[发明专利]自适应内容缓存方法

说明书

本发明公开了自适应内容缓存方法，步骤为：1)请求处理器提取所述内容访问请求信息的特征参数，并写入本地缓存服务器的原始特征数据库；2)预测下一时间窗口的内容流行度，并写入流行度数据库；3)本地缓存服务器的缓存访问接口根据请求处理器提取的特征参数检查本地缓存服务器是否缓存了请求内容，若请求内容存在，则由本地缓存服务器传输请求内容给用户端；若请求内容不存在，则从上游服务器获取请求内容，并传输至用户端；本发明能够在真实网络环境和用户访问情况下，充分挖掘和利用内容请求的特征，动态地调整缓存策略以提高缓存效率。

技术领域

本发明涉及内容分发网络技术领域，具体是自适应内容缓存方法。

背景技术

传统企业的互联化，商务与交易的电子化，移动互联网以及视频、游戏业务的极速增长，推进了内容分发服务的广泛部署。内容分发网络(Content Delivery Network，CDN)通过将缓存服务器部署到网络边缘离用户更近的方式缓解网络拥塞、提高服务响应速度、改善用户体验，解决了内容的“集中与分散”这个两难选择，对构建良好的互联网价值链具有重要作用。其中，内容缓存试图以某种方式学习内容请求的分布来保证内容在缓存服务器上的高效可用性。内容缓存通常是由用户请求驱动的。当用户请求的内容在缓存服务器不存在时，缓存服务器从源或者其他缓存服务器实时地获取内容。已有的较为经典的内容缓存方法有：最近最少使用(Least Recently Used,LRU)、最近最不常使用(LeastFrequently Used,LFU)、先进先出(First In First Out,FIFO)、自适应缓存替换(Adaptive Replacement Cache,ARC)等。LRU算法将最近访问的内容存放到靠近缓存顶部，当缓存满时，将从缓存底部开始移除最久不被访问的内容。LFU算法使用一个计数器来记录内容被访问的频率，当缓存满时，最低访问数的内容将首先被移除。FIFO算法的核心原则是如果一个内容最先进入到缓存中，则应该最早被移除。ARC算法通过区分仅出现过一次“最近”和至少两次“最近”的内容，并自适应地在两者之间划分缓存空间。

然而，现有的内容缓存方法仅依靠时间、频次等比较单一的内容请求特征，缺乏更加充分的特征挖掘和应用。另外，在真实网络环境中，内容流行度、用户访问行为、服务器服务偏好是在不断动态变化甚至相互影响的，基于独立参考模型(Independent ReferenceModel，IRM)所提出的缓存方法在实际应用中的性能与理论值还存在着差距。

发明内容

本发明的目的是解决现有技术中存在的问题。

为实现本发明目的而采用的技术方案是这样的，自适应内容缓存方法，主要包括以下步骤：

1)用户端向请求处理器发送内容访问请求信息。

2)请求处理器提取所述内容访问请求信息的特征参数，并写入本地缓存服务器的原始特征数据库。

所述内容访问请求信息的特征参数包括语义特征和上下文特征。

3)请求处理器的学习处理模块定期从原始特征数据库中导入数据，并对请求处理器中存储的深度神经网络进行训练。请求处理器利用训练后的深度神经网络预测下一时间窗口的内容流行度，并写入流行度数据库。

进一步，深度神经网络预测下一时间窗口内容流行度的主要步骤如下：

3.1)获取时间窗口t对应的特征x_t和上一时间窗口t-1对应的隐藏状态h_t-1。

3.2)建立L层的深度神经网络的预测函数，即：

式中，f^(l)(x)为第l层深度神经网络的回归函数。α^(l)＞0为第l层深度神经网络回归函数的权重。L为深度神经网络总层数；

其中，第l层深度神经网络的回归函数如下所示：