[发明专利]雾无线接入网中基于贝叶斯学习的内容流行度预测方法

说明书

本发明公开了一种雾无线接入网中基于贝叶斯学习的内容流行度预测方法，包含如下步骤：1、根据对内容请求的先验知识，构建内容请求到达概率模型；2、记录目前内容库里已有内容的每个历史时隙的请求数量及对应内容特征向量；3、根据统计数据，通过贝叶斯方法计算获得非归一化的参数后验分布函数；4、利用基于随机方差减小梯度的哈密顿蒙特卡洛方法对非归一化的后验分布进行采样；5、对存在于内容库中的内容和不存在于内容库中的内容分别做下一时隙的流行度预测。本发明可以使边缘节点仅需要较少的统计数据就可以预测内容流行度，同时避免了过拟合现象，保持较低的预测误差。

技术领域

本发明属于移动通信中的边缘缓存技术领域，尤其涉及一种雾无线接入网中基于贝叶斯学习的内容流行度预测方法。

背景技术

随着各种智能设备的普及和新型网络应用的兴起，一些高流量需求的业务呈现了爆炸式的增长，例如移动短视频、视频直播等，无线网络为了支持这种高速大容量的服务，其数据链路正在遭受空前的压力，并且未来可能兴起的虚拟现实、增强现实等服务会加剧这种情况，传统的通信架构将难以承载这种压力。雾无线接入网作为5G通信系统的新型系统架构，其配备了边缘缓存的架构，通过在边缘节点部署存储资源，提前预取区域热点内容到离用户较近的边缘节点上，当用户请求到达时，大部分的请求将会从节点的本地缓存中获得，从而很大程度地降低通信链路的负载量，大大降低通信延迟。但是节点的存储空间有限，内容流行度随时间空间变化较快，边缘缓存技术面临着诸多挑战，例如，应该存储什么样的内容在本地节点中。

传统的缓存策略如先入先出缓存策略、最近最少使用缓存策略、最近最不常用缓存策略以及这些算法的变体都已经广泛应用于有线网络，但是这些应用在传统有线网络中的方法对存储空间有较高的要求，对于覆盖范围和存储空间有限的边缘节点来说，这类传统方法的性能会遭受较为严重的下降。因此，这些传统策略难以应用在新型的无线网络中。目前的研究方向主要是转到基于内容流行度本身的边缘缓存策略，但是无线网络中存储容量有限，导致已有的数据量比较少，流行度预测容易出现过拟合的现象，缓存性能提升很有限。如果能在较少统计数据下保持较为精准的流行度预测，从而降低误差，提高缓存请求命中率，做到极大程度地降低链路负载和通信时延。

发明内容

本发明目的在于提供一种雾无线接入网中基于贝叶斯学习的内容流行度预测方法，以解决因为缺乏统计数据而导致的过拟合现象，内容流行度预测的误差高的技术问题。

为解决上述技术问题，本发明的具体技术方案如下：

一种雾无线接入网中基于贝叶斯学习的内容流行度预测方法，包括以下步骤：

步骤1、根据内容请求的到达方式，第f个内容在第n个时隙的请求数满足泊松分布并建立多层的概率模型，其中表示第f个内容在第n个时隙的请求数，可以近似看成内容流行度，λ_f(x_f)表示所服从泊松分布的到达率是Q维内容特征向量x_f的函数；

步骤2、记录内容库里已有内容的每个历史时隙的请求数量及对应的Q维内容特征向量[x₁，x₂，…，x_f]^T；

步骤3、根据多层概率模型和获得的统计数据，通过应用贝叶斯公式，得到非归一化的参数后验分布函数其中，λ和β是所有模型参数的集合；

步骤4、利用基于随机方差减小梯度的哈密顿蒙特卡洛方法对后验分布进行采样，得到平稳分布的样本

步骤5、根据要预测流行度的内容是否存在于内容库内进行分类，对于已存在于内容库中的内容，计算其流行度表示在给定内容观察的情况下，计算内容库中所有内容在下一时隙的流行度的期望，其中，对于不存在于内容库当中的、即将到来的新内容，计算其流行度E(r_F+1[N+1]|x_F+1)，表示基于其Q维内容特征向量，计算该内容在下一时隙流行度的期望。