[发明专利]一种基于联邦学习的协作式在线视频边缘缓存方法

说明书

本发明公开了一种基于联邦学习的协作式在线视频边缘缓存方法，参与对象包括多个用户、多个边缘节点及中心服务器，多个边缘节点为其覆盖区域内的可移动的多个用户提供服务，并且连接到中心服务器，每个边缘节点配置边缘服务器，所述方法包括如下步骤：步骤一，根据参与对象的多个用户、多个边缘节点及中心服务器建立网络模型；步骤二，采用改进的联邦学习方法建立预测模型并对预测模型进行训练，得到用户在线视频请求预测模型；步骤三，根据用户在线视频请求预测模型得到用户在线视频请求预测列表，多个边缘节点分析其区域覆盖范围内的用户请求预测列表，并采用协作式缓存决策进行边缘缓存。根据本发明的方法，训练之后的预测模型能够自动更新。

技术领域

本发明涉及一种基于联邦学习的协作式视频边缘缓存方法，属于云边协同的边缘缓存技术领域。

背景技术

随着移动互联网社交平台的发展和智能终端设备的普及，人们对高质量实时数据的需求急剧上升，特别是短视频、直播等视频业务。常见的获取用户需求的方式对用户在线视频请求的预测模型的训练是在云计算中心进行的，传统的云计算模式要求云中心拥有很强的计算和存储能力，并且训练过程需要将大量用户请求信息的传输至云中心，这个传输过程不仅会占用网络流量，还可能造成用户的隐私泄露。如果为了减少与云中心的通信而选择延长预测模型的使用周期，则可能导致预测模型过时，出现预测结果不准确的问题。进一步，随着 5G时代的到来，传统的云计算模式已无法满足用户低时延的要求，5G网络也加剧了回程链路的负载。

为了弥补云计算模式的缺点，研究者们提出了边缘计算、云边协同的概念，并考虑使用边缘缓存的模式来缓存视频，从而满足用户低时延要求，降低回程流量。边缘缓存技术的核心是如何充分利用各边缘节点的存储资源，将具有一定需求度的内容放置在靠近用户的边缘节点上。由于边缘节点通常存储能力有限，因此在有限的存储空间下，在海量的内容中选择用户需求更高的内容进行缓存成为难点。

现有技术大多是通过各种不同深度学习的方法建立预测模型，对用户的在线视频请求进行预测并排序，然后顺次选择缓存的内容。然而，这些利用深度学习的方法也需要将用户的历史请求数据发送给云中心，然后才能对预测模型进行训练。而将数据发送至云中心的过程中存在泄露用户隐私数据的风险，也会占用大量宽带浪费资源；并且，由于用户的偏好具有时效性，训练好的模型会过时，需要不断收集用户请求数据重新训练失效的预测模型。

Saputra等人提出了基于分布式深度学习框架来预测内容流行度，将用户产生的计算任务分配给多台服务器进行计算处理，进行深度学习的具体方式依赖其提出的深度学习模型，例如卷积。分布式学习模型需要不同计算节点上的数据划分是独立同分布的，但为了保护隐私，用户请求数据通常不希望离开本地，从而每个用户应用产生的数据集更具有个性化，不是独立同分布的。因此，基于分布式的深度学习模型这种理想化的数据需求无法满足实际应用的场景。

发明内容

对于在线视频的边缘缓存，为了建立更准确的用户在线视频请求预测模型，选择用户需求度更高的内容进行缓存，从而提高在线视频缓存的命中率，并降低用户等待时延，减少回程流量，同时降低通信成本和缓存成本，本发明结合边缘缓存场景本身部署多个边缘节点的特性，提出了基于联邦学习的协作式在线视频边缘缓存方法，该方法能够使多个边缘节点协作学习并共享模型，无需将用户请求信息上传至云中心，并通过模型预测值和真实值的反馈自动判断模型是否过时，从而对模型进行自动更新。同时，本发明还提出多个边缘节点之间具有协作意识的缓存决策和服务响应的方案，减少邻近区域内大量重复内容的存储，节约缓存成本，并进一步减少时延和回程流量。

根据本发明的基于联邦学习的协作式视频边缘缓存方法，其具体技术方案如下：

一种基于联邦学习的协作式在线视频边缘缓存方法，参与对象包括多个用户、多个边缘节点及中心服务器，多个边缘节点通过无线蜂窝网络为其覆盖区域内的不同地理位置的可移动的多个用户提供服务，并且通过回程链路连接到中心服务器，并且每个边缘节点配置具备计算能力和存储能力的边缘服务器，所述方法包括如下步骤：