本技术方案针对车联网领域,提出了一种车载边缘计算优化的流行文件预测技术。该方法有效解决了传统反应式缓存机制中预测不准确和文件更新不及时的问题。通过一系列创新步骤,实现了对流行文件的精准预测,提升了车联网数据传输效率。
背景技术
通过车辆到固定路侧基础设施Vehicle To Roadside Unit,V2R、车辆到车辆Vehicle To Vehicle,V2V及车辆到宏基站V2M(Vehicle To MBS)的通信,车联网实现了广泛的互联互通。伴随着车辆用户和社会需求,交通安全告警、交通管理、自动驾驶及车辆的互联网接入等车联网应用迅速推广,引起了研究者的高度关注。
随着车联网和云计算的发展,上述车联网应用的数据量迅猛增长。但车联网处于网络边缘,单纯依靠传统的集中式服务网络,所有用户的内容请求都需要发送往云端,会给云服务器带来较大的任务负载,导致网络的拥堵和较长的传输时延,从而影响用户的通信体验并降低车联网的运行效率。因此,研究者提出了车载边缘计算vehicle edgecomputing,VEC技术,将计算或存储设备部署在网络边缘设备(车辆终端或路侧单元等),减少了请求内容在骨干线路上的往返开销,具备降低功耗、节约带宽、减少系统延迟等优势,因此车载边缘计算可较好地应对复杂多变的车载环境。
为了加速文件传输和减轻云服务器负载,VEC缓存Caching技术应运而生。缓存技术通过将部分数据缓存在边缘节点(基站、RSU或车辆节点等),可以有效减少车联网中重复内容的计算与传输,达到缩短时延、降低网络负载的目的。
但是RSU节点通常存储容量较为有限,无法缓存各种车辆所需的全部内容。由于缓存空间的限制,RSU只能有选择地保存某些文件,因此流行文件预测在VEC研究中具有现实意义。传统的反映式缓存机制基于用户请求记录,因此文件只有被车辆用户请求后才会被缓存在RSU节点。然而由于车辆高速移动的特性,根据车辆用户曾经请求的文件记录,缓存的文件可能很快过时,因此反映式缓存机制无法满足现在的车联网需求。而基于机器学习的主动缓存机制可以根据用户偏好,预测文件流行程度,并根据预测结果提前缓存热门文件。在车联网场景中用户数据涉及隐私,用户通常不愿意直接分享数据。因此研究者引入联邦学习,在保障用户隐私的前提下,预测流行文件,改善RSU响应车辆文件请求的性能。
现有研究者提出了一种基于异步联邦的流行文件预测方案《Mobility-AwareCooperative Caching in Vehicular Edge Computing Based on AsynchronousFederated and Deep Reinforcement Learning.2023》。车辆无需上传具体的请求信息,而是上传本地模型至RSU。RSU将收集到的车辆本地模型聚合为全局模型,以此预测热门文献。但上述研究也存在如下问题。第一,联邦学习的模型聚合过程中,学习率随着训练轮次逐步增加,影响全局模型精度。第二,训练过程中存在一些本地模型梯度变化较小的车辆,它们对联邦学习算法性能影响有限,导致本地RSU增加不必要的计算开销。第三,流行内容预测仅考虑活跃车辆与邻居车辆的文件偏好,忽略了车距产生的V2V通信时延,导致车辆根据过时数据进行流行文件预测。
如何解决上述技术问题,为本发明面临的课题。
实现思路