[发明专利]基于用户行为分析的软件模块缓存预取方法、装置及介质

说明书

本发明公开了一种基于用户行为分析的软件模块缓存预取方法、装置及介质，所述方法包括：响应客户端的预测请求，提取该用户的历史行为信息，和/或通过网络爬虫爬取公开的互联网信息，搜集与该用户历史行为信息相关的数据；根据所述历史行为信息，和/或与该用户历史行为信息相关的数据，预测该用户在未来可能访问的软件模块，并生成软件模块列表；所述软件模块列表作为预测结果，按该用户的兴趣度降序排列；其中，所述软件模块为用户获取服务的单位；根据所述软件模块列表，更新本地缓存的软件模块。本发明能够提高预测及缓存的准确率，进而缩减软件流服务的使用时延，提高软件流服务的效率。

技术领域

本发明涉及软件流加载的缓存与预取技术领域，尤其是涉及一种基于用户行为分析的软件模块缓存预取方法、装置及介质。

背景技术

近年来，随着移动互联网技术迅猛发展，出现了以云计算、物联网、大数据等为代表的新型网络计算模式，它们以网络作为传递媒介，拓展用户终端的服务能力，实现按需服务共享的目的。在面向软件流和数据流的分级服务模型中，中心服务器端采用安全服务器和云服务器，包括计算服务器和存储服务器的架构。其中安全服务器根据具体应用环境和执行环境的不同，将基于角色的安全需求及应用按需组合；同时根据用户之间、用户与云服务端之间的数据保护相互依赖的多样性，在实际应用中操作系统和应用程序的“软件流”利用流式计算思想加载到云服务端和用户终端。在软件流的分级服务模型应用场景下，用户以软件模块为单位获取服务；缓存预取系统是通过在本地缓存软件模块，并通过预取来主动获取可能被访问的资源。缓存系统的关键在于缓存置换策略，实现在有限的缓存空间里尽可能多地置换掉低价值对象而存储那些更高价值的缓存对象；而预取技术主要取决于预测的算法，预测算法能更真实地反映出用户的访问序列和即将访问的对象，从而提前进行缓存。

然而，现有的缓存置换策略没有充分考虑软件模块的内容类型和用户兴趣度两种因素，因此缓存命中率低；而且，现有的预取算法比如基于访问概率的门限值算法、基于用户兴趣度的Domain-Top算法和基于访问序列的访问模型树算法，都将页面被点击次数作为热门度的根据，而忽视了用户个人行为的其他因素，因此降低预测准确率；基于现有的缓存策略和现有的预取算法得到的缓存预取技术导致软件流服务的效率低的问题。

发明内容

本发明提供了一种基于用户行为分析的软件模块缓存预取方法、装置及介质，能够提高预测及缓存的准确率，进而缩减软件流服务的使用时延，提高软件流服务的效率。

为了解决上述技术问题，本发明实施例提供了一种基于用户行为分析的软件模块缓存预取方法，包括：

响应客户端的预测请求，提取该用户的历史行为信息，和/或通过网络爬虫爬取公开的互联网信息，搜集与该用户历史行为信息相关的数据；

根据所述历史行为信息，和/或与该用户历史行为信息相关的数据，预测该用户在未来可能访问的软件模块，并生成软件模块列表；所述软件模块列表作为预测结果，按该用户的兴趣度降序排列；其中，所述软件模块为用户获取服务的单位；

根据所述软件模块列表，更新本地缓存的软件模块。

作为优选地，所述根据所述软件模块列表，更新本地缓存的软件模块，具体的：

根据所述软件模块列表，遍历本地缓存的软件模块；

下载所述软件模块列表中区别于本地缓存剩下的软件模块，并保存至本地缓存；其中，本地缓存的软件模块按该用户的兴趣度降序排列。

作为优选地，所述基于用户行为分析的软件模块缓存预取方法还包括：

通过流量分析设定各软件模块的开销，并赋予相应的权值；

通过Zipf法则和用户的访问规律，得出软件模块被访问的概率，进而根据访问次数、使用时间、访问行为，以及权值，计算该用户对各个软件模块的兴趣度。