一种基于流媒体的MEC缓存优化方法技术

本发明专利技术属于通信技术领域，具体涉及一种基于流媒体的MEC缓存优化方法，包括：通过MEC服务器获取流媒体偏好数据，根据流媒体偏好数据对用户预测，根据预测的结果对目标用户进行填充，采用一种层次分析法计算用户的评分权重，最后利用粒子群算法确定需要存储在MEC服务器中的文件列表,通过本发明专利技术的方法，可以提供速度更快，更贴合用户需求的网络服务，MEC研究包括网络规划、资源分配、干扰协调和缓存规划。本发明专利技术结合“流媒体”的特点，根据不同用户对流媒体内容的喜好不同，对缓存规划做进一步优化，本发明专利技术制定了一个缓存优化方案，使MEC服务器在有限的缓存空间下，缓存的文件能够为周边用户带来最佳的体验。户带来最佳的体验。户带来最佳的体验。

【技术实现步骤摘要】
一种基于流媒体的MEC缓存优化方法


[0001]本专利技术属于移动通信
，具体涉及一种基于流媒体的MEC缓存优化方法。

技术介绍

[0002]随着移动网络的不断发展，人们对网络的需求也越来越高。据统计，移动数据的一半都是流媒体数据，随着近年来各大自媒体平台的兴起，人们对网络服务的需求不断提升，LTE在数据承受、数据传输速度等方面都面临不小的挑战。MEC由欧洲电信标准协会(ETSI)于2014年提出的，它将计算和缓存功能从网络中心移动到网络边缘，有效降低了文件的传输时延，使核心网络的负担有所缓解，提供了一种更高效的网络服务。
[0003]在MEC边缘缓存中，主动缓存是一种通过在非高峰时段主动缓存流行内容来利用这种流量动态的方法，从而减少了峰值流量的需求。由于边缘缓存的缓存单元部署在网络边缘，因此可以利用更多信息来提高缓存效率。目前MEC服务器主动缓存时，对预先需要缓存的内容，没有良好的缓存方案，对目标文件的命中率较低，在流量高峰时期，由于缓存的内容对MEC服务器所属区域的用户没有实际意义，造成资源上的浪费，文件传输速度缓慢。

技术实现思路

[0004]为解决上述问题本专利技术提供一种基于流媒体的MEC缓存优化方法，以解决目前MEC缓存优化方案命中率低，传输速度慢，且MEC缓存空间上的资源浪费的问题。
[0005]本专利技术一种基于流媒体的MEC缓存优化方法，由以下具体技术手段达成：
[0006]首先通过MEC缓存优化平台采集MEC服务器获取的流媒体偏好数据，所述流媒体偏好数据包括：用户属性、用户个数、用户参与的项目、项目的属性、以及用户对项目的评分、项目所占存储空间的大小，用户访问流媒体的频率等信息；
[0007]通过获取的流媒体偏好数据构建项目
‑
属性矩阵和项目
‑
用户评分矩阵，将项目
‑
用户评分矩阵和项目
‑
属性矩阵融合得到项目
‑
用户属性偏好矩阵；
[0008]根据项目
‑
用户评分矩阵和项目
‑
用户属性偏好矩阵计算得出用户的综合相似度：
[0009]根据项目
‑
用户属性偏好矩阵利用余弦相似度公式计算得出项目
‑
用户属性偏好相似度；根据项目
‑
用户评分矩阵计算得出项目
‑
用户评分相似度、用户偏好相似度和置信度；根据项目
‑
用户评分相似度、置信度、用户偏好相似度计算得出用户
‑
评分相似度；根据项目
‑
用户属性偏好矩阵和项目
‑
用户属性偏好相似度计算得出用户综合相似度；
[0010]若在项目
‑
用户评分矩阵中存在用户未参与评分的项目，则根据综合相似度确定出该用户的K个近邻用户，根据K个近邻用户对该项目的评分，预测该用户对该项目的评分，并将预测评分填充至项目
‑
用户评分矩阵中；
[0011]根据用户对流媒体数据的访问频率，将用户分为多个级别，利用层次分析法(AHP)确定不同级别用户的评分权重；
[0012]根据用户的评分权重结合填充后的项目
‑
用户评分矩阵，计算得出所有用户对每个项目的评分，并确定出各个项目的最终得分，按最终得分将项目排列成文件列表；
[0013]结合项目在文件列表中的排列顺序、MEC服务器的缓存空间、项目所占存储空间的大小和项目的最终得分，利用粒子群算法计算得出最佳缓存方案；
[0014]根据最佳缓存方案，MEC服务器提前缓存流媒体数据。
[0015]本专利技术至少包括以下有益效果：
[0016]通过将项目
‑
用户属性和项目
‑
用户评分融合，增加了参考的因素，使预测的结果更加准确，通过计算用户的综合相似度，找到与目标客户最相似的近邻用户，提高了对目标用户评分预测的准确性，根据用户综合相似度结合项目
‑
用户评分矩阵对目标用户未参与项目进行评分预测并填充，提高了项目
‑
用户评分矩阵的准确性，为制定缓存优化方案提供了更加完整的数据，通过粒子群算法完美的结合了流媒体偏好数据本身的特性和MEC服务器的缓存空间，使计算出的缓存优化方案最合理，本专利技术实施的MEC缓存优化方案，大大提高了流媒体数据的命中率，同时增加了传输速度，减少了MEC服务器缓存空间的资源浪费。
附图说明
[0017]图1为本专利技术实施例方案的流程图；
[0018]图2为本专利技术与对比方案在不同场景下文件传输时间的对比图；
[0019]图3为本专利技术与对比方案在不同场景下电影缓存未命中概率的对比图；
[0020]图4为本专利技术项目
‑
用户属性偏好相似度权衡因子α对MAE的影响图。
具体实施方式
[0021]下面将结合本专利技术实施例的附图，对本专利技术实施例中的技术方案进行清楚、详细地描述，所描述的实施例仅是本专利技术的一部分实施例，不能用于限制本专利技术的范围。
[0022]请参阅图1，首先，根据MEC服务器的特性，通过MEC缓存优化平台采集MEC服务器获取的流媒体偏好数据，并根据流媒体偏好数据的特性，将其处理成项目
‑
用户评分矩阵和项目
‑
属性矩阵：
[0023]通过流媒体偏好数据得到B＝{B1,B2...B
t
}，B为项目的属性集合，i＝{i1，i2...i
n
}为项目集合，u＝{u1，u2...u
m
}为用户集合。如表1所示，得到一个n*t维的项目
‑
属性矩阵C
n*t
，n表示项目的个数，t表示项目中属性的个数。如表2所示，同理可得一个n*m维的项目
‑
用户评分矩阵C
n*m
，其中m表示用户的个数，n表示项目的个数，C
ka
表示用户对项目的评分，用户用u
m
表示，项目用i
n
表示，属性用B
t
表示：
[0024]表1项目
‑
属性矩阵C
n*t
[0025][0026][0027]表2项目
‑
用户评分矩阵C
n*m
[0028][0029]如果项目i
k
拥有属性B
S
(B
S
∈B)，则C
ks
＝1(s∈t，k∈n)，如果该项目i
k
没有属性B
S
，C
ks
＝0，如果用户u
m
对该项目i
k
评分，则C
ka
等于评分，如果用户u
m
未对项目i
k
评分，则C
ka
等于0，上述m、n、t、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于流媒体的MEC缓存优化方法，其特征在于，包括：S1：MEC缓存优化平台采集MEC服务器获取的流媒体偏好数据，所述流媒体偏好数据包括：用户的个数、用户的属性、项目的个数以及用户对项目的评分，项目所占存储空间的大小、用户访问流媒体的频率、项目所占存储空间的大小；S2：根据流媒体偏好数据构建项目
‑
用户评分矩阵和项目
‑
属性矩阵；将项目
‑
用户评分矩阵和项目
‑
属性矩阵融合得出项目
‑
用户属性偏好矩阵；S3：根据项目
‑
用户评分矩阵和项目
‑
用户属性偏好矩阵计算得出用户的综合相似度；S4：若在项目
‑
用户评分矩阵中存在用户未参与评分的项目，则根据综合相似度确定出该用户的K个近邻用户，根据K个近邻用户对该项目的评分，预测该用户对该项目的评分，并将预测评分填充至项目
‑
用户评分矩阵中；S5：根据用户对流媒体数据的访问频率，将用户分为多个级别，利用层次分析法AHP确定不同级别用户的评分权重；S6：根据用户的评分权重结合填充后的项目
‑
用户评分矩阵，计算得出所有用户对每个项目的评分，并确定出各个项目的最终得分，按最终得分将项目排列成文件列表；S7：结合项目在文件列表中的排列顺序、MEC服务器的缓存空间、项目所占存储空间的大小和项目的最终得分，利用粒子群算法计算得出最佳缓存方案。2.根据权利要求1所述的一种基于流媒体的MEC缓存优化方法，其特征在于，所述将项目
‑
用户评分矩阵和项目
‑
属性矩阵融合包括：p
as
表示用户u
a
对项目i
k
中属性B
s
的偏好程度，p
as
∈[0,1]，r
ak
代表用户u
a
对项目i
k
的评分，I
s
表示用户u
a
参与评分的所有项目中，具有属性B
s
的项目集合，B表示项目的属性集合。3.根据权利要求1所述的一种基于流媒体的MEC缓存优化方法，其特征在于，所述S3包括：S31：根据项目
‑
用户属性偏好矩阵利用余弦相似度公式计算得出项目
‑
用户属性偏好相似度；S32：根据项目
‑
用户评分矩阵计算得出项目
‑
用户评分相似度、用户偏好相似度和置信度，根据项目
‑
用户评分相似度、置信度、用户偏好相似度计算得出用户
‑
评分相似度；S33：根据用户
‑
评分相似度和项目
‑
用户属性偏好相似度计算得出用户综合相似度。4.根据权利要求3所述的一种基于流媒体的MEC缓存优化方法，其特征在于，所述S31包括：sim
ak
表示用户a和用户u对项目i
k
中属性B
s
的偏好相似度，t表示项目i
k
中的属性数量，p
as
代表用户a对项目i
k
中属性B
s
的偏好程度，p
us
代表用户u对项目i
k
中属性B
S
的偏好程度。5.根据权利要求3所述的一种基于流媒体的MEC缓存优化方法，其特征在于，所述S32包
括：S321：根据项目
‑
评分矩阵计算得出项目
‑
用户评分相似度：sim1(u,v,i)表示用户u和用户v对共同参与的项目的评分相似度，u代表用户，v代表另一个用户，P
vi
表示用户v对项目i的评分，P
ui
表示用户u对项目i的评分，用户v参与评分的项目集合用I
v
表示，用户u参与评分的项目集合用I
u
表示，I
u
∩I
v
表示用户u和用户v参与评分的共同项目，其中i∈I
u
∩I
v
；S322：根据项目
‑
评分矩阵计算得出用户偏好相似度：sim2(u,v,i)表示用户u和用户v对共同参与的项目的评分偏好相似度，sim2(u,v,i)∈[0,1]，P
ui
代表用户u对项目i的评分，P
vi
表示用户v对项目i的评分，分别代表用户u、v对所有参与项目的平均评分，其中i∈I
u

【专利技术属性】
技术研发人员：刘期烈，吴颖，刘倩，李学俊，王毅，李松浓，胡方霞，屈喜龙，李贝，吕明，尹刚，吴洋，申奇，宋紫薇，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：