[发明专利]一种移动边缘计算中的缓存策略决策方法

说明书

本发明公开了一种移动边缘计算的缓存策略决策方法，该方法构建带移动边缘计算服务器的宏基站、带移动边缘计算服务器的小基站和移动用户组成的多小区网络模型，解决多小区的协作缓存问题。移动边缘计算服务器能够缓存定量的文件为移动用户提供缓存服务，若移动边缘计算服务器内缓存的文件命中了移动用户的文件请求，便能为该移动用户提供低时延的缓存服务并缓解回程链路的负载。由于移动边缘计算服务器的缓存容量有限，该方法引入深度Q网络算法得到满足要求的各小区基站的缓存策略，有效降低小区内所有移动用户请求文件产生的总时延和和回程链路负载。

技术领域

本发明涉及移动边缘计算的多小区网络模型及边缘网络的多小区协作缓存技术，具体涉及一种移动边缘计算中的缓存策略决策方法。

背景技术

近年来，随者智能终端设备的快速发展及许多丰富多彩的多媒体内容及应用的出现，预计未来的流量将呈现爆炸式的增长，将会给移动回程容量带来巨大压力。思科的一份报告《Cisco visual networking index:Global mobile data traffic forecastupdate,2017–2022》表明了，在2017年至2022年间，全球的移动数据流量将会增长至原来的七倍，并于2022年，每月的全球移动数据流量增至77艾字节，一年间的移动数据流量将达到近乎一个泽字节，并且将近有五分之三的流量将从蜂窝网络中卸载。目前已经有许多学者提出了各种方法来应这些挑战,但是为了能够承受和支持未来5G网络中预见的大规模流量的应用场景，除了提高网络容量，还必须伴随更高层(例如，网络架构，回程传输和应用)的创新。

虽然云计算在过去一直被用于服务提供弹性的计算能力和缓存需求的终端设备，为移动用户节省了较大的开销以及创造出了有效的经济效益。但是现代科技的飞速发展，许多移动应用程序，如VR、AR以及车联网，对计算能力和时延非常敏感，云计算这种集中式处理模式已经不再适用于这个万物互联时代，因为将所有移动用户的数据和计算任务都迁移到远端云不仅会大大加重远端核心网络的负担，也会导致较大的传输延迟，从而降低移动用户体验。为了应对上述问题，产业界和学术界开始研究新的网络架构模型，移动边缘计算(Mobile Edge Computing，MEC)便在这时期应运而生。

MEC把云计算平台从远端网络迁移到离移动用户更接近的边缘网络，通过部署边缘服务器在边缘网络的基站(Base Station，BS)处，能够为基站附近的移动用户提供具有更低时延、更高带宽的数据服务。思科报告还提到在2022年间，全球移动数据流量的79％都将会是视频流量，其原因是互联网上大部分的流量负载都来自于同一组视频文件的重复观看和下载，而边缘缓存可以看作是流量重复访问问题的有效解决方法。移动边缘计算部署服务器给基站带来了缓存功能，能够支持缓存受欢迎的视频或文件，以此可以提高移动用户的体验质量(Quality of Experience,QoE)，改善网络性能(如传输时延、回程链路负载和能源效率)。

目前许多网络场景下的缓存研究，大多是利用累计手机的移动用户请求数据，再根据诸如Zipf等常见分布来描述缓存的内容流行度，同时假设内容流行度在一定时间内不会发生变化的前提下来求解缓存优化问题。但是在现实生活中，移动用户请求的数据往往是动态变化的，并且在每个地区的内容需求各不相同。为了能够解决在这种动态场景下的缓存优化问题，我们可以利用马尔可夫过程对移动用户请求进行建模，并采用强化学习(RL)理论，根据需求随时间变化的动态特性来学习网络的未知性为，从而得到更加符合实际场景下的最佳缓存策略。

但是，传统的强化学习存在一些问题，如当强化学习的状态和动作的数量非常庞大，以至于无法用传统表格形式来缓存记录这些数据时，算法模型便难以收敛。为了有效解决这个问题，可以利用深度学习的强表征能力，进而提高强化学习算法的求解与泛化能力。深度学习结构由多层网络构成，层与层之间是待调整隐藏参数，每层输出还需经过非线性函数映射。只要网络层数足够深，通过调节层与层之间是待调节的隐藏参数可以拟合任何状态或动作数据。

发明内容