一种基于多级人气指数的协作边缘缓存方法

一种基于多级人气指数的协作边缘缓存方法

　　技术领域

　　本发明涉及的是一种协作边缘缓存方法，尤其涉及一种基于多级人气指数的协作边缘缓存方法，属于边缘计算领域。

　　背景技术

　　经过互联网多年的发展，人们日常使用的电子终端已经从个人电脑拓展到了智能手机和笔记本电脑。根据Cisco公司的白皮书，到2020年，将有500亿物联网IOT(TheInternet of Things)设备接入互联网。此外，据Cisco公司估计，到2021年，云外每年将产生近850ZB的数据，而全球数据中心的流量仅为20.6ZB。这表明，大数据的数据源头从大规模的云数据中心正在转变为越来越多的边缘设备。在移动设备数量逐年增加，以及多媒体，视频流和自动驾驶等应用愈发普及的现状下，对无线接入网RAN(Radio Access Network)的传输速度和低延迟需求不断增加。面对大量网络设备的需求，虽然云计算可以有效地提高资源的可拓展性和便利性，但是对于远离数据源的用户来说，更容易出现高延迟的情况。此外，重复传输相同的数据会产生大量不必要的流量。因此，为了满足低延迟、高数据传输速率和大容量的要求，边缘计算就成为了一种具有吸引力的解决方案。边缘缓存存在于网络和终端设备之间，尽可能地将本应部署于云端的大量数据和计算任务部署到接近数据源和用户的地方，缓存常用的内容以供用户获取，可以有效地减少回程流量负载和传输延迟，提升数据的传输效率以及用户的使用体验。

　　现实中，与网络中的内容量相比，缓存的容量始终不足。此时就需要提出适当的缓存策略来决定应缓存的内容。内容受欢迎程度，内容大小，内容类型和其他因素都应考虑在内。因此，关于边缘缓存策略的制定和研究具有相当重要的意义。

　　近几年，边缘缓存得到了国内外相关研究者的充分关注，边缘缓存的理论研究和仿真实验上取得了很大的进展，缓存策略也变得越来越多样化。缓存策略从本质上可以分成两种类型，分别为响应型缓存策略和主动型缓存策略。响应型缓存策略注重在内容请求发起时，对发起的内容请求进行响应，进行内容的缓存或替换，而主动型缓存策略注重使用网络中的实时信息对内容进行具有前瞻性的预缓存。

　　在主动型缓存策略中，内容流行度通常都是基于机器学习技术获取的，这种技术在热点地区表现良好。然而，根据戚凯强等人的研究，当采用实测数据集时，由于用户请求行为具有很强的时间局部性、甚至是猝发性，所造成的虚警、漏警和加性误差使得响应型缓存策略的缓存性能优于主动型缓存策略。同时由于主动型缓存策略需要使用大数据对未来的可能请求的内容进行预测分析，对于性能较差，缓存空间较小的边缘节点来说响应型缓存策略不失为一种更好的选择。

　　在边缘缓存策略中，网络模型是基础。在无线接入网RAN中，网络拓扑模型基本可以分为两种类型：无中心拓扑和有中心拓扑。在有中心拓扑网络中，大部分研究者都以单一的边缘节点为单位，并未很好的利用边缘计算中边缘节点的物理密集性，导致临近的边缘节点之间的缓存内容种类冗余较大，造成资源的浪费。

　　发明内容

　　本发明为了降低内容在边缘缓存集群内容的冗余度，提升集群的内容种类丰富度，达到提升服务质量和性能而提供了一种基于多级人气指数的协作边缘缓存方法。

　　本发明是这样实现的：

　　一种基于多级人气指数的协作边缘缓存方法，包括如下步骤：

　　步骤一：在有中心拓扑的边缘缓存模型的基础上，引入协作机制；

　　步骤二：在协作机制的基础上，提出响应型的缓存策略；

　　步骤三：引入多级人气指数概念，使将内容分级；

　　所述步骤三具体为：人气指数系数和将用户请求内容的人气指数分为三级，每一级使用不同的缓存淘汰策略：

　　当时，则将该请求内容划为高人气指数等级，把边缘节点sj中人气指数最低的内容淘汰，将请求内容ci存入边缘节点sj；

　　当时，则将该请求内容划为中人气指数等级，在一个缓存集群中仅缓存一次，若请求内容ci已在缓存集群中有缓存，不将请求内容ci存入边缘节点sj，否则把边缘节点sj中人气指数最低的内容淘汰，将请求内容ci存入边缘节点sj；

　　当时，则将该请求内容划为低人气指数等级，不将请求内容ci存入边缘节点sj。

　　所述人气指数为：

　　

　　

　　其中，ci表示请求内容，表示请求次数，人气指数其中为用户请求内容的种类总数；

　　所述中心拓扑的边缘缓存模型由中心服务器，边缘节点和用户组成，相邻的多个边缘节点形成一个边缘缓存集群。

　　本发明有益效果：

　　1.该缓存策略算法实现简单，对于边缘节点的计算性能要求较低，多种编程语言均可以实现，各类操作系统都可以部署该算法，不依赖特定的开发环境。

　　2.根据不同的用户请求分布可以根据其进行仿真再设置相应的最优的人气指数等级系数，以发挥边缘缓存的最佳性能。

　　使用评价指标——缓存命中率，内容获取时延；模型参数——边缘节点缓存空间大小，Zipf偏移系数，边缘集群节点数和用户请求内容数进行仿真实验，并将该缓存策略Compt与现有的流行度优先缓存策略Pt，先进先出缓存策略Fifo，最近最少使用缓存策略Lru进行对比分析。如图3、4、5、6、7、8、9和10所示，仿真结果证明了：本发明提出的基于协作机制的边缘缓存策略在优化评价指标上的有效性以及相比于现有的流行度优先缓存策略Pt，先进先出缓存策略Fifo，最近最少使用缓存策略Lru具有的更好的性能。

　　附图说明

　　图1是基于有中心拓扑边缘缓存架构的网络拓扑模型；

　　图2是边缘缓存策略总流程；

　　图3是边缘节点缓存空间大小对内容获取时延的影响；

　　图4是Zipf分布偏移系数对内容获取时延的影响；

　　图5是边缘集群节点数量M对内容获取时延的影响；

　　图6是总用户请求内容数对内容获取时延的影响；

　　图7是边缘节点缓存空间大小对缓存命中率的影响；

　　图8是Zipf分布偏移系数对缓存命中率的影响；

　　图9是边缘集群节点数量M对缓存命中率的影响；

　　图10是总用户请求内容数对缓存命中率的影响；

　　图11是人气指数等级系数的仿真研究。

　　具体实施方式

　　以下结合具体实施案例，对本发明进行详细说明。

　　有鉴于现有技术的缺陷，本发明所要解决的技术问题是：

　　(1)在有中心拓扑的边缘缓存模型的基础上，引入协作机制，通过邻近边缘节点之间的协同合作，解决节点缓存内容冗余的问题。

　　(2)在协作机制的基础上，提出响应型的缓存策略，适应边缘节点性能较差，缓存空间较小的情况，并提高其缓存性能。

　　(3)为解决协作机制下的缓存问题，引入多级人气指数概念，使将内容分级，协助解决边缘节点中的内容冗余问题。

　　为了上述目的，本发明提供了一种基于多级人气指数的协作边缘缓存策略，使用该缓存策略以达到在降低内容获取时延和提高缓存命中率的基础上，进一步降低内容在边缘缓存集群内容的冗余度，提升集群的内容种类丰富度，达到提升服务质量和性能的目的。

　　(1)网络拓扑模型

　　经过对现有缓存机制的研究和分析，以及基于现有的边缘缓存构架，本文提出的网络拓扑模型如图1所示。这是一个有中心拓扑的缓存模型：由中心服务器，边缘节点和用户组成。边缘节点位于网络的边缘，有一定容量的缓存。由相邻的多个边缘节点形成一个边缘缓存集群，边缘节点之间就边缘缓存集群，依照相应的协作缓存部署算法实现协作缓存。通过同一边缘节点集群中边缘节点之间的协同合作，可以降低边缘节点集群内的大量数据冗余，提高边缘节点中缓存内容的丰富度，从而达到提高缓存命中率这一直接优化目标，进而可以应用于无线接入网RAN中，提高边缘计算提供的边缘侧存储的执行性能和服务质量。

　　(2)缓存算法结构

　　根据上文提出的边缘缓存架构，通过边缘节点的缓存部署阶段来划分使用的缓存算法，本文将缓存策略分为缓存部署策略和缓存淘汰策略两个算法分别进行算法描述和仿真对比。本文提出的边缘缓存策略总体流程如图2所示。

　　(3)协作缓存部署算法

　　基于上文提出的共享式边缘缓存架构，定义用户请求内容是否已边缘缓存集群内缓存为集合其中若内容ci已在缓存集群中有缓存，则xi＝1，反之，若内容ci在缓存集群中没有缓存，则xi＝0。详细的算法如表1所示，本算法将上文缓存集群的概念引入，基于协同合作的缓存机制，尽可能地利用了边缘计算物理分布的密集性，以更好地达到降低用户请求内容获取时延，提高服务质量和用户的使用体验。

　　表1共享式架构下的协作缓存部署算法

　　

　　

　　(4)基于多级人气指数的缓存淘汰策略

　　多级人气指数架构是基于人气指数这一概念提出的，旨在在提高边缘节点缓存命中率的同时，降低边缘节点集群的缓存冗余度，以降低内容获取时延，提高边缘计算性能，为用户提供更好的使用体验。本文将用户请求内容ci的请求次数定义为将人气指数定义为其中为用户请求内容的种类总数。要得到人气指数，首先得引入ω，为了便于计算，对其进行归一化，得到用户请求内容ci的人气指数为：

　　

　　表2基于多级人气指数的协作缓存淘汰算法

　　

　　

　　算法具体如表2所述，本算法通过两个人气指数系数和将用户请求内容的人气指数分为三级，每一级使用不同的缓存淘汰策略。当时，则将该请求内容划为高人气指数等级，高人气指数等级的内容为用户会大量重复发出请求的内容，则需要对其进行冗余的缓存，使其尽可能的在收到请求的边缘节点得到命中，减少在缓存集群中调度内容产生的内容获取时延；当时，则将该内容划为中人气指数等级，中人气指数等级的内容会被用户少量地重复请求，该部分内容是减少边缘缓存集群中冗余的主要部分，在一个缓存集群中仅缓存一次，以减少缓存集群的数据冗余，提高集群内的内容多样性，进而起到提高缓存命中率，降低内容获取时延的目的；当时，则将该内容划为低人气指数等级，低人气指数等级的内容请求的次数极少，人气指数也很低，极易被淘汰，为了减少缓存替换的次数，提高缓存命中率，该部分内容不在边缘缓存集群中缓存。

　　本文中仿真实验使用的仿真平台为Python，使用Python中的matplotlib和numpy第三方包来对仿真环境进行搭建，使用numpy包来生成符合ZIpf分布的数据源。

　　本次仿真参数设置如下：使用有中心拓扑的边缘计算架构，设有一个中心云服务器，5个边缘节点构成一个边缘缓存集群，设置用户请求内容数Ns为10000，Zipf偏移系数设置为1.2，边缘节点缓存空间大小设置为200，内容获取时延系数θ设置为8，的取值范围设置为从0.0005到0.01，的取值范围设置为从0.02到0.14。

　　经过仿真实验，可以得出如图11的仿真结果，然后从本次仿真结果中找出能取得缓存命中率最大值的和即0.01和0.14。通过本次仿真测试可以得出在Zipf偏移系数为1.2，缓存空间大小为200时能取得最大缓存命中率的人气指数等级系数，由此可以进行推广仿真实验，本文对Zipf偏移系数a从1.1到1.6，边缘节点缓存空间大小从40到240，对能取得缓存命中率最大值的和进行了仿真实验，仿真结果如表4－2和表4－3所示，可以得出该Zipf偏移系数和边缘节点缓存空间大小下得最优人气等级划分。由于在互联网中用户经常请求的内容具有局部性，由此可根据已有数据对未来请求内容使用的缓存淘汰策略中的人气指数等级系数进行预设，以获得更高的缓存命中率。

　　表4-2的最优取值表

　　

　　表4-3的最优取值表

　　

　　本发明创造拟保护的创新点：(1)本发明在边缘节点相互协作的有中心网络拓扑下提出了基于多级人气指数的协作缓存淘汰策略。不同于现有的缓存淘汰策略，引入多级人气指数的概念，将用户请求的内容根据人气指数分为三级，每一级对应于不同的缓存淘汰策略。

　　(2)本发明在有中心的网络拓扑下引入协作机制，利用边缘节点的物理密集性，通过边缘缓存集群将边缘节点联系起来并实现缓存内容的共享与有效使用，建立了共享式的边缘缓存架构。

　　综上所述：为应对移动网络的传输速度和低延迟需求不断增加的限制。本发明通过边缘缓存集群实现缓存内容的共享与有效使用，并提出了协作缓存部署算法和基于多级人气指数的缓存淘汰策略，引入多级人气指数的概念，将用户请求的内容根据人气指数分为三级，每一级对应于不同的缓存淘汰策略，以达到在降低内容获取时延和提高缓存命中率的基础上，进一步降低内容在边缘缓存集群内容的冗余度，提升集群的内容种类丰富度，达到提升服务质量和性能的目的。