[发明专利]一种层次化偏好感知的视频内容缓存方法

说明书

本发明涉及一种层次化偏好感知的视频内容缓存方法，属于无线通信领域。该方法包括：S1：根据视频的类型偏好和该类型的内容排名，构建层次化用户个人偏好特征模型；S2：构建最大化系统命中率的预缓存模型；S3：结合用户不同访问方式下的请求概率和时延信息，构建最小化时延模型，为预缓存中的内容选择合适缓存策略，使得用户请求内容平均时延最小。本发明可有效地降低用户请求平均时延，具有广阔的运用前景。

技术领域

本发明属于无线通信领域，涉及一种层次化偏好感知的视频内容缓存方法。

背景技术

在视频传输中，用户体验质量(Quality of Experience，QoE)对于降低网络时延提出了更严格的要求。在这种数据需求的情况下，回程链路传输面临着诸多挑战。对此，Akamai公司提出了无线缓存，将视频缓存从骨干内容分发网络(Content DeliveryNetwork，CDN)迁移到边缘网络节点，例如用户终端和服务基站(Base Station，BS)，对于大规模视频传输问题，无线视频缓存缓解了回程链路有限容量的瓶颈问题，有效改善了服务延迟。

为了进一步增加边缘缓存的存储容量，一种比较有前途的方法是部署可以从宏基站(Macro Base Stations，MBS)卸载大量数据的小基站(Small Base Stations，SBS)，SBS的存储容量较小，与MBS一起组成异构蜂窝网络。与传统的蜂窝网络相比，异构蜂窝网络的密集小小区接入避免了信号盲区问题，还可以完成现有WiFi和蜂窝技术的经济高效集成，提高峰值数据流量控制策略的性能。然而，在业务高峰时段，回程链路容量对数据流量的要求非常高，同时，边缘节点有限的存储容量限制了海量视频内容的存储，为小型小区部署高容量骨干网络的成本很高。因此，仅基于异构蜂窝网络的解决方案不足以有效地解决高峰流量需求，需要合理利用缓存实体存储空间，适当管理缓存资源以最大化有限缓存容量的缓存效率。

为了解决这一问题，移动网络运营商(Mobile Network Operator，MNO)主动在SBS上缓存流行内容，以更接近用户的方式为其提供服务，不仅可以减少网络峰值流量，还大大降低了用户对数据内容的请求时延。然而，一方面，在边缘节点主动缓存中，视频流行度可能随着时间、用户特征、移动模式发生各种变化，流行度的精确预测工作十分困难，部分研究工作都假设用户请求某些视频的概率是已知的，没有考虑到流行内容分布是具有全局性或局部性的，反而在所有区域统一使用全局流行度，这不适用于实际应用场景。另一方面，大多数主动缓存策略都考虑同质偏好模型，即所有用户都根据相同的流行度独立且随机地请求内容，没有考虑到在多媒体内容分发的背景下，用户的内容偏好对缓存系统的性能有很大的影响，尤其是在无线社交网络中，不同区域群体对视频内容的访问偏好都有很大差异，这种同质处理对于用户内容偏好的异质性来说并不准确。

因此，对于云服务器中的视频内容，不仅需要考虑全局内容的流行度，还需要考虑不同区域的用户会有不同的偏好特征，对区域内用户进行偏好分析，根据用户内容偏好设计缓存策略，完成不同小区中内容的放置。

发明内容

有鉴于此，本发明的目的在于提供一种层次化偏好感知的视频内容缓存方法。基于LSTM设计了一种层次化的用户内容偏好预测模型，利用用户的历史请求信息对未知内容的请求概率进行预测，层次化预测模型取决于用户对于类型的偏好以及类型中内容的偏好，利用LSTM对类型中内容的偏好进行预测，从而获得偏好信息；利用得到的偏好信息构建用户不同请求方式下的概率模型和时延模型，针对区域内命中率最大化目标函数，利用双边交换筛选出需要放置在预缓存集合中的内容，从而在保证命中率最大化的情况下，得到边缘节点的预缓存内容；对于已获得的最大化命中率的预缓存集合，需要进一步决定这些内容应该放置在哪一个边缘节点上，使得各SBS在协作缓存下能够获得最小用户获取内容平均时延。利用最小化时延的协作缓存算法(Minimize Latency Collaboration Caching，MLCC)交替迭代最优协作交付和缓存放置，得到最小化时延下的缓存策略。

为达到上述目的，本发明提供如下技术方案：