CN105338088B - 一种移动p2p网络缓存替换方法 - Google Patents

Abstract

本发明公开了一种基于数据相关性的移动P2P网络缓存替换方法，其特征在于，通过分析缓存中数据对象之间的相关性、数据重要程度、以及数据信息素浓度等，综合计算出缓存数据的价值，选取价值最低的数据替换出缓存。与现有技术相比，本发明充分考虑了数据之间的相关性，能有效提高缓存命中率，减少缓存抖动。

Description

一种移动P2P网络缓存替换方法

技术领域

本发明涉及移动P2P网络技术领域，尤其涉及一种移动P2P网络缓存替换方法。

背景技术

移动P2P网络(Mobile Peer-to-Peer Networks,MP2P)是近年来新兴的移动数据传输方式，主要用于在无基础设施支持的移动环境中数据传输和资源共享，在军事战场、灾难救援等领域具有十分广阔的应用前景，尤其对于电力企业来讲，在电力抢险、救灾现场、以及电力企业野外施工等缺乏基础设施支持的环境下，可以利用移动P2P网络进行人员间的通信和资源的共享等，因此，移动P2P网络研究工作具有十分重要的理论价值与现实意义。然而，由于移动P2P网络具有节点移动性强、无线通信环境不稳定以及节点能量有限等特点给移动计算环境中数据的组织与数据传输带来极大的挑战。因此，如何提高用户数据访问效率、降低数据访问代价是移动P2P网络研究的重要内容。

缓存替换是指当节点缓存空间已满时，有新的数据到来时，节点应按照何种方法将缓存中的数据替换出去。研究表明,缓存技术能够显著降低移动用户数据访问时延，从而提高整个移动P2P***工作效率。已有的多数缓存替换方法，通常仅考虑缓存数据大小、使用频率等简单因素，而没有考虑数据之间的相关性，而实际情况是用户访问的数据之间往往存在着一定的联系，即所访问的数据之间具有一定的相关性，因此，重视数据之间的相关性，提高缓存命中率，对提高移动P2P网络整体工作效率具有重要意义。

发明内容

有鉴于此，本发明提供一种基于兴趣-相关度的移动P2P网络缓存替换方法，用以解决现有的缓存替换方法对用户数据相关度考虑不足而导致缓存命中率较低的问题。

本发明公开了一种基于数据相关度的移动P2P网络缓存替换方法，通过综合考虑缓存中数据的相关度、重要程度以及信息素浓度等因素，计算缓存中数据的价值，当需要执行替换时，将价值最小的数据替换出缓存。

一种基于数据相关度的缓存替换方法，其特征在于，包括以下步骤：

步骤S100，当有新的数据需要缓存时，节点首先判断缓存中是否有足够的缓存空间，有则转步骤S400；否则，转步骤S200；

步骤S200，计算缓存中数据对象的价值；

步骤S300，将价值最低的数据替换出缓存；

步骤S400，将新的数据存入缓存中。

该方法充分考虑了用户数据访问特性，从数据相关性的角度，提出新的缓存替换方法，从而能有效的提高缓存命中率，减少缓存抖动。通过对本发明的实施例进行详细说明，本发明的这些以及其他优点将更加明显。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面通过具体实施例对本发明的技术方案做进一步地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例提供一种基于数据相关度的移动P2P网络缓存替换方法，包括以下步骤：

步骤S100，当有新的数据数据需要缓存时，节点首先判断缓存中是否还有剩余空间，能够容纳该数据，如果有足够的缓存空间，则转步骤S400；否则，如果没有足够的缓存空间，则转步骤S200。

步骤S200，计算缓存中的数据对象的价值。

步骤S210，计算两个数据d_k和d_l之间的兴趣-相关度，建立兴趣-相关度矩阵。

首先，定义节点n_i对数据对象d_k的兴趣度，兴趣度是指节点对数据对象感兴趣的程度，通过节点n_i对数据对象d_k的访问频率来衡量，节点n_i对数据d_k的兴趣度计算公式为：

其中，n_i为网络中第i个节点，d_k为网络中第k个数据对象，其值越大，说明节点n_i对数据对象d_k越感兴趣。

然后，定义数据对象d_k与d_l的兴趣-相关度R(d_k,d_l)，定义为：

其中，分别为网络中所有节点对数据对象d_k和d_l的兴趣-相关度的平均值，p为网络中移动节点个数，R(d_k,d_l)值越大，表示数据对象d_k与d_l的兴趣-相关度越高，反之表示相关度越低。

再次，根据兴趣-相关度定义，可以计算出数据对象之间的兴趣-相关度，建立兴趣-相关度矩阵：对于网络中的全部数据对象建立兴趣-相关度矩阵，矩阵中第k行第l列的值代表数据对象d_k和d_l的兴趣-相关度；

步骤S220，为进入缓存中的数据对象d_k定义一个信息素值数据对象d_k的信息素浓度会随着时间推移，逐渐挥发；数据对象的信息素会定期进行更新，数据对象d_k每命中一次，则信息素浓度得到增加；若数据对象d_k一直没有被再次命中，则随着时间推移，其信息素浓度越来越弱；新进入缓存中数据对象d_k的信息素初始浓度值为1，ρ为一个取值范围在0到1之间的常数，表示信息素的保留部分，(1-ρ)表示信息素挥发程度，x为距离上一次被访问的时间间隔，对数据对象d_k的信息素进行更新，具体公式为：

步骤S230，计算数据对象d_k的重要度计算公式为：

其中Size(d_k)表示数据对象d_k的大小，表示数据对象d_k在t时刻被访问的总次数，数据对象d_k的重要度与数据对象大小成反比，与访问次数成正比。

步骤S240，计算两个数据对象d_k和d_l的支持度Sup(d_k,d_l)，计算公式为：

Sup(d_k,d_l)值越大，说明数据对象d_k和d_l同时出现的概率越高，其相关性就越高。

步骤S250，计算两个数据对象d_k和d_l的置信度Con(d_k,d_l)，计算公式为：

若置信度为100％，则说明数据对象d_k和d_l可以捆绑缓存，反之，若置信度较低，则说明这两个数据对象之间的关联性不大。

步骤S260，计算数据对象d_k在t时刻的缓存价值函数计算公式为：

其中，d_v为新到的第v个数据对象，D_r为除d_v之外新到的全部数据集合，α,β,γ分别为数据相关度、数据重要性、以及数据信息素在价值函数所占的重要程度，α,β,γ∈[0,1]，且α+β+γ＝1。

步骤S300，将价值最低的数据替换出缓存。

步骤S400，将新的数据存入缓存中。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (1)

1.一种基于数据相关度的缓存替换方法，其特征在于，包括以下步骤：

步骤S100，当有新的数据需要缓存时，节点首先判断缓存中是否有足够的缓存空间，有则转步骤S400；否则，转步骤S200；

步骤S200，计算缓存中数据对象的价值；

步骤S300，将价值最低的数据替换出缓存；

步骤S400，将新的数据存入缓存中；

其中，所述步骤S200包括以下步骤：

步骤S210，n_i为网络中第i个节点，d_k为网络中第k个数据，节点n_i对数据d_k的兴趣度计算公式为：

数据对象d_k与d_l的兴趣-相关度R(d_k,d_l)定义为：

其中，分别为网络中所有节点对数据对象d_k和d_l的兴趣-相关度的平均值，p为网络中移动节点个数；

根据兴趣-相关度的定义，计算数据对象之间的兴趣-相关度，建立兴趣-相关度矩阵；

步骤S220，为进入缓存中的数据对象d_k定义一个信息素浓度信息素浓度定期更新，具体更新公式为：

其中ρ为一个取值范围在0到1之间的常数，表示信息素的保留部分，(1-ρ)表示信息素挥发程度，x为距离上一次被访问的时间间隔；

步骤S230，计算数据对象d_k的重要程度计算公式为：

其中Size(d_k)表示数据对象d_k的大小，表示数据对象d_k在t时刻被访问的总次数；

步骤S240，计算两个数据对象d_k和d_l的支持度Sup(d_k,d_l)，计算公式为：

步骤S250，计算两个数据对象d_k和d_l的置信度Con(d_k,d_l)，计算公式为：

步骤S260，计算缓存中第u个数据对象d_u在t时刻的缓存价值函数计算公式为：

其中，d_v为新到的第v个数据对象，D_r为除d_v之外新到的全部数据集合，α,β,γ分别为数据相关度、数据重要性、以及数据信息素在价值函数所占的重要程度，α,β,γ∈[0,1]，且α+β+γ＝1。