移动边缘计算中基于深度神经网络的多边缘节点协作缓存方法技术

本发明专利技术属于缓存技术领域，具体涉及一种移动边缘计算中基于深度神经网络的多边缘节点协作缓存方法，包括构建基于深度神经网络的移动终端行动轨迹的预测系统，通过该预测系统预测下一时刻用户的位置；构建热点服务预测系统，通过该系统预测热点数据；根据预测的热点数据，通过预测的用户位置与节点之间的关系以及根据各边缘节点之间缓存的差异来迭代更新缓存；相较于传统的LRU以及LFU，本发明专利技术能提前感知到流行度最高的内容，并提高缓存系统资源利用率。利用率。利用率。

【技术实现步骤摘要】
移动边缘计算中基于深度神经网络的多边缘节点协作缓存方法


[0001]本专利技术属于缓存
，具体涉及一种移动边缘计算中基于深度神经网络的多边缘节点协作缓存方法。

技术介绍

[0002]物联网(IoT)的发展与进步使许多资源受限的设备可以通过Internet相互连接。借助物联网，传感设备(例如智能家电、可穿戴设备和智能手机)的爆炸式增长产生了大量数据。但是与此同时大多数的物联网设备的计算、存储、通信能力有限，这使得它们不得不考虑用云来协助性能提升，但即使是使用了云计算服务，它仍然无法满足5g和物联网的严格要求，原因如下：1)响应时间过长，会影响用户的QoE；2)所有数据必须上传到集中云，容易造成数据泄露和隐私问题；3)大多数IoT设备都是将数据传到MCC中进行处理，这会大量增加网络中的通信延迟以及使用链路的大量带宽，因此仅是依靠云计算无法解决IoT中的通信和计算问题。
[0003]MEC是一种新的计算范式，它融合了移动计算和边缘计算的优点，以提高移动用户的服务质量。借助MEC可以将计算资源从云中心推送到其网络边缘，这允许数据服务以及其本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.移动边缘计算中基于深度神经网络的多边缘节点协作缓存方法，其特征在于，具体包括以下步骤：构建基于深度神经网络的移动终端行动轨迹的预测系统，通过该预测系统预测下一时刻用户的位置；构建热点服务预测系统，通过该系统预测热点数据；根据预测的热点数据、预测的用户位置，利用改进的模拟退火算法进行迭代更新得到最优缓存策略。2.根据权利要求1所述的移动边缘计算中基于深度神经网络的多边缘节点协作缓存方法，其特征在于，预测下一时刻用户的位置时，根据用户的移动轨迹使用LSTM网络预测用户下一时刻的移动位置，并获取覆盖该位置信号的基站的位置，将基站的位置作为下一时刻用户的位置。3.根据权利要求1所述的移动边缘计算中基于深度神经网络的多边缘节点协作缓存方法，其特征在于，预测热点数据的过程即利用基于注意力的长短期网络预测服务被访问的概率，包括以下步骤：概率，包括以下步骤：概率，包括以下步骤：h
t
＝σ(W4·
[h
t
‑1，x
t
]+b4)
·
tanh(C
t
)；a
i
＝softmax(h
i
)*[σ(W4·
[h
t
‑1，x
t
]+b4)
·
tanh(C
t
)]；O
A
＝a
i
{[σ(W4·
[h
t
‑1，x
t
]+b4)
·
tanh(C
t
)]}；其中，σ()为激活函数；W1为遗忘门参数矩阵、W2为输入门参数、W3为细胞状态参数矩阵、W4为注意力参数矩阵、b1为遗忘门偏置量、b2为输入门偏置量、b3为细胞状态偏置量、b4为注意力偏置量；x
t
为t时刻的信息输入。4.根据权利要求1所述的移动边缘计算中基于深度神经网络的多边缘节点协作缓存方法，其特征在于，通过预测的用户位置与节点之间的关系以及根据各边缘节点之间缓存的差异来迭代更新缓存，将缓存内容放置问题转化为对区域缓存总时延最小的优化问题，表示为：约束条件：约束条件：其中，L为待缓存的文件数量；M为服务器数量；W
MECl
为从移动端请求l时的时延；x
jl
为请求文件l的次数；W
server1
为从远端获取文件的时延；S
i
为缓存空间；len
j<...

【专利技术属性】
技术研发人员：尚凤军，钟皓博，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：