CN107592656B - 基于基站聚类的缓存方法 - Google Patents
基于基站聚类的缓存方法 Download PDFInfo
- Publication number
- CN107592656B CN107592656B CN201710704882.3A CN201710704882A CN107592656B CN 107592656 B CN107592656 B CN 107592656B CN 201710704882 A CN201710704882 A CN 201710704882A CN 107592656 B CN107592656 B CN 107592656B
- Authority
- CN
- China
- Prior art keywords
- base station
- content
- class
- base stations
- clustering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于基站聚类的缓存方法,首先收集并分析密集基站网络下各个基站服务用户的历史请求,基于这些历史请求,对基站进行聚类处理,每个类内各个基站服务的用户有相似的兴趣;同时结合推荐***领域当中的协作滤波对各个基站的缓存内容进行决策;采用基于聚类的协作滤波能有效改善算法的可扩展性和数据稀疏性。本发明将内容的局部流行度和TOP N协作滤波***进行组合,有效的提高了基站的缓存命中率,能有效解决基站有限的缓存容量和不断增长的海量数据之间的矛盾,从而改善用户满意度和网络回程负载。
Description
技术领域
本发明涉及移动通信***技术领域,尤其是一种基于基站聚类的缓存方法。
背景技术
为了应对海量数据增长带来的对***容量的挑战,一种有效的方案是在基站上部署缓存,若用户请求内容在缓存中,基站直接通过无线链路传输该内容;否则需经由回程链路从核心网中获取。基站主动存储是在请求未到达之前将内容存储在基站中,可以减小回传链路的流量,进而缓解蜂窝***中的流量负载,改善***的性能。本发明通过对历史请求进行分析,给出一种基于基站聚类的缓存策略。
发明内容
本发明所要解决的技术问题在于,提供一种基于基站聚类的缓存方法,能够大大提高缓存命中率,有效缓解回程链路负载,提高用户满意度。
为解决上述技术问题,本发明提供一种基于基站聚类的缓存方法,包括如下步骤:(1)首先考虑基站聚类的问题;统计过去一段时间每个基站服务用户关于内容的请求频数,对于每个基站,将其服务用户对每个内容的请求频数作为这个基站的特征,采用k-means聚类对基站进行聚类,每个类的基站所服务的用户有相似的兴趣爱好,也就是请求的内容有很多相似的地方;
(2)基于基站的Top N协作滤波推荐***利用基站间的相似性预测基站覆盖用户未请求的内容;
(3)给定第一步中的每个类,根据类中内容流行度的分布,同时结合对每个类进行协作滤波对基站进行有针对性的缓存,确定每个基站所缓存的内容。
优选的,步骤(1)中具体的基站聚类包括如下步骤:
(11)根据过去一段时间的历史请求信息,通过核心网对数据的分析,得到内容流行度矩阵其中矩阵中的每个元素pm,f代表基站m所服务的用户对内容f的请求频数,将内容的请求频数作为基站的特征,矩阵P的每一行pm表示一个F维的向量,代表了一个基站的特征向量;
(15)重复(13),(14)直到ci的变化小于给定阈值,最终得到k类,H1,...,Hk,每个基站属于其中的一个类。
优选的,步骤(2)中,类内基于基站协作滤波具体包括如下步骤:
基站mi和基站mj属于同一个类,T(mi)和T(mj)分别表示基站mi和基站mj所服务的用户访问内容的集合;T(f)表示访问过内容f的基站的集合;
(22)根据(21)可以得到与基站mi最相近的基站的集合S(mi,G),则基站mi所服务的用户对过去一段时间从未请求过的内容f的感兴趣程度为
优选的,步骤(3)中具体缓存方式包括如下步骤:
(31)首先对每个类中的内容流行度进行分析,也就是对类中所有基站服务的用户的请求内容进行统计,按内容访问次数从高到低进行排序;
(32)每个基站m的缓存容量为Sm;η为通过类内流行度缓存的内容所占缓存容量Sm的百分比,首先对内容根据类内流行度从高到低对基站进行缓存,每次缓存内容前,检查缓存内容的总大小是否超过η*Sm,若超过,则放弃缓存;
(33)对于基站剩余的缓存容量,通过类内基于基站协作滤波的步骤(22)进行缓存,对于内容按照p(m,f)由高到低进行缓存,直至缓存内容的总量大于缓存容量。
本发明的有益效果为:本发明通过对基站进行聚类分析,提出一种基于基站聚类的缓存策略,一方面对基站服务用户的兴趣爱好能够有很好的判断,另一方面,大大减少了基站协作滤波的复杂度,提升了算法性能;本发明将内容的局部流行度和TOP N协作滤波***进行组合,有效的提高了基站的缓存命中率,能有效解决基站有限的缓存容量和不断增长的海量数据之间的矛盾,从而改善用户满意度和网络回程负载;与现有技术相比,本发明通过对基站进行聚类,将机器学习算法引入到对缓存内容的预测中,大大提高了缓存命中率,有效缓解回程链路负载,提高用户满意度。
具体实施方式
一种基于基站聚类的缓存方法,包括如下步骤:
(1)首先考虑基站聚类的问题;统计过去一段时间每个基站服务用户关于内容的请求频数,对于每个基站,将其服务用户对每个内容的请求频数作为这个基站的特征,采用k-means聚类对基站进行聚类,每个类的基站所服务的用户有相似的兴趣爱好,也就是请求的内容有很多相似的地方;
(2)基于基站的Top N协作滤波推荐***利用基站间的相似性预测基站覆盖用户未请求的内容;
(3)给定第一步中的每个类,根据类中内容流行度的分布,同时结合对每个类进行协作滤波对基站进行有针对性的缓存,确定每个基站所缓存的内容。
优选的,步骤(1)中具体的基站聚类包括如下步骤:
(11)根据过去一段时间的历史请求信息,通过核心网对数据的分析,得到内容流行度矩阵其中矩阵中的每个元素pm,f代表基站m所服务的用户对内容f的请求频数,将内容的请求频数作为基站的特征,矩阵P的每一行pm表示一个F维的向量,代表了一个基站的特征向量;
(15)重复(13),(14)直到ci的变化小于给定阈值,最终得到k类,H1,...,Hk,每个基站属于其中的一个类。
优选的,步骤(2)中,类内基于基站协作滤波具体包括如下步骤:
基站mi和基站mj属于同一个类,T(mi)和T(mj)分别表示基站mi和基站mj所服务的用户访问内容的集合;T(f)表示访问过内容f的基站的集合;
(22)根据(21)可以得到与基站mi最相近的基站的集合S(mi,G),则基站mi所服务的用户对过去一段时间从未请求过的内容f的感兴趣程度为
优选的,步骤(3)中具体缓存方式包括如下步骤:
(31)首先对每个类中的内容流行度进行分析,也就是对类中所有基站服务的用户的请求内容进行统计,按内容访问次数从高到低进行排序;
(32)每个基站m的缓存容量为Sm;η为通过类内流行度缓存的内容所占缓存容量Sm的百分比,首先对内容根据类内流行度从高到低对基站进行缓存,每次缓存内容前,检查缓存内容的总大小是否超过η*Sm,若超过,则放弃缓存;
(33)对于基站剩余的缓存容量,通过类内基于基站协作滤波的步骤(22)进行缓存,对于内容按照p(m,f)由高到低进行缓存,直至缓存内容的总量大于缓存容量。
实施例:
考虑M基站的网络部署每个基站通过回程链路连接到核心网,缓存容量为Sm,内容请求集合为每个内容的大小为L(f)。R(m)为基站m服务用户请求内容的集合,C(m)为基站m缓存内容的集合。我们定义缓存命中率如下:
我们采用如下的方式进行缓存,包括以下步骤:
(1)首先考虑基站聚类的问题,具体得是,统计过去一段时间每个基站服务用户关于内容的请求频数。对于每个基站,本专利将其服务用户对每个内容的请求频数作为这个基站的特征,采用k-means聚类对基站进行聚类,每个类的基站所服务的用户有相似的兴趣爱好,也就是请求的内容有很多相似的地方。
(2)基于基站的Top N协作滤波推荐***利用基站间的相似性预测基站覆盖用户未请求的内容。
(3)给定第一步中的每个类,本专利根据类中内容流行度的分布,同时结合对每个类进行协作滤波对基站进行有针对性的缓存,确定每个基站所缓存的内容。
步骤(1)中具体的基站聚类步骤包括
(11)根据过去一段时间的历史请求信息,通过核心网对数据的分析。我们能够得到内容流行度矩阵其中矩阵中的每个元素pm,f代表基站m所服务的用户对内容f的请求频数。将内容的请求频数作为基站的特征,矩阵P的每一行pm表示一个F维的向量,代表了一个基站的特征向量。
(15)(15)重复(13),(14)直到ci的变化小于给定阈值。最终得到k类,H1,...,Hk,每个基站属于其中的一个类。
步骤(2)基于类内基站协作滤波的具体步骤如下:
基站mi和基站mj属于同一个类,T(mi)和T(mj)分别表示基站mi基站mj所服务的用户访问内容的集合。其中T(f)表示访问过内容f的基站的集合。
(22)根据(21)可以得到与基站mi最相近的基站的集合S(mi,G),则基站mi所服务的用户对过去一段时间从未请求过的内容f的感兴趣程度为
步骤(3)中具体缓存方式如下:
(31)首先对每个类中的内容流行度(类内流行度)进行分析,也就是对类中所有基站服务的用户的请求内容进行统计。按内容访问次数从高到低进行排序。
(32)每个基站m的缓存容量为Sm。η为通过类内流行度缓存的内容所占缓存容量Sm的百分比。首先对内容根据类内流行度从高到低对基站进行缓存,每次缓存内容前,检查缓存内容的总大小是否超过η*Sm。若超过,则放弃缓存。
(33)对于基站剩余的缓存容量,通过类内基于基站协作滤波的步骤(22)进行缓存,对于内容按照p(m,f)由高到低进行缓存,直至缓存内容的总量大于缓存容量。
尽管本发明就优选实施方式进行了示意和描述,但本领域的技术人员应当理解,只要不超出本发明的权利要求所限定的范围,可以对本发明进行各种变化和修改。
Claims (1)
1.一种基于基站聚类的缓存方法,其特征在于,包括如下步骤:
(1)首先考虑基站聚类的问题;统计过去一段时间每个基站服务用户关于内容的请求频数,对于每个基站,将其服务用户对每个内容的请求频数作为这个基站的特征,采用k-means聚类对基站进行聚类,每个类的基站所服务的用户有相似的兴趣爱好,也就是请求的内容有很多相似的地方;具体的基站聚类包括如下步骤:
(11)根据过去一段时间的历史请求信息,通过核心网对数据的分析,得到内容流行度矩阵其中矩阵中的每个元素pm,f代表基站m所服务的用户对内容f的请求频数,将内容的请求频数作为基站的特征,矩阵P的每一行pm表示一个F维的向量,代表了一个基站的特征向量;
(15)重复(13),(14)直到ci的变化小于给定阈值,最终得到k类,H1,...,Hk,每个基站属于其中的一个类;
(2)基于基站的Top N协作滤波推荐***利用基站间的相似性预测基站覆盖用户未请求的内容;基于基站协作滤波具体包括如下步骤:
基站mi和基站mj属于同一个类,T(mi)和T(mj)分别表示基站mi和基站mj所服务的用户访问内容的集合;T(f)表示访问过内容f的基站的集合;
(22)根据(21)可以得到与基站mi最相近的基站的集合S(mi,G),则基站mi所服务的用户对过去一段时间从未请求过的内容f的感兴趣程度为
(3)给定第一步中的每个类,根据类中内容流行度的分布,同时结合对每个类进行协作滤波对基站进行有针对性的缓存,确定每个基站所缓存的内容;具体缓存方式包括如下步骤:
(31)首先对每个类中的内容流行度进行分析,也就是对类中所有基站服务的用户的请求内容进行统计,按内容访问次数从高到低进行排序;
(32)每个基站m的缓存容量为Sm;η为通过类内流行度缓存的内容所占缓存容量Sm的百分比,首先对内容根据类内流行度从高到低对基站进行缓存,每次缓存内容前,检查缓存内容的总大小是否超过η*Sm,若超过,则放弃缓存;
(33)对于基站剩余的缓存容量,通过类内基于基站协作滤波的步骤(22)进行缓存,对于内容按照p(m,f)由高到低进行缓存,直至缓存内容的总量大于缓存容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710704882.3A CN107592656B (zh) | 2017-08-17 | 2017-08-17 | 基于基站聚类的缓存方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710704882.3A CN107592656B (zh) | 2017-08-17 | 2017-08-17 | 基于基站聚类的缓存方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107592656A CN107592656A (zh) | 2018-01-16 |
CN107592656B true CN107592656B (zh) | 2020-12-11 |
Family
ID=61043151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710704882.3A Active CN107592656B (zh) | 2017-08-17 | 2017-08-17 | 基于基站聚类的缓存方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107592656B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108667653B (zh) * | 2018-04-17 | 2020-12-11 | 东南大学 | 超密集网络中基于聚类的缓存配置方法及装置 |
CN108600365B (zh) * | 2018-04-20 | 2020-05-22 | 西安交通大学 | 一种基于排序学习的无线异构网络缓存方法 |
CN108549719A (zh) * | 2018-04-23 | 2018-09-18 | 西安交通大学 | 一种移动边缘计算网络中基于聚类的自适应缓存方法 |
CN108738048B (zh) * | 2018-04-25 | 2021-02-26 | 杭州电子科技大学 | 一种基于遗传算法的最大化公平性基站主动存储方法 |
CN108833352B (zh) * | 2018-05-17 | 2020-08-11 | 北京邮电大学 | 一种缓存方法及*** |
CN108990111B (zh) * | 2018-06-13 | 2021-06-11 | 东南大学 | 一种内容流行度随时间变化下的基站缓存方法 |
CN109639844B (zh) * | 2019-02-26 | 2020-06-05 | 北京中投视讯文化传媒股份有限公司 | 一种基站以及基于局部流行度的内容缓存方法 |
CN112995979B (zh) * | 2021-03-04 | 2022-01-25 | 中国科学院计算技术研究所 | 一种面向用户QoE需求的无线网络缓存推荐方法 |
CN113709816B (zh) * | 2021-06-04 | 2024-03-22 | 武汉大学 | 一种基于多特征用户群体的基站协作缓存方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6651141B2 (en) * | 2000-12-29 | 2003-11-18 | Intel Corporation | System and method for populating cache servers with popular media contents |
CN103428267A (zh) * | 2013-07-03 | 2013-12-04 | 北京邮电大学 | 一种智慧缓存***及其区分用户喜好相关性的方法 |
CN104955077A (zh) * | 2015-05-15 | 2015-09-30 | 北京理工大学 | 一种基于用户体验速率的异构网络小区分簇方法及装置 |
CN106453495A (zh) * | 2016-08-31 | 2017-02-22 | 北京邮电大学 | 一种基于内容流行度预测的信息中心网络缓存方法 |
CN106714202A (zh) * | 2015-11-16 | 2017-05-24 | ***通信集团公司 | 一种网络容量优化方法及装置 |
-
2017
- 2017-08-17 CN CN201710704882.3A patent/CN107592656B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6651141B2 (en) * | 2000-12-29 | 2003-11-18 | Intel Corporation | System and method for populating cache servers with popular media contents |
CN103428267A (zh) * | 2013-07-03 | 2013-12-04 | 北京邮电大学 | 一种智慧缓存***及其区分用户喜好相关性的方法 |
CN104955077A (zh) * | 2015-05-15 | 2015-09-30 | 北京理工大学 | 一种基于用户体验速率的异构网络小区分簇方法及装置 |
CN106714202A (zh) * | 2015-11-16 | 2017-05-24 | ***通信集团公司 | 一种网络容量优化方法及装置 |
CN106453495A (zh) * | 2016-08-31 | 2017-02-22 | 北京邮电大学 | 一种基于内容流行度预测的信息中心网络缓存方法 |
Non-Patent Citations (1)
Title |
---|
内容流行度分布动态性对基站端缓存性能的影响;戚凯强等;《信号处理》;20170331;第33卷(第3期);参见第1-4部分 * |
Also Published As
Publication number | Publication date |
---|---|
CN107592656A (zh) | 2018-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107592656B (zh) | 基于基站聚类的缓存方法 | |
CN108667653B (zh) | 超密集网络中基于聚类的缓存配置方法及装置 | |
CN110213627B (zh) | 一种基于多小区用户移动性的流媒体缓存分配方法 | |
Yu et al. | Federated learning based proactive content caching in edge computing | |
CN107909108A (zh) | 基于内容流行度预测的边缘缓存***及其方法 | |
CN108549719A (zh) | 一种移动边缘计算网络中基于聚类的自适应缓存方法 | |
CN105812834B (zh) | 基于聚类信息的视频推荐服务器、推荐方法和预缓存方法 | |
CN101287280A (zh) | 在异构无线网络中选择网络的方法和装置 | |
CN107277159B (zh) | 一种基于机器学习的超密集网络小站缓存方法 | |
CN107734482B (zh) | 基于d2d和业务卸载的内容分发方法 | |
CN108668287A (zh) | 一种基于用户内容流行度和移动规则的主动缓存方法 | |
Bock et al. | A 2-step approach to improve data-driven parking availability predictions | |
Khan et al. | On the application of agglomerative hierarchical clustering for cache-assisted D2D networks | |
CN115314944A (zh) | 基于移动车辆社会关系感知的车联网协作缓存方法 | |
CN108600365B (zh) | 一种基于排序学习的无线异构网络缓存方法 | |
CN108063802B (zh) | 基于边缘计算的用户位置动态性建模优化方法 | |
CN115361710A (zh) | 一种边缘缓存中的内容放置方法 | |
CN113472420B (zh) | 一种基于区域用户兴趣感知的卫星网络缓存放置方法 | |
CN113037872B (zh) | 一种基于物联网多级边缘节点的缓存和预取方法 | |
CN112862060A (zh) | 一种基于深度学习的内容缓存方法 | |
CN108810139A (zh) | 一种基于蒙特卡洛树搜索辅助的无线缓存方法 | |
Wu et al. | Semigradient-based cooperative caching algorithm for mobile social networks | |
CN116634396A (zh) | 基于图注意力的车联网多智能体边缘计算内容缓存决策方法 | |
CN114025017B (zh) | 基于深度循环强化学习的网络边缘缓存方法、装置及设备 | |
CN111901394B (zh) | 一种联合考虑用户偏好及活跃程度的移动边缘缓存的方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |