开云优惠体育网页版入口

专利名称：边缘计算中基于流行内容预测的数据缓存方法

专利类型：发明专利

专利申请号：CN202211199842.5

专利申请（专利权）人：南京邮电大学
权利人地址：江苏省南京市鼓楼区新模范马路66号

专利发明（设计）人：鲁蔚锋,李宁,徐佳,徐力杰,蒋凌云

专利摘要：本发明提供了一种边缘计算中基于流行内容预测的数据缓存方法，包括步骤1：预处理历史数据，构建ARIMA；步骤2：构造形式化数据缓存问题；步骤3：初始化数据；步骤4：确定收益pt；步骤5：使用FPTAS对收益pt进行预处理，得到p′t；步骤6：运用动态规划算法创建二维数组B[t][m]；步骤7：初始化B[t][m]，步骤8：进行剪枝操作；步骤9：重复执行步骤3到步骤8，输出数据缓存方案S*以及数据缓存收益R。本发明形式化了边缘计算下的数据缓存问题，并考虑边缘服务器的规格差异、容量限制以及多个数据的缓存问题，设计系统目标函数为最大化服务提供商缓存数据的总收益，保证用户体验的同时最大化服务提供商的收益。

主权利要求：
1.一种边缘计算中基于流行内容预测的数据缓存方法，其特征在于：包括步骤1：输入某区域的历史数据，进行数据预处理，判断历史数据时间序列是否为差分平稳序列，如果是，则构建差分整合移动平均自回归模型ARIMA并进入步骤2；
步骤2：构造得到统一的形式化数据缓存问题：
其中，V＝{v1,v2,…,vn}表示某区域内的一组边缘服务器集合，C＝{c1,c2,…,cn}表示每个边缘服务器的资源容量，D＝{d1,…,dl}为步骤1确定的预处理后的一组数据，S＝{s1,s2,…,sl}表示数据的大。琔＝{u1,u2,…,um}表示该区域的用户集合，某个数据dt缓存在边缘服务器vj的收益用pt表示， 表示用户i是否去边缘服务器j请求数据dt，若用户i去边缘服务器j请求数据dt，则 的值为1，否则为0， 表示数据dt是否被缓存在边缘服务器j上，若边缘服务器j上缓存了数据dt，则 的值为1，否则为0，定义缓存数据在边缘服务器上的单位开销为cost；
步骤3：初始化边缘服务器覆盖范围H，用户集合U，边缘服务器集合V，并从边缘服务器集合V中选取一个边缘服务器vj，设该服务器的资源容量为cj；
步骤4：若边缘服务器vj覆盖范围内的用户i有请求数据dt的需求，即 的值为1时，将ptt←pt?scost，否则pt←0，重复执行步骤4，直至遍历所有数据；
步骤5：使用FPTAS对数据dt的收益pt进行预处理，得到p′t作为后续算法中实际使用的数据收益的值；
步骤6：运用动态规划算法处理步骤2中形式化数据缓存问题，步骤5所述p′t作为数据dt缓存到边缘服务器j的收益，创建二维数组B[t][m]，它表示前t个数据中，装入容量为m的边缘服务器的最高收益；
步骤7：初始化B[t][m]，并进行动态规划求解，动态规划的递推公式定义为：步骤8：动态规划求解完成后，进行剪枝操作，若数据dt已经缓存在边缘服务器j上，即的值为1，与此同时，服务器j覆盖范围内的存在用户i，则将 保证下次迭代时，无需处理用户i对数据dt的请求；
步骤9：重复执行步骤3到步骤8，直到服务器没有剩余容量或没有其他的数据需要缓*存，然后输出数据缓存方案S以及对应的数据缓存收益R。
2.根据权利要求1所述的边缘计算中基于流行内容预测的数据缓存方法，其特征在于：所述数据预处理具体为对历史数据的时间序列进行随机性和平稳性检测，从而确定构建差分自回归移动平均模型ARIMA的参数。
3.根据权利要求1所述的边缘计算中基于流行内容预测的数据缓存方法，其特征在于：差分自回归移动平均模型ARIMA模型写成ARIMA(p，d，q)，包括3个参数，其中p为自回归阶数，d为差分次数，q为移动平均阶数。
4.根据权利要求1所述的边缘计算中基于流行内容预测的数据缓存方法，其特征在于：随机性和平稳性检测具体为：
步骤11：对历史数据的时间序列进行平稳性检验，若单位根检验统计量对应的p值大于
0.05，则为非平稳序列，进入步骤12；
步骤12：对历史数据时间序列进行差分运算直至时间序列变为平稳序列；
步骤13：进行白噪声检验，若为白噪声序列，直接结束，否则说明该时间序列是非白噪声序列，进入步骤14；
步骤14：对处理好的平稳非白噪声序列进行模型定阶；
步骤15：当模型定阶结束后，需要再对残差序列进行白噪声检验，如果残差序列是白噪声序列说明残差中不存在有用的信息，结束检测过程，如果是非白噪声序列，则重复步骤
14。
5.根据权利要求4所述的边缘计算中基于流行内容预测的数据缓存方法，其特征在于：步骤12进行差分运算最多执行二阶差分。
6.根据权利要求4所述的边缘计算中基于流行内容预测的数据缓存方法，其特征在于：步骤13进行白噪声检验采用LB统计量，然后计算出对应的p值，如果p值显著大于显著性水平0.05，则为白噪声序列。
7.根据权利要求4所述的边缘计算中基于流行内容预测的数据缓存方法，其特征在于：步骤14中采用极大似然比方法进行模型的参数估计，估计各个参数的值，然后针对各个不同模型，采用BIC信息准则对模型定阶，确定p，q参数。
8.根据权利要求1所述的边缘计算中基于流行内容预测的数据缓存方法，其特征在于：步骤3中，将步骤2中构造的形式化数据缓存问题看作一个动态多维背包问题并采用MKP算法求解。
9.根据权利要求1所述的边缘计算中基于流行内容预测的数据缓存方法，其特征在于：步骤5中使用FPTAS对上述数据dt的收益pt进行预处理具体为：步骤51：取出上述数据收益的最大值令其为P，即P←max{pt|1≤t≤D}；
步骤52：设θ∈(0,1]，令 对于所有的数据dt，令
10.根据权利要求9所述的边缘计算中基于流行内容预测的数据缓存方法，其特征在于：经过步骤5后的优化问题已经转化为一个0?1背包问题，在步骤6中对其运用动态规划算法处理。 说明书 : 边缘计算中基于流行内容预测的数据缓存方法技术领域[0001] 本发明涉及一种边缘计算中基于流行内容预测的数据缓存方法，属于数据缓存领域。背景技术[0002] 由于用户向云数据中心发出请求会存在很大的通信延迟，而将数据与内容缓存在更靠近用户的边缘节点上，不仅能减小通信开销，还能降低回程网络的压力，尤其对于视频、图像和文件等数据，内容缓存能显著降低服务延迟。将内容存储在地理上分散的缓存中，利用中心平台的负载均衡、内容分发以及调度等功能模块，用户可就近获取所需内容并降低网络拥塞。[0003] 而在边缘计算时需要考虑到数据缓存的问题，同时需要考虑边缘服务器的容量限制与规格特殊性。边缘计算场景下采用什么样的数据缓存策略来保证用户体验且最大化服务提供商的收益是一个具有挑战和实际应用价值的研究问题。[0004] 有鉴于此，确有必要提出一种新的边缘计算中基于流行内容预测的数据缓存方法，以解决上述问题。发明内容[0005] 本发明的目的在于提供一种边缘计算中基于流行内容预测的数据缓存方法，以保证用户体验的同时最大化服务提供商的收益。[0006] 为实现上述目的，本发明提供了一种边缘计算中基于流行内容预测的数据缓存方法，包括[0007] 步骤1：输入某区域的历史数据，进行数据预处理，判断历史数据时间序列是否为差分平稳序列，如果是，则构建差分整合移动平均自回归模型ARIMA并进入步骤2；[0008] 步骤2：构造得到统一的形式化数据缓存问题：[0009][0010][0011][0012][0013] 其中，V＝{v1,v2,…,vn}表示某区域内的一组边缘服务器集合，C＝{c1,c2,…,cn}表示每个边缘服务器的资源容量，D＝{d1,…,dl}为步骤1确定的预处理后的一组数据，S＝{s1,s2,…,sl}表示数据的大。琔＝{u1,u2,…,um}表示该区域的用户集合，某个数据dt缓存在边缘服务器vj的收益用pt表示， 表示用户i是否去边缘服务器j请求数据dt，若用户i去边缘服务器j请求数据dt，则 的值为1，否则为0， 表示数据dt是否被缓存在边缘服务器j上，若边缘服务器j上缓存了数据dt，则 的值为1，否则为0，定义缓存数据在边缘服务器上的单位开销为cost；[0014] 步骤3：初始化边缘服务器覆盖范围H，用户集合U，边缘服务器集合V，并从边缘服务器集合V中选取一个边缘服务器vj，设该服务器的资源容量为cj；[0015] 步骤4：若边缘服务器vj覆盖范围内的用户i有请求数据dt的需求，即 的值为1t时，将pt←pt?scost，否则pt←0，重复执行步骤4，直至遍历所有数据；[0016] 步骤5：使用FPTAS对数据dt的收益pt进行预处理，得到pt′作为后续算法中实际使用的数据收益的值；[0017] 步骤6：运用动态规划算法处理步骤2中形式化数据缓存问题，步骤5所述pt′作为数据dt缓存到边缘服务器j的收益，创建二维数组B[t][m]，它表示前t个数据中，装入容量为m的边缘服务器的最高收益；[0018] 步骤7：初始化B[t][m]，并进行动态规划求解，动态规划的递推公式定义为：[0019][0020] 步骤8：动态规划求解完成后，进行剪枝操作，若数据dt已经缓存在边缘服务器j上，即 的值为1，与此同时，服务器j覆盖范围内的存在用户i，则将 保证下次迭代时，无需处理用户i对数据dt的请求；[0021] 步骤9：重复执行步骤3到步骤8，直到服务器没有剩余容量或没有其他的数据需要*缓存，然后输出数据缓存方案S以及对应的数据缓存收益R。[0022] 作为本发明的进一步改进，所述数据预处理具体为对历史数据的时间序列进行随机性和平稳性检测，从而确定构建差分自回归移动平均模型ARIMA的参数。[0023] 作为本发明的进一步改进，差分自回归移动平均模型ARIMA模型写成ARIMA(p，d，q)，包括3个参数，其中p为自回归阶数，d为差分次数，q为移动平均阶数。[0024] 作为本发明的进一步改进，随机性和平稳性检测具体为：[0025] 步骤11：对历史数据的时间序列进行平稳性检验，若单位根检验统计量对应的p值大于0.05，则为非平稳序列，进入步骤12；[0026] 步骤12：对历史数据时间序列进行差分运算直至时间序列变为平稳序列；[0027] 步骤13：进行白噪声检验，若为白噪声序列，直接结束，否则说明该时间序列是非白噪声序列，进入步骤14；[0028] 步骤14：对处理好的平稳非白噪声序列进行模型定阶；[0029] 步骤15：当模型定阶结束后，需要再对残差序列进行白噪声检验，如果残差序列是白噪声序列说明残差中不存在有用的信息，结束检测过程，如果是非白噪声序列，则重复步骤14。[0030] 作为本发明的进一步改进，步骤12进行差分运算最多执行二阶差分。[0031] 作为本发明的进一步改进，步骤13进行白噪声检验采用LB统计量，然后计算出对应的p值，如果p值显著大于显著性水平0.05，则为白噪声序列。[0032] 作为本发明的进一步改进，步骤14中采用极大似然比方法进行模型的参数估计，估计各个参数的值，然后针对各个不同模型，采用BIC信息准则对模型定阶，确定p，q参数。[0033] 作为本发明的进一步改进，步骤3中，将步骤2中构造的形式化数据缓存问题看作一个动态多维背包问题并采用MKP算法求解。[0034] 作为本发明的进一步改进，步骤5中使用FPTAS对上述数据dt的收益pt进行预处理具体为：[0035] 步骤51：取出上述数据收益的最大值令其为P，即P←max{pt|1≤t≤D}；[0036] 步骤52：设θ∈(0,1]，令 对于所有的数据dt，令[0037] 作为本发明的进一步改进，经过步骤5后的优化问题已经转化为一个0?1背包问题，在步骤6中对其运用动态规划算法处理。[0038] 本发明的有益效果是：本发明的边缘计算中基于流行内容预测的数据缓存方法通过构造统一的形式化数据缓存问题，形式化边缘计算下的数据缓存问题，考虑边缘服务器的规格差异、容量限制以及多个数据的缓存问题，设计系统目标函数为最大化服务提供商缓存数据的总收益，保证用户体验的同时最大化服务提供商的收益；并采用差分整合移动平均自回归模型ARIMA预测某区域的内容流行度，确定需要缓存的数据集合，更为精确；其次，针对构造得到的统一的形式化数据缓存问题，提出一种数据缓存近似算法，解决大规模场景下的数据缓存问题，该算法拥有较好的近似比。附图说明[0039] 图1是本发明的步骤图。[0040] 图2是本发明的数据缓存系统的示意图。具体实施方式[0041] 为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。[0042] 如图1和图2所示，本发明揭示了一种边缘计算中基于流行内容预测的数据缓存方法，包括：[0043] 步骤1：输入某区域的历史数据，进行数据预处理，判断历史数据时间序列是否为差分平稳序列，如果是，则构建差分整合移动平均自回归模型ARIMA并进入步骤2；[0044] 步骤2：构造得到统一的形式化数据缓存问题：[0045][0046][0047][0048][0049] 其中，V＝{v1,v2,…,vn}表示某区域内的一组边缘服务器集合，C＝{c1,c2,…,cn}表示每个边缘服务器的资源容量，D＝{d1,…,dl}为步骤1确定的预处理后的一组数据，S＝{s1,s2,…,sl}表示数据的大。琔＝{u1,u2,…,um}表示该区域的用户集合，某个数据dt缓存在边缘服务器vj的收益用pt表示， 表示用户i是否去边缘服务器j请求数据dt，若用户i去边缘服务器j请求数据dt，则 的值为1，否则为0， 表示数据dt是否被缓存在边缘服务器j上，若边缘服务器j上缓存了数据dt，则 的值为1，否则为0，定义缓存数据在边缘服务器上的单位开销为cost；[0050] 步骤3：初始化边缘服务器覆盖范围H，用户集合U，边缘服务器集合V，并从边缘服务器集合V中选取一个边缘服务器vj，设该服务器的资源容量为cj；[0051] 步骤4：若边缘服务器vj覆盖范围内的用户i有请求数据dt的需求，即 的值为1t时，将pt←pt?scost，否则pt←0，重复执行步骤4，直至遍历所有数据；[0052] 步骤5：使用FPTAS对数据dt的收益pt进行预处理，得到pt′做为后续算法中实际使用的数据收益的值；[0053] 步骤6：运用动态规划算法处理上述问题，步骤5所述pt′作为数据dt缓存到边缘服务器j的收益，创建二维数组B[t][m]，它表示前t个数据中，装入容量为m的边缘服务器的最高收益；[0054] 步骤7：初始化B[t][m]，动态规划的递推公式定义为：[0055][0056] 步骤8：动态规划求解完成后，进行剪枝操作，若数据dt已经缓存在边缘服务器j上，即 的值为1，与此同时，服务器j覆盖范围内的存在用户i，则将 保证下次迭代时，无需处理用户i对数据dt的请求；[0057] 步骤9：重复执行步骤3到步骤8，直到服务器没有剩余容量或没有其他的数据需要*缓存，然后输出数据缓存方案S以及对应的数据缓存收益R。[0058] 用户向云数据中心发出请求会存在很大的通信延迟，而将数据与内容缓存在更靠近用户的边缘节点上，不仅能减小通信开销，还能降低回程网络的压力，尤其对于视频、图像和文件等数据，内容缓存能显著降低服务延迟。将内容存储在地理上分散的缓存中，利用中心平台的负载均衡、内容分发以及调度等功能模块，用户可就近获取所需内容并降低网络拥塞。[0059] 本发明的目的即在于揭示一种边缘计算中基于流行内容预测的数据缓存方法，用于预测流行内容中预测的数据缓存情况。[0060] 首先，在步骤1中，输入某区域的历史数据，对历史数据进行数据预处理，确定出该区域流行数据集合。[0061] 对历史数据的预测模型包括以下几种：[0062] (1)自回归模型AR，若某时间序列任意时刻取值可以表示为如下的回归方程：[0063][0064] 则称该时间序列服从p阶自回归过程，记为AR(p)。[0065] 上式中，xt,xt?1,xt?p为不同时刻序列的取值， 为自回归系数；ut为白噪声项。AR模型利用时间序列的自相关关系构建回归方程，因此称为自回归过程。[0066] (2)移动平均模型MA，若某时间序列任意时刻可以表示为如下的回归方程：[0067] xt＝ut+θ1ut?1+θ2ut?2+…+θqut?q[0068] 则称该时间序列服从q阶移动平均过程，记为MA(q)。[0069] 上式中，xt为时刻t时间序列的取值，θ1,θ2,…,θq为移动回归方程系数，ut?1,ut?2,…,ut?q为不同时间序列的白噪声项。MA模型认为某时刻时间序列的取值等于白噪声的加权和，可作为自回归过程的补充。[0070] (3)回归移动平均模型ARMA，ARMA模型是自回归模型和移动平均模型的结合，故包含两个阶数，可以表示为ARMA(p，q)。其中，p是自回归阶数，q是移动平均阶数，ARMA的回归方程可表示为：[0071][0072] ARMA模型综合了AR模型和MA模型的优势，更为有效和常用。ARMA模型中，自回归过程负责量化当前数据与前期数据的关系，移动平均过程负责解决白噪声的求解问题。[0073] (4)差分自回归移动平均模型ARIMA，AR模型、MA模型和ARMA模型都只适用于平稳时间序列的分析，若时间序列存在长期上升或下降的变化趋势，则需要采用ARIMA模型。[0074] 在现实生活中许多时间序列都是非平稳的，其均值和方差随时间的变化而改变。但非平稳时间序列经过差分(相邻时间点的指标数值相减)形成新时间序列一般是平稳时间序列。因此，ARIMA模型写成ARIMA(p，d，q)，包括3个参数：p为自回归阶数，d为差分次数，q为移动平均阶数。[0075] 步骤1中对数据预处理具体为对历史数据的时间序列进行随机性和平稳性检测，根据检验结果可以将序列分为不同的类型，对不同类型的序列会采取不同的分析方法。[0076] 对于纯随机序列，又称为白噪声序列，序列的各项之间没有任何相关关系，序列在进行完全无序的随机波动，可以终止对该序列的分析。白噪声序列是没有任何信息可提取的平稳序列。[0077] 对于平稳非白噪声序列，它的均值和方差是常数，对于非平稳序列，由于它的均值和方差不稳定，处理方法一般是将其转变为平稳序列，这样就可以应用有关平稳时间序列的分析方法，建立ARMA模型来进行相应的研究。如果一个时间序列经差分运算后具有平稳性，则该序列为差分平稳序列，可以使用ARIMA模型进行分析。[0078] 本申请通过判断历史数据时间序列是否为差分平稳序列，如果是，则构建差分整合移动平均自回归模型ARIMA并进入后续步骤从而确定构建差分自回归移动平均模型ARIMA的参数。[0079] 随机性和平稳性检测具体为：[0080] 步骤11：对历史数据的时间序列进行平稳性检验，若单位根检验统计量对应的p值若大于0.05，则为非平稳序列，进入步骤12。[0081] 步骤12：对历史数据时间序列进行差分运算直至时间序列变为平稳序列；[0082] 步骤13：进行白噪声检验，若为白噪声序列，直接结束，否则说明该时间序列是非白噪声序列，进入步骤14；[0083] 步骤14：对处理好的平稳非白噪声序列进行模型定阶；[0084] 步骤15：当模型定阶结束后，需要再对残差序列进行白噪声检验，如果残差序列是白噪声序列说明残差中不存在有用的信息，结束检测过程，如果是非白噪声序列，则重复步骤14。[0085] 步骤11中，对序列的平稳性的检验有两种检验方法，一种是根据时序图和自相关图的特征做出判断的图检验，该方法操作简单、应用广泛，缺点是带有主观性；另一种是构造检验统计量进行检验的方法，本发明采用的是单位根检验。[0086] 当在步骤11确认为非平稳序列时，就进入步骤12对原数据进行差分运算直至时间序列变为平稳序列，这里一般最多执行二阶差分。[0087] 当在步骤11、12通过平稳性检验后，进入步骤13对其进行白噪声检验，步骤13进行白噪声检验采用LB统计量，然后计算出对应的p值，如果p值显著大于显著性水平0.05，则为白噪声序列，终止对该序列的分析。[0088] 若为非白噪声序列，则进入步骤14，采用极大似然比方法进行模型的参数估计，估计各个参数的值，然后针对各个不同模型，采用BIC信息准则对模型定阶，确定p，q参数。[0089] 当模型定阶结束后，需要再对残差序列进行白噪声检验，如果残差序列是白噪声序列说明残差中不存在有用的信息。此时就可以用确定好的ARIMA(p，d，q)模型进行预测。[0090] 步骤2构建的形式化数据缓存问题优化目标是最大化服务提供商通过缓存数据在边缘服务器上来提高用户体验所获得的收益[0091] 步骤3中，将步骤2中构造的形式化数据缓存问题看作一个动态多维背包问题并采用MKP算法求解。因此，自然地可以采取一种贪心策略，一次确定一个边缘服务器的缓存方案。[0092] 在本申请的一种实施例中，设边缘服务器vj的容量限制为cj＝67，设数据集合D的相关信息如表1所示。[0093][0094][0095] 表1：数据信息表[0096] 步骤4遍历所有数据，确认数据dt保存在不同边缘服务器中的收益pt。[0097] 步骤5中使用FPTAS对上述数据dt的收益pt进行预处理具体为：[0098] 步骤51：取出上述数据收益的最大值令其为P，即P←max{pt|1≤t≤D}；[0099] 步骤52：设θ∈(0,1]，令 对于所有的数据dt，令[0100] 经过步骤5后的优化问题已经转化为一个0?1背包问题，上述pt′作为数据dt缓存到边缘服务器j的收益，因此，在步骤6中对其运用动态规划算法处理。[0101] 动态规划求解完成后，得到边缘服务器vj上的缓存策略的数据集合D＝{d1,d4,d8}.进行剪枝操作，若数据dt已经缓存在边缘服务器vj上，即 的值为1，与此同时，边缘服务器vj覆盖范围内的存在用户i，则将 这里保证下次迭代时，无需处理用户i对数据dt的请求。[0102] 重复执行步骤3到步骤8，直到服务器没有剩余容量或没有其他的数据需要缓存，*然后输出数据缓存方案S以及对应的数据缓存收益R。[0103] 综上所述，本发明的边缘计算中基于流行内容预测的数据缓存方法通过构造统一的形式化数据缓存问题，形式化边缘计算下的数据缓存问题，考虑边缘服务器的规格差异、容量限制以及多个数据的缓存问题，设计系统目标函数为最大化服务提供商缓存数据的总收益，保证用户体验的同时最大化服务提供商的收益；并采用差分整合移动平均自回归模型ARIMA预测某区域的内容流行度，确定需要缓存的数据集合，更为精确；其次，针对构造得到的统一的形式化数据缓存问题，提出一种数据缓存近似算法，解决大规模场景下的数据缓存问题，该算法拥有较好的近似比。[0104] 以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

专利地区：江苏

专利申请日期：2022-09-29

专利公开日期：2024-11-29

专利公告号：CN115633091B