1.一种多层边缘缓存网络协同优化方法,其特征在于,所述方法包括,当用户端向小基站SBS请求内容时,执行以下操作:在宏基站MBS侧,基于内容流行度分布预测结果,确定各内容文件的最优更新频率及间隔,以在传输成本约束下最大化长期缓存内容文件的时效性奖励;
在所述SBS侧,根据所述MBS侧得到的全局缓存更新决策和内容流行度分布预测结果计算短期缓存内容文件的时效性奖励;在Lyapunov优化框架下,引入虚拟队列并通过漂移加惩罚DPP项的目标函数,实现动态控制各时隙内容文件的局部缓存更新决策,以平衡缓存更新成本和所述短期缓存内容文件的时效性奖励;
根据所述全局缓存更新决策和所述局部缓存更新决策,在每个时间周期内分别更新所述MBS侧与所述SBS侧的缓存内容,提升整体网络中缓存内容的时效性,并响应用户内容请求;
所述MBS侧与所述SBS侧的时效性奖励基于内容的信息年龄AoI以及用户对内容时效性的感知函数确定。
2.根据权利要求1所述的多层边缘缓存网络协同优化方法,其特征在于,引入最大信息年龄作为内容失效阈值,用以判定内容是否处于有效状态,则基于AoI值和所述感知函数构建的时效性奖励函数在不同内容失效阈值下的定义如下:其中,所述感知函数为Sigmoid函数的变体;
A对应每个内容文件在相应内容提供设备中的AoI值,内容生成端的AoI初始化为1,当MBS或SBS从上级节点更新内容文件时,其对应AoI值重置为来源端的AoI,否则随时间线性递增。
3.根据权利要求1所述的多层边缘缓存网络协同优化方法,其特征在于,所述基于内容流行度分布预测结果,确定各内容文件的最优更新频率及间隔,以在传输成本约束下最大化长期缓存内容文件的时效性奖励,包括:基于MBS当前周期interval的内容流行度分布预测结果,计算MBS缓存内容文件的时效性奖励为:其中,为MBS更新内容文件的更新决策变量,则基于给定的,计算时间段内的平均时效性奖励为:其中,为MBS侧每个内容文件f的时效性奖励;
将时间以更新时间间隔进行划分,计算每个更新时间间隔内的时效性奖励,累加时间内所有时间间隔内的时效性奖励,则MBS缓存优化问题被建模为关于更新时间间隔的优化问题;
确定时间内的内容文件的更新次数后,结合预测得到的MBS内容流行度分布,MBS缓存优化问题进一步分解为各个内容文件独立的子问题,以分别求解所述内容文件的最优更新间隔,其子问题表示为:在求解过程中,采用KKT条件得到每个内容文件的最优更新间隔,并采用序列二次规划算法求解每个内容文件的最优更新频率。
4.根据权利要求3所述的多层边缘缓存网络协同优化方法,其特征在于,所述采用KKT条件得到每个内容文件的最优更新间隔,并采用序列二次规划算法求解每个内容文件的最优更新频率包括:由于内容文件的子问题是凸优化问题,采用KKT条件求解,解得内容文件的最优更新间隔为,以及更新频率为,说明在有限的更新次数下,相同的更新时间间隔是最优的策略,将所述更新频率代入得到不同内容失效阈值下的平均时效性奖励为:求解得到所述最优更新间隔后,所述MBS缓存优化问题转化为对每个内容文件的更新频率进行求解,即采用序列二次规划算法求解每个内容文件的最优更新频率,将内容文件的缓存更新决策定义为更新频率向量,优化目标为最大化缓存内容文件的平均时效性奖励,表示为:其中,为每个时隙内MBS从上一节点设备获取内容文件的总更新频率约束。
5.根据权利要求1所述的多层边缘缓存网络协同优化方法,其特征在于,所述在Lyapunov优化框架下,引入虚拟队列并通过漂移加惩罚DPP项的目标函数,实现动态控制各时隙内容文件的局部缓存更新决策,以平衡缓存更新成本和所述短期缓存内容文件的时效性奖励,包括:通过引入虚拟队列约束缓存更新频率,构建如下优化框架,用以求解SBS内容文件更新决策变量:其中,为所述SBS侧的第u个节点在时隙内获得的内容文件的加权时效性奖励;是每时隙的平均更新成本上限,是所述更新决策变量;、分别是每个内容文件在所述MBS侧、所述SBS侧中的AoI值;
引入如下的Lyapunov虚拟队列来衡量SBS缓存更新成本压力:
其中,表示SBS在时隙更新的内容文件总数量;该虚拟队列的增长代表缓存更新过于频繁,容易突破系统的更新成本预算,而队列收敛则表示更新成本得到有效控制;
为了动态调整缓存更新策略,采用Lyapunov优化中的漂移加惩罚DPP项,表示为:其中,表示Lyapunov漂移,为Lyapunov函数,用于衡量队列积压的严重程度,为系统的即时惩罚函数,对应于负的时效性奖励,是一个可调的控制参数,用以权衡时效性奖励与队列稳定性之间的关系;
以系统稳定性和时效性奖励的最大化为目标,在每个时隙上最小化所述DPP项,得到所述SBS内容文件更新决策变量。
6.根据权利要求5所述的多层边缘缓存网络协同优化方法,其特征在于,在每个时隙上最小化所述DPP项包括:建立所述DPP项的漂移上界为;令常数,则所述DPP项简化为:
其中表示期望的时效性奖励;最终,SBS通过在每个时隙求解如下最小化问题来更新决策变量:。
7.根据权利要求1所述的多层边缘缓存网络协同优化方法,其特征在于,根据所述MBS侧得到的全局缓存更新决策和内容流行度分布预测结果计算短期缓存内容文件的时效性奖励,包括:所述SBS侧在时隙内获得的内容文件时效性奖励表示为:
其中,表示在时隙内所述SBS侧的第u个节点接收到的针对内容文件的请求数量,T()为SBS侧每个内容文件f的时效性奖励;
为了衡量在当前时隙更新内容文件所带来的时效性收益,重新定义该收益为内容文件在所述MBS侧与所述SBS侧的时效性奖励之差;基于SBS当前时隙的内容流行度分布预测结果,进一步计算内容文件在时隙内的加权时效性奖励为:其中,是MBS侧每个内容文件f的时效性奖励,是SBS侧内容文件的流行度预测值。
8.根据权利要求1所述的多层边缘缓存网络协同优化方法,其特征在于,获取所述内容流行度分布预测结果的方法包括:内容流行度分布预测采用LSTM的神经网络模型实现,用于捕捉内容请求序列的时间相关性,LSTM模型包括两层LSTM和一层全连接输出层,并采用Adam优化器进行参数更新,以均方误差MSE作为损失函数进行训练;所述预测过程包括:在所述SBS侧,于每个缓存更新周期的起始时刻,将上一周期的内容请求数据统计为局部流行度分布,并输入至训练好的LSTM模型,输出当前周期的内容流行度分布预测结果,用于指导SBS当前缓存更新决策;
在所述MBS侧,于每个长时周期interval内,将历史内容请求分布输入至训练好的LSTM模型,输出当前周期的内容流行度分布预测结果,用于指导MBS内容收集优化决策。
9.一种多层边缘缓存网络协同优化系统,其特征在于,所述系统包括多个内容提供设备、宏基站MBS、多个小基站SBS,其中:所述MBS位于网络的中心,用于收集区域内的所述内容提供设备生成的内容文件,并将内容分发到区域内的SBS进行缓存存储;
SBS节点均匀部署于所述MBS的覆盖范围内,定期接收来自MBS的内容更新,并通过缓存策略向周边用户端提供实时缓存服务;
所述MBS和所述SBS用于协同执行如权利要求1至8中任一项所述的方法,以实现多层边缘缓存网络中全局与局部缓存更新决策优化的协同调度。