【技术实现步骤摘要】
移动边缘计算中基于联邦学习的隐私保护主动缓存方法
[0001]本专利技术涉及移动边缘网络计算
，特别是涉及联邦学习和隐私保护的主动缓存方法
技术介绍
[0002]随着5G通信的快速发展，移动设备需要处理的数据流量变得庞大，数据通信需要的时间成本大幅增加，进一步影响了用户交互延迟的增加。移动边缘计算的出现为上述问题提供了一种解决方式，与集中式云计算不同的是，移动边缘计算主要特点在于将计算卸载与内容缓存到网络边缘处，使得在资源有限的移动设备上达到降低延迟和提高计算能力的目的。为了防止用户大量的请求造成了通信链路负担，边缘缓存的方法开始被采用。在一个移动边缘计算网络中，存在多个边缘服务器，以保证覆盖到该区域内所有用户。利用边缘服务器更加靠近终端设备的特性和存储资源，对流行内容进行缓存。
[0003]内容缓存的传统技术如RANDOM(随机选择算法)、LRU(最近最少使用算法)、FIFO(先进先出算法)、LFU(最不经常使用算法)都是根据服务请求的时间进行决策的。考虑到边缘节点有限的存储资源，以及边缘节点覆盖到的终端访问...
【技术保护点】
【技术特征摘要】
1.移动边缘计算中基于联邦学习的隐私保护主动缓存方法，其特征在于，包括以下步骤：步骤1：构建用户行为矩阵：用户行为分析主要采用矩阵分解技术，推测表示潜在的用户特征向量和项目特征向量，并根据已获得的特征向量初始化用户行为矩阵，数据以三元组的形式保存；步骤2：模型设置：根据用户数据的维度(包括用户特征向量和项目特征向量的维度)、嵌入层维度作为多层感知机模型初始化的参数。初始化隐藏层和激活函数，并对用户特征向量和项目特征向量采用嵌入编码及横向拼接；步骤3：模型初始化：初始化全局模型，为之后进行的N轮模拟通信做准备。针对每一个边缘服务器，首先下载中心服务器上的全局模型，根据模型参数的张量完成掩码模型始化，作为本地模型。步骤4：配置边缘网络：根据终端用户分布存在的空间性，同一区域内的用户可能有相似的浏览习惯，将位置接近的m个用户部署在同一个边缘服务器范围内，以构建协作关系的边缘网络。步骤5：隐私保护：使用终端用户的本地数据和创建的剪枝掩码，对初始模型进行修剪，得到彩票假设稀疏子网。根据彩票假设稀疏子网，来解决服务器之间通信时的数据隐私保护问题。步骤6：主动缓存预测：通过协同过滤的技术实现缓存内容预测，需要进行两个步骤。首先，根据全局模型训练后获得的用户及项目特征和权重，处理原始数据集，计算出新的压缩矩阵。其次，通过余弦相似度技术计算出用户相似度，寻找相似用户，以达成预测目的。2.根据权利要求1所述的移动边缘计算中基于联邦学习的隐私保护主动缓存方法，其特征在于：所述步骤1中，本发明将用户潜在特征向量分别表示为{x1，x2，...，x
m
}∈R
M
×
N
，项目潜在特征向量表示为{y1，y2，...，y
n
}∈R
M
×
N
，其中R
M
×
N
表示一个M行N列的稀疏矩阵，M表示用户数量，N表示项目数量。R
M
×
N
矩阵是稀疏的原因在于用户与项目的交互范围较小。用户和项目之间的预测交互作用PI
ij
用以下公式表示：其中PI
ij
是用户和项目的潜在特征向量的点积，该公式描述了在项目j特征中用户i偏好的预测结果，预测交互值尽可能的接近用户i对项目j的原交互作用I
ij
。本发明将这种用户行为表示为由用户特征向量，项目特征向量，用户行为三个元素构成的三元组，这种数据过滤方式能够很好的适用于隐式反馈进行用户偏好推断的情况。3.根据权利要求1所述的移动边缘计算中基于联邦学习的隐私保护主动缓存方法，其特征在于：所述步骤2中，本发明采用推荐系统中广泛使用的结合多层感知神经网络和协同过滤方案，根据用户特征向量和项目特征向量的维度为该模型添加嵌入层信息，作为模型的初始状态。为了保证训练时的用户隐私保护，除了本地训练模型之外，用户向量并不直接存储在模型中，而选择本地存储。每个用户模型开始训练时，首先在网络传播层输入用户，并寻找与之匹配的项目，随后对用户和项目采用嵌入编码及横向拼接，并经过几个全连接层特征提取，最后通过激活函数Sigmoid(x)＝1/(1+e
‑
x
)，将输出向量映射到{0，1}之间。4.根据权利要求1所述的...
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。