[发明专利]一种移动边缘计算网络中基于聚类的自适应缓存方法

说明书

本发明公开了一种移动边缘计算网络中基于聚类的自适应缓存方法，包括以下步骤：1)将用户请求发送至MEC服务器上；2)反馈用户请求；3)生成特征向量；4)得该用户请求内容的预测流行度；5)预测流行度判断是否需要将该用户请求内容缓存至MEC服务器上，并根据判断结果进行相应的操作；6)MEC服务器通过在线学习优化特征空间；7)当下一个用户请求到达MEC服务器时，重复步骤2)至步骤6)，完成直至完成所有用户请求为止，其中，当每隔完成U个用户请求后，则对所有已缓存用户请求内容进行流行度的预测，并更新有序信息表Q，该方法能够通过对移动边缘计算网络中的内容进行流行度预测，并以此决定缓存内容，缓存的命中率较高。

技术领域

本发明涉及一种移动边缘计算网络中的自适应缓存方法，具体涉及一种移动边缘计算网络中基于聚类的自适应缓存方法。

背景技术

由于移动蜂窝网络对大规模多媒体业务的需求不断增加，网络的流量负载呈现出了指数增加的态势，对网络容量和回程链路提出了巨大挑战。根据思科最近的一份报告，移动数据流量在过去10年中增长了4000倍。到2020年移动用户数量将达到55亿，占到全球人口的70％。移动设备的广泛采用、移动覆盖范围的快速扩大和移动内容需求的急速攀升，将使得移动用户的增幅在未来五年达到全球人口增幅的两倍之多。到2020年，智能移动设备和联接数量预计将会占到全球移动设备和联接总量的72％，相比2015年的36％增长迅猛。智能设备预计到2020年将会产生98％的移动数据流量，这其中移动视频流量将在应用程序中拥有最高的增幅，用户对于高质量视频的要求会给移动网络带来极大的负载压力。同时全球移动数据流量增速没有放缓的迹象。到2020年，全球移动数据流量将达到每月30.6EB，而在2015年仅为3.7EB；2020年全球移动数据流量将达到366.8EB，而在2015年仅为44.2EB。2020年时，366.8EB的年度移动数据流量相当于10年前，即2010年所产生的全球移动流量的120倍。对于下一代移动通信网络来说，如何应对这样的挑战成为了学术界共同的目标。

通过网络传输大量的原始数据会给网络资源带来巨大的负担。在一些情况下，在其源附近处理数据并且仅将具有价值的数据通过网络发送到远程数据中心则更有效率。移动边缘计算(Mobile Edge Computing，MEC)就是一个有效的方法。移动边缘计算(MEC)是基于5G演进的架构，并将移动接入网与互联网业务深度融合的一种技术。MEC一方面可以改善用户体验，节省带宽资源，另一方面通过将计算能力下沉到移动边缘节点。其通过部署带有计算功能的边缘设备(例如网关、基站和终端用户设备)拉近与用户的距离，将云计算和云存储拉近到网络边缘后，可以创造出一个具备高性能、低延迟与高带宽的服务环境，加速网络中各项内容、服务及应用的分发和下载，让消费者享有更高质量网络体验。

移动网络从传统的以语音通信为主的模式转为了现有的以数据传输为主的模式，而且从许多网络流量报告中可以看出，非实时性的数据传输占极大一部分。除此之外，在大量的移动互联网数据中，一少部分流行数据占用了极大的流量负载，这给回程网络带来了极大的负担。而随着大数据分析技术的发展，热门内容的预测成为了可能。电信运营商可以通过收集日常数据来合理的管控移动网络。而许多来自社交网络等的信息也可以帮助我们了解用户日常的移动特性、社交特性、偏好特性等，这种基于社交网络等的数据分析可以帮助我们对用户人群进行分类。云计算以及边缘计算的发展也使得实时的数据分析得以应用。快速存储介质的降价也使得布置缓存的成本大大降低。所以在网络空闲时刻预先缓存热门内容至移动网络边缘设备成为可能，这种方法不仅能避免内容的远距离传输，减少内容传输所需时间.提高用户的体验，也能将跨域流量转移至运营商的内部网络中，降低运营商的开销。

现有研究已证明在单个边缘设备条件下缓存最受欢迎的内容(流行度最高)可以得到最高的缓存命中率，但通常情况下内容的流行度并不确定且流行度会随着时间的推移发生变化，流行度难以确定。

发明内容