【技术实现步骤摘要】
本专利技术涉及边缘缓存，特别涉及一种基于联邦深度强化学习的边缘协作缓存方法及系统。
技术介绍
1、近年来，随着移动网络中各类网络媒体业务的数据量不断攀升，电脑、智能手机、智能电视等智能化设备的数量也不断增多以及各类传感器、可穿戴设备对移动网络的需求不断提升使得分布式网络的用户数量激增，从而产生了海量的异构网络数据。这些不断增多的异构数据既需要处理和分析又具有一定的私密性。传统的云存储技术需要将所有的数据都上传至云端存储，难以确保用户的隐私安全而且庞大的数据需要大量的存储资源和计算资源，不仅效率低下且会产生极大的网络负载。
2、在现有技术中，研究人员提出了移动边缘计算架构，该架构将计算资源和存储资源从云端下沉到处于边缘网络的用户端，减轻了中心网络的负载压力和数据处理的延迟并且支持基于深度学习的资源管理。在移动边缘计算的架构下，由于边缘服务器和用户之间的通讯相比云端服务器更为高效，因此可以为移动网络中的用户提供更加快速更为准确的计算和存储服务，同时也有利于保障用户的隐私安全。然而，由于近年来网络边缘移动用户的不断增加，大量的移动...
【技术保护点】
1.一种基于联邦深度强化学习的边缘协作缓存方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于联邦深度强化学习的边缘协作缓存方法，其特征在于：所述内容请求与用户流行度模型的表达式为：
3.根据权利要求2所述的一种基于联邦深度强化学习的边缘协作缓存方法，其特征在于：所述协作缓存模型的表达式为：
4.根据权利要求3所述的一种基于联邦深度强化学习的边缘协作缓存方法，其特征在于：所述内容访问延迟模型的构建方法包括：
5.根据权利要求4所述的一种基于联邦深度强化学习的边缘协作缓存方法，其特征在于：步骤S2中的所述奖励
【技术特征摘要】
1.一种基于联邦深度强化学习的边缘协作缓存方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于联邦深度强化学习的边缘协作缓存方法，其特征在于：所述内容请求与用户流行度模型的表达式为：
3.根据权利要求2所述的一种基于联邦深度强化学习的边缘协作缓存方法，其特征在于：所述协作缓存模型的表达式为：
4.根据权利要求3所述的一种基于联邦深度强化学习的边缘协作缓存方法，其特征在于：所述内容访问延迟模型的构建方法包括：
5.根据权利要求4所述的一种基于联邦深度强化学习的边缘协作缓存方法，其特征在于：步骤s2中的所述奖励函数为：
6.根据权利要求1所述的一种基于联邦深度强化学习的边缘协作缓存方法，其特征在于：步骤s3中预训练采用基于竞争深度q网...
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。