一种基于用户意图提取识别的内容中心网络缓存方法技术

本发明专利技术提供一种基于用户意图提取识别的内容中心网络缓存方法，包括如下步骤：S1，用户提出新请求时从用户请求数据中提取用户请求意图；S2，当有新的内容到达节点时，进行内容流行度预测；S3，计算新的内容和节点的匹配程度；S4，基于用户请求意图和预测的内容流行度进行缓存阈值判断；S5，基于匹配程度和缓存阈值判断进行缓存。本发明专利技术提出了基于用户请求意图的路径缓存策略，当新的内容到达边缘路由器时，根据内容和用户请求意图的匹配程度，并结合预测的内容流行度和节点的缓存空间来进行缓存放置决定，用户可以更轻松地获取感兴趣的内容。本发明专利技术提高了缓存内容多样性和缓存命中率，降低了网络流量开销。降低了网络流量开销。降低了网络流量开销。

【技术实现步骤摘要】
一种基于用户意图提取识别的内容中心网络缓存方法


[0001]本专利技术涉及通信
，具体而言，涉及一种基于用户意图提取识别的内容中心网络缓存方法。

技术介绍

[0002]随着网络技术的发展以及各种网络服务应用的普及，用户获取的信息主体也在发生着变化，已经从传统的面向简单的文字信息转变为面向海量的音、视频等内容信息。据cisco预测，到2021年，全球互联网用户将达到41亿，而以视频流量为主的内容类在所有IP流量中占比82％。用户主体需求的改变，海量内容数据的网内传输，使得传统的TCP/IP网络体系架构显露出了诸多不足，难以适应未来新一代网络发展的需求。为保证用户服务质量(QOS)以及顺应未来网络发展，以内容为主的新一代网络架构
‑
内容中心网络(Content Centric Network，CCN)被提出，且受到广泛的关注。CCN网络实现了“主机
‑
主机”通信模式到“请求内容
‑
获得内容”通信模式的转变，服务的主体更多的是内容，而不是存储位置。其与传统IP网络不同的是节点路由可以缓存内容信息，以便缩短信息请求时间，提高通信效率。
[0003]CCN网络具有网内缓存的优势，也是网络中请求兴趣包数据得以路由和转发的基础和前提。同时CCN网络具有泛在化、透明化、细粒度化以及处理线速化的特性，使得传统的缓存技术如Web、CDN和P2P等无法直接有效的应用于CCN网络中。面对海量内容信息的网络传输，要想提升CCN网络内容分发效率，避免域内数据的重复冗余传输，减缓网络压力，实现内容资源的高效利用，必须做到以下两点：一是在整个网络通信链路中寻找适合的缓存节点，当再次有相同的兴趣请求时，可以快速有效实现响应。二是节点缓存空间的大小与设备的线速转发之间存在着矛盾，对于相对有限的节点缓存空间，需要及时替换缓存中的内容，以保持缓存多样性，以及提升缓存质量。
[0004]自CCN网络被提出后，其关键技术——缓存策略就一直是研究者们关注的话题。在提升CCN网络缓存性能优势方面，现有方法均从“用户”、“节点”以及“内容”等单个角度出发来设计缓存策略。“用户”指内容的请求者、CCN网络通信的驱动者，可以根据用户偏好选择性地对需求内容进行缓存。“节点”即内容缓存位置，选择较好位置的节点进行内容缓存，有助于降低用户请求时延。“内容”即节点中缓存的内容，一方面依据内容的重要程度，尽可能的缓存更为重要的内容；另一方面控制缓存冗余，提升节点缓存多样性。现有的缓存策略设计包括以下几种：
[0005]LCE(leave copy everywhere)为CCN网络默认的缓存策略，要求域内通信链路上所有节点进行内容缓存。处处缓存的特点使得网络中存在大量冗余内容副本。当节点剩余空间不足，则频繁的缓存内容替换也会造成处理消耗；
[0006]LCD(Leave Copy Down)是一种只在命中节点的下一跳路由节点进行缓存的策略。该策略在短时间内可以达到控制缓存冗余的效果。随着时间变长，重复的请求会使得内容推向网络边缘，同时该条链路上游节点也全部缓存了冗余内容，该策略并不能实现最佳的
冗余控制；
[0007]实时缓存策略RBC
‑
CC主要结合时间因子，在考虑内容时间的基础上提出了加权内容流行度，进而利用介数中心性以及内容流行度来实现对缓存放置节点的选择。但该策略缺乏对节点缓存能力的考虑，在节点缓存空间即将满的时候容易发生需要的内容被提早替换的现象；
[0008]Lee等依据通信链路上各个节点可用缓存容量的大小，首先选择可用缓存空间较大的节点进行缓存，既降低了节点缓存冗余，同时实现对节点缓存的均匀利用。然而，当网络中负载较大并且各个节点的缓存空间都接近饱和时，此时就不能仅仅依靠缓存空间容量的大小来决定是否缓存。

技术实现思路

[0009]本专利技术旨在提供一种基于用户意图提取识别的内容中心网络缓存方法，以解决上述存在的问题。
[0010]本专利技术提供的一种基于用户意图提取识别的内容中心网络缓存方法，包括如下步骤：
[0011]S1，用户提出新请求时从用户请求数据中提取用户请求意图；
[0012]S2，当有新的内容到达节点时，进行内容流行度预测；
[0013]S3，计算新的内容和节点的匹配程度；
[0014]S4，基于用户请求意图和预测的内容流行度进行缓存阈值判断；
[0015]S5，基于匹配程度和缓存阈值判断进行缓存。
[0016]进一步的，步骤S1包括如下子步骤：
[0017]S11，收集用户请求数据并构建用户请求数据库；
[0018]S12，对用户请求数据库中的用户请求数据进行用户请求意图的类别标注，形成训练集和测试集；
[0019]S13，采用基于BiLSTM
‑
CRF的实体识别模型对训练集和测试集进行训练和测试，得到训练好的基于BiLSTM
‑
CRF的实体识别模型。
[0020]S14，用户提出新请求时，将用户请求数据输入训练好的基于BiLSTM
‑
CRF的实体识别模型，输出用户请求意图。
[0021]进一步的，所述基于BiLSTM
‑
CRF的实体识别模型为三层结构，包括第一层的字符表示层、第二层的BiLSTM层和第三层的CRF输出层。
[0022]进一步的，所述基于BiLSTM
‑
CRF的实体识别模型的目标损失函数为：
[0023]F＝logZ(x)＝log∑
y
exp(score(x,y))
[0024]score(x,y)＝∑
i
Emit(x
i
,y
i
)+trans(y
i
‑1,y
i
)
[0025]其中，Emit对应BiLSTM层中LSTM的输出概率；trans对应转移概率，即CRF输出层中CRF转移矩阵对应的数值。
[0026]进一步的，步骤S2包括如下子步骤：
[0027]S21，探索阶段：收集节点上所有内容，对收集的所有内容进行一段时间的在线缓存训练；
[0028]S22，利用阶段：根据所有内容在在线缓存训练期间的内容累积请求率排序来间接
获得总的内容流行度；
[0029]所述内容流行度是指每个内容在节点中的受欢迎程度，定义为：
[0030][0031]其中，t是对内容d的请求到达时间，t
′
是对该内容的请求的最后到达时间，R
d
(t)是内容d在时间t的内容流行度；λ是加权参数，范围从0到1。
[0032]进一步的，所述步骤S21中采用强化学习的方式进行所述在线缓存训练。
[0033]进一步的，步骤S3包括如下子步骤：
[0034]S31，基于用户请求意图和内容属性，主题和形式的匹配程度表示为：
[0035]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于用户意图提取识别的内容中心网络缓存方法，其特征在于，包括如下步骤：S1，用户提出新请求时从用户请求数据中提取用户请求意图；S2，当有新的内容到达节点时，进行内容流行度预测；S3，计算新的内容和节点的匹配程度；S4，基于用户请求意图和预测的内容流行度进行缓存阈值判断；S5，基于匹配程度和缓存阈值判断进行缓存。2.根据权利要求1所述的基于用户意图提取识别的内容中心网络缓存方法，其特征在于，步骤S1包括如下子步骤：S11，收集用户请求数据并构建用户请求数据库；S12，对用户请求数据库中的用户请求数据进行用户请求意图的类别标注，形成训练集和测试集；S13，采用基于BiLSTM
‑
CRF的实体识别模型对训练集和测试集进行训练和测试，得到训练好的基于BiLSTM
‑
CRF的实体识别模型；S14，用户提出新请求时，将用户请求数据输入训练好的基于BiLSTM
‑
CRF的实体识别模型，输出用户请求意图。3.根据权利要求2所述的基于用户意图提取识别的内容中心网络缓存方法，其特征在于，所述基于BiLSTM
‑
CRF的实体识别模型为三层结构，包括第一层的字符表示层、第二层的BiLSTM层和第三层的CRF输出层。4.根据权利要求3所述的基于用户意图提取识别的内容中心网络缓存方法，其特征在于，所述基于BiLSTM
‑
CRF的实体识别模型的目标损失函数为：F＝logZ(x)＝log∑
y
exp(score(x,y))score(x,y)＝∑
i
Emit(x
i
,y
i
)+trans(y
i
‑1,y
i
)其中，Emit对应BiLSTM层中LSTM的输出概率；trans对应转移概率，即CRF输出层中CRF转移矩阵对应的数值。5.根据权利要求1所述的基于用户意图提取识别的内容中心网络缓存方法，其特征在于，步骤S2包括如下子步骤：S21，探索阶段：收集节点上所有内容，对收集的所有内容进行一段时间的在线缓存训练；S22，利用阶段：根据所有内...

【专利技术属性】
技术研发人员：胡友章，赵峙岳，姚月，徐强，蒋定德，李捷，
申请(专利权)人：四川九洲电器集团有限责任公司，
类型：发明
国别省市：