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他相关处理任务在移动用户附近运行。因此，它不仅减少了服务等待时间，而且使网络流量减小，这两个优点对于那些有时限的服务(在移动计算中的典型应用)都非常重要。
[0004]尽管MEC的优势显而易见，但由于移动用户的请求始终在时间和位置方面发生变化，因此在为用户提供移动服务方面仍然存在效率低下的问题，并且边缘服务器的计算能力和存储能力有限，并不能将所有的服务全部满足，还是要依靠运中心的辅助。所以如果边缘节点所提供的服务如果没有考虑这些因素，可能会大大增加访问延迟，并且更糟糕的是，会增加大量的网络流量，从而导致服务中断和性能下降。

技术实现思路

[0005]为了减少大量重复任务发送至中心云并且占用回程链路资源的问题，本专利技术提出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，具体包括以下步骤：
[0006]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；
[0007]构建热点服务预测系统，通过该系统预测热点数据；
[0008]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。
[0009]进一步的，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。
[0010]进一步的，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：
[0011][0012][0013][0014]h
t
＝σ(W4·
[h
t
‑1，x
t
]+b4)
·
tanh(C
t
)；
[0015]a
i
＝softmax(h
i
)*[σ(W4·
[h
t
‑1，x
t
]+b4)
·
tanh(C
t
)]；
[0016]O
A
＝a
i
{[σ(W4·
[h
t
‑1，x
t
]+b4)
·
tanh(C
t
)]}；
[0017]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；这部分改进了注意力机制机器在比较多的信息中能够注意到对当节点并以此更关键的信息，而对于其他非关键信息减少注意力侧重；W和b表示同一隐藏层之间的信息传递需要经过参数调整，不同下标的W和b表示在不同的门限函数中使用的参数不相同，这些参数在模型训练过程中进行更新。
[0018]进一步的，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：
[0019][0020]约束条件：
[0021][0022]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
为文件j缓存的大小；S
all
为边缘整体缓存空间。
[0023]进一步的，根据退火算法求解以缓存总时延最小的优化问题，包括以下步骤：
[0024]根据第i个小基站SB
i
的热点预测情况，对该节点进行初始化，即将热点预测情况排名靠前的n份数据缓存到SB
i
节点，视为初始化缓存C
i
；根据单个节点中处理的各个数据的占比情况和整个网络中各类数据的占比情况计算单个节点与整体网络的缓存相似度；
[0025]选择缓存相似度最小的节点及其相邻节点进行缓存策略更新，并计算更新前后的时延差；
[0026]根据延时差计算单个节点接受当前缓存策略的概率；
[0027]在经过K次迭代之后判断是否达到收敛状态，如果没达到则根据退火算法中的衰减函数进行降温，更新计算单个节点接受当前缓存策略的概率时的参数；
[0028]重复以上流程，直到达到收敛状态，返回最优解。
[0029]进一步的，节点及其相邻节点进行缓存策略更新是指将节点尚未缓存的数据缓存到其邻接点，在本专利技术中每个节点可以同时缓冲n个种类的数据，比较每一种数据在该节点
总数据的占比并按照降序排列，同理将网络中总数据量中各个数据量的占比进行降序排列，根据不同数据在整个网络和单个节点上的不同计算节点的缓存相似度。进一步的，节点及其相邻节点进行缓存策略更新是指将节点尚未缓存的数据缓存到其邻接点将单个节点与总体的流行度进行距离公式的计算，会产生一个距离，距离大的表示两者的流行度排序相差较大，计算出每个节点的距离之后，开始更新，更新从距离相差最大的节点a(与整体排序相差最大)开始，更新的策略测包括，随机调整顺序，或者根据相邻节点b情况，将b不能放入的数据放在a节点，或者将b可以放入的数据移至a节点，在将b排序较后的数据放置在b节点(每个节点都会有相邻的节点，从所有相邻节点中选择相对距离最大的节点(因为是与a相差最大，那么说明是与整体节点最相似))之后计算整体的资源消耗如果消耗减少就说明提升了收益，达到了更新的目的。
[0030]进一步的，从移动端请求l时的时延W
MECl
表示为：
[0031][0032]其中，Y为服务本文档来自技高网...

【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：