[发明专利]一种基于协作感知的数据智能缓存方法

说明书

本发明涉及一种基于协作感知的数据智能缓存方法，属于无线通信技术领域。该方法首先通过分析历史请求信息与请求的命中状态分别在长短两个时间尺度上更新全局流行度与局部流行度，然后对工业互联网场景中的设备请求文件传输时延进行建模；最后，利用基于Actor‑Critic框架的多智能体强化学习模型对微基站处的缓存状态进行更新，并通过自适应分配带宽资源以最大化速率加权和目标函数。本发明能够显著降低工业互联网中设备获取关键数据文件的时延，提升应用性能。

技术领域

本发明属于无线通信技术领域，涉及一种基于协作感知的数据智能缓存方法。

背景技术

随着智能制造需求的发展，利用人工智能、边缘计算、云边协同等技术对传统工业生产进行能力加持成为了国际产业界所研究的热点问题。工业互联网(IndustrialInternet)将成为新一代信息通信技术与工业经济深度融合的新型基础设施，承担起对人、物、网络的融合连接。在工业制造场景中，设备具有极高的多样性，仅仅利用传统的蜂窝网络与光纤有线网络难以在整个工业互联网体系中承担智能、全面的连接。无人智能巡检、能源环境检测、远程设备操控、现场智能检测等都对所承载的网络提出了全新的要求。而随着业务的多样化，由工业设备以及传感器所收集的数据信息将上传到云中心(Cloud Center)集中处理，并将处理所得到的数据反馈到各类工业应用中。而大量设备节点获取热门数据将在传输网络中产生大量的冗余数据，而每一次都从云中心获取处理后的数据文件使得降低设备数据获取时延成为困难。而利用边缘缓存(Edge Cache)可以将热门数据缓存在靠近设备的边缘小基站(Small Base Station,SBS)中，当大量设备请求时可以做出快速反应，以降低数据文件的获取时延。但由于SBS的覆盖范围较小，部分处于郊区或干扰较大的设备难以获取服务。宏基站(Macro Base Station,MBS)具备更大的覆盖范围，与SBS协同服务可以使整个工业互联网场景中的智能设备得到全面的覆盖。

由于智能工业场景下的低时延需求，仅仅根据数据文件的历史请求量难以准确的追踪各类内容的热门程度变化，如传统的最近最少使用(Least Recently Used,LRU)、最不常使用(Least Frequently Used,LFU)都是从简单的统计角度对缓存策略确定，在变化迅速的场景下往往难以取得很好的效果。另一方面，结合人工智能的机器学习方案如深度学习(Deep Learning)、强化学习(Reinforcement Learning)等，有助于在大量数据中发掘内容流行程度的变化趋势，这给提高基站处缓存的效率、降低设备获取内容时延带来了更有效的方案。

而在大量现有的研究中，利用单个SBS对历史数据进行分析进行缓存决策，对设备的移动性进行分析，利用长短期缓存对区域内容流行度进行追踪都有一定的研究，但他们都集中在移动内容层面，在不同的区域都有一定的相似特性。另一方面，不同SBS覆盖区域内的内容流行趋势往往不同，但由于同类型工业生产分布往往集中在一起，相邻SBS间可能存在一定的相似性。此外，对于区域的数据请求量大小往往也会影响一个区域的缓存效率，因此如何高效对热门文件进行缓存，并传输给设备仍然是一个悬而未决的问题。

因此，同时考虑区域内容的请求量、并引入不同基站之间的协作进行缓存决策以降低工业互联网场景中的设备获取时延成本仍亟需进一步研究。

发明内容

有鉴于此，本发明的目的在于针对工业互联网场景中工业设备获取应用所需文件数据时延大，传统缓存方法难以保证缓存空间的高效率用问题，提供一种基于协作感知的数据智能缓存方法，考虑了缓存内容在不同时间尺度上的变化特性，并引入Actor-Critic机器学习框架，利用协作缓存架构提升缓存空间的利用效率，以及文件内容的多样性，并自适应工业设备关联基站以降低网络内设备获取文件的整体时延。

为达到上述目的，本发明提供如下技术方案：