[发明专利]基于深度学习的内容流行度预测及边缘缓存方法

说明书

本发明公开了一种基于深度学习的内容流行度预测及边缘缓存方法，包括如下步骤：(1)对内容流行度数据进行预处理；(2)线下训练神经网络，得到流行度预测模型以及内容分类器；(3)由内容分类器得到内容所属类别，使用相应类别的预测模型在线预测内容流行度；(4)比较所有内容的流行度预测值，做出相应的缓存决策。本发明可以在只使用内容请求次数这一特征的情况下，使边缘节点在线预测不同内容的流行度并实时追踪其流行度变化，并基于预测的内容流行度做出对应的缓存决策，从而确保边缘节点持续缓存热点内容，获得渐近于理想的缓存方法的缓存命中率。

技术领域

本发明涉及一种基于深度学习的内容流行度预测及边缘缓存方法，属于移动通信中的边缘缓存技术领域。

背景技术

随着各种智能设备和先进移动应用服务的持续迅速地增加，近年来无线网络正在遭受空前的数据传输压力。持续增加的数据传输量给容量有限的回传链路带来了巨大的压力，尤其在业务传输峰值时刻。边缘缓存技术通过放置最流行的内容到更靠近请求用户的节点上，从而可以有效地降低回传负载，近年来受到了业界和学术界的广泛关注。由于节点的存储空间有限且内容流行度随时间和空间变化，边缘缓存技术面临各种各样的挑战，诸如，为使得节点的缓存命中率尽可能地高，应该在何时存放什么内容到本地节点。

传统的缓存策略诸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已经广泛应用于有线网络，然而，由于无线网络中边缘节点的覆盖范围和存储空间有限，以上传统的缓存策略不能直接对内容流行度进行提前预测，这些传统的缓存策略在无线网络中可能遭受严重的性能下降，因此，这些传统的缓存策略不再适用于无线网络。目前的研究工作正在转向基于流行度的边缘缓存策略，但是不同内容流行度趋势不同，对内容流行度的预测复杂度较高且并不能对流行度的变化进行实时的追踪，缓存性能提升有限，而且移动网络中用于预测流行度的信息较少，使用过多特征数据进行预测显然不符合边缘缓存的要求。如果能在只使用较少信息的条件下，保证较为精准的流行度预测以及对流行度的实时跟踪，边缘节点可以持续缓存热点内容，从而逼近理想缓存命中率，最大程度降低回传负载。

发明内容

本发明为克服现有技术中存在的技术缺陷，在无线网络中，提供一种可以高效利用节点存储和计算资源以尽可能降低回传负载的边缘缓存技术。

本发明所采用的技术方案是：基于深度学习的内容流行度预测方法，包括以下步骤：

S1：选定一个初始内容类别，在该初始内容类别中随机选取一个内容的流行度序列数据作为训练数据；

S2：构建基于双向长短期记忆神经网络的流行度预测模型并基于训练数据对其进行训练，得到该内容类别对应的流行度预测模型，所述流行度预测模型，以内容在当前时隙经过预处理的流行度作为输入，以该内容在下一时隙的流行度作为输出；

S3：基于流行度预测模型预测对应的内容类别中内容的流行度，得到该内容类别中的每个内容的流行度预测误差，当该内容的流行度预测误差大于设定的预测误差阈值，将该内容从原类别中划分到一个新的内容类别；

S4：遍历完当前内容类别中的所有内容后，产生一个新的内容类别，在该新的内容类别中随机选取一个内容的流行度序列数据作为训练数据；针对该新的内容类别，训练双向长短期记忆神经网络，得到新的内容类别的流行度预测模型；

S5：重复上述S3-S4产生新的内容类别和重新训练预测模型的过程，直到得到设定数目的内容类别以及对应的流行度预测模型；

S6：构建基于神经网络的内容分类器，该内容分类器的训练集为初始内容类别中的所有内容及其对应的内容类别标签，所述内容分类器，以内容预处理后的流行度趋势信息矢量为输入，以该内容的内容类别为输出；

S7：对每一个内容使用内容分类器得到其所属内容类别，由对应内容类别的流行度预测模型获得该内容的流行度预测值。