[发明专利]基于DNN的实时响应时变文件流行度的动态缓存更新方法

说明书

本发明涉及一种基于DNN的实时响应时变文件流行度的动态缓存更新方法，包括下列步骤：动态文件库建模；适应用户请求分布变化的部分缓存更新，整个缓存更新问题分为两个阶段：第一阶段静态完全缓存更新问题，第二阶段动态部分缓存更新问题；深度学习方法求解动态缓存更新问题:实现实时响应时变文件流行度的动态缓存更新，以适应用户请求分布不断变化，即期望在已知当前文件流行度以及上一时刻的基站文件缓存概率的情况下，优化当前时刻基站文件缓存概率，使用多层神经网络来求解动态缓存更新问题。

技术领域

本发明属于无线异质网络边缘缓存技术领域，涉及一种动态缓存更新方法。

背景技术

伴随5G通信时代的临近，对回程链路带宽占用较多的视频流量成为移动数据流量的主要形式，移动端硬件设备所需的数据流量呈现指数式爆炸增长，这导致基站与核心网之间的回程链路在数据流量峰值时不堪重负，超密度多层异质网络(UDHNs)和网络边缘缓存技术是满足日益增长的无线数据需求的关键技术。

基于随机几何为多层超密度异质网络进行建模，使得对于多层异质网络的分析简单化，并且更易于获得相应的解析特性。通常采用泊松点分布对宏基站的分布进行精确的建模，并引入泊松聚类过程以刻画基站和用户的聚类特性。

网络边缘缓存的作用类似于一个局域代理服务器，即在基站中存储一部分较流行的(使用率较高的)文件，当用户请求的文件被基站所缓存时(该情况称为缓存命中)，基站直接将缓存命中的文件发送给用户即可，无需通过回程链路向核心网请求文件。关于网络边缘缓存的研究需要考虑一种动态的长期的演进模型，即在文件流行度不断演进的情况下，更新基站文件缓存，这就需要对于文件流行度作出精确预测，以具备适应未来一段时间内用户请求的能力。潮汐流量问题是关于文件流行度周期性演进的典型例子：白天的用户移动数据流量远高于凌晨的移动数据流量。

发明内容

由于基站的缓存能力相对有限，而待缓存的文件库通常是无限的，本发明提出了一种基于DNN的实时响应时变文件流行度的动态缓存更新方法，希望最大化利用基站的缓存容量以实现最大可能的系统性能。技术方案如下：

一种基于DNN的实时响应时变文件流行度的动态缓存更新方法，包括下列步骤：

第一步：动态文件库建模

对动态文件库进行建模，即用数学模型表示基站文件缓存概率：考虑超密度多层异质网络，认为各层的基站分布为独立均匀泊松点过程，第k层基站激活密度表示为λ_k；对一个含有F个文件的动态文件库按照文件流行度的递减顺序排列，然后对文件大小做归一化处理，设不同的用户集群中同一文件的流行度各不相同，第e个集群中的文件库在时间t的第f个文件表示为则基于用户聚类的多集群模型中，具有K层基站的文件缓存概率可以表示为如下的概率矩阵：

其中表示k层中的文件的文件缓存概率；

第二步：适应用户请求分布变化的部分缓存更新

整个缓存更新问题分为两个阶段：

(1)第一阶段静态部分缓存更新问题目标是在可以无限制利用回程链路的高峰时段实现基站所缓存文件任意的更新：给定第e个集群中第f个文件的初始的文件库流行度需要优化第k层基站激活密度λ_ke和初始文件缓存概率

(2)第二阶段动态部分缓存更新问题目标是在用户请求分布不断变化并且回程链路资源匮乏情况下的基站文件缓存动态更新，即使用回程链路带宽来追踪文件流行度的变化，基于第一阶段静态部分缓存更新问题对基站中缓存的文件进行微调，抽象为数学模型为：给定第e个集群中第f个文件当前的文件流行度以及上一时刻的基站文件缓存概率即第一阶段优化中所获得的基站文件缓存概率，优化当前时刻的基站文件缓存概率

第三步：深度学习方法求解动态部分缓存更新问题