一种基于边缘计算的数据智能协同缓存方法技术

本发明专利技术涉及一种基于边缘计算的数据智能协同缓存方法，属于移动通信技术领域。首先，用户根据上下文信息完成簇群选择，使得同一簇群中的用户具有相似内容偏好，由于簇群间用户不相交，提出了基于享乐联盟博弈的用户分簇算法；其次，基于分层联邦学习，用户建立深度神经网络DNN训练本地模型并上传至边缘网络层中的MEN和SEN，通过分层联邦学习优化内容缓存放置位置策略；最后，在边缘网络引入内容缓存价值协助SEN进行短期内容更新，基于当前的缓存状态与用户内容输出估计偏好，最大化协同联盟整体内容缓存价值，从而减少缓存冗余。本发明专利技术在保证模型精度的前提下，有效提高缓存命中率，降低内容获取时延。降低内容获取时延。降低内容获取时延。

【技术实现步骤摘要】
一种基于边缘计算的数据智能协同缓存方法


[0001]本专利技术属于移动通信
，涉及一种基于边缘计算的数据智能协同缓存方法。

技术介绍

[0002]随着物联网和通信技术的快速发展，爆发式的终端用户智能需求日益增加，移动流量呈现几倍增长；同时伴随物联网应用的提出，用户拥有大量选择，对内容请求时延要求也越来越高，但是目前这种激增的智能业务量导致用户获取内容时间持续增加，从而给用户本地和中心服务器间回程链路带来巨大压力。因此，边缘缓存的研究已成为无线通信领域最热门的研究课题之一。通过采用机器学习的方法预测内容流行度，将热门内容提前缓存到边缘网络，能有效的将通信、计算、储存能力扩展到网络边缘，减少回程链路拥堵和请求延迟，提高用户体验感。但现有的学习方式主要是集中式学习模式，要求用户将私有信息上传到集中式服务器，存在隐私泄露问题，分布式学习模式是解决这一问题的关键。
[0003]边缘计算(Edge Computing)是一种对云计算概念的延伸，它主要使用的是边缘网络中的设备，数据传递具有极低时延。其网络模型是一种分层模型，常用于时延敏感和分布式的应用程序和服务中，由位于智能终端设备和集中云服务器之间的EN组成。EN具有上下文感知能力并支持公共数据管理和通信系统，它们可以被组织成集群，一方面为用户和中央云提供垂直服务，另一方面为其他EN提供水平服务。SEN和MEN组成的边缘网络是具有一定的处理能力和缓存能力，从而可以提前缓存热门内容，提高用户体验感。
[0004]联邦学习(Federated Learning)是一种分布式的学习模式，由谷歌在2016年提出，是学术界与工业界广泛认可的未来分布式网络架构的主要方向。其中，参与FL的用户在本地训练一个单一的机器学习模型，通过交换模型参数而非用户私有数据的情况下训练高质量模型，从而避免与中心服务器共享数据的通信安全问题与用户隐私问题，同时，也可以实现边缘神经感知和多维资源智能协调管理。在引入FL的边缘缓存网络中，由于现有的边缘缓存方法大多是边缘服务器基于内容流行度和缓存能力单独缓存内容，没有考虑边缘网络下不同边缘服务器协同缓存，导致多个边缘服务器无效缓存相同内容，产生缓存冗余，因此如何根据边缘协同缓存实现安全且低时延的内容获取是值得考虑的问题。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于边缘计算的数据智能协同缓存方法，该方法联合优化无人机轨迹，通信资源分配，通信调度以最大化系统最小链路平均吞吐量。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]第一方面，通过用户的上下文信息与簇群特征相似度，优化用户分簇方案，同时根据输出内容偏好优化边缘协同缓存和长短期内容缓存方案，该方法包括以下步骤：
[0008]S1：基于享乐联盟博弈的用户分簇方案；
[0009]S2：基于深度神经网络的本地内容偏好估计；
[0010]S3：基于分层联邦学习的优化内容缓存位置策略；
[0011]S4：基于内容缓存价值的边缘协同缓存。
[0012]第二方面，本专利技术实施例在步骤S1中，提出一种基于享乐联盟博弈的用户分簇方案。建立一种云
‑
边
‑
端三层网络模型：1)用户端，包括智能手机、私人电脑、智能终端等；2)EN端，包括SEN、MEN；3)云端，包括云服务器。边缘服务器部署在边缘节点，拥有丰富的计算、缓存资源，可以为关联用户提供数据处理、内容缓存等服务。
[0013]在网络场景中，EN可以获取用户的地理信息与基本特征，统称为上下文信息。具有相似上下文信息的用户通常具有相似的内容偏好。本专利技术中，通过分析用户的上下文信息，用户将选择加入簇群偏好更接近的簇，使得每个SEN关联的用户尽可能拥有相似的内容偏好，从而能为多数用户服务，提高簇群缓存性能。
[0014]用户u
d
初始上下文信息为A＝(a
d,j
)
D'
×
J
，其中，D'为联盟下用户总数，J为上下文信息维度。采用线性函数归一化方法将上下文信息用B＝(b
d,j
)
D'
×
J
表示，此外，再进行压缩，以消除冗余和噪声。协方差矩阵可以反应各个特征之间的相关性，通过奇异值分解得到Δ＝P∑V
T
，其中∑＝diag(σ1,σ1,...,σ
J
)，λ为Δ的特征值，取出前p个最大特征值对应的特征向量[p1,p2,...,p
p
]，形成矩阵H，最终得到用户的上下文信息为z
d
＝H
T
b
d
＝(z
d,j
)
J
×1,d∈D'。
[0015]用户可与一个或多个SEN建立联系，sen
d
＝{s1,...,s
H'
}为用户u
d
可连接的SEN集合。首先，选取||sen
d
||＝1的用户建立初始簇群集；其次，根据余弦相似度表示用户与簇群的特征相似度，选出当前簇群的簇头；最后，选取||sen
i
||＞1的未关联用户u
i
，加入与簇头特征相似度最高的簇群，完成一个用户关联后，更新簇群集与簇头，再次进行用户选择，直到所有用户关联完成。
[0016]第三方面，本专利技术实施例在步骤S2中，提出一种基于深度神经网络的本地内容偏好估计方法。用户的DNN训练模型是由输入、隐藏、输出三层组成，用户u
d
大量的历史请求数据记录作为训练样本，表示为χ
d
＝{(h
f
,y
d,f
),f∈F}，其中，h
f
＝[h
f,1
,h
f,2
,...,h
f,N
]表示内容c
f
的N维特征；y
d,f
表示用户u
d
对内容c
f
的预期偏好。采用Sigmoid函数作为隐藏层的激活函数f(z)＝1/(1+e
‑
z
)，DNN模型的输出为用户u
d
对内容c
f
的输出估计偏好，即q
d,f
＝f(h
f
,w
d
)。
[0017]第四方面，本专利技术实施例在步骤S3中，提出一种基于分层联邦学习的优化内容缓存位置方法。用户本地维护一个DNN网络模型，并利用历史请求数据完成模型训练与输出偏好估计，每次迭代，用户上传本地模型到边缘网络层。同时更好的为用户服务，将边缘网络划分为多个协同联盟，每个协同联盟包括一个MEN和多个SEN，节点之间通过光纤相互连接，而中心服务器通过回程链路将内容提前分配给边缘节点。其中，MEN维护协同联盟全局缓存信息表并定期更新，帮助用户快速锁定目标内容，并且每I次本地迭本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算的数据智能协同缓存方法，其特征在于：该方法包括以下步骤：S1：基于享乐联盟博弈的用户分簇方案；S2：基于深度神经网络的本地内容偏好估计；S3：基于分层联邦学习的优化内容缓存位置策略；S4：基于内容缓存价值的边缘协同缓存。2.根据权利要求1所述的一种基于边缘计算的数据智能协同缓存方法，其特征在于：所述S1中，采用云
‑
边
‑
端三层网络架构在用户端实现基于享乐联盟博弈的用户分簇方案；具有相似上下文信息的用户具有相似内容偏好，将用户初始上下文信息进行归一化、压缩处理，得到用户特征矩阵；EN根据用户的地理信息与基本身份特征分析用户特性，使用户加入簇群特征更接近的簇。3.根据权利要求2所述的一种基于边缘计算的数据智能协同缓存方法，其特征在于：所述S1中，首先初始化簇群关联用户；其次，基于簇群用户间特征相似度选取簇头；最后，未关联用户基于簇头特征相似度与用户对簇群的偏好完成簇群选择。4.根据权利要求3所述的一种基于边缘计算的数据智能协同缓存方法，其特征在于：所述S2中，在用户端建立DNN模型，用户利用历史请求数据和内容的N维特征，训练本地模型参数同时得到内容输出偏好估...

【专利技术属性】
技术研发人员：黄晓舸，余采薇，王凡，杨帆行，陈前斌，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：