基于联邦深度学习的多边缘协作缓存方法技术

本发明专利技术提出一种基于联邦深度学习的多边缘协作缓存方法

【技术实现步骤摘要】
基于联邦深度学习的多边缘协作缓存方法


[0001]本专利技术属于
5G
通信网络，移动边缘计算
，具体涉及一种基于联邦深度学习的多边缘协作缓存方法
。

技术介绍

[0002]随着
5G
通信技术的迅猛发展，其在工业制造
、
数字经济
、
车联网
、
智慧城市等领域的应用也在逐步扩大与深化
。
在传统云计算模式下，这些终端智能应用所产生的任务与数据会被上传至远程云数据中心进行处理，无疑造成了严重的网络拥塞和服务延迟
。
不同于云计算模式，移动边缘计算
(Mobile Edge Computing
，
MEC)
将计算与存储资源部署在更靠近智能终端设备的网络边缘，这大大缓解了网络拥塞问题并降低了服务延迟
。
因此，
MEC
的出现可为终端智能应用的实时计算与数据存储提供强有力的技术支撑
。
[0003]通常，
MEC
节点部署在终端智能设备与云数据中心之间的网络边缘层，能够进行信号处理
、
分布式缓存以及无线资源协作等管理操作
。
其中，分布式缓存旨在将用户感兴趣的内容缓存至
MEC
节点以降低访问延迟和数据重复存储，从而提升用户体验和减少系统开销
。
然而，
MEC
节点的服务性能往往受限于其缓存空间大小以及高速缓存开销<br/>。
因此，如何有效利用
MEC
缓存空间进而提升缓存性能受到了学术界和工业界的广泛关注
。
通常，缓存性能受到多重因素制约，包括缓存大小
、
内容关联性
、
缓存分块和替换策略等
。
在上述多维空间中探索用户和内容特征之间的潜在联系，可有助于寻找最佳的缓存资源配置，进而提高用户访存资源的命中率
。
此外，对缓存空间进行多维划分也可协助系统对细分用户提供更为精准的流行内容推荐
。
但是，如何有效探索多维空间并对缓存空间进行多维划分目前仍是一个挑战性的难题
。
[0004]为进一步优化全局缓存资源配置和降低服务延迟，多边缘协作缓存可视为一种可行的运行机制
。
通过这种机制，用户可从进行协作缓存的
MEC
节点中找到其所连接
MEC
节点中未命中的请求内容
。
但是，在大部分现有工作中，缓存命中率仍受限于低效率的多边缘协作以及不合理的缓存资源配置
。
作为一种以保护用户隐私为前提的分布式训练框架，联邦学习
(Federated Learning
，
FL)
被视为一种优化多边缘协作与缓存资源配置的可行的解决方案
。
随着用户对终端智能应用需求的日益增长与多样化，将
FL
应用于解决多边缘协作缓存问题时依然面临着以下重要挑战：
[0005]1)
离散用户特征分布和请求内容的多样性：如何根据用户特征做出合适的内容推荐决策是提升缓存命中率的关键，但在离散的用户特征分布和多样化的内容库中寻找其潜在联系仍是一个难点
。
[0006]2)
可扩展性：随着终端智能设备数量的增加，其生成的数据量在不断上升且分布也更为离散，这造成了高昂的计算和通信开销，传统集中式的处理模式已无法高效地应对该问题
。

技术实现思路

[0007]作为移动边缘计算
(Mobile Edge Computing
，
MEC)
的一项重要技术支撑，多边缘协作缓存的出现可更好满足终端智能应用的实时计算与数据存储需求进而提升用户体验
。
但是，多边缘协作缓存的性能通常受限于低效率的协作机制以及不合理的缓存资源配置策略
。
同时，如何在离散的用户特征分布与多样化的内容库之中寻找其潜在关联以提升缓存命中率仍是一个巨大的挑战
。
为了解决上述重要挑战，本专利技术提出了一种新颖的基于联邦深度学习的多边缘协作缓存
(Multi
‑
edge Collabo
‑
rative Caching with Federated deep learning
，
M2CF)
方法
。
在
M2CF
中，首先设计了一种新型的多维缓存空间划分机制，对
MEC
节点的缓存空间进行感知优化，使得用户在分类区间可获得精准的内容推荐
。
接着，设计了一种基于
VQ
‑
VAE
的内容流行度预测算法，解决了后验坍塌问题并提高了区间用户内容流行度预测的准确性
。
最后，设计了一种基于联邦深度学习的模型训练与缓存替换策略，通过聚合各
MEC
节点的本地模型以生成全局共享模型，进而更好适应优化后的不同缓存资源配置，提升多边缘协作缓存的命中率
。
基于
MovieLens
电影评分真实数据集，本专利技术在测试床上展开了大量对比实验以对
M2CF
方法进行全面评估
。
实验结果表明，
M2CF
方法展现出了更优秀的缓存性能与时效性能，且可以适应更为复杂的多边缘场景
。
[0008]本专利技术解决其技术问题具体采用的技术方案是：
[0009]一种基于联邦深度学习的多边缘协作缓存方法，其特征在于，采用多维缓存空间划分机制，对
MEC
节点的缓存空间进行感知优化，使得用户在分类区间获得精准的内容推荐，并采用基于
VQ
‑
VAE
的内容流行度预测算法，以解决后验坍塌问题并提高了区间用户内容流行度预测的准确性，以及采用基于联邦深度学习的模型训练与缓存替换策略，通过聚合各
MEC
节点的本地模型以生成全局共享模型，进而适应优化后的不同缓存资源配置，提升多边缘协作缓存的命中率
。
[0010]进一步地，首先，采用的基于联邦深度学习的多边缘协作缓存方法
M2CF
通过多维缓存空间划分对
MEC
节点缓存空间进行感知优化，即在综合考虑多重因素的基础下为分类区间用户确定合适的缓存空间大小；接着，基于用户历史请求，
M2CF
方法利用
VQ
‑
VAE
学习由一组离散向量构成的隐嵌入空间，进而解码器通过最近邻算法查找用于生成用户请求矩阵的离散隐向量，以补充和校准用户请求矩阵，从而提高内容流行度预测准确性；为了解决数据隐私和模型可拓展性问题，
M2CF
方法基于
MEC
...

【技术保护点】

【技术特征摘要】
1.
一种基于联邦深度学习的多边缘协作缓存方法，其特征在于，采用多维缓存空间划分机制，对
MEC
节点的缓存空间进行感知优化，使得用户在分类区间获得精准的内容推荐，并采用基于
VQ
‑
VAE
的内容流行度预测算法，以解决后验坍塌问题并提高了区间用户内容流行度预测的准确性，以及采用基于联邦深度学习的模型训练与缓存替换策略，通过聚合各
MEC
节点的本地模型以生成全局共享模型，进而适应优化后的不同缓存资源配置，提升多边缘协作缓存的命中率
。2.
根据权利要求1所述的基于联邦深度学习的多边缘协作缓存方法，其特征在于：首先，采用的基于联邦深度学习的多边缘协作缓存方法
M2CF
通过多维缓存空间划分对
MEC
节点缓存空间进行感知优化，即在综合考虑多重因素的基础下为分类区间用户确定合适的缓存空间大小；接着，基于用户历史请求，
M2CF
方法利用
VQ
‑
VAE
学习由一组离散向量构成的隐嵌入空间，进而解码器通过最近邻算法查找用于生成用户请求矩阵的离散隐向量，以补充和校准用户请求矩阵，从而提高内容流行度预测准确性；为了解决数据隐私和模型可拓展性问题，
M2CF
方法基于
MEC
节点所保存的用户请求数据，利用联邦深度学习聚合各
MEC
节点的本地模型进而生成全局共享模型以最小化全局损失；最后，采用主动缓存替换策略以更好适应优化后的缓存资源配置，进而提升缓存命中率
。3.
根据权利要求2所述的基于联邦深度学习的多边缘协作缓存方法，其特征在于：采用的多边缘协作缓存系统包含
M
个
MEC
节点和
N
个用户；其中，
E
＝
{e1,e2,...,e
m
,...,e
M
}
表示
MEC
节点集合，
U
＝
{u1,u2,...,u
n
,...,u
N
}
表示用户集合
,C
＝
{C1,C2,...,C
m
,...,C
M
}
表示各
MEC
节点的缓存空间；每个用户连接一个
MEC
节点，用户和
MEC
节点之间通过基站以无线链路进行通信，
MEC
节点之间以及
MEC
节点与云数据中心之间通过回程链路进行通信；云数据中心的内容库表示为集合
F
＝
{f1,f2,...,f
i
,...,f
I
}
，其中，
I
为允许访问的内容数目；若用户
u
n
发起的内容请求
f
i
已缓存至与其相连的
MEC
节点，则用户
u
n
可直接从该
MEC
节点获取所请求的内容；否则，用户
u
n
需要从相邻的
MEC
节点或云数据中心获取所请求的内容；对于某个
MEC
节点，用户离散地分布在其覆盖范围内，其内容请求是动态的且具有时空依赖性；因此，通过预测内容流行度，进而将用户所感兴趣的内容主动缓存至与其相连的
MEC
节点，以有效提升内容请求的命中率；在
MEC
节点
e
m
的服务轮次
r
内，内容
f
i
在该节点上的流行度表示为：其中，
req
i,m
表示
MEC
节点
e
m
收到内容
f
i
的请求次数，
req
m
表示
MEC
节点
e
m
收到的所有用户请求次数；基于多边缘协作缓存系统，通过结合多维缓存空间划分与联邦深度学习以实现对内容流行度的精确预测：为了评估内容流行度预测的精度，预测模型的全局损失函数定义为：其中，
w
(r)
表示全局预测模型参数，
req
表示所有
MEC
节点收到的请求总次数，表示本地预测模型参数；在
MEC
节点
e
m
的服务轮次
r
内，内容流行度预测值和实际值的均方误差，定
义为：其中，为内容
f
i
在节点
e
m
服务轮次
r
内的流行度预测值，
P
i,m
(r)
为内容流行度实际值；缓存命中率定义为：其中，
θ
m
(f
i
)
用于判断节点
e
m
是否缓存了用户所请求的内容，其定义为：
4.
根据权利要求3所述的基于联邦深度学习的多边缘协作缓存方法，其特征在于：多维缓存空间划分包含多维用户划分和缓存空间划分两部分；首先，多维用户划分对具有不同用户数量的特征群体进行划分，针对不同特征群体的用户偏好内容进行单独缓存和推荐；接着，基于分类区间，进一步根据包括用户的活跃度
、
访存集合占比的特性对缓存空间进行感知优化；
(1)
多维用户划分将用户的多维特征分别映射到了各坐标轴上，记为
Θ
＝
{l1,l2,...,l
t
,...,l
T
}
；在初始阶段，即
Grade
＝0时，具有多个不同特征的用户同属于一个用户区间
h0；当
h0中的用户数量超过阈值
ζ
(Grade)
时，将沿着各维度将其均等分割为2T
个的用户区间；同时，分割后的各维度长度将减半，即
l
t
＝
l
t
/2
；为了实现自适用户区间划分，进而更好地捕捉区间用户与其偏好内容之间的潜在关系，设置
ζ
(Grade)
＝
α2Grade
，其中，
α
为超参数；划分之后的用户区间记为集合
H
＝
{h1,h2,...,h
s
,...,h
S
}
，其中，
S
表示用户区间数量；
(2)
缓存空间划分在所划分的用户区间
h
s
中，用户数量记为
num(h
s
)
，用户活跃度和访存集合占比分别表示为：示为：其中，
req
s
表示用户的请求数量，
Γ
(h
s
)
表示区间用户
h
s
的访存集合大小；因此，综合考虑用户数量
、
用户活跃度和访存集合占比，
h
s
所分配的缓存空间大小为：其中，
cache
m
表...

【专利技术属性】
技术研发人员：陈哲毅，梁杰，郑家瑜，
申请(专利权)人：福州大学，
类型：发明
国别省市：