本技术介绍了一种创新的内容放置策略,用于边缘缓存环境中。该方法涉及三个核心步骤:首先,构建区域用户兴趣模型以理解用户偏好;其次,基于模型预测特定内容在基站的请求频率;最后,评估内容缓存在基站的潜在收益,以优化内容分发效率。
背景技术
随着数据的爆炸性增长和各种形式的事物的不断加深的互联,数据的增长已经远远超过了网络带宽的增长。因此,单纯维持原有的网络计算方法或不断提高带宽,不能满足当前用户对网络计算能力的要求。另外当今时代的技术进步导致了许多新应用的出现,例如智能制造和无人驾驶技术,所有这些都对数据传输和处理效率提出了要求。并且智能终端的快速发展带来了移动设备数量的急剧增加。为了应对如此多的挑战,如何有效地降低传输延迟,提高网络传输质量已经成为一个备受关注的问题,内容交付网络(CDN)的建设和边缘计算提供了一个有效的解决方案。CDN作为一种不同于传统网络的特殊网络,通过部署分布式边缘服务器实现内容的调度和负载均衡,从而确保内容高效交付。边缘缓存策略在网络流量达到峰值之前,提前将流行度较高的内容缓存到附近的缓存基站中,使得许多用户从边缘缓存基站而不是中心网获取内容,有效减少了重复内容的传输消耗,并且改善了用户的使用体验。
边缘缓存研究主要分为两部分。一是对缓存内容的研究,主要是为了解决缓存哪些内容的问题。二是对缓存部署的研究,主要是为了解决缓存在哪里的问题。针对缓存时机的不同,缓存策略又分为被动缓存策略和主动缓存策略,被动缓存策略中最经典的是最近最少使用LRU算法和最近最不经常使用LFU算法。LRU算法假设最近一段时间请求过的内容在之后一段时间被请求的概率更高,当缓存容量达到上限时会删除最久没有请求的内容;LRU算法假设最近一段时间请求频率较高的内容在之后一段时间被请求的概率更高,当缓存容量达到上限时会删除最近请求频率最低的内容。被动缓存策略虽然实现较为简单,但对于不同的请求模式性能有较大的差别,并且无法将互联网中热门内容提前缓存到服务器,也无法对不同用户做不同的优化。主动缓存策略能够利用机器学习技术预测出用户的兴趣偏好,因此能够更有针对地缓存内容,提升用户的使用体验。
实现思路