(x
f
)|g(x
f
)，其中，高斯分布的均值g(x
...

【专利技术属性】
技术研发人员：蒋雁翔，陶云蔚，
申请(专利权)人：东南大学，
类型：发明
国别省市：