[发明专利]一种基于多级人气指数的协作边缘缓存方法

说明书

本发明一种基于多级人气指数的协作边缘缓存方法，包括如下步骤：步骤一：在有中心拓扑的边缘缓存模型的基础上，引入协作机制；步骤二：在协作机制的基础上，提出响应型的缓存策略；步骤三：引入多级人气指数概念，使将内容分级；所述步骤三具体为：人气指数系数和将用户请求内容的人气指数分为三级，每一级使用不同的缓存淘汰策略；该缓存策略算法实现简单，对于边缘节点的计算性能要求较低，多种编程语言均可以实现，各类操作系统都可以部署该算法，不依赖特定的开发环境；根据不同的用户请求分布可以根据其进行仿真再设置相应的最优的人气指数等级系数，以发挥边缘缓存的最佳性能。

技术领域

本发明涉及的是一种协作边缘缓存方法，尤其涉及一种基于多级人气指数的协作边缘缓存方法，属于边缘计算领域。

背景技术

经过互联网多年的发展，人们日常使用的电子终端已经从个人电脑拓展到了智能手机和笔记本电脑。根据Cisco公司的白皮书，到2020年，将有500亿物联网IOT(TheInternet of Things)设备接入互联网。此外，据Cisco公司估计，到2021年，云外每年将产生近850ZB的数据，而全球数据中心的流量仅为20.6ZB。这表明，大数据的数据源头从大规模的云数据中心正在转变为越来越多的边缘设备。在移动设备数量逐年增加，以及多媒体，视频流和自动驾驶等应用愈发普及的现状下，对无线接入网RAN(Radio Access Network)的传输速度和低延迟需求不断增加。面对大量网络设备的需求，虽然云计算可以有效地提高资源的可拓展性和便利性，但是对于远离数据源的用户来说，更容易出现高延迟的情况。此外，重复传输相同的数据会产生大量不必要的流量。因此，为了满足低延迟、高数据传输速率和大容量的要求，边缘计算就成为了一种具有吸引力的解决方案。边缘缓存存在于网络和终端设备之间，尽可能地将本应部署于云端的大量数据和计算任务部署到接近数据源和用户的地方，缓存常用的内容以供用户获取，可以有效地减少回程流量负载和传输延迟，提升数据的传输效率以及用户的使用体验。

现实中，与网络中的内容量相比，缓存的容量始终不足。此时就需要提出适当的缓存策略来决定应缓存的内容。内容受欢迎程度，内容大小，内容类型和其他因素都应考虑在内。因此，关于边缘缓存策略的制定和研究具有相当重要的意义。

近几年，边缘缓存得到了国内外相关研究者的充分关注，边缘缓存的理论研究和仿真实验上取得了很大的进展，缓存策略也变得越来越多样化。缓存策略从本质上可以分成两种类型，分别为响应型缓存策略和主动型缓存策略。响应型缓存策略注重在内容请求发起时，对发起的内容请求进行响应，进行内容的缓存或替换，而主动型缓存策略注重使用网络中的实时信息对内容进行具有前瞻性的预缓存。

在主动型缓存策略中，内容流行度通常都是基于机器学习技术获取的，这种技术在热点地区表现良好。然而，根据戚凯强等人的研究，当采用实测数据集时，由于用户请求行为具有很强的时间局部性、甚至是猝发性，所造成的虚警、漏警和加性误差使得响应型缓存策略的缓存性能优于主动型缓存策略。同时由于主动型缓存策略需要使用大数据对未来的可能请求的内容进行预测分析，对于性能较差，缓存空间较小的边缘节点来说响应型缓存策略不失为一种更好的选择。

在边缘缓存策略中，网络模型是基础。在无线接入网RAN中，网络拓扑模型基本可以分为两种类型：无中心拓扑和有中心拓扑。在有中心拓扑网络中，大部分研究者都以单一的边缘节点为单位，并未很好的利用边缘计算中边缘节点的物理密集性，导致临近的边缘节点之间的缓存内容种类冗余较大，造成资源的浪费。

发明内容

本发明为了降低内容在边缘缓存集群内容的冗余度，提升集群的内容种类丰富度，达到提升服务质量和性能而提供了一种基于多级人气指数的协作边缘缓存方法。

本发明是这样实现的：

一种基于多级人气指数的协作边缘缓存方法，包括如下步骤：

步骤一：在有中心拓扑的边缘缓存模型的基础上，引入协作机制；