[发明专利]一种雾计算中区块链协助的联邦学习主动内容缓存方法

说明书

本发明涉及一种雾计算中区块链协助的联邦学习主动内容缓存方法，属于移动通信技术领域。先，考虑到实际网络中用户设备的资源约束，提出了一种基于用户选择的联邦学习方案，以有效提高联邦学习的训练过程，减少模型训练的时间。其次，本发明使用了上下文感知的对抗性自动编码器C‑AAE来预测高度动态的内容流行度。最后，为了保证联邦学习中模型更新参数上传的安全性，引入区块链技术，设计了四种面向去中心化实体的智能合约，用于记录和验证交易。该发明可以有效提高缓存命中率。

技术领域

本发明属于移动通信技术领域，涉及一种雾计算中区块链协助的联邦学习主动内容缓存 方法。

背景技术

内容缓存技术被认为是一种很有前途的解决方法，它通过将流行度高的内容提前存储在 边缘设备中，减轻回程链路拥塞以及用户请求内容时延，提高用户满意度。由于边缘节点存 储资源有限，须将最有可能被用户请求的内容放在本地缓存中。传统的缓存机制如基于先进 先出(First-In-First-Out,FIFO)、最近最少使用(Least Recently Used,LRU)和最不常用(Least Frequently Used,LFU)等通过静态规则更新缓存内容。然而，它们并不适用于预测动态变化的 流行内容。

目前，许多研究利用机器学习方法通过观察用户的历史内容需求来学习内容流行度。由 于传统集中式机器学习方法都需要在一个中央单元收集本地用户的私有信息，这可能会引起 用户的隐私担忧。本地用户难以信任与其相关联的服务器，不愿上传自己的私有数据。为了 提供一个可行的解决方案，研究人员提出了一种基于联邦学习的智能雾无线接入网(Fog Radio Access Network,F-RAN)范例。由于有足够的雾计算资源，F-RANs范式为实现网络边缘智能 化提供了极大的便利。与集中式学习的训练过程不同，联邦学习的训练将内容分散到大量的 设备上，而不必集中训练数据。通过雾服务器和用户之间的交互来训练学习模型，直到模型 收敛到特定的精度水平。虽然在联邦学习过程中，用户不需要公开自己的私有数据，但当一 些用户计算资源有限时，则需要更长的模型更新时间；在较差的无线信道条件下，则需要更 长的模型上传时间。终端设备在通信和计算资源方面的异构性使得整个训练过程变得低效。 此外，由于当前的物联网体系架构中通信安全性较差，存在数据可靠性问题，如数据丢失、 插入恶意数据等。这样的现象同样会造成上传的模型更新参数不准确，进一步影响训练结果。

近年来，区块链由于其去中心化、匿名性等特点受到越来越多的关注。区块链通过在不 可信的实体之间维护分布式账本，可以在不可信环境中提供安全的解决方案。基于以上结果， 考虑到终端设备的资源的异构性以及数据传输的安全性。

发明内容

有鉴于此，本发明的目的在于提供一种雾计算中区块链协助的联邦学习主动内容缓存方 法。

为达到上述目的，本发明提供如下技术方案：

一种雾计算中区块链协助的联邦学习主动内容缓存方法，该方法包括以下步骤：

S1：一种基于区块链的联邦学习主动边缘缓存架构；

S2：基于用户选择的FL方案；

S3：基于上下文感知的对抗性自动编码器的内容流行度预测算法；

S4：联合区块链技术保护数据安全性方案。

进一步，在步骤S1中，建立基于区块链的联邦学习主动边缘缓存模型。该发明结合了物 联网设备、雾计算、远程云和区块链技术。在该系统模型中，提出了一种区块链协助的基于 联邦学习的主动边缘缓存方案，可以有效保护用户隐私和提高内容缓存命中率。

进一步，在步骤S2中，为了解决终端设备的资源异构性，提出了一种基于用户选择的联 邦学习主动边缘缓存算法。基于用户选择的FL方案具体包括以下几个步骤：