[发明专利]一种边缘数据服务方法

说明书

本发明涉及一种边缘数据服务方法，属于物联网领域。该方法首先计算数据新鲜度及通信能耗等状态感知，并依据两种状态客观定义系统平均搜索成本，然后边缘服务器采用DQN模型对最优缓存策略进行推理，获得使得搜索成本最小时的实体集合。本发明可有效降低系统搜索成本，提高缓存命中率，为用户提供实时的、高质量的数据服务。

技术领域

本发明属于物联网领域，涉及一种边缘数据服务方法。

背景技术

物联网实体搜索作为一种信息检索技术，它可以嵌入在多个物联网领域应用中以便为用户提供数据服务，使用户快速获取目标实体的状态数据。物联网中海量数据产生给现有的缓存及通信系统的性能要求带来了巨大挑战。同时，传输实体状态数据过程中可能存在较大的时延，导致用户获取的实体状态数据的新鲜度无法保证，影响了用户的数据服务体验。

边缘缓存的出现不仅有效缓解传统“端-云”通信系统带来的巨大传输时延问题，使得实体状态数据可以存储在本地边缘从而有效保证数据新鲜度及搜索实时性；还减轻了资源受限的终端设备及存储负担较重的云服务器的存储压力，因此，边缘缓存技术目前已经研究广泛关注及研究。边缘服务器作为“端”与“云”的中间媒介，其存储资源虽然可观但也十分受限。现有研究主要从多方面角度考虑边如何在缓存容量约束下进行实体筛选并设计缓存机制，提高系统缓存命中率。然而传统的静态缓存策略已无法满足实体数据动态变化特性，进而影响系统搜索成本及缓存性能。在此背景下，旨在设计对物联网实体高效、节能的边缘缓存方法，以便用户实时、快速、准确地搜索兴趣实体的状态数据。

目前，已有一些关于边缘缓存的研究工作。Zhang Z,Lung C H,Lambadaris I在“IoT Data Lifetime-Based Cooperative Caching Scheme for ICN-IoT Networks”【inIEEE International Conference on Communications(ICC),2018】中为了最大化边缘缓存命中率，提出了一种分布式缓存策略，通过考虑物联网数据的流行度和生命周期来做出缓存决策。Li L,Xu Y,Yin J在“Deep reinforcement learning approaches for contentcaching in cache-enabled D2D networks”【in IEEE Internet of Things Journal,vol.7,no.1,pp.544-557,2020】研究了缓存使能的D2D网络中联合优化缓存内容放置和交付策略，使用回声状态网络和长短期记忆网络预测用户的移动性和内容流行度，从而决定缓存内容和缓存位置。Amadeo M.,Ruggeri G.,Campolo C.,等人在“Caching popular andfresh IoT contents at the edge via named data networking”【IEEE Conference onComputer Communications Workshops,Toronto,ON,Canada:IEEE Press,2020:610-615】为了最大化边缘缓存命中率，提出了一种分布式缓存策略，通过考虑物联网数据的流行度和生命周期来做出决策。

由于物联网实体状态数据本身的动态变化特性与用户的实时搜索需求使得缓存物联网数据相较于静态互联网数据存在更大的挑战。一般情况下实体状态数据是由附着在实体的感知设备周期性地采集的，使得实体状态数据具有一定的生命周期，通信距离过长或缓存时间过长都会影响数据新鲜度，无法保证实体状态数据的真实性。此外，物联网感知层的终端设备的计算和存储能力非常有限，设计缓存策略时需要考虑节省感知设备的能耗。综上，应考虑动态的缓存机制以适应动态变化的物联网环境，同时保证用户搜索的实时性需求以及节省系统通信开销，使得系统提供高质量的数据服务。

发明内容