[发明专利]一种物联网暂态数据的缓存替换方法及系统

说明书

本发明公开了一种物联网暂态数据的缓存替换方法及系统，使用深度增强学习方法学习暂态数据的缓存策略，从边缘缓存节点的数据请求历史中挖掘数据的热度趋势，结合暂态数据信息，作为深度增强学习的输入，即时奖励设为综合通信成本的相反数，利用评论家网络学习价值函数、行动者网络学习策略函数，通过不断地进行缓存替换操作，自适应地学习缓存策略，解决了存储资源受限条件下边缘缓存节点中暂态数据缓存效率不高的问题；将物联网数据的数据新鲜度和通信资源的消耗纳入综合通信成本，最小化获取物联网数据的长期综合成本，能够卸载网络流量到网络边缘，降低时延，一定程度上解决了物联网海量暂态数据传输中存在的时延大、通信资源消耗大的问题。

技术领域

本发明属于无线通信领域，更具体地，涉及一种物联网暂态数据的缓存替换方法及系统。

背景技术

随着物联网(IoT)在智能交通、智能电网、智能家居以及工业自动化等领域的迅速发展和广泛应用，海量的物联网数据流量给现今的通信网络带来了巨大的压力和挑战。为了解决上述问题，一种常见的思路是在物联网中加入边缘缓存机制，利用网络边缘缓存节点空闲的存储资源，缓存热点数据，请求端可以直接从相应的边缘缓存节点获取数据，而无需从数据源处获取，从而避免了大量不必要的端到端通信。物联网系统中的边缘缓存可以卸载网络流量，降低网络时延，提供更好的服务质量和用户体验。由于边缘缓存节点的存储容量一般比较有限，一个高效的缓存替换策略能够提高缓存击中率，从而更高效的利用缓存空间，卸载更多的网络流量。物联网系统中大量应用还对数据的时效性有要求，只有在一定时效内的数据才是可用的数据，因而缓存数据的新鲜度也是缓存替换时一个重要的考量标准。因而，物联网系统中边缘缓存替换策略，需要同时考虑缓存数据的热度和新鲜度信息，从而更好的满足物联网场景下的缓存需求。

传统的缓存替换方法，如先进先出方法，最近最少使用方法，最不经常使用等，由于未考虑内容的热度趋势和用户请求分布，缓存效率较低。现有的边缘缓存的缓存替换策略包括：E.Bastug等人提出的利用用户-数据的相关性，通过协同过滤预测数据的热度，缓存策略在开始时贪婪地缓存热点数据，直到边缘缓存节点缓存耗尽，然后根据预测出来的热度信息，进行缓存替换；P.Blasco等人提出的通过背包方法(Knapsack)解决小型基站中数据放置的问题，其中，数据热度是根据数据接收到的请求速率估算的；J.Song等人提出的引入多臂赌博机(multi-armed bandit,MAB)方法，将数据热度与数据缓存过程结合起来考虑；S.Tanzil等人提出的通过构建神经网络估计数据的热度，使用混合整数线性规划方法计算缓存的放置位置和大小，但是该方法的热度预测阶段，需要利用视频内容的关键字和分类信息，这对一般的IoT数据不适用。

上述方法主要集中于非暂态数据的边缘缓存，边缘缓存节点通过估计数据的热度来决定是否缓存如何替换缓存。一方面，由于假设数据的热度分布和用户请求服从特定的分布(如泊松分布)，从而无法适应数据热度和用户请求分布快速变化的场景；另一方面，只专注于非暂态数据的缓存，没有考虑暂态数据的时效性问题。

发明内容

针对现有技术的缺陷，本发明的目的在于解决现有技术物联网海量暂态数据传输中存在的时延大、通信资源消耗大，存储资源受限条件下边缘缓存节点中暂态数据缓存效率不高的技术问题。

为实现上述目的，第一方面，本发明实施例提供了一种物联网暂态数据的缓存替换方法，当前边缘缓存节点的缓存空间已满，该方法包括以下步骤：

S1.边缘缓存节点接收到用户发出的新的暂态数据项请求；

S2.判断请求的暂态数据项内容是否在边缘缓存节点的缓存中，若是，进入步骤S3，否则，进入步骤S6；

S3.判断请求的暂态数据项是新鲜数据还是过期数据，若是新鲜数据，进入步骤S4，若是过期数据，进入步骤S5；

S4.直接从边缘缓存节点的缓存区读取该数据，将该数据转发给用户；