[发明专利]一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法

说明书

本发明公开了一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法，该方法包括：根据雾接入点收集到的本地用户信息和内容信息，构造本地用户与内容的初始特征；根据初始特征与历史请求记录，为每个雾接入点建立本地用户请求内容概率的预测模型；利用聚类联邦学习对各雾接入点的预测模型进行分布式训练并实现模型参数的特殊化；根据内容信息，以移动用户的内容请求概率为预测目标，建立移动用户的偏好模型；对本地流行度和移动流行度的预测结果进行整合，得到内容流行度的最终预测结果。本发明使雾接入点准确预测并动态更新内容流行度，并通过模型特殊化，自适应地区分内容流行度的区域差异，同时减少了通信成本。

技术领域

本发明涉及内容流行度预测的技术领域，特别是涉及一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法。

背景技术

随着各类智能设备以及移动应用服务的空前发展，近年来无线网络中出现了大量亟待解决的问题，尤其是在容量有限的回程链路上由爆发式增长的数据流量压力造成的拥塞。雾无线接入网(F-RAN)作为一种前景广阔的新型架构，可以利用部署在网络边缘的雾接入点(F-AP)来减轻回程链路的流量负担。雾接入点可以缓存流行的内容以满足用户的要求，但由于缓存容量和计算资源的限制，雾接入点需要预测未来的内容流行度，以决定在何时存放什么内容，进而提高自身的缓存效率。

传统的缓存策略例如先入先出缓存策略、最近最少使用缓存策略以及最近最不常用缓存策略，在有线网络中得到了长期广泛的应用。但受限于无线网络中边缘节点有限的覆盖范围以及存储空间，这些传统的缓存策略由于无法直接对内容流行度进行提前预测，在无线网络中会遭受严重的性能下降。因此，以上的传统缓存策略在新型的无线网络中很难适用。近期许多研究者的工作已着眼于通过对内容流行度进行预测来提高缓存效率。但在无线网络中，区域差异将导致内容流行度在不同边缘节点处的分布不同，全局内容流行度预测对于缓存性能的提升有限，而且移动网络中收集到的用户信息与内容信息中隐藏着大量有助于内容流行度预测的表征。同时，移动网络中部分用户具有较高的移动性，特定雾接入点的内容流行度会随着用户的移动性不断变化。如果能够在构建预测模型时自适应地区分内容流行度的区域差异，充分学习有助于内容流行度预测的隐藏表征，实现未来内容流行度的精确预测，并根据用户移动性实现动态更新，从而极大地提升雾接入点的缓存效率，最大程度降低回程链路负载。

联邦学习是一种新型人工智能技术，最初被用于解决用户终端在本地的模型更新问题，保障本地模型训练时数据交换的信息安全，同时保护终端数据中的个人隐私。联邦学习实现了多方参与的高效率机器学习。

发明内容

有鉴于此，本发明的目的在于提供一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法，用以自适应地区分内容流行度的区域差异并根据用户移动性实现动态更新，在提高缓存效率的同时，具备通信成本低的特点。

为了实现上述目的，本发明采用如下技术方案：

一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法，所述预测方法包括以下步骤：

步骤S1、根据本地用户和内容的邻域集，利用雾接入点获取的本地用户信息和内容信息，通过信息融合构建每个本地用户和每个内容的初始特征；

步骤S2、以所述本地用户和内容的初始特征为输入，再以本地用户的内容请求概率为预测目标，为各个雾接入点建立基于双通道神经网络的预测模型，并设定二元交叉熵损失为损失函数以对模型参数进行优化；

步骤S3、利用聚类联邦学习方法，对各个雾接入点的预测模型进行分布式训练，并且自适应地将区域类型相似的雾接入点进行分簇，为每个雾接入点实现模型参数的特殊化；

步骤S4、利用历史请求数量得到本地用户的活跃程度，并根据本地用户的活跃程度和预测的内容请求概率得到本地流行度的预测结果；