[发明专利]一种基于异步联邦学习的移动感知缓存方法

说明书

本发明公开了一种基于异步联邦学习的移动感知缓存方法，该方法包括步骤：A、选择自动编码器作为异步联邦学习的模型框架，并创建全局模型；B、根据车辆在当前RSU覆盖范围内的停留时间选择与当前RSU进行异步联邦学习的车辆；C、被选中的车辆从当前RSU中下载全局模型参数；D、根据全局模型参数和最小化正则化损失函数对车辆本地模型进行训练；E、RSU接收训练后的车辆本地模型，并通过权重平均更新全局模型；F、根据更新后的全局模型对内容流行度进行预测，并根据预测结果制定RSU缓存策略。本发明基于异步联邦学习的移动感知缓存方法能够获得较高的缓存命中率、可提升缓存性能、有效保护客户隐私、降低通信成本。

技术领域

本发明涉及移动通信技术领域，特别涉及一种基于异步联邦学习的移动感知缓存方法。

背景技术

随着无线通信和物联网的进步，自动驾驶被认为是智能交通系统中减少交通拥堵、提高交通效率和增强道路安全性的一项关键技术。自动驾驶车辆支持广泛的应用，从信息娱乐应用到安全相关应用。这些应用程序可能需要大量的计算、通信和存储资源，并且对网络带宽和响应时间有严格的性能要求。因此，支持这些应用给资源受限的车辆网络环境带来了很大的压力。车辆边缘计算(VEC)被认为是通过将边缘计算集成到车辆网络中来满足日益增长需求的一个有前途的范例。VEC允许在边缘节点处理和存储数据，例如路侧单元(RSU)和基站(BS)。

在边缘节点缓存内容使车辆能够在一个传输跳内获取其请求的内容，能够减少服务延迟并减轻回程网络负担。由于边缘节点的存储空间有限，缓存方案需要识别和缓存大多数车辆用户感兴趣的流行内容。车辆的高度移动性和复杂的车辆环境导致了高度的动态内容流行。在这种情况下，使用主动缓存预测内容流行度并且缓存预测流行的内容，这样车辆用户可以预先捕获流行内容，即使以前可能没有请求过。因此，主动缓存是一种合适的缓存方式，在主动缓存中，机器学习是一种有效缓存，预测内容流行度的方法。

使用机器学习在车联网边缘缓存中解决以下三个问题：1)高移动性：车辆行驶速度快，使行驶内容容易过时。为了改善这种情况，缓存方案应该具有移动性意识，根据内容流行度预测和车辆移动性做出缓存决策。2)隐私性:大多数ML算法以集中的方式训练模型，其中由多个车辆生成的数据必须被发送到边缘服务器进行分析。这些生成的数据可能涉及用于各种车辆应用的个人敏感信息。因此，集中上传和处理这些数据可能会引起隐私和安全问题。3)可扩展性:随着连接车辆数量的增长，车辆生成的数据也会增加。由于计算和通信成本过高，集中式ML算法可能很难处理数据。

发明内容

本发明要解决的技术问题是提供一种可提升缓存性能、保护客户隐私、降低通信成本的基于异步联邦学习的移动感知缓存方法。

为了解决上述问题，本发明提供了一种基于异步联邦学习的移动感知缓存方法，其包括以下步骤：

A、选择自动编码器作为异步联邦学习的模型框架，并创建全局模型；

B、根据车辆在当前RSU覆盖范围内的停留时间选择与当前RSU进行异步联邦学习的车辆；

C、被选中的车辆从当前RSU中下载全局模型参数；

D、根据全局模型参数和最小化正则化损失函数对车辆本地模型进行训练；

E、RSU接收训练后的车辆本地模型，并通过权重平均更新全局模型；

F、根据更新后的全局模型对内容流行度进行预测，并根据预测结果制定RSU缓存策略。

作为本发明的进一步改进，所述步骤F具体包括：

F1、依据每个连接的车辆用户内容检索历史，建立车辆请求内容评分矩阵X,X∈N^m×c；其中m是RSU连接的车辆数目，c代表每辆车请求的内容数；