一种基于社区发现和加权联邦学习的主动边缘缓存方法技术

本发明专利技术涉及一种基于社区发现和加权联邦学习的主动边缘缓存方法，用于选择最佳的缓存用户，制定最优的缓存策略。首先提出一种基于社区发现的用户分组方法，根据用户移动性和社交属性将用户分成不同用户组，随后在每个用户组内计算不同用户的重要程度并选择重要度最高的用户作为缓存节点提供内容分发服务。在此基础上，提出一种基于注意力加权联邦学习的内容流行度预测框架，将注意力加权联邦学习机制与深度学习算法相结合来预测用户未来对不同内容的偏好程度，提高内容流行度预测精度的同时解决了用户隐私泄露的问题。最后，根据预测结果在被选择的缓存用户上缓存热点内容，以实现降低网络传输时延的同时减少网络运营成本的目标。的目标。的目标。

【技术实现步骤摘要】
一种基于社区发现和加权联邦学习的主动边缘缓存方法


[0001]本专利技术属于无线通信和人工智能
，具体涉及一种基于社区发现和加权联邦学习的主动边缘缓存方法，可用于D2D辅助无线通信网络中缓存资源的智能管理与规划。

技术介绍

[0002]随着无线移动通信以及物联网技术的普及与发展，无线数据流量呈现爆炸式增长。然而，由于无线通信资源有限，如此急剧增长的数据流量将使得移动通信网络拥塞，进而导致用户请求内容的传输时延增加。亟需引入先进的网络传输技术，以保障各种新型业务的低时延需求。边缘缓存作为一种新兴网络技术，可将用户感兴趣的热点内容提前存储在网络边缘，从而减少通信链路的负载压力，大大降低内容的传输时延。
[0003]根据缓存位置的不同，现有的边缘缓存方案可分为：基站缓存和用户缓存。相较于基站缓存来说，用户缓存可将热点内容存储在距离用户更近的终端，并通过设备与设备(Device
‑
to
‑
Device,D2D)之间的直连通信进行内容传输，从而进一步降低内容的传输时延。因此，用户缓存被工业界与学术界认为是保障业务低时延需求的重要技术手段之一。
[0004]但是，对于用户缓存来说，租用所有的用户终端作为缓存节点降低内容传输时延的同时却带来高额的运营成本。如何最优化选择用户终端作为缓存节点实现运营成本和内容传输时延之间的折中成为设计用户缓存策略有待解决的关键问题之一。
[0005]此外，由于所选用户终端的存储能力通常是有限的，在终端上缓存所有的内容是不可行的。需预测未来用户对不同内容的喜好程度以设计相应的缓存策略。然而，目前基于集中学习的内容流行度预测方法需将用户个人数据发送至中心服务器进行模型训练，带来了严重的用户隐私泄露问题。如此一来，如何在所选用户终端上放置热点内容的同时保障用户隐私安全成为另一个亟待解决的关键问题。

技术实现思路

[0006]针对现有技术的不足，本专利技术提出了一种基于社区发现和加权联邦学习的主动边缘缓存方法，用于选择最佳的缓存用户并制定最优的用户缓存策略，以实现运营成本和内容传输时延之间的最优化折中。
[0007]本专利技术首先提出一种基于社区发现的用户分组方法，根据用户的移动性和社交属性将用户分成不同的用户组，随后，在每个用户组内计算不同用户的重要程度并选择重要度最高的用户作为缓存节点来提供内容分发服务。在此基础上，本专利技术提出一种基于注意力加权联邦学习的内容流行度预测框架，将注意力加权联邦学习机制与深度学习(Deep Learning,DL)模型相结合预测未来用户对不同内容的偏好程度；该框架在提高内容流行度预测精度的同时解决了用户隐私泄露的问题。最后，在缓存用户选择与内容流行度预测的基础上制定最优缓存策略，以降低网络传输时延的同时减少网络运营成本。
[0008]专利技术概述：
[0009]本专利技术提出一种基于社区发现和加权联邦学习的主动边缘缓存方法。在一个基站
服务范围内，利用社区发现算法将用户聚成不同的用户组，并在每个用户组内选择最重要用户作为缓存节点来提供内容分发服务；考虑到不同用户的活跃程度以及终端计算能力的异构性，设计基于注意力加权联邦学习的内容流行度预测框架来训练DL模型，随后利用训练好的DL模型预测下一时刻用户的内容偏好以缓存热点内容在被选择用户上。本专利技术将最热点内容缓存到最优的被选用户上，可大大降低网络传输时延的同时减少网络运营成本。
[0010]本专利技术的技术方案为：
[0011]一种基于社区发现和加权联邦学习的主动边缘缓存方法，包括：
[0012]在一个基站服务范围内，利用社区发现算法将用户聚成不同的用户组；
[0013]在每个用户组内选择最重要用户作为缓存节点来提供内容分发服务；
[0014]基于注意力加权联邦学习的内容流行度预测框架来训练DL模型，随后利用训练好的DL模型预测下一时刻用户的内容偏好以缓存热点内容在被选择用户上。
[0015]根据本专利技术优选的，所述主动边缘缓存方法的运行系统包括一个基站、U个用户，其中，每个用户都具有内容存储能力且每个用户根据个人喜好从内容库中请求内容。
[0016]根据本专利技术优选的，在一个基站服务范围内，利用社区发现算法将用户聚成不同的用户组，包括：
[0017](1)获得不同用户之间的物理距离，同时获取不同用户之间的社交关系；根据不同用户之间的物理距离与社交关系，构建D2D内容分享图其中，为用户节点，ε表示用户与用户之间是否建立D2D通信链路进行内容传输，当ε＝1时表示建立D2D通信链路；即：当基站内用户u与用户v之间的物理距离小于通信距离阈值，且两用户间存在社交关系时，用户u与用户v建立D2D通信链路进行内容传输，此时ε
u，v
＝1；否则，ε
u，v
＝0；
[0018](2)基于构建的D2D内容分享图将用户分成不同的用户组
[0019]根据本专利技术优选的，利用Louvain社区发现算法将用户分成不同的用户组，包括：
[0020]A、将D2D内容分享图中的每个节点看成一个独立的社区；
[0021]B、依次把每个节点分配到其邻居节点所在社区，并计算分配前、后的模块度变化ΔQ，并记录ΔQ最大的那个邻居节点maxΔQ，如果maxΔQ>0，则把该节点分配ΔQ最大的那个邻居节点所在的社区，否则保持不变；ΔQ的计算公式如式(I)所示：
[0022][0023]式(I)中，m＝∑ε
u；v
是D2D内容分享图中所有边权重之和；A
u，v
＝∑ε
u，v
，是社区内所有节点之间边权重之和；表示社区与其他社区之间连接边的权重之和；是节点u移入到社区中后所有节点之间边权重之和；a(u)是与节点u
连接的所有边的权重之和；
[0024]C、重复步骤B，直到所有节点的所属社区不再变化；
[0025]D、将在同一个社区的节点压缩成一个新节点，社区内节点之间边权重转化为新节点的边权重，社区间的边权重转化为新节点间的边权重；
[0026]E、重复步骤A
‑
D，直到整个D2D内容分享图的模块度不再发生变化。
[0027]根据本专利技术优选的，在每个用户组内选择最重要用户作为缓存节点来提供内容分发服务，包括：
[0028](3)在每个用户组中，首先，计算每个用户的中心度B
u
，B
u
的计算公式如式(II)所示：
[0029][0030]式(II)中，G
i；j
表示D2D内容分享图中所有用户间最短路径的链接数目，g
i，j
(u)是G
i，j
中经过用户u的链接数目；
[0031]然后，根据不同用户设备的存储能力得到不同用户的缓存能力S
u
；
[0032]最后，根据中心度B
u
和缓存能力S
u
计算不同用户本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于社区发现和加权联邦学习的主动边缘缓存方法，其特征在于，包括：在一个基站服务范围内，利用社区发现算法将用户聚成不同的用户组；在每个用户组内选择最重要用户作为缓存节点来提供内容分发服务；基于注意力加权联邦学习的内容流行度预测框架来训练DL模型，随后利用训练好的DL模型预测下一时刻用户的内容偏好以缓存热点内容在被选择用户上。2.根据权利要求1所述的一种基于社区发现和加权联邦学习的主动边缘缓存方法，其特征在于，所述主动边缘缓存方法的运行系统包括一个基站、U个用户，其中，每个用户都具有内容存储能力且每个用户根据个人喜好从内容库中请求内容。3.根据权利要求1所述的一种基于社区发现和加权联邦学习的主动边缘缓存方法，其特征在于，在一个基站服务范围内，利用社区发现算法将用户聚成不同的用户组，包括：(1)获得不同用户之间的物理距离，同时获取不同用户之间的社交关系；根据不同用户之间的物理距离与社交关系，构建D2D内容分享图其中，为用户节点，ε表示用户与用户之间是否建立D2D通信链路进行内容传输，当ε＝1时表示建立D2D通信链路；即：当基站内用户u与用户v之间的物理距离小于通信距离阈值，且两用户间存在社交关系时，用户u与用户v建立D2D通信链路进行内容传输，此时ε
u；v
＝1；否则，ε
u，v
＝0；(2)基于构建的D2D内容分享图将用户分成不同的用户组4.根据权利要求1所述的一种基于社区发现和加权联邦学习的主动边缘缓存方法，其特征在于，利用Louvain社区发现算法将用户分成不同的用户组，包括：A、将D2D内容分享图中的每个节点看成一个独立的社区；B、依次把每个节点分配到其邻居节点所在社区，并计算分配前、后的模块度变化ΔQ，并记录ΔQ最大的那个邻居节点maxΔQ，如果maxΔQ>0，则把该节点分配ΔQ最大的那个邻居节点所在的社区，否则保持不变；ΔQ的计算公式如式(I)所示：式(I)中，m＝∑ε
u；v
是D2D内容分享图中所有边权重之和；是社区内所有节点之间边权重之和；表示社区与其他社区之间连接边的权重之和；节点u移入到社区中后所有节点之间边权重之和；a(u)是与节点u连接的所有边的权重之和；C、重复步骤B，直到所有节点的所属社区不再变化；D、将在同一个社区的节点压缩成一个新节点，社区内节点之间边权重转化为新节点的边权重，社区间的边权重转化为新节点间的边权重；
E、重复步骤A
‑
D，直到整个D2D内容分享图的模块度不再发生变化。5.根据权利要求1所述的一种基于社区发现和加权联邦学习的主动边缘缓存方法，其特征在于，在每个用户组内选择最重要用户作为缓存节点来提供内容分发服务，包括：(3)在每个用户组中，首先，计算每个用户的中心度B
u
，B
u
的计算公式如式(II)所示：式(II)中，G
i，j
表示D2D内容分享图中所有用户间最短路径的链接数目，g
i，j
(u)是G
i，j
中经过用户u的链接数目；然后，根据不同用户设备的存储能力得到不同用户的缓存能力S
u
；最后，根据中心度B
u
和缓存能力S
u
计算不同用户组内不同用户的重要程度V
u
＝γ
×
B
u

【专利技术属性】
技术研发人员：张海霞，李东阳，袁东风，
申请(专利权)人：山东大学，
类型：发明
国别省市：