CN112887992B - 基于接入均衡核和置换率的密集无线网络边缘缓存方法 - Google Patents

基于接入均衡核和置换率的密集无线网络边缘缓存方法 Download PDF

Info

Publication number
CN112887992B
CN112887992B CN202110035595.4A CN202110035595A CN112887992B CN 112887992 B CN112887992 B CN 112887992B CN 202110035595 A CN202110035595 A CN 202110035595A CN 112887992 B CN112887992 B CN 112887992B
Authority
CN
China
Prior art keywords
node
access
nodes
cache
core
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
Application number
CN202110035595.4A
Other languages
English (en)
Other versions
CN112887992A (zh
Inventor
王蒙蒙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Binzhou University
Original Assignee
Binzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Binzhou University filed Critical Binzhou University
Priority to CN202110035595.4A priority Critical patent/CN112887992B/zh
Publication of CN112887992A publication Critical patent/CN112887992A/zh
Application granted granted Critical
Publication of CN112887992B publication Critical patent/CN112887992B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/10—Flow control between communication endpoints
    • H04W28/14—Flow control between communication endpoints using intermediate storage
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本发明属于密集无线网络技术领域，公开了一种基于接入均衡核和置换率的密集无线网络边缘缓存方法，所述基于接入均衡核和置换率的密集无线网络边缘缓存方法包括：构建边缘缓存网络模型；基于权值自适应算法的节点重要性识别；基于权重自适应的动态节点排序；实现基于权值自适应的缓存决策策略。本发明通过对各种特征的自适应加权，更准确地选择了高速缓存基站节点，提高了边缘缓存命中率和用户请求的响应效率，在缓存重要节点的识别精度和缓存效率方面有很大的优势。同时，本发明采用多个网络模型，从多个角度对算法进行了仿真。结果表明，与现有机制相比，该方案能在更复杂的网络接入环境中获得更好的访问延迟和缓存效率。

Description

基于接入均衡核和置换率的密集无线网络边缘缓存方法
技术领域
本发明属于密集无线网络技术领域，尤其涉及一种基于接入均衡核和置换率的密集无线网络边缘缓存方法。
背景技术
目前，随着5G时代的临近，移动设备和数据流量将呈现***式增长。为了应对海量移动设备的接入和大容量的业务传输，最直接、最有效的方法是密集部署基站，形成密集的无线网络。目前。密集无线网络已经在学术界和工业界进行了广泛的研究。密集的无线网络实际上是各种类型的无线接入点的密集部署，如传统的宏基站、微微基站、纳基站、远程射频单元和中继节点站。密集部署的基站不仅更接近用户，而且消除了一些信号盲区。通过频谱的空间复用，密集的无线网络提高了频谱复用率，增强了边缘区域的信号覆盖，提高了整个***的总容量。考虑到有线回程部署成本高，无线回程已逐渐成为一种有效的替代方案。在分布式无线回程中，相邻的基站形成簇。该***中的基站通过无线回传将数据发送到一个特定的小型基站，而这个特定的小型基站通过光纤连接到核心网。
现有技术提出的基于加权图的能量消耗优化模型来计算网络中各环节的数据传输能量消耗，并在保证用户QoS的前提下，对数据资源缓存进行了大量的研究，得到了最优缓冲策略。现有技术通过分析大量的请求数据来优化网络存储，提出了提高用户体验质量的移动网络优化体系结构及基于用户移动感知的数据缓存策略。非合作数据缓存策略有一定的局限性，它们不能发挥邻域的协同作用，缓存效率不高。
现有的边缘网络缓存算法主要集中在单个基站或本地服务器、边缘服务器和云服务器层次协作缓存上，缺乏对边缘缓存网络问题的研究，难以在很大程度上提高访问响应的效率。此外，这些讨论是针对固定网络拓扑，边缘缓存网络的访问时间、访问内容等都是随机的，由于基站节点的访问限制，用户只能访问一个基站，然后内容的受欢迎程度取决于对基站的访问次数，而缓存内容的数量决定了基站不能为其他基站用户提供服务，因为流行的内容将被缓存在多个基站中，导致冗余，这将大大降低缓存效率和服务质量。因此，亟需一种新的密集无线网络边缘缓存方法。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有非合作数据缓存策略有一定的局限性，不能发挥邻域的协同作用，缓存效率不高。
(2)现有的边缘网络缓存算法主要集中在单个基站或本地服务器、边缘服务器和云服务器层次协作缓存上，缺乏对边缘缓存网络问题的研究，难以在很大程度上提高访问响应的效率。
(3)边缘缓存网络由于基站节点的访问限制，用户只能访问一个基站，缓存内容的数量决定了基站不能为其他基站用户提供服务，因为流行的内容将被缓存在多个基站中，导致冗余，大大降低缓存效率和服务质量。
发明内容
针对现有技术存在的问题，本发明提供了一种基于接入均衡核和置换率的密集无线网络边缘缓存方法。
本发明是这样实现的，一种基于接入均衡核和置换率的密集无线网络边缘缓存方法，所述基于接入均衡核和置换率的密集无线网络边缘缓存方法包括以下步骤：
步骤一，构建边缘缓存网络模型；
步骤二，基于权值自适应算法的节点重要性识别；
步骤三，基于权重自适应的动态节点排序；
步骤四，实现基于权值自适应的缓存决策策略。
进一步，步骤一中，所述边缘缓存网络由基站、基站服务器和RAN控制器组成；所述基站是无线连接的，基站通过特定的基站连接到核心云；所述服务器具有缓存功能，用于向用户提供服务；所述RAN控制器连接到集群中的边缘服务器，用于收集所有服务器信息。
进一步，用户可以随机访问任何基站节点以请求任何内容，假设集群中任何节点之间的传输时间小于到核心云的传输时间，则用户获得响应的方法如下：
(1)如果访问的基站服务器缓存用户请求的内容，则服务器直接响应用户请求；否则，执行B，查看访问基站服务器的单跳邻居服务器是否缓存内容；
(2)如果邻居服务器缓存用户请求内容，邻居服务器将内容发送给用户访问并响应用户请求的基本站点服务器；否则，执行C来确定其他基站服务器是否缓存内容；
(3)如果搜索簇中的所有基站节点都没有缓存内容，则访问请求将被转发到核心云；
(4)用户请求是在核心云中响应的，核心云将请求内容发送到簇头服务器，然后发送给用户访问服务器，最后发送给用户；在核心云中获取响应将需要付出更大的代价。
进一步，步骤二中，所述基于权值自适应算法的节点重要性识别，包括：
假设边缘缓存网络为G＝(V，L)，则V＝{1，2，…，n}是网络节点的集合，L＝{1，2，…L}是网络中的边集，Lij表示节点i和节点j之间的边，Lij的带宽用wij表示。当节点i与节点j之间存在边时，则wij>0，否则wij＝0。
(1)节点缓存空间
节点缓存空间cai，表示节点的可用资源。可用的证书资源越多，节点就越重要。
(2)节点的邻接带宽和
节点的邻接带宽和的表达式为：
Figure BDA0002893137790000041
其中，N(i)表示网络中节点i的邻居节点集。节点的邻接带宽之和越大，节点越重要。
(3)访问节点的次数
对节点的访问次数取决于缓存内容的类型和受欢迎程度，即类型越多，对节点的访问次数越多，内容越受欢迎，访问节点的次数就越多。
(4)访问核度中心
通过引入对节点的访问次数来构造访问核度中心性
Figure BDA0002893137790000042
并以此作为确定网络缓存策略的缓存决策标准之一，通过考虑节点的位置和访问情况来确定缓存位置，可以用Cac(i)来表示任何内容的访问核度中心率。节点的访问核度中心率是所有邻居节点的访问核度和该节点的访问次数，其表达式为：
Figure BDA0002893137790000043
其中，kfj是节点j的访问核心，fj是统计时间内对节点j的访问数。
(5)访问均衡率
从香农熵出发，定义如下节点的访问均衡性：
Figure BDA0002893137790000044
其中，j和g是(j，g∈N(i))的邻居节点，kfj是节点j的访问核度，
Figure BDA0002893137790000045
是玻尔兹曼常数，表示***自身的属性。
Figure BDA0002893137790000046
的值越大，对节点的访问越均衡，用户的访问请求就越容易满足，节点的重要性也就越大。。
进一步，步骤(3)中，所述访问节点的次数，包括：
1)内容流行度
假设内容受欢迎度满足Zipf分布，则排名τ的内容k的流行度为为：
Figure BDA0002893137790000051
其中，num表示内容的总数，λ表示Zipf分布的偏度系数，λ越大意味着流行度高的内容更容易被访问。
2)基站用户兴趣度
通过分析用户的长期访问记录来获得用户稳定的兴趣偏好，定义用户对访问基站i的长期兴趣为
Figure BDA0002893137790000052
Figure BDA0002893137790000053
其中，
Figure BDA0002893137790000054
表示当前基站节点i的统计流量。flong(Δtlong)表示边缘缓存簇内所有用户当前的统计访问量。
将用户在最近时间内访问节点i的兴趣定义为短期兴趣
Figure BDA0002893137790000055
Figure BDA0002893137790000056
其中，
Figure BDA0002893137790000057
表示最近一段时间对节点i的统计访问量，fshort(Δtshort)表示边缘缓存簇中所有用户在最近一段时间内访问的统计流量，用户当前的兴趣偏好取决于用户的长期兴趣和短期兴趣，故用户访问基站i的潜在兴趣被定义为：
Figure BDA0002893137790000058
其中，φ1和φ2分别代表长、短期兴趣对用户当前兴趣的影响比重，考虑到近期影响更大，φ2应大于φ1。
3)用户的潜在访问意愿
因为用户访问内容的意愿不仅受兴趣偏好的影响，而且与内容的受欢迎程度密切相关，即用户总是倾向于请求他们喜欢的流行内容。节点i中内容k的请求概率
Figure BDA0002893137790000059
为：
Figure BDA0002893137790000061
假设上一个缓存周期中的用户访问总数为fave，则用户访问基站i中内容k的潜在访问量
Figure BDA0002893137790000062
进一步，步骤(4)中，所述访问核心的确定方法，包括：
(A)删除所有连接度为1的节点和边，并记录节点的访问次数。如果仍然存在连接性为1的节点，则继续上述过程，并且标记这些已删除节点的核度为1，则访问核度是该节点的访问数加1，如果节点j的访问数为fj，则节点j的访问核度为kfj＝fj+1。
(B)对于具有连接度2的节点，重复上述操作，并将这些节点的访问核度标记为访问数+2。
(C)循环执行上述过程，直到所有节点被删除，并获得相应的访问核度。
进一步，节点旁边的数字表示被访问的数量。根据访问核度中心的表达式，节点nl的访问核度中心率为18，节点n2为21。同样地，可以计算获得其他节点的访问核心中心率(结果显示钧不超过10)。因此，节点n2具有最大的访问核度中心率，因此缓存在节点n2上的内容将具有更高的响应效率。以下是按传输能量消耗(假设每跳耗能为1)比较在节点n1和n2上缓存内容的结果：
E(n1)＝3×2×1+(7+1+1)×2＝24
E(n2)＝3×2×2+(7+1+1)×1＝21；
显然，节点n2作为缓存节点更有利于响应用户的访问请求，也就是说节点n2更重要。
进一步，步骤三中，所述基于权重自适应的动态节点排序方法，包括：
利用信息熵理论，根据网络指标参数的变化，对各指标进行自适应加权。根据信息熵理论，指标集的无序性越高，指标提供的信息量越大，综合评价指标的权重越高。
(1)决策模型
假设有n个要排序的节点，每个节点有4个评价指标，节点i的第q个评价指标的值为xiq(i＝1，2,...，n；q＝1,2,...,4)，由所有网络节点组成的决策矩阵及其评价指标如下式所示：
Figure BDA0002893137790000071
(2)非线性规划决策矩阵
由于各指标的维数不同，存在数量级差异，直接进行比较是不方便的。为了消除各指标之间的维数差异，该指数应被标准化，如下式所示：
Figure BDA0002893137790000072
因此，标准归一化矩阵为：
Figure BDA0002893137790000073
(3)根据指数熵计算的权重
公式(12)给出了指数熵值的计算公式：
Figure BDA0002893137790000074
计算信息熵冗余，如下式所示：
rrq＝1-hq；
计算指数权重如下式所示：
Figure BDA0002893137790000081
指数权重矩阵W被获得，如下式所示：
W＝[w1 w2 w3 w4]；
加权归一化决策矩阵可以表示为：
Figure BDA0002893137790000082
节点i的加权属性值可以表示为：
Figure BDA0002893137790000083
由于边缘缓存网络中节点之间可以实现协同缓存，相邻节点也会对目标节点的缓存重要性做出贡献，因此构建了重要性评价矩阵：
Figure BDA0002893137790000084
其中，δij是贡献分配参数，如果两个节点是相连的，那么其值为1，否则为0。γi是节点i的度，γ是节点的平均度。
(4)重要性计算
在重要性评价矩阵的基础上，对节点i的属性值和与之相邻的所有节点的重要性贡献进行求和，得到节点i的重要性。
Figure BDA0002893137790000085
其中，ηi反映了节点i在网络中的价值。重要性评价矩阵充分考虑节点位置、访问频率、缓存空间、可用带宽，围绕缓存价值这一目标更全面地反映了节点的重要性。
进一步，步骤四中，所述实现基于权重自适应的缓存决策策略，包括
(1)替换率
缓存替换率用r(i)表示：
Figure BDA0002893137790000091
其中，S(rfk)是从节点i中被替换内容rfk的大小，C(i)是节点i的缓存空间大小。M是单位时间内从节点i中替换的内容数目。
标准化：
Figure BDA0002893137790000092
(2)节点缓存价值度量
设计新的度量I(i)，包括访问均衡核度中心率和缓存替换率：
Figure BDA0002893137790000093
ik＝argmax{I(i)}；
其中，ηi是综合评估后节点i的重要性，R(i)是节点缓存替换率，如果R(i)＝0：这意味着节点缓存空间不是满的，或者没有新的内容到达。为了使节点度量表达式一致，令R(i)＝ε，ε是一个非常小的正数。
进一步，所述基于接入均衡核和置换率的密集无线网络边缘缓存方法，还包括：
1)建立基于节点属性的网络拓扑结构，并计算可访问的节点内容数；
2)通过节点属性和对节点的访问次数计算相应的权重；
3)根据核心中心度的规则计算节点的访问核心中心度；
4)计算节点的接入均衡；
5)构造多指标决策矩阵，计算指标权重值，得到节点属性值；
6)构造重要度评价矩阵，计算节点的重要性；
7)计算节点的短期替换率和节点的缓存值，发现缓存值最大的节点。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述的基于接入均衡核和置换率的密集无线网络边缘缓存方法。
本发明另一目的在于提供一种基于接入均衡核和置换率的密集无线网络边缘缓存***，所述基于接入均衡核和置换率的密集无线网络边缘缓存***用于实施所述基于接入均衡核和置换率的密集无线网络边缘缓存方法。
本发明另一目的在于提供一种信息数据处理终端，所述信息数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述基于接入均衡核和置换率的密集无线网络边缘缓存方法。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行所述的基于接入均衡核和置换率的密集无线网络边缘缓存方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明提供的基于接入均衡核和置换率的密集无线网络边缘缓存方法，通过对各种特征的自适应加权，更准确地选择了高速缓存基站节点，提高了边缘缓存命中率和用户请求的响应效率。本发明采用多个网络模型，从多个角度对算法进行了仿真。结果表明，与现有机制相比，该方案能在更复杂的网络接入环境中获得更好的访问延迟和缓存效率。
以分布式无线边缘缓存网络集群为研究对象，由节点缓存大小、相邻带宽、访问核度中心率和访问均衡性等因素决定热点内容的缓存位置。该方法利用信息熵的方法，分配自适应权值，结合节点替换率，得到缓存值最大的节点。与其他相关解决方案相比，该方法在缓存重要节点的识别精度和缓存效率方面有很大的优势。本发明作出以下主要贡献：
(1)分析了边缘缓存网络结构，考虑了基站节点可以访问和转发访问请求的特点，计算了与节点缓存相关的特性，包括缓存空间、相邻带宽、访问核心中心性和访问平衡，为考虑节点缓存的重要性提供了依据。
(2)针对多个特征值对节点缓存值的影响。本发明利用信息熵自适应地分配每个特征的权重。这有助于灵活、准确地确定节点的重要性；通过计算替换率，避免了频繁替换热基节点中的内容，提高了***的效率。
(3)本发明在多重网络模型下进行了多角度实验。实验结果表明，与现有算法相比，该算法能更准确地识别节点的重要性，并能更有效地提高缓存效率和访问响应率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于接入均衡核和置换率的密集无线网络边缘缓存方法流程图。
图2是本发明实施例提供的边缘缓存网络结构示意图。
图3是本发明实施例提供的访问核度中心举例1示意图。
图4是本发明实施例提供的访问核度中心举例2示意图。
图5是本发明实施例提供的14种模式模拟网络示意图。
图6是本发明实施例提供的拓扑结构示意图。
图7(a)-(d)是本发明实施例提供的每个评估方法的前三个节点在满足访问请求的效率方面的差异示意图。
图8是本发明实施例提供的响应请求所需的LCE、Betw和Cwa算法所需的平均跳数示意图。
图9是本发明实施例提供的LCE、Betw和Cwa三种算法的边缘缓存命中率的比较结果示意图。
图10是本发明实施例提供的缓存***的负载情况的分析结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于接入均衡核和置换率的密集无线网络边缘缓存方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的基于接入均衡核和置换率的密集无线网络边缘缓存方法包括以下步骤：
S101，构建边缘缓存网络模型；
S102，基于权值自适应的节点重要性识别；
S103，基于权重自适应的动态节点排序；
S104，实现基于权值自适应的缓存决策策略。
下面结合实施例对本发明作进一步描述。
一、发明概述
随着5G密集基站的部署，回程网络的能耗和时延对用户体验有很大的影响。移动边缘网络缓存技术是解决回环负载、减少网络延迟和提高用户体验的有效方法。然而，边缘缓存网络中内容缓存位置的选择对网络缓存效率有很大影响。本发明研究了各种重要的节点评估策略和网络内缓存策略。针对这些算法只重视网络结构而忽略其他上下文特征的事实，提出了一种基于权重自适应的密集无线网络边缘缓存决策策略，以提高用户请求的响应效率。通过对各种特征的自适应加权，更准确地选择了高速缓存基站节点，提高了边缘缓存命中率。本发明采用多个网络模型，从多个角度对算法进行了仿真。结果表明，与现有机制相比，该方案能在更复杂的网络接入环境中获得更好的访问延迟和缓存效率。
为了解决流行内容缓存定位的决策问题，本发明提出了一种基于权值自适应的边缘缓存方法(Cwa)。以分布式无线边缘缓存网络集群为研究对象，由节点缓存大小、相邻带宽、访问核度中心率和访问均衡性等因素决定热点内容的缓存位置。该方法利用信息熵的方法，分配自适应权值，结合节点替换率，得到缓存值最大的节点。与其他相关解决方案相比，该方法在缓存重要节点的识别精度和缓存效率方面有很大的优势。本发明作出以下主要贡献：
分析了边缘缓存网络结构，考虑了基站节点可以访问和转发访问请求的特点，计算了与节点缓存相关的特性，包括缓存空间、相邻带宽、访问核心中心性和访问平衡，为考虑节点缓存的重要性提供了依据。
针对多个特征值对节点缓存值的影响。本发明利用信息熵自适应地分配每个特征的权重。这有助于灵活、准确地确定节点的重要性。
通过计算替换率，避免了频繁替换热基节点中的内容，提高了***的效率。
本发明在多重网络模型下进行了多角度实验。实验结果表明，与现有算法相比，该算法能更准确地识别节点的重要性，并能更有效地提高缓存效率和访问响应率。
本发明的其余部分组织如下：在第二节中，本发明描述了边缘缓存网络模型。第三节提出了基于权值自适应的节点重要性识别算法。在第四节中，本发明给出了基于权重自适应的节点排序方法和基于权值自适应的缓存决策策略。第五节描述了一种算法，在第六节中对算法进行了实验分析，并给出了第八节的结论。
二、边缘缓存网络模型
本发明构建了一个边缘缓存网络，主要由基站、基站服务器和RAN(RadioAccessNetwork)控制器组成。如图2所示，基站是无线连接的。基站通过特定的基站(簇头)连接到核心云。服务器具有缓存功能，可以向用户提供服务；RAN控制器连接到集群中的边缘服务器，以收集所有服务器信息。
用户可以随机访问任何基站节点以请求任何内容。假设集群中任何节点之间的传输时间小于到核心云的传输时间。用户获得响应的方式如下：
1.如果访问的基站服务器缓存用户请求的内容，则服务器直接响应用户请求。否则，执行B，查看访问基站服务器的单跳邻居服务器是否缓存内容。
2.如果邻居服务器缓存用户请求内容，邻居服务器将内容发送给用户访问并响应用户请求的基本站点服务器。否则，执行C来确定其他基站服务器是否缓存内容。
3.如果搜索簇中的所有基站节点都没有缓存内容，则访问请求将被转发到核心云。
4.用户请求是在核心云中响应的，核心云将请求内容发送到簇头服务器，然后发送给用户访问服务器，最后发送给用户。在核心云中获取响应将需要付出更大的代价。
显然，请求的内容越接近接入基站，所支付的开销就越小；在边缘缓存网络簇中缓存的内容越多，用户请求响应的平均成本就越小。但边缘服务器的缓存空间有限，用户的访问请求分布不均，因此高效的缓存策略有利于提高服务质量。
三、基于权自适应算法的节点重要性识别
假设边缘缓存网络为G＝(V，L)，则v＝{1，2，…，n}是网络节点的集合，L＝{1，2，…L}是网络中的边集，Lij表示节点i和节点j之间的边，Lij的带宽用wij表示。当节点i与节点j之间存在边时，则wij>0，否则wij＝0。
A.节点缓存空间
节点缓存空间cai，表示节点的可用资源。可用的证书资源越多，节点就越重要。
B.节点的邻接带宽和
节点的邻接带宽和如公式1所示。其中N(i)表示网络中节点i的邻居节点集。
节点的邻接带宽之和越大，节点越重要。
Figure BDA0002893137790000151
C.访问节点的次数
对节点的访问次数取决于缓存内容的类型和受欢迎程度，即类型越多，对节点的访问次数越多，内容越受欢迎，访问节点的次数就越多。
1)内容流行度
假设内容受欢迎度满足Zipf分布，则排名τ的内容k的流行度为为：
Figure BDA0002893137790000152
其中，num表示内容的总数，λ表示Zipf分布的偏度系数，λ越大意味着流行度高的内容更容易被访问。
2)基站用户兴趣度
因为用户的长期(大于七天)访问记录可以反映用户的意愿，因此，可以通过分析用户的长期访问记录来获得用户稳定的兴趣偏好。所以定义用户对访问基站i的长期兴趣为
Figure BDA0002893137790000153
则：
Figure BDA0002893137790000154
其中，
Figure BDA0002893137790000155
表示当前基站节点i的统计流量。flong(Δtlong)表示边缘缓存簇内所有用户当前的统计访问量。然而，考虑到用户的搜索访问行为对用户当前兴趣的影响较小，且流行内容的生命周期一般不太长，仅根据用户的长期兴趣偏好很难预测用户在短时间内的兴趣。用户当前的兴趣偏好与用户最近的访问内容和访问方式密切相关，即用户在不久的将来频繁访问，被用户再次请求的概率也会更大。因此，考虑用户最近的兴趣和访问方式可以提高用户兴趣预测的准确性。因为最近的兴趣是动态的，用户最近的兴趣应该是与时间相关的。但是，单个用户的兴趣可能会受到更多因素的影响，容易发生很大的波动，而在固定的用户组中，群体用户在短期内的兴趣变化相对较小，用户访问的平均数量可以有效地反映出整个用户的短期兴趣。将用户在最近时间内访问节点i的兴趣定义为短期兴趣
Figure BDA0002893137790000161
则：
Figure BDA0002893137790000162
其中，
Figure BDA0002893137790000163
表示最近一段时间对节点i的统计访问量，fshort(Δtshort)表示边缘缓存簇中所有用户在最近一段时间内访问的统计流量，用户当前的兴趣偏好取决于用户的长期兴趣和短期兴趣，因此，用户访问基站i的潜在兴趣被定义为：
Figure BDA0002893137790000164
其中，φ1和φ2分别代表长、短期兴趣对用户当前兴趣的影响比重，考虑到近期影响更大，φ2应大于φ1。
3)用户的潜在访问意愿
因为用户访问内容的意愿不仅受兴趣偏好的影响，而且与内容的受欢迎程度密切相关，即用户总是倾向于请求他们喜欢的流行内容。节点i中内容k的请求概率
Figure BDA0002893137790000165
为：
Figure BDA0002893137790000166
假设上一个缓存周期中的用户访问总数为fave，则用户访问基站i中内容k的潜在访问量
Figure BDA0002893137790000167
为
Figure BDA0002893137790000168
D.访问核度中心
在边缘缓存网络中，用户对基站节点的访问是不确定的，因此哪个节点处于网络中心位置，需要考虑当前的访问情况。本发明通过引入对节点的访问次数来构造访问核度中心性
Figure BDA0002893137790000171
并以此作为确定网络缓存策略的缓存决策标准之一，通过考虑节点的位置和访问情况来确定缓存位置，可以用Cac(i)来表示任何内容的访问核度中心率。节点的访问核度中心率是所有邻居节点的访问核度和该节点的访问次数，其表达式为：
Figure BDA0002893137790000172
其中，kfj是节点j的访问核心，fj是统计时间内对节点j的访问数。
访问核心的确定需要以下程序：
(A)删除所有连接度为1的节点和边，并记录节点的访问次数。如果仍然存在连接性为1的节点，则继续上述过程，并且标记这些已删除节点的核度为1，则访问核度是该节点的访问数加1，如果节点j的访问数为fj，则节点j的访问核度为kfj＝fj+1。
(B)对于具有连接度2的节点，重复上述操作，并将这些节点的访问核度标记为访问数+2。
(C)循环执行上述过程，直到所有节点被删除，并获得相应的访问核度。
如图3所示，节点旁边的数字表示被访问的数量。根据公式(7)，节点nl的访问核度中心率为18，节点n2为21。同样地，可以计算获得其他节点的访问核心中心率(结果显示钧不超过10)。因此，节点n2具有最大的访问核度中心率，因此缓存在节点n2上的内容将具有更高的响应效率。以下是按传输能量消耗(假设每跳耗能为1)比较在节点n1和n2上缓存内容的结果：
E(n1)＝3×2×1+(7+1+1)×2＝24
E(n2)＝3×2×2+(7+1+1)×1＝21；
显然，节点n2作为缓存节点更有利于响应用户的访问请求，也就是说节点n2更重要。
E.访问均衡率
由于图3中来自n1和n2的邻居节点的总访问数不一样，本发明通过访问核心中心性解决了节点n1和n2之间缓存值的相对大小问题。如果他们有相同的访问数，n1和n2的重要性是如何决定的？
图4显示了此时n1和n2的八个节点的总访问数是相同的。计算发现，Cac(n1)＝Cac(n2)＝18，仅凭访问核度中心率，判断哪个节点更重要显然是不可能的。由于两者都具有相同的访问核心中心率，因此节点nl和n2具有相同的重要性。然而，观察可以发现，虽然节点n1和n2的邻居节点的总访问数是一样，都是6，但分布并不相同。因此，如果节点n1和n8之间的链路崩溃，则只能满足2个访问请求(来自于节点n9和n10)，而对于节点n1，如果节点n5、n6、n7和节点n1之间的一条链路崩溃，其余4个访问仍然可以得到保证，也就是说在相同的连通稳定条件下，节点n1对网络的影响大于节点n2，因此节点n1具有更大的重要性。为了度量邻居节点访问数对节点重要性的影响，本发明从香农熵出发，定义了节点的访问均衡性。
Figure BDA0002893137790000181
j和gi是(j，g∈N(i))的邻居节点，kfj是节点j的访问核度，
Figure BDA0002893137790000182
是玻尔兹曼常数，表示***自身的属性。
Figure BDA0002893137790000183
的值越大，对节点的访问越均衡，用户的访问请求就越容易满足，节点的重要性也就越大。
通过分析，明确了节点在密集边缘缓存网络中的重要性主要取决于缓存空间、相邻带宽、访问核度中心率和访问均衡四个方面。但是这些指标如何影响节点的重要性是一个值得思考的问题。
四、基于权重自适应的节点排序方法和基于权值自适应的缓存决策策略
4.1基于权重自适应的动态节点排序方法
在先前的研究中，影响指数权重的确定主要是由人工赋值和缺乏灵活性。本发明利用信息熵理论，根据网络指标参数的变化，对各指标进行自适应加权。根据信息熵理论，指标集的无序性越高，指标提供的信息量越大，综合评价指标的权重越高。
A.决策模型
假设有n个要排序的节点，每个节点有4个评价指标，节点i的第q个评价指标的值为xiq(i＝1，2,...，n；q＝1,2,...,4)，由所有网络节点组成的决策矩阵及其评价指标如公式(9)所示：
Figure BDA0002893137790000191
B.非线性规划决策矩阵
由于各指标的维数不同，存在数量级差异，直接进行比较是不方便的。为了消除各指标之间的维数差异，该指数应被标准化，如公式(10)所示：
Figure BDA0002893137790000192
因此，标准归一化矩阵为：
Figure BDA0002893137790000193
根据指数熵计算的权重，公式(12)给出了指数熵值的计算公式：
Figure BDA0002893137790000194
计算信息熵冗余，如公式(13)所示：
rrq＝1-hq (13)
计算指数权重如公式(14)所示：
Figure BDA0002893137790000195
指数权重矩阵W被获得，如公式(15)所示：
W＝[w1 w2 w3 w4] (15)
加权归一化决策矩阵可以表示为：
Figure BDA0002893137790000201
节点i的加权属性值可以表示为：
Figure BDA0002893137790000202
由于边缘缓存网络中节点之间可以实现协同缓存，相邻节点也会对目标节点的缓存重要性做出贡献，因此构建了重要性评价矩阵：
Figure BDA0002893137790000203
其中，δij是贡献分配参数，如果两个节点是相连的，那么其值为1，否则为0。γi是节点i的度，γ是节点的平均度。
E.重要性计算
在重要性评价矩阵的基础上，对节点i的属性值和与之相邻的所有节点的重要性贡献进行求和，得到节点i的重要性。
Figure BDA0002893137790000204
其中，ηi反映了节点i在网络中的价值。重要性评价矩阵充分考虑节点位置、访问频率、缓存空间、可用带宽，围绕缓存价值这一目标更全面地反映了节点的重要性。
4.2基于权重自适应的缓存决策策略
除了节点重要性因素外，节点的缓存值也与替换率有关。
A.替换率
上述算法将能够确定边缘缓存网络簇中影响最大的基站节点，但如果访问的所有内容都缓存在该节点上，网络参数的变化对网络性能的负面影响，如频繁替换，必然导致节点中流行内容的缓存时间短，导致网络缓存命中率降低，最终影响边缘缓存性能。所以替换率也是本发明需要考虑的一个重要因素，缓存替换率用r(i)表示：
Figure BDA0002893137790000211
其中，S(rfk)是从节点i中被替换内容rfk的大小，C(i)是节点i的缓存空间大小。M是单位时间内从节点i中替换的内容数目。
标准化：
Figure BDA0002893137790000212
B.节点缓存价值度量
为了更方便地表示节点缓存值，设计了一个新的度量I(i)，包括访问均衡核度中心率和缓存替换率。
Figure BDA0002893137790000213
ik＝argmax{I(i)}
其中，ηi是综合评估后节点i的重要性，R(i)是节点缓存替换率，如果R(i)＝0：这意味着节点缓存空间不是满的，或者没有新的内容到达。为了使节点度量表达式一致，令R(i)＝ε，ε是一个非常小的正数。
五、算法描述
主要的步骤包括：
1)建立基于节点属性的网络拓扑结构，并计算可访问的节点内容数。
2)通过节点属性和对节点的访问次数计算相应的权重。
3)根据核心中心度的规则计算节点的访问核心中心度。
4)计算节点的接入均衡。
5)构造多指标决策矩阵，计算指标权重值，得到节点属性值。
6)构造重要度评价矩阵，计算节点的重要性。
7)计算节点的短期替换率和节点的缓存值，发现缓存值最大的节点。
Figure BDA0002893137790000221
Figure BDA0002893137790000222
Figure BDA0002893137790000231
Figure BDA0002893137790000232
六、实验分析
为了验证本发明提出的加权自适应缓存决策策略的性能，该算法与其它节点重要性评估算法(21～24)、访问请求响应次数和缓存效率进行了比较。实验从两个角度进行了重要性评估，一个是根据图3中的拓扑(10个节点)计算节点的重要性和等级，另一个是从网络效率的角度构造一个新的拓扑(14个节点)来排序节点
本实验的实验平台是Intel(R)Core(TM)i7-6200 CPU，8g内存，使用的操作***是ubuntu-14.04.4-桌面-i 386。模拟边缘通过NS3仿真器实现了高速缓存网络，并通过代码化实现了本发明提出的缓存决策策略。将仿真数据导入Matlab进行处理。表1显示了模拟的参数设置。
A.节点的拓扑结构
下面以图4的小样本网络为例，分别使用各种核心节点验证方法对节点重要性进行评估和排序。表2显示了计算值和不同核心节点确认方法排序的结果。结果表明，许多算法不能准确地区分节点的相对重要性，因此采用更精确的方法是非常重要的，例如在Cwa中，节点nl和n2更精细地使用。
Figure BDA0002893137790000241
B.网络接入效率的比较
网络访问效率(NAE)意味着所有连接到节点的边在同一时间被删除，这可能导致节点间最短访问路径的增加，从而增加整个网络满足所有访问的路径的总长度。NAE反映：
Figure BDA0002893137790000251
其中，d是节点i与索引节点j，f之间的最短路径，是网络中对节点的潜在访问次数和N个节点数。
如图5所示，网络有14个节点，有28个边，每个节点的访问次数是随机的，图中的所有节点都进行了重要性评估。表3显示了14节点网络中不同排序方法的节点排序，可以看出不同方法在同一网络中有不同的节点排序，因此有必要借助NAE性能指标更准确地分析网络中节点的重要性。
Figure BDA0002893137790000252
表4表示删除节点后网络的NAE值。表4显示，当节点n8被删除时，NAE值是最大的，也就是说，在删除节点n8之后，整个网络的访问连接受影响最大，因此判断节点n8是网络中最重要的节点。从表3中可以看出，Cwa选择节点n8作为最重要的节点，这与表4的结果是一致的。因此，在14节点的仿真网络中，Cwa具有较好的性能和较高的精度。
Figure BDA0002893137790000261
C.满足访问请求的能力比较
为了更准确地验证该方法的有效性，实验使用了Zachary网络(复杂网络的小检测网络、社会分析等)，图6显示了拓扑结构，使用独立级联模型比较了不同方法对访问请求选择不同节点的效果。
为了分析本发明提出的方法与其它方法在评估节点响应访问请求能力方面的差异，分别与DC、BC、CC和EC方法进行了比较。由于同一节点在同一轮中满足相同数量的访问请求，因此将三个具有较好可评估性和不完全一致的节点作为源节点(当节点分解无法区分时，实验节点被依次选择。Cwa、BC和EC有两个不同的节点；Cwa、CC和DC有不同的节点)。
每个评估方法的前三个节点在满足访问请求的效率方面的差异如图7所示。
从图7(A)(B)(C)(D)中可以观察到，与其他四种方法相比，方法在满足访问请求方面优于其他方法，并且可以在相同传播轮下满足更多的访问请求。分析表明，Cwa方法由于引入了接入核心的概念，全面考虑了节点的连通性、接入频率和接入分集，能够更好地满足接入请求。
1)平均响应跳
Figure BDA0002893137790000262
其中hpa表示满足访问请求a所需的跳数(轮数)，而A表示请求的总数。这个参数是***延迟中的一个重要因素，也是衡量缓存***性能的一个关键因素。应该注意的是，该算法在观察***性能时使用了总缓存量，因为它考虑了单个基站的缓存大小对算法的影响。图8显示了响应请求所需的LCE、Betw和Cwa算法所需的平均跳数。从图中可以看出，响应跳数平均随缓存总量的增加而减小，因为缓存空间变大，可以在具有较大缓存值的节点上缓存更多的内容，因此跳数在减少。由于Cwa算法考虑了请求节点的访问频率，发现的“重要”节点是综合跳数最少的节点。它可以比Betw更准确地找到“重要”节点。
2)平均命中率
Figure BDA0002893137790000271
该参数反映缓存命中率和缓存***的值。图9主要比较了LCE、Betw和Cwa三种算法的边缘缓存命中率。边缘缓存命中率越高，边缘端的请求就越多，从而降低了带宽消耗和传输延迟。从结果可以看出，Cwa算法占有很大的优势，因为Betw算法忽略了对基站的访问次数，而这些节点的缓存容量是有限的，许多内容必须频繁替换，一些访问请求只能通过云重新响应。在本实验中，每个节点的缓存容量都是随机的，因此在一定程度上增加了内容的替换频率。当LCE算法由于边缘起伏而占用缓存空间时，其边缘缓存命中率是最低的，Cwa算法的边缘缓存命中率比Betw高约9％，比LCE高约15％。
3)缓存替换总量
总的缓存替换以节点代替的内容数，该参数主要包括仿真时间中的缓存数和缓存总数(本发明中的仿真时间为120s)。通过该参数可以分析缓存***的负载情况，如图10所示，Cwa比LCE和Betw具有更大的优势，因为在执行过程中LCE会产生大量的冗余，因此会产生更多的缓存替换，缓存的内容将最多。Betw选择请求数目最多的节点进行缓存，导致大量内容不加区分地缓存在有限的节点上，导致缓存不均匀和缓存替换更多，缓存内容的数量将增加。Cwa通过考虑节点的重要性和替换频率来确定缓存位置，从而使每个节点的负载更加平衡和有效。
为了解决边缘缓存网络中缓存基节点的选择问题，提出了一种基于权值自适应(Cwa)的缓存决策方法，该方法以满足用户需求为指导研究对象，并对影响节点缓存重要性的各种因素自适应地分配权重，比其它缓存决策方法更有效地满足用户请求。
与目前其他研究工作类似，本发明主要研究如何缓存内容更好地满足访问要求，而没有讨论传输延迟和能耗问题。在边缘网络中，这些问题不容忽视，未来将进一步考虑传输延迟和能量消耗对基站节点缓存值的影响。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于接入均衡核和置换率的密集无线网络边缘缓存方法，其特征在于，所述基于接入均衡核和置换率的密集无线网络边缘缓存方法包括：
构建边缘缓存网络模型；
基于权值自适应算法的节点重要性识别；
基于权重自适应的动态节点排序；
实现基于权重自适应的缓存决策策略；
所述边缘缓存网络由基站、基站服务器和RAN控制器组成；所述基站是无线连接的，基站通过特定的基站连接到核心云；所述服务器具有缓存功能，用于向用户提供服务；所述RAN控制器连接到集群中的边缘服务器，用于收集所有服务器信息；
用户可以随机访问任何基站节点以请求任何内容，假设集群中任何节点之间的传输时间小于到核心云的传输时间，则用户获得响应的方法如下：
1)如果访问的基站服务器缓存用户请求的内容，则服务器直接响应用户请求；否则，执行2)，查看访问基站服务器的单跳邻居服务器是否缓存内容；
2)如果邻居服务器缓存用户请求内容，邻居服务器将内容发送给用户访问并响应用户请求的基本站点服务器；否则，执行3)来确定其他基站服务器是否缓存内容；
3)如果搜索簇中的所有基站节点都没有缓存内容，则访问请求将被转发到核心云；
4)用户请求是在核心云中响应的，核心云将请求内容发送到簇头服务器，然后发送给用户访问服务器，最后发送给用户；在核心云中获取响应将需要付出更大的代价；
所述基于权值自适应算法的节点重要性识别，包括：
假设边缘缓存网络为G＝(V，L)，则V＝{1，2，…，n}是网络节点的集合，L＝{1，2，…L}是网络中的边集，Lij表示节点i和节点j之间的边，Lij的带宽用wij表示；当节点i与节点j之间存在边时，则wij>0，否则wij＝0；
(1)节点缓存空间
节点缓存空间cai，表示节点的可用资源；可用的缓存资源越多，节点就越重要；
(2)节点的邻接带宽和
节点的邻接带宽和的表达式为：
Figure FDA0003707312510000021
其中，N(i)表示网络中节点i的邻居节点集；节点的邻接带宽之和越大，节点越重要；
(3)访问节点的次数
对节点的访问次数取决于缓存内容的类型和受欢迎程度，即类型越多，对节点的访问次数越多，内容越受欢迎，访问节点的次数就越多；
(4)访问核度中心
通过引入对节点的访问次数来构造访问核度中心性，并以此作为确定网络缓存策略的缓存决策标准之一，通过节点的位置和访问情况来确定缓存位置；节点的访问核度中心率是所有邻居节点的访问核度和该节点的访问次数；
所述访问核度中心的确定方法，包括：
(A)删除所有连接度为1的节点和边，并记录节点的访问次数；如果仍然存在连接性为1的节点，则继续上述过程，并且标记这些已删除节点的核度为1，则访问核度是该节点的访问数加1，如果节点j的访问数为fj，则节点j的访问核度为kfj＝fj+1；
(B)对于具有连接度2的节点，重复步骤(A)，并将这些节点的访问核度标记为访问数+2；
(C)循环执行步骤(A)至步骤(B)，直到所有节点被删除，并获得相应的访问核度；
(5)访问均衡率
节点的访问均衡性为：
Figure FDA0003707312510000031
其中，j和g是(j，g∈N(i))的邻居节点，kfj是节点j的访问核度，
Figure FDA0003707312510000032
是玻尔兹曼常数，表示***自身的属性；
Figure FDA0003707312510000033
的值越大，对节点的访问越均衡，用户的访问请求就越容易满足，节点的重要性也就越大；
所述基于权重自适应的动态节点排序方法，包括：
利用信息熵理论，根据网络指标参数的变化，对各指标进行自适应加权；根据信息熵理论，指标集的无序性越高，指标提供的信息量越大，综合评价指标的权重越高；
(1)决策模型
假设有n个要排序的节点，每个节点有4个评价指标，节点i的第q个评价指标的值为xiq(i＝1，2,...，n；q＝1,2,...,4)，由所有网络节点组成的决策矩阵及其评价指标如下式所示：
Figure FDA0003707312510000034
(2)非线性规划决策矩阵
由于各指标的维数不同，存在数量级差异，直接进行比较是不方便的；为了消除各指标之间的维数差异，该评价指标应被标准化，如下式所示：
Figure FDA0003707312510000035
yiq是评价指标被标准化的指数，因此，标准归一化矩阵为：
Figure FDA0003707312510000036
(3)根据指数熵计算的权重
下式给出了指数熵值的计算公式：
Figure FDA0003707312510000041
计算信息熵冗余，如下式所示：
rrq＝1-hhq；
计算指数权重如下式所示：
Figure FDA0003707312510000042
指数权重矩阵W被获得，如下式所示：
W＝[w1 w2 w3 w4]；
加权归一化决策矩阵可以表示为：
Figure FDA0003707312510000043
节点i的加权属性值表示为：
Figure FDA0003707312510000044
由于边缘缓存网络中节点之间可以实现协同缓存，相邻节点也会对目标节点的缓存重要性做出贡献，因此构建了重要性评价矩阵：
Figure FDA0003707312510000045
其中，δij是贡献分配参数，如果两个节点是相连的，那么其值为1，否则为0；γi是节点i的度，γ是节点的平均度；
(4)重要性计算
在重要性评价矩阵的基础上，对节点i的属性值和与之相邻的所有节点的重要性贡献进行求和，得到节点i的重要性；
Figure FDA0003707312510000051
其中，ηi反映了节点i在网络中的价值；重要性评价矩阵充分考虑节点位置、访问频率、缓存空间、可用带宽，围绕缓存价值这一目标更全面地反映了节点的重要性；
所述实现基于权重自适应的缓存决策策略包括：
(1)替换率
缓存替换率用r(i)表示：
Figure FDA0003707312510000052
其中，S(rfm)是从节点i中被替换内容rfm的大小，C(i)是节点i的缓存空间大小；M是单位时间内从节点i中替换的内容数目；
标准化：
Figure FDA0003707312510000053
(2)节点缓存价值度量
设计新的度量I(i)，包括访问均衡核度中心率和缓存替换率：
Figure FDA0003707312510000054
ik＝argmax{I(i)}；
其中，ηi是综合评估后节点i的重要性，R(i)是节点缓存替换率，如果R(i)＝0：这意味着节点缓存空间不是满的，或者没有新的内容到达；为了使节点度量表达式一致，令R(i)＝ε，ε是一个非常小的正数；
所述基于接入均衡核和置换率的密集无线网络边缘缓存方法，还包括：
1)建立基于节点属性的网络拓扑结构，并计算可访问的节点内容数；
2)通过节点属性和对节点的访问次数计算相应的权重；
3)根据核心中心度的规则计算节点的访问核心中心度；
4)计算节点的接入均衡；
5)构造多指标决策矩阵，计算指标权重值，得到节点属性值；
6)构造重要度评价矩阵，计算节点的重要性；
7)计算节点的短期替换率和节点的缓存值，发现缓存值最大的节点。
2.如权利要求1所述的基于接入均衡核和置换率的密集无线网络边缘缓存方法，其特征在于，所述访问节点的次数，包括：
1)内容流行度
假设内容受欢迎度满足Zipf分布，则排名τ的内容k的流行度为：
Figure FDA0003707312510000061
其中，num表示内容的总数，λ表示Zipf分布的偏度系数，λ越大意味着流行度高的内容更容易被访问；
2)基站用户兴趣度
通过分析用户的长期访问记录来获得用户稳定的兴趣偏好，定义用户对访问基站i的长期兴趣为
Figure FDA0003707312510000062
Figure FDA0003707312510000063
其中，fi long(Δtlong)表示当前基站节点i的统计流量；flong(Δtlong)表示边缘缓存簇内所有用户当前的统计访问量；
将用户在最近时间内访问节点i的兴趣定义为短期兴趣
Figure FDA0003707312510000064
Figure FDA0003707312510000065
其中，fi short(Δtshort)表示最近一段时间对节点i的统计访问量，fshort(Δtshort)表示边缘缓存簇中所有用户在最近一段时间内访问的统计流量，用户当前的兴趣偏好取决于用户的长期兴趣和短期兴趣，故用户访问基站i的潜在兴趣被定义为：
Figure FDA0003707312510000071
其中，φ1和φ2分别代表长、短期兴趣对用户当前兴趣的影响比重，考虑到近期影响更大，φ2应大于φ1；
3)用户的潜在访问意愿
因为用户访问内容的意愿不仅受兴趣偏好的影响，而且与内容的受欢迎程度密切相关，即用户总是倾向于请求他们喜欢的流行内容；节点i中内容k的请求概率
Figure FDA0003707312510000072
为：
Figure FDA0003707312510000073
假设上一个缓存周期中的用户访问总数为fave，则用户访问基站i中内容k的潜在访问量fi k为
Figure FDA0003707312510000074
3.如权利要求2所述的基于接入均衡核和置换率的密集无线网络边缘缓存方法，其特征在于，节点旁边的数字表示被访问的数量。
4.一种基于接入均衡核和置换率的密集无线网络边缘缓存***，其特征在于，所述基于接入均衡核和置换率的密集无线网络边缘缓存***用于实施权利要求1-3任意一项所述基于接入均衡核和置换率的密集无线网络边缘缓存方法。
5.一种信息数据处理终端，其特征在于，所述信息数据处理终端包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～3任意一项所述基于接入均衡核和置换率的密集无线网络边缘缓存方法。
6.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1～3任意一项所述的基于接入均衡核和置换率的密集无线网络边缘缓存方法。
CN202110035595.4A 2021-01-12 2021-01-12 基于接入均衡核和置换率的密集无线网络边缘缓存方法 Active CN112887992B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110035595.4A CN112887992B (zh) 2021-01-12 2021-01-12 基于接入均衡核和置换率的密集无线网络边缘缓存方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110035595.4A CN112887992B (zh) 2021-01-12 2021-01-12 基于接入均衡核和置换率的密集无线网络边缘缓存方法

Publications (2)

Publication Number Publication Date
CN112887992A CN112887992A (zh) 2021-06-01
CN112887992B true CN112887992B (zh) 2022-08-12

Family

ID=76044097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110035595.4A Active CN112887992B (zh) 2021-01-12 2021-01-12 基于接入均衡核和置换率的密集无线网络边缘缓存方法

Country Status (1)

Country Link
CN (1) CN112887992B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114500529A (zh) * 2021-12-28 2022-05-13 航天科工网络信息发展有限公司 一种基于可感知冗余的云边协同缓存方法及***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109495865A (zh) * 2018-12-27 2019-03-19 华北水利水电大学 一种基于d2d辅助的自适应缓存内容放置方法及***
WO2019095402A1 (zh) * 2017-11-15 2019-05-23 东南大学 基于内容流行度预测的边缘缓存***及其方法
CN111565419A (zh) * 2020-06-15 2020-08-21 河海大学常州校区 一种超密集网络中面向延迟优化的协作式边缘缓存算法
CN111885648A (zh) * 2020-07-22 2020-11-03 北京工业大学 基于边缘缓存的能量有效的网络内容分发机制构建方法
CN111970733A (zh) * 2020-08-04 2020-11-20 河海大学常州校区 超密集网络中基于深度强化学习的协作式边缘缓存算法
CN112039943A (zh) * 2020-07-23 2020-12-04 中山大学 一种面向互联网场景差异化服务的负载均衡的边缘协作缓存方法
CN112104752A (zh) * 2020-11-12 2020-12-18 上海七牛信息技术有限公司 一种内容分发网络缓存节点的热点均衡方法及***

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101420364B (zh) * 2007-10-26 2011-12-28 华为技术有限公司 链路选择方法、确定链路的稳定度量值的方法及装置
WO2015048773A2 (en) * 2013-09-30 2015-04-02 Northeastern University System and method for joint dynamic forwarding and caching in content distribution networks
CN104539266B (zh) * 2014-12-16 2017-07-18 中国人民解放军海军航空工程学院 基于自适应速率因子的卡尔曼一致性滤波器
CN108923949A (zh) * 2018-04-20 2018-11-30 西南交通大学 一种面向用户移动性的网络边缘缓存调整方法
CN109936633A (zh) * 2019-03-11 2019-06-25 重庆邮电大学 内容中心网络中基于内容重要度的协作缓存策略
CN111294394B (zh) * 2020-01-19 2022-09-27 扬州大学 基于复杂网络交汇点的自适应缓存策略方法
CN111901392B (zh) * 2020-07-06 2022-02-25 北京邮电大学 一种面向移动边缘计算的内容部署与分发方法及***
CN111935783A (zh) * 2020-07-09 2020-11-13 华中科技大学 一种基于流量感知的边缘缓存***和方法
CN112187872B (zh) * 2020-09-08 2021-07-30 重庆大学 一种移动边缘计算网络下内容缓存和用户关联优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019095402A1 (zh) * 2017-11-15 2019-05-23 东南大学 基于内容流行度预测的边缘缓存***及其方法
CN109495865A (zh) * 2018-12-27 2019-03-19 华北水利水电大学 一种基于d2d辅助的自适应缓存内容放置方法及***
CN111565419A (zh) * 2020-06-15 2020-08-21 河海大学常州校区 一种超密集网络中面向延迟优化的协作式边缘缓存算法
CN111885648A (zh) * 2020-07-22 2020-11-03 北京工业大学 基于边缘缓存的能量有效的网络内容分发机制构建方法
CN112039943A (zh) * 2020-07-23 2020-12-04 中山大学 一种面向互联网场景差异化服务的负载均衡的边缘协作缓存方法
CN111970733A (zh) * 2020-08-04 2020-11-20 河海大学常州校区 超密集网络中基于深度强化学习的协作式边缘缓存算法
CN112104752A (zh) * 2020-11-12 2020-12-18 上海七牛信息技术有限公司 一种内容分发网络缓存节点的热点均衡方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
移动边缘网络中基于内容信息年龄和流行度的缓存机制;邱娅等;《网络空间安全》;20191125(第11期);全文 *

Also Published As

Publication number Publication date
CN112887992A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
Zhong et al. A deep reinforcement learning-based framework for content caching
He et al. QoE-driven content-centric caching with deep reinforcement learning in edge-enabled IoT
CN105282215B (zh) 用于通过内容中心网络转发并响应兴趣的基于声誉的策略
CN105049254B (zh) 一种ndn/ccn中基于内容等级及流行度的数据缓存替换方法
US20190260845A1 (en) Caching method, system, device and readable storage media for edge computing
US10567538B2 (en) Distributed hierarchical cache management system and method
CN107404530B (zh) 基于用户兴趣相似度的社交网络协作缓存方法及装置
CN108366089B (zh) 一种基于内容流行度和节点重要度的ccn缓存方法
Dutta et al. Caching scheme for information‐centric networks with balanced content distribution
CN109729507B (zh) 基于激励机制的d2d协作式缓存方法
Zhang et al. Joint optimization of cooperative edge caching and radio resource allocation in 5G-enabled massive IoT networks
Krolikowski et al. A decomposition framework for optimal edge-cache leasing
CN106603646B (zh) 一种基于用户兴趣偏好的信息中心网络缓存方法
CN112887992B (zh) 基于接入均衡核和置换率的密集无线网络边缘缓存方法
Somesula et al. Deadline-aware caching using echo state network integrated fuzzy logic for mobile edge networks
Hu et al. Many-objective optimization based-content popularity prediction for cache-assisted cloud-edge-end collaborative iot networks
Luo et al. Enabling balanced data deduplication in mobile edge computing
Banerjee et al. Sharing content at the edge of the network using game theoretic centrality
Cohen et al. Self-adjusting advertisement of cache indicators with bandwidth constraints
Jia et al. Social-aware edge caching strategy of video resources in 5G ultra-dense network
Almobaideen et al. Application based caching in fog computing to improve quality of service
Boddu et al. Improving data accessibility and query delay in cluster based cooperative caching (CBCC) in MANET using LFU-MIN
Fang et al. Mobile Edge Data Cooperative Cache Admission Based on Content Popularity
Hirsch et al. Data Replication in Cooperative Mobile Ad-Hoc Networks: A Game Theoretic Replication Algorithm Using Volunteers’ Dilemma
Yu et al. A cache replacement policy based on multi-factors for named data networking

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