本發(fā)明涉及一種智能交通系統(tǒng)緩存方法，具體涉及一種基于動(dòng)態(tài)內(nèi)容流行度的邊緣協(xié)作緩存方法。

背景技術(shù)：

1、車聯(lián)網(wǎng)是5g網(wǎng)絡(luò)的基礎(chǔ)范式，其中車輛邊緣網(wǎng)絡(luò)(vehicle?edge?network，ven)由大量的車輛和路邊單元(road?side?unit，rsu)組成，車輛邊緣網(wǎng)絡(luò)為智能交通系統(tǒng)(intelligent?transportation?system，its)中的車輛用戶提供了舒適可靠的服務(wù)，如智能路徑規(guī)劃、車載多媒體服務(wù)以及多車輛協(xié)同自動(dòng)駕駛等，這些多元化的車載應(yīng)用需要大量的互聯(lián)網(wǎng)數(shù)據(jù)，其中模型應(yīng)用還對(duì)時(shí)延有高敏感性,當(dāng)數(shù)據(jù)流量過(guò)大時(shí)，常常會(huì)導(dǎo)致高時(shí)延和高網(wǎng)絡(luò)負(fù)載。

2、為了解決數(shù)據(jù)流量過(guò)大導(dǎo)致的用戶體驗(yàn)下降和車聯(lián)網(wǎng)傳輸存在高時(shí)延的問(wèn)題，在its中逐步引入了移動(dòng)邊緣計(jì)算(mobile?edge?computing，mec)，mec是一種基于移動(dòng)通信網(wǎng)絡(luò)的全新分布式計(jì)算方式，通過(guò)將其帶到網(wǎng)絡(luò)邊緣來(lái)擴(kuò)展云計(jì)算的功能，還可以看作是一個(gè)運(yùn)行在移動(dòng)通信網(wǎng)絡(luò)邊緣的、運(yùn)行特定任務(wù)的邊緣服務(wù)器；因此，mec是5g通信的關(guān)鍵技術(shù)之一，能夠動(dòng)態(tài)獲取實(shí)時(shí)數(shù)據(jù)并處理。

3、在車聯(lián)網(wǎng)中，用戶需求的內(nèi)容往往需要提前部署在路側(cè)設(shè)備中而不是依賴邊緣計(jì)算的實(shí)時(shí)性，這將降低邊緣設(shè)備算力的壓力，因此采取邊緣緩存是目前更為可靠的提高用戶體驗(yàn)的方式。邊緣緩存是邊緣計(jì)算的一種新興關(guān)鍵技術(shù)，它將its中的計(jì)算資源緩存到離用戶更近的邊緣側(cè)，將內(nèi)容提前緩存至rsu中，從而降低車輛和緩存設(shè)備之間的傳輸成本。邊緣緩存可以通過(guò)在無(wú)線接入網(wǎng)絡(luò)上提供存儲(chǔ)功能來(lái)緩解回程帶寬的高需求，大幅度減少了場(chǎng)景中的多設(shè)備間頻繁通信，降低了多設(shè)備間內(nèi)容傳輸時(shí)延。

4、現(xiàn)有的邊緣緩存技術(shù)，受到邊緣服務(wù)器的存儲(chǔ)能力限制，不能存儲(chǔ)較多的有效內(nèi)容，也不能保證多設(shè)備間信息傳輸?shù)臅r(shí)效性。對(duì)于rsu的緩存內(nèi)容，現(xiàn)有方式大多是通過(guò)車輛的歷史數(shù)據(jù)或內(nèi)容請(qǐng)求頻率制定緩存策略，然而，這將導(dǎo)致部分用戶偏好內(nèi)容被忽略，出現(xiàn)不均衡的服務(wù)。

5、基于上述問(wèn)題，考慮如何提高緩存效率是必要的。多設(shè)備協(xié)作緩存可以有效提高緩存效率，具體方式是相互合作的緩存設(shè)備共同服務(wù)于用戶，且多設(shè)備間可以轉(zhuǎn)發(fā)全部用戶請(qǐng)求信息，采用適當(dāng)?shù)乃惴梢允苟嘣O(shè)備協(xié)作緩存性能顯著提高。因此，如何突破硬件限制，采用軟件優(yōu)化算法來(lái)提高邊緣緩存效率對(duì)提高用戶體驗(yàn)具有重要的意義。

6、目前，已經(jīng)有許多研究更高效邊緣緩存策略的相關(guān)工作，以主動(dòng)緩存為例，su等人在“an?edge?caching?scheme?to?distribute?content?in?vehicular?networks”【inieeetrans.veh.technol.,vol.67,no.6,pp.5346-5356,2018】中提出了車輛和rsu的協(xié)作緩存方案，對(duì)于兩種節(jié)點(diǎn)中的內(nèi)容，發(fā)出請(qǐng)求的用戶主要根據(jù)內(nèi)容獲取時(shí)延來(lái)計(jì)算節(jié)點(diǎn)位置，并且考慮到節(jié)點(diǎn)的緩存容量有限，對(duì)rsu提出了一種基于交叉熵的動(dòng)態(tài)緩存策略；zhang等人在“optimal?probabilistic?caching?in?heterogeneous?iot?networks”【in?ieeeinternet?things?j.,vol.7,no.4,pp.3404-3414,2020】考慮基于隨機(jī)幾何的概率緩存來(lái)提高回程鏈路的卸載率，并提出了一種改進(jìn)的緩存概率轉(zhuǎn)換算法以獲得封閉式解。mehrizi等人在“popularity?tracking?for?proactive?content?caching?with?dynamic?factoranalysis”【in2019?ieee/cic?international?conference?on?communications?in?china(iccc),changchun,china,2019】中開發(fā)了一個(gè)概率動(dòng)態(tài)模型來(lái)預(yù)測(cè)內(nèi)容流行度，并使用緩存替換獲得了最小化網(wǎng)絡(luò)成本。上述文獻(xiàn)模型是基于傳統(tǒng)zipf分布來(lái)緩存內(nèi)容，并沒(méi)有同時(shí)考慮用戶不同內(nèi)容流行度的偏好和多設(shè)備間的協(xié)作緩存。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是解決現(xiàn)有車聯(lián)網(wǎng)邊緣緩存技術(shù)存在緩存效率低，而高效邊緣緩存策略并未同時(shí)考慮用戶不同內(nèi)容流行度偏好和多設(shè)備間協(xié)作緩存的技術(shù)問(wèn)題，提供了一種基于動(dòng)態(tài)內(nèi)容流行度的邊緣協(xié)作緩存方法。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、一種基于動(dòng)態(tài)內(nèi)容流行度的邊緣協(xié)作緩存方法，其特殊之處在于，包括以下步驟：

4、1)將movielens中的數(shù)據(jù)作為訓(xùn)練集，并將車輛采集的用戶請(qǐng)求內(nèi)容進(jìn)行重處理整合后作為測(cè)試集；所述訓(xùn)練集與測(cè)試集的數(shù)據(jù)類型維度相同；

5、2)建立lstm-attention網(wǎng)絡(luò)模型；

6、3)利用訓(xùn)練集訓(xùn)練lstm-attention網(wǎng)絡(luò)模型，再利用測(cè)試集測(cè)試訓(xùn)練后的lstm-attention網(wǎng)絡(luò)模型，獲得動(dòng)態(tài)內(nèi)容流行度模型；

7、4)將車輛進(jìn)行聚類，得到聚類中心和聚類數(shù)量，并將聚類中心作為具備緩存能力的車輛節(jié)點(diǎn)，聚類數(shù)量作為具備緩存能力的車輛節(jié)點(diǎn)數(shù)量；

8、5)利用動(dòng)態(tài)內(nèi)容流行度模型得到內(nèi)容向量，并將內(nèi)容向量作為緩存內(nèi)容庫(kù)；將具備緩存能力的車輛節(jié)點(diǎn)及路邊單元的邊緣服務(wù)器作為智能體，智能體利用緩存內(nèi)容庫(kù)中的內(nèi)容向量進(jìn)行多智能體強(qiáng)化學(xué)習(xí)，獲得邊緣緩存決策方案；

9、6)將邊緣緩存決策方案分別輸入具備緩存能力的車輛節(jié)點(diǎn)和不具備緩存能力的其余車輛節(jié)點(diǎn)中；

10、當(dāng)具備緩存能力的車輛節(jié)點(diǎn)請(qǐng)求內(nèi)容時(shí)，由遠(yuǎn)端服務(wù)器直接將請(qǐng)求內(nèi)容反饋給具備緩存能力的車輛節(jié)點(diǎn)，完成動(dòng)態(tài)內(nèi)容流行度的邊緣協(xié)作緩存；

11、當(dāng)不具備緩存能力的其余車輛節(jié)點(diǎn)請(qǐng)求內(nèi)容時(shí)，由具備緩存能力的車輛節(jié)點(diǎn)及路邊單元的邊緣服務(wù)器判斷請(qǐng)求內(nèi)容是否已經(jīng)緩存，若已經(jīng)緩存，則直接將請(qǐng)求內(nèi)容反饋給不具備緩存能力的其余車輛節(jié)點(diǎn)，完成動(dòng)態(tài)內(nèi)容流行度的邊緣協(xié)作緩存；否則，具備緩存能力的車輛節(jié)點(diǎn)或路邊單元的邊緣服務(wù)器立即觸發(fā)遠(yuǎn)端服務(wù)器，由遠(yuǎn)端服務(wù)器直接將請(qǐng)求內(nèi)容傳輸給不具備緩存能力的其余車輛節(jié)點(diǎn)，完成動(dòng)態(tài)內(nèi)容流行度的邊緣協(xié)作緩存。

12、進(jìn)一步地，步驟5)具體為：

13、5.1、利用動(dòng)態(tài)內(nèi)容流行度模型得到內(nèi)容向量，并將內(nèi)容向量作為緩存內(nèi)容庫(kù)；將具備緩存能力的車輛節(jié)點(diǎn)及路邊單元的邊緣服務(wù)器作為智能體；

14、5.2、智能體利用緩存內(nèi)容庫(kù)中的內(nèi)容向量進(jìn)行多智能體強(qiáng)化學(xué)習(xí)；所述智能體采用狀態(tài)和動(dòng)作進(jìn)行表示；其狀態(tài)sg表示為：

15、sg＝{h,fi,l,cr}

16、式中，h表示第g個(gè)智能體的緩存內(nèi)容，fi為緩存內(nèi)容庫(kù)，i為緩存內(nèi)容庫(kù)中的內(nèi)容編號(hào)，l為智能體在整個(gè)環(huán)境中所處的位置，cr為剩余緩存容量；

17、其動(dòng)作ag采用二進(jìn)制，表示為：

18、ag＝{m,c}

19、式中，m＝1表示智能體通過(guò)簇頭與簇頭之間傳輸來(lái)獲取請(qǐng)求的內(nèi)容，m＝0表示智能體通過(guò)簇頭與路邊單元之間傳輸來(lái)獲取請(qǐng)求的內(nèi)容；c＝1表示請(qǐng)求的內(nèi)容已經(jīng)被緩存，c＝0則表示請(qǐng)求內(nèi)容未被緩存；

20、5.3、利用actor-critic網(wǎng)絡(luò)訓(xùn)練所有智能體，并使每個(gè)智能體獨(dú)立作出決策；

21、所述智能體的actor網(wǎng)絡(luò)中采取的緩存行動(dòng)ag記為：

22、ag＝π(og；θg)

23、式中，og為中央控制器上的觀測(cè)向量，π為智能體的決策集合，θg為智能體的決策參數(shù)；

24、所述智能體的critic網(wǎng)絡(luò)的狀態(tài)-動(dòng)作函數(shù)記為：

25、

26、5.4、根據(jù)步驟5.2中所述智能體在狀態(tài)sg時(shí)采取動(dòng)作ag與步驟5.3所得的決策，得到獎(jiǎng)勵(lì)函數(shù)υt[sg,ag]為：

27、

28、式中，g為緩存內(nèi)容獲取總時(shí)延減少量，plt為負(fù)常數(shù)，ci為緩存內(nèi)容庫(kù)中第i個(gè)內(nèi)容的大小，ri為決策向量，cmax為最大緩存容量；

29、5.5、迭代累積獎(jiǎng)勵(lì)函數(shù)獲得最大獎(jiǎng)勵(lì)值r，利用最大獎(jiǎng)勵(lì)值r獲得邊緣緩存決策方案；

30、

31、式中，δt為不同階段獎(jiǎng)勵(lì)函數(shù)的折扣因子，maxe為獎(jiǎng)勵(lì)值的最大數(shù)學(xué)期望。

32、進(jìn)一步地，步驟5.3中，所述actor-critic網(wǎng)絡(luò)的參數(shù)更新方法為策略梯度算法，所述策略梯度算法梯度為：

33、

34、式中，es,a為累計(jì)期望獎(jiǎng)勵(lì)策略梯度值，m為經(jīng)驗(yàn)重放池，為actor網(wǎng)絡(luò)的狀態(tài)動(dòng)作-函數(shù)策略梯度，為actor網(wǎng)絡(luò)的狀態(tài)-動(dòng)作函數(shù)，μg為決策集合。

35、進(jìn)一步地，步驟2)具體為：

36、2.1、引入rnn模型，并對(duì)rnn模型引入四個(gè)門控單元，獲得lstm模型；所述四個(gè)門控單元為遺忘門、輸入門、狀態(tài)門和輸出門；

37、2.2、引入attention模型，根據(jù)用戶在不同時(shí)刻t的請(qǐng)求內(nèi)容，計(jì)算attention模型中每個(gè)過(guò)去隱藏狀態(tài)hj與當(dāng)前隱藏狀態(tài)ht的相似度得分etj：

38、etj＝tanh(wjhj+uhht-1+batt)

39、式中，時(shí)刻j＝1，2，…，t-1；wj，uh與batt均為attention模型的參數(shù)；

40、2.3、采用softmax函數(shù)將相似度得分etj進(jìn)行歸一化，得到注意力權(quán)重atj：

41、atj＝softmax(etj)；

42、2.4、根據(jù)注意力權(quán)重atj對(duì)過(guò)去隱藏狀態(tài)hj進(jìn)行加權(quán)求和，得到上下文向量

43、

44、2.5、將上下文向量輸入到lstm模型中，獲得lstm-attention網(wǎng)絡(luò)模型。

45、進(jìn)一步地，步驟3)具體為：

46、3.1、采用隨機(jī)梯度下降算法優(yōu)化lstm-attention網(wǎng)絡(luò)模型；

47、3.2、將訓(xùn)練集的數(shù)據(jù)按照五個(gè)維度輸入優(yōu)化后的lstm-attention網(wǎng)絡(luò)模型；

48、3.3、再利用測(cè)試集測(cè)試優(yōu)化后的lstm-attention網(wǎng)絡(luò)模型，獲得動(dòng)態(tài)內(nèi)容流行度模型。

49、進(jìn)一步地，步驟4)具體為：

50、4.1、利用遺傳算法優(yōu)化的k-means聚類；

51、4.1.1、根據(jù)車輛速度和位置，確定具備緩存能力的車輛節(jié)點(diǎn)與其余車輛節(jié)點(diǎn)，最小化車輛到其所在聚類中心的距離之和，得到初始的k個(gè)聚類及k個(gè)聚類中心；

52、所述車輛與所在聚類中心總距離e為：

53、

54、式中，xk為第k個(gè)聚類位置，xc為聚類中心位置；

55、4.1.2、將遺傳算法的性能指標(biāo)衡量適應(yīng)度函數(shù)，其適應(yīng)度值fs為：

56、

57、式中，n表示車輛的數(shù)量，τv2v為車輛之間的單程通信時(shí)延，τv2i為車輛與路邊單元之間的單程通信時(shí)延；

58、4.1.3、將k個(gè)聚類中心作為遺傳算法的種群內(nèi)個(gè)體，對(duì)種群內(nèi)個(gè)體編碼及選擇操作后，得到新種群，之后將新種群內(nèi)個(gè)體進(jìn)行選擇、交叉和變異操作，直至迭代到最大迭代次數(shù)或適應(yīng)度函數(shù)達(dá)到最優(yōu)值，完成k-means聚類優(yōu)化；

59、其中種群內(nèi)個(gè)體xi的選擇概率、交叉概率pc、變異概率pm分別為：

60、

61、

62、

63、上式中，f(xk)為種群內(nèi)個(gè)體的適應(yīng)度函數(shù)值，k1為交叉系數(shù)，k2為變異系數(shù)，fs為適應(yīng)度值，fmax為給定最大適應(yīng)度值，fs′為種群內(nèi)個(gè)體的最大適應(yīng)度值；

64、4.2、根據(jù)車輛速度和位置，利用優(yōu)化后的k-means聚類得到聚類中心和聚類數(shù)量，并將聚類中心作為具備緩存能力的車輛節(jié)點(diǎn)，聚類數(shù)量作為具備緩存能力的車輛節(jié)點(diǎn)數(shù)量。

65、進(jìn)一步地，步驟3)中，所述lstm-attention網(wǎng)絡(luò)模型采用adam優(yōu)化器。

66、本發(fā)明的有益效果：

67、1、本發(fā)明一種基于動(dòng)態(tài)內(nèi)容流行度的邊緣協(xié)作緩存方法，在車聯(lián)網(wǎng)場(chǎng)景中提高了用戶請(qǐng)求內(nèi)容服務(wù)體驗(yàn)，用戶請(qǐng)求內(nèi)容不依賴于遠(yuǎn)端內(nèi)容服務(wù)器，而是將請(qǐng)求內(nèi)容在路邊單元所配備的邊緣服務(wù)器中提前部署，當(dāng)用戶在經(jīng)過(guò)相應(yīng)的路邊單元覆蓋范圍中時(shí)，可以直接獲取需要的內(nèi)容，這樣可以有效縮短傳輸時(shí)延、節(jié)約緩存成本。

68、2、本發(fā)明一種基于動(dòng)態(tài)內(nèi)容流行度的邊緣協(xié)作緩存方法，提出的基于遺傳算法優(yōu)化的k-means聚類算法可以有效地改善傳統(tǒng)k-means算法不能快速確定聚類中心的缺陷，該方法在多節(jié)點(diǎn)場(chǎng)景劃分中具有一定的普適性，且算法收斂速度相較于k-means算法提高了78％。

69、3、本發(fā)明一種基于動(dòng)態(tài)內(nèi)容流行度的邊緣協(xié)作緩存方法，考慮了不同用戶的偏好，提出的動(dòng)態(tài)內(nèi)容流行度預(yù)測(cè)模型可以改善傳統(tǒng)內(nèi)容流行度不能滿足廣泛車聯(lián)網(wǎng)用戶內(nèi)容請(qǐng)求需求的問(wèn)題，考慮歷史請(qǐng)求內(nèi)容信息中的數(shù)據(jù)挖掘，有效預(yù)測(cè)用戶偏好，從而提供更好的服務(wù)。

70、4、本發(fā)明一種基于動(dòng)態(tài)內(nèi)容流行度的邊緣協(xié)作緩存方法，提出的動(dòng)態(tài)內(nèi)容流行度模型，考慮了將具備緩存能力的車輛節(jié)點(diǎn)與路邊單元的邊緣服務(wù)器作為智能體(即緩存節(jié)點(diǎn))，能夠在有限的緩存容量中，更好的發(fā)揮緩存設(shè)備的性能。