System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本公开实施例涉及无线通讯,尤其涉及一种面向可扩展视频的流行度预测及内容缓存方法。
技术介绍
1、随着无线网络技术的快速发展和移动设备的广泛普及,移动数据流量呈现出爆炸式的增长态势,其中视频流量占据了相当大的比重。因此,如何高效地传输视频内容已成为当前面临的一个重要挑战。为了有效降低传输延迟、减轻回程压力并提升用户的体验质量,边缘缓存技术受到了广泛的关注和研究。
2、考虑到边缘节点的缓存容量有限,设计高效的内容放置方案是非常必要的。基于流行度的边缘缓存方法是一种实用且有效的策略,它能够预先缓存用户可能请求的热门视频,从而显著提高缓存的命中率。虽然早期的多数研究均假设内容的流行度服从zipf分布,但实际上,用户的位置和偏好可能会随着时间的推移而发生变化,导致内容流行度是未知且动态变化的。基于学习的流行度预测为此问题提供了解决方案,通过机器学习算法预测未来内容的流行度,边缘缓存能够更智能地适应内容的时变特性。
3、尽管基于机器学习的流行预测算法在边缘缓存领域取得了显著的成功,但集中式的机器学习算法可能需要收集或共享用户数据,这对用户隐私泄露构成了一定的威胁。对于隐私敏感的用户而言,他们可能不愿意贡献个人数据用于模型训练,这也将会对整体预测精度造成不利影响。
4、因此,有必要改善上述相关技术方案中存在的一个或者多个问题。
5、需要注意的是,本部分旨在为权利要求书中陈述的本公开的技术方案提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
技术实现思
1、本公开实施例的目的在于提供一种面向可扩展视频的流行度预测及内容缓存方法,进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。
2、根据本公开实施例的第一方面,提供一种面向可扩展视频的流行度预测及内容缓存方法,按照以下步骤实施:
3、构建无线缓存网络模型,无线缓存网络模型包括:云中心、若干个边缘节点和若干个用户终端;云中心包括:计算服务器、控制服务器和内容服务器;
4、通过基于联邦学习的流行度预测算法,对用户终端请求的视频文件的流行度以及观看质量的流行度进行预测,得到预测结果;
5、通过基于svc的内容缓存策略,将视频文件划分为若干svc层,根据预测结果获得svc层的请求概率,边缘节点再对svc层进行缓存并在用户请求时进行传输。
6、本公开的一实施例中,通过基于联邦学习的流行度预测算法,对用户终端请求的视频文件的流行度以及观看质量的流行度进行预测,得到预测结果,按照以下步骤实施:
7、根据用户对隐私的敏感程度,将用户终端分为隐私敏感用户终端和隐私不敏感用户终端;隐私敏感用户终端在联邦学习任务中可视为是一个边缘节点;隐私不敏感用户终端在联邦学习任务中将训练任务卸载到距离最近一个边缘节点;
8、本地模型训练:边缘节点利用原始数据,完成本地模型的训练,得到本地模型并将其发送至计算服务器;
9、全局模型聚合:计算服务器将收集到的本地模型进行聚合,生成全局模型,并下发给边缘节点;
10、利用协同滤波算法对视频文件以及观看质量的请求概率进行预测。
11、本公开的一实施例中,本地模型训练按照以下步骤实施:
12、边缘节点通过堆叠自编码器提取视频文件和用户终端的重要特征;
13、边缘节点根据初始化全局模型确定第一轮本地模型;初始化全局模型记为w0;边缘节点记为n;第一轮本地模型记为
14、确定更新后的本地模型并上传,如公式(1)所示:
15、
16、边缘节点n第t轮的本地模型为更新后的本地模型
17、本公开的一实施例中,确定全局模型,如公式(2)所示:
18、
19、式中,wt为全局模型;wt-1为第t-1轮的全局模型,ηt为第t轮的学习率;nt为第t轮的参与训练任务的边缘节点数量。
20、本公开的一实施例中,利用协同滤波算法对视频文件以及观看质量的请求概率进行预测,按照以下方法实施:
21、利用边缘节点通过堆叠自编码器提取视频文件和用户终端的重要特征,得到内容相似度矩阵和用户相似度矩阵;
22、随机选择一名用户终端,并通过用户终端相似度矩阵找到该用户终端的若干个邻居;用户终端及其若干个邻居的自编码器输出构成矩阵,并利用矩阵进行协同滤波;
23、计算并得到视频文件以及观看质量的请求概率。
24、本公开的一实施例中,通过基于svc的内容缓存策略,将视频文件划分为若干svc层,根据预测结果获得svc层的请求概率,边缘节点再对svc层进行缓存并在用户请求时进行传输,按照以下方法实施:
25、利用可扩展视频编码技术将视频文件划分为若干svc层,对应若干个不同的质量等级,第一层为基础层,其余均为增强层,用户终端可以根据需求解码不同数量的svc层,以获得不同质量等级的视频文件;
26、通过视频文件以及观看质量的请求概率获得svc层的请求概率;
27、边缘节点依据svc层的受欢迎程度对其进行缓存,如果边缘节点缓存了用户终端所请求的内容,则直接传输给用户终端,否则,将从内容服务器进行下载再传输给用户终端。
28、本公开的一实施例中,svc层的请求概率的计算公式如公式(3)所示:
29、
30、式中,λm,l表示是视频m第l层的请求概率,pm表示是视频m的请求概率,gm,l表示的是视频m第l个质量等级的请求概率。
31、本公开的实施例提供的技术方案可以包括以下有益效果:
32、本公开的实施例中,本专利技术采用基于联邦学习的流行度预测方法,在保障用户隐私的同时,还提高了缓存命中率;采用基于svc的层缓存策略,充分考虑用户多样化的观看需求,改善了用户的服务质量。
本文档来自技高网...【技术保护点】
1.一种面向可扩展视频的流行度预测及内容缓存方法,其特征在于,按照以下步骤实施:
2.根据权利要求1所述的一种面向可扩展视频的流行度预测及内容缓存方法,其特征在于,所述通过基于联邦学习的流行度预测算法,对所述用户终端请求的视频文件的流行度以及观看质量的流行度进行预测,得到预测结果,按照以下步骤实施:
3.根据权利要求2所述的一种面向可扩展视频的流行度预测及内容缓存方法,其特征在于,所述本地模型训练按照以下步骤实施:
4.根据权利要求3所述的一种面向可扩展视频的流行度预测及内容缓存方法,其特征在于,确定全局模型,如公式(2)所示:
5.根据权利要求4所述的一种面向可扩展视频的流行度预测及内容缓存方法,其特征在于,所述利用协同滤波算法对视频文件以及观看质量的请求概率进行预测,按照以下方法实施:
6.根据权利要求5所述的一种面向可扩展视频的流行度预测及内容缓存方法,其特征在于,所述通过基于SVC的内容缓存策略,将所述视频文件划分为若干SVC层,根据所述预测结果获得所述SVC层的请求概率,边缘节点再对所述SVC层进行缓存并在用户
7.根据权利要求6所述的一种面向可扩展视频的流行度预测及内容缓存方法,其特征在于,所述SVC层的请求概率的计算公式如公式(3)所示:
...【技术特征摘要】
1.一种面向可扩展视频的流行度预测及内容缓存方法,其特征在于,按照以下步骤实施:
2.根据权利要求1所述的一种面向可扩展视频的流行度预测及内容缓存方法,其特征在于,所述通过基于联邦学习的流行度预测算法,对所述用户终端请求的视频文件的流行度以及观看质量的流行度进行预测,得到预测结果,按照以下步骤实施:
3.根据权利要求2所述的一种面向可扩展视频的流行度预测及内容缓存方法,其特征在于,所述本地模型训练按照以下步骤实施:
4.根据权利要求3所述的一种面向可扩展视频的流行度预测及内容缓存方法,其特征在于,确定全局模型,如公式(2)所示:
5....
【专利技术属性】
技术研发人员:张雪薇,张煜,任远,姜静,王军选,
申请(专利权)人:西安邮电大学,
类型:发明
国别省市:
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。