[发明专利]一种基于车辆聚类的缓存内容更新算法

说明书

本发明公开了一种基于车辆聚类的缓存内容更新算法，按照以下步骤进行：1)在具有移动性和随机性的车联网环境中，根据车辆在不同时刻的位置计算出车辆之间的夹角，并以移动方向为依据初始化车辆集群；2）基于改进K‑Medoids的聚类算法，根据车辆之间的欧式距离描述样本差异，并根据车辆之间的欧氏距离与缓存的内容种类进行聚类；3）结合内容相似度、当前时刻车辆的距离差异度以及速度差异度，进一步对每个簇中的所有车辆节点进行优先级评估，并选择评估值最高的车辆作为簇头；4）基于上述优化簇的划分以及簇头的选取来最小化内容传输的平均时延。该发明能够在大规模复杂的车联网业务场景下，大大的减少相同数据的重复传输，提升服务质量。

技术领域

本发明涉及聚类算法和边缘计算领域，特别是指一种基于车辆聚类的缓存内 容更新算法。

背景技术

随着自动驾驶汽车的预期到来，由于车载移动互联网接入的使用急剧增加以 及道路上车辆的高机动性和5G的高度复杂性，支持车辆生成的数据流量将在基 于5G的车辆网络中变得极具挑战性。由于车辆的高移动性和基站的资源运限制， 如果有非常多个典型车辆同时进行缓存更新任务的请求，即请求的资源超过了基 站的资源总量，那么就会引起网络堵塞，给用户带来较大的内容传输延迟，大大 降低了用户的服务质量(QoS)。因此考虑车辆集群减少蜂窝网络的开销，并在 集群车辆之间以较低的相对速度提供更好的通信质量。常见的聚类算法K-Means， 由于K-Means算法对噪声和离群值非常敏感，K-Medoids算法可有很好的规避这 一缺陷。K-Medoids作为K-Means的改进算法，每次迭代过程选取的质心是样本 点，而K-Means每次选取的质心可以是样本点之外的点。实际过程中，每一个 车辆都需要进行任务的请求，这些任务内容的种类各不相同，因此如何根据车辆 之间的欧氏距离以及内容的相似度对车辆集群进行聚类，大大的减少请求次数， 降低车辆用户的内容传输延迟，提升服务质量是一个需要研究的关键问题。

发明内容

本发明的目的是提出一种基于车辆聚类的缓存内容更新算法。该方案充分利 用了V2V(车辆间通信)通信的优势：即车辆中存储的数据包将通过V2V通信优 先被利用，只有在请求的数据包不在周围车辆中缓存时，才会通过V2B(车辆基 站间通信)通信向基站发送请求。对典型车辆进行了聚类，规定只有簇头车辆才 能跟基站进行通信，其他车辆只能通过簇头车辆和基站进行间接通信，以此来缓 解基站的带宽、通信等资源有限的问题，达到最小化用户的内容更新延迟，提高 服务质量的目的，进而通过优化车辆的内容放置，来实现基站能耗的最小化。

本发明为解决上述技术问题采用以下技术方案：

一种基于车辆聚类的缓存内容更新算法，该方法在大规模的车联网场景中， 面对于非常多个典型车辆同时进行缓存更新任务的请求以及基站资源有限的情 况，考虑根据车辆之间的欧氏距离以及内容的相似度进行对车辆集群聚类，并选 取簇头车辆，只有簇头车辆才能跟基站进行通信，实现车辆通信的平均时延最小 化。

K-Medoids使用集群中的一个代表性车辆(中心点)作为质心点。质心点被 任意选择出，并将其他样本车辆分配给与它最相似的质心所在的车辆簇中。该方 案以最小化每个簇车辆成员与其相应的代表点之间的差异之和的方式对所有车 辆进行划分，按如下规则进行定义：

其中，E是数据集中所有的车辆的绝对误差之和，o_r代表簇心车辆，c_j代表 各自的簇集合。

在车载自组织网络中，如果两个车辆要聚类到同一个簇中，那么它们的速度 矢量夹角需要不大于90°，否则簇的生命周期将大大下降。基于这种情况，将车 辆间的速度矢量夹角作为集群初始化的依据，具体规定为：