【技术实现步骤摘要】
基于时空图卷积模型的移动边缘计算服务器协作缓存方法
[0001]本专利技术属于计算机
,更具体地,涉及一种基于时空图卷积模型的移动边缘计算服务器协作缓存方法。
技术介绍
[0002]在工业物联网中,工业设备将收集到的海量数据上传到云数据中心进行数据分析后提供用户访问。不同的用户可能会在同一时间段向云数据中心请求相同的内容,导致内容被频繁重复请求,给核心网络的回程链路造成沉重负担。
[0003]为了解决上述问题,移动边缘缓存技术得到了广泛关注。运营商通过在边缘节点提前缓存内容来缓解回程链路的压力和降低访问时延。在移动边缘计算(Mobile Edge Computing,MEC)服务器缓存场景中,现有的大多数缓存策略通过预测内容流行度在非高峰流量期间提前缓存流行内容来降低访问时延,但这些策略只关注了内容流行度的时序性,没有充分考虑MEC服务器的地理拓扑结构,忽略了内容流行度的空间关联性。由于边缘节点存储容量有限和用户请求动态多变,在MEC架构中仍面临选择何种缓存内容以及如何放置的问题。
技术实现思路
[0004]针对现有技术的以上缺陷或改进需求,本专利技术提供了一种基于时空图卷积模型的移动边缘计算服务器协作缓存方法,集成图卷积神经网络和门控循环单元构建时空图卷积模型,其目的是预测内容流行度,通过划分协作域并设计一种启发式协作缓存方法,其目的是最小化平均访问时延。本专利技术通过对移动边缘服务器的邻近关系和语义关系构建拓扑图,同时集成图卷积神经网络与门控循环单元构建时空图卷积模型挖掘内容流行度的 ...
【技术保护点】
【技术特征摘要】
1.一种基于时空图卷积模型的移动边缘计算服务器协作缓存方法,其特征在于,包括如下步骤:(1)基于邻近关系和语义关系构建MEC服务器拓扑图,以移动边缘计算MEC服务器的内容流行度信息构建特征矩阵,同时集成图卷积神经网络和门控循环单元构成时空图卷积模型;(2)将特征矩阵中的时间序列作为MEC服务器拓扑图的图形信号输入图卷积神经网络,利用基于谱域的图卷积方法提取内容流行度在不同MEC服务器的空间特征;(3)将已获得内容流行度空间特征的时间序列作为门控循环单元的输入,门控循环单元通过遗忘因子和更新状态单元来动态捕捉的时间特征,并预测得到任一时刻在区域中所有MEC服务器的内容流行度;(4)在得到各个内容在所有MEC服务器的流行度基础上,考虑MEC服务器的协作缓存,采用层次聚类法对MEC服务器进行协作域划分,并通过启发式协作缓存方法最小化所有协作域内容平均访问时延。2.如权利要求1所述的基于时空图卷积模型的移动边缘计算服务器协作缓存方法,其特征在于,所述步骤(1)中时基于邻近关系和语义关系构建MEC服务器拓扑图,具体包括:构建MEC服务器拓扑图G:使用加权无向图G=(V,E)表示城市区域内的M个MEC服务器的拓扑图结构,其中V={v1,v2,...,v
M
}是所有MEC服务器的集合,E={e
1,2
,...,e
m,n
}是具有连接关系的MEC服务器之间边的集合,e
m,n
=1表示MEC服务器s
m
和s
n
相连,e
m,n
=0表示MEC服务器s
m
和s
n
没有相连,W={w
1,2
,...,w
m,n
}表示边的权重集合,w
m,n
值越大代表MEC服务器s
m
和s
n
之间的相关性越强;使用形如式(1)所示高斯相似度表征MEC服务器的邻近关系使用形如式(2)所示余弦相似度表征具有相似访问需求的MEC服务器的语义关系其中,Dis
m,n
表示MEC服务器s
m
和s
n
的高斯相似度,exp为以自然常数e为底的指数,L
m
和L
n
分别表示服务器s
m
和s
n
的二维空间坐标,||
·
||表示向量的模,θ为固定系数,R表示两个MEC服务器成为邻居的最大距离,Fuc
m,n
表示MEC服务器s
m
和s
n
的语义关系,p
m,i
为内容f
i
在MEC服务器s
m
上的流行度,p
n,i
为内容f
i
在MEC服务器s
n
上的流行度;如果s
m
和s
n
具有邻近关系(Dis
m,n
≠0),则在图上构建边并令e
m,n
=1;否则,查看s
m
和s
n
的语义关系Fuc
m,n
,当Fuc
m,n
大于设定的语义阈值β,在图上构建边并令e
m,n
=1;G的边权重计算公式如式(3)所示:3.如权利要求2所述的基于时空图卷积模型的移动边缘计算服务器协作缓存方法,其
特征在于,所述步骤(1)中以MEC服务器的内容流行度信息构建特征矩阵,具体包括:构建特征矩阵Q,将内容f
i
的流行度作为MEC服务器拓扑图G中的节点信息特征,Q=[Q
t
‑
N+1
,...,Q
t
]
T
∈R
M
×
N
;其中M为MEC服务器总数量,N为历史时间序列长度;Q
t
∈R
M
×
t
表示时刻t时f
i
在所有移动边缘计服务器的内容流行度;在当前t时刻,内容f
i
在MEC服务器s
m
上的流行度p
m,i
的定义如公式(4);其中,num
m,i
(t)为内容f
i
在时间段[t
‑
1,t]被用户请求的次数,为该时间段s
m
的所有内容请求总次数,L为不同内容f
i
的个数,4.如权利要求3所述的基于时空图卷积模型的移动边缘计算服务器协作缓存方法,其特征在于,所述步骤(1)中集成图卷积神经网络和门控循环单元构成时空图卷积模型,具体包括:构建时空图卷积模型,假设特征矩阵Q的时间步长为n,模型首先依次将Q中时间序列作为MEC服务器拓扑图G的图形信号输入图卷积神经网络,利用基于谱域的图卷积方法提取内容f
i
的流行度在不同MEC服务器的空间特征;其次,将已获得内容流行度空间特征的时间序列Q
′
t
作为门控循环单元的输入,门控循环单元通过遗忘因子和更新状态单元来动态捕捉Q
′
t
的时间特征;最后,输出层使用全连接层来生成t+1时刻f
i
在区域中所有MEC服务器的流行度5.如权利要求1或2所述的基于时空图卷积模型的移动边缘计算服务器协作缓存方法,其特征在于,所述步骤(2)具体包括:采用基于谱域的图卷积方法提取内容流行度在拓扑图的空间特征,将特征矩阵Q中的内容流行度序列Q
t
作为MEC服务器拓扑图G的信号输入,使用在傅里叶域中定义的对角化线性算子对信号Q
t
卷积,得到式(5):g
θ
*
G
Q
t
=Ug
θ
U
T
Q
t
ꢀꢀꢀꢀ
(5)采用一阶切比雪夫图卷积对公式(5)近似求解,得到最终图卷积的传播公式(6):堆积多级邻域信息传输模型如式(7)所示:其中,g
θ
是卷积滤波器,*
G
表示卷积操作算符,U是MEC服务器拓扑图G的拉普拉斯矩阵的特征向量组成的矩阵,U
T
Q
t
表示拓扑图G上的傅里叶变换,H
(1)
表示第1层图信号的输出,H
(0)
=Q
t
为初始化特征状态,W
(1)
和W
(2)
表示学习的参数矩阵;表示添加了节点自身度数的邻接矩阵,避免节点在传播信息时丢失自身的特征信息;其中A为G的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。