[发明专利]一种基于模型蒸馏的边缘缓存方法

说明书

本发明涉及一种基于模型蒸馏的边缘缓存方法，属于无线通信领域，首先将边缘服务器采集到的用户端数据汇聚到云中心，对数据进行预处理并设计教师模型训练预测用户对内容的偏好；然后，在边缘服务器端部署学生模型，通过共享教师模型的参数学习该基站覆盖下的局部用户偏好。最后，根据得到的用户偏好，结合群组用户的活跃度，制定群组缓存策略，优化缓存命中率。本发明可以节约无线通信的链路资源，提高边缘服务器的资源利用率，提升用户服务质量。

技术领域

本发明属于无线通信领域，涉及一种基于模型蒸馏的边缘缓存方法。

背景技术

随着通讯技术的迅猛发展，电影、直播、短视频等娱乐活动逐渐成为人们日常生活中不可或缺的一部分，这也使得移动数据流量的使用逐年递增。传统方法将所有资源集中存储在云中心，用户端请求的内容从云中心经边缘基站分发给用户，但这种方式在电影和短视频等点播场景中会大幅增加网络响应时延和链路拥塞。为了解决上述困难，边缘缓存技术应运而生。边缘缓存技术即将云中心的一部分内容提前缓存在具有存储能力的边缘基站、用户设备或者车辆上，这样不仅可以减少回程链路的流量负载，降低费用，而且可以降低传输时延，提升用户体验。

在大数据海量内容的前提下，提前从云中心大量的资源中筛选出一部分内容缓存在边缘基站是边缘缓存技术面临的巨大挑战。边缘缓存技术面向的服务对象是用户，根据边缘基站覆盖下用户的群组特征进行缓存成为研究的一个热点。但显然，面对无时无刻不在变化的用户群体和用户请求，挖掘群组用户的特征显得尤为困难。边缘服务器缓存的对象是内容，根据内容的一系列特征，如内容的更新时间、点击率、观看时长等进行缓存也能在一定程度上减轻云中心的负载压力。因此，不少研究者从内容入手，着重于分析和挖掘群组中内容的特点进而进行缓存策略的设计。

但是相比于云中心，边缘服务器的数据量较少、计算能力较弱，并不能像云中心一样对大量的数据和复杂的模型进行训练。另一方面，用户的兴趣是在不断变化的，在云中心分析用户兴趣则需要大量的时间，而在边缘基站部署一个轻量级的模型则可以快速分析该基站覆盖下的个性化用户偏好。最后，对于个性化的用户偏好，如何融合成群组的兴趣偏好也是一大挑战。

所以，亟需在边缘服务器部署轻量级模型预测对用户的动态兴趣进行分析和预测，再根据用户的个性化偏好得到用户的群组偏好，优化缓存内容，提升边缘服务器的服务质量。

发明内容

有鉴于此，本发明的目的在于针对短视频的边缘缓存场景中，由于边缘服务器的计算能力较弱、数据量较少导致缓存命中率较低的问题，提供一种基于模型蒸馏的边缘缓存方法，在云中心端训练教师模型，再利用模型蒸馏技术训练边缘服务器端的学生模型，预测用户偏好，提高边缘服务器的命中率和服务质量。

为达到上述目的，本发明提供如下技术方案：

一种基于模型蒸馏的边缘缓存方法，首先将边缘服务器采集到的用户端数据汇聚到云中心，对数据进行预处理并设计教师模型训练预测用户对内容的偏好；然后，在边缘服务器端部署学生模型，通过共享教师模型的参数学习该基站覆盖下的局部用户偏好。最后，根据得到的用户偏好，结合群组用户的活跃度，制定群组缓存策略，优化缓存命中率。具体包括以下步骤：

S1：输入数据采集与预处理：用户端采集到的数据通常是杂乱无章的，对数据进行清洗后，主要是由两部分特征组成，即连续特征和离散特征，在边缘服务器和云中心分别对这两类特征使用不同的编码方式编码，方便后续教师模型和学生模型的训练；

S2：教师模型训练：将步骤S1输出的云中心预处理后的数据输入云中心部署的教师模型进行训练；

S3：学生模型训练：将步骤S1输出的边缘基站预处理的数据输入学生模型进行训练，结合教师模型共享的全连接网络层加快训练速度，使用教师模型和学生模型的蒸馏损失加速学生模型的收敛；