[发明专利]一种面向边缘网络集成学习的自适应数据感知与协同缓存方法

说明书

一种面向边缘网络集成学习的自适应数据感知与协同缓存方法，边缘计算节点使用可合并计数布隆过滤器(CCBF)中g个比特数组，高效记录缓存数据，邻居节点间交换缓存数据的可合并计数布隆过滤器，通过将比特数组清零的方式，删除冗余数据，随后合并该节点所有可合并计数布隆过滤器，生成缓存数据的全局视图CCBF_g；根据CCBF_g中的聚合比特数组确定该节点和其它节点没有缓存的数据，进行缓存，从而保证邻居节点间缓存不同的数据。本发明通过邻居节点间缓存不同的数据，保证差异化数据生成不同的子模型，从而能够提升机器人传感器图像识别等应用中的神经网络模型性能，并降低传输开销。

技术领域

本发明属于计算机技术领域，涉及边缘网络架构，特别涉及一种面向边缘网络集成学习的自适应数据感知与协同缓存方法(Adaptive Data Awareness andCollaborative Sharing Caching，简称ADC)。

背景技术

随着大数据技术和人工智能技术的兴起，深度学习在边缘计算领域运用越来越广泛。同时，将神经网络模型部署在边缘计算节点，通过集成学习的方式，可以得到高质量的神经网络模型。然而上述现有技术存在以下缺点：如果将相似的个体子模型组合在一起，神经网络模型性能无法得到提升，例如在机器人传感器图像识别中，神经网络模型性能将直接影响到图像识别的效率和效果。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种面向边缘网络集成学习的自适应数据感知与协同缓存方法，通过邻居节点间缓存不同的数据，保证差异化数据生成不同的子模型，以提升机器人传感器图像识别等应用中的神经网络模型性能，并降低传输开销。

为了实现上述目的，本发明采用的技术方案是：

一种面向边缘网络集成学习的自适应数据感知与协同缓存方法，包括如下步骤：

步骤1，边缘计算节点使用可合并计数布隆过滤器(CCBF)中g个比特数组，高效记录缓存数据，所述可合并技术布隆过滤器由g个比特数组、k个哈希函数、1个伪随机数发生器、1个聚合比特数组(orBarr)构成；

步骤2，邻居节点间交换缓存数据的可合并计数布隆过滤器，通过将可用比特数组对应单元置0的方式，删除冗余数据，随后合并该节点所有可合并计数布隆过滤器，生成缓存数据的全局视图CCBF_g；

步骤3，根据CCBF_g中的聚合比特数组确定该节点和其它节点没有缓存的数据，进行缓存，从而保证邻居节点间缓存不同的数据。

所述步骤1中，将每个边缘计算节点的数据插入到可合并计数布隆过滤器中。

当数据首次缓存插入到可合并计数布隆过滤器时，用k个哈希函数将输入数据hash到k个比特数组，随后将对应单元置1，完成插入操作，其中所述对应单元为哈希函数所映射到的单元；

当数据已经缓存插入到可合并计数布隆过滤器，需要删除时，用k个哈希函数将输入数据hash到k个比特数组，随后将对应单元置0，完成删除操作。

所述将对应单元置1的方法是：确定可使用的比特数组，利用伪随机数发生器根据对应单元已经为1的比特数组的数量确定下一个使用的比特数组，确定后将所述可使用的比特数组的对应单元置1，并将g个比特数组执行按位或操作，更新聚合比特数组，完成插入操作；

所述将对应单元置0的方法是：确定可删除的比特数组，利用伪随机数生成器以及counter计数定位上一次添加操作的比特数组，即各个哈希函数操作的单元所在的比特数组，确定后将其对应单元置0，并将g个比特数组单元执行按位或操作，更新聚合比特数组，完成删除操作。

所述步骤2中，利用网络接口交换可合并计数布隆过滤器。