[发明专利]车载内容中心网络下基于联邦学习的边缘预缓存策略

说明书

本发明属于车载内容中心网络技术领域，提出了一种车载内容中心网络下基于联邦学习的边缘预缓存策略。RSU将车辆的历史移动路径和可能请求的内容作为依据，对所处状态和采取的动作进行建模，再利用深度强化学习求解最优的内容分配方式，提前将所需内容存储到对应的RSU，从而降低车辆从RSU获取内容所需的时延。各个RSU根据本地收集到的数据自行训练模型，随后利用联邦学习对各RSU训练得到的模型进行汇总，根据数据量对模型加权平均，将汇总后的模型统一分发到各RSU上。最后，根据邻居节点的缓存列表降低重复内容在缓存替换中的优先级，从而减少缓存冗余。

技术领域

本发明涉及一种车载内容中心网络下基于联邦学习的边缘预缓存策略，属 于车载内容中心网络技术领域。

背景技术

车载自组网(vehicular ad-hoc network，VANET)是一种特殊类型的移动自组网，它包含了若干固定的基础设施和车辆。在VANET中，每一辆车都可以与其 他车辆或固定的路边基础单元进行通信。在过去的几十年里，VANET逐渐成为 了一个无关来源的内容共享平台，即VANET更多的是关注内容本身，而不是内 容的实际载体。面向内容的应用涵盖了诸如娱乐、体育、购物等不同领域。为 满足VANET面向内容的特点，提出了一种新的网络结构——内容中心网络 (content-centric networking，CCN)。与IP网络不同，内容名称是CCN中的基本 元素，它的特征是内容请求包(称为Interest)和内容响应包(称为Data)的基本交换。 CCN的网络内缓存有助于在车辆的移动性和时断时续的连通性下有效地分发流行内容，从而产生了以内容为中心的车载网络(vehicular content centric network，VCCN)。VCCN可以在安全应用、流量应用和内容应用(如文件共享和商业广 告)下获得较好的网络性能。

与车载网类似，VCCN主要包含两类节点，即车辆等移动节点，也称为OBU (OnBoard Unit)，和路边的固定基础设施(Road Side Unit,RSU)。这些节点都 具备转发兴趣包和缓存内容的功能，而RSU作为边缘节点，承载着从移动节点 接收请求并向云端数据源请求内容的功能，因此合理配置RSU的缓存策略对提 升用户获取内容的效率有着至关重要的作用。对于车载网边缘缓存，操作环境 非常复杂，移动节点附近的本地内容流行度受到各种因素的影响。具体来说， 用户在内容方面的偏好在复杂的模式中受用户上下文(如位置、个人特征和设 备多样性)的影响。此外，为满足特定用户请求而选择的边缘节点受到网络条 件(如网络拓扑、无线信道和BSs之间的协作)的复杂影响。由于无线网络天然 的动态性，车载网的缓存环境会随着时间的推移而变化。边缘节点应具有学习 新状态和新动作的智能，并对其进行匹配，以便采取最优或接近最优的动作。 通过执行其行为的反馈，了解其行为的智能性。然后，智能缓存策略应该能够 接受反馈，从而能够适应操作环境的动态变化。

发明内容

为了有效的提高车载内容中心网络下的边缘缓存系统性能，本发明提出了 一种基于联邦学习的边缘预缓存策略。RSU将车辆的历史移动路径和可能请求 的内容作为依据，对所处状态和采取的动作进行建模，再利用深度强化学习求 解最优的内容分配方式，提前将所需内容存储到对应的RSU，从而降低车辆从 RSU获取内容所需的时延。各个RSU根据本地收集到的数据自行训练模型，随 后利用联邦学习对各RSU训练得到的模型进行汇总，根据数据量对模型加权平 均，将汇总后的模型统一分发到各RSU上。最后，根据邻居节点的缓存列表降 低重复内容在缓存替换中的优先级，从而减少缓存冗余。

本发明的技术方案：

一种车载内容中心网络下基于联邦学习的边缘预缓存策略，步骤如下：

(1)首先在车载网的动态环境下采集内容请求的数据和对应车辆移动信息， 对部署在RSU上的深度增强学习智能体进行训练，在给定条件下做出最有利于 降低请求时延的决策。DRL智能体的训练过程首先需要对状态空间(state space)、 动作空间(actionspace)和回报函数(reward function)进行定义：