一种雾计算网络中基于联邦学习的内容缓存和推荐方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113918829A(43)申请公布日2022.01.11(21)申请号202111184953.4(22)申请日2021.10.12(71)申请人重庆邮电大学地址400065重庆市南岸区黄桷垭崇文路2号(72)发明人黄晓舸王凡陈志陈前斌(74)专利代理机构北京同恒源知识产权代理有限公司11275代理人廖曦(51)Int.Cl.G06F16/9536(2019.01)G06F16/9535(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)G06F9/50(2006.01)权利要求书1页说明书9页附图2页(54)发明名称一种雾计算网络中基于联邦学习的内容缓存和推荐方法(57)摘要本发明涉及一种雾计算网络中基于联邦学习的内容缓存和推荐方法，属于通信技术领域。本网络中，每个雾节点FN将缓存具有高流行度的内容，同时物联网设备ID，作为联邦学习的客户端，可本地缓存部分内容，并利用本地数据对模型参数进行训练，避免IDs私密信息的直接上传。由于ID端有限的存储资源和固有的用户需求模式，内容缓存增益有限。IDs可通过D2D协作链路获取内容，也可通过FN或云端获取内容，为了提高ID端缓存效用，利用邻近算法KNN找到邻居IDs并向目标ID推荐缓存内容，目标ID根据内容评分高低进行缓存；为提高缓存命中率，FN将建立个性化的内容推荐列表，通过主动内容推荐来追踪用户需求，降低内容获取时延。CN113918829ACN113918829A权利要求书1/1页1.一种雾计算网络中基于联邦学习的内容缓存和推荐方法，其特征在于：该方法包括以下步骤：S1：基于IDs的D2D协作模型；S2：基于深度神经网络的本地内容缓存模型；S3：基于联邦学习的主动缓存算法；S4：基于IDs的个性化内容推荐算法。2.根据权利要求1所述的一种雾计算网络中基于联邦学习的内容缓存和推荐方法，其特征在于：在所述S1中，根据IDs之间的物理链路质量和社交强度，建立稳定的D2D连接；在社交强度中考虑IDs之间的兴趣相似度，接触强度和社会信任度，在物理链路质量中考虑D2D接触时间和IDs的服务质量QoS需求；当社交强度大于社交强度门限，物理链路质量大于物理链路质量门限，建立D2D连接并共享内容。3.根据权利要求2所述的一种雾计算网络中基于联邦学习的内容缓存和推荐方法，其特征在于：在所述S2中，在ID端建立深度神经网络DNN模型，利用历史数据和内容N维特征xc∈[0,1]，训练本地模型参数W同时得到内容偏好，并基于KNN邻近算法找到目标ID的M个邻居IDs进行缓存内容推荐，考虑IDs的职业与年龄，将其推荐的内容作为目标ID的DNN输入，根据目标ID的内容评分进行ID端内容缓存。4.根据权利要求3所述的一种雾计算网络中基于联邦学习的内容缓存和推荐方法，其特征在于：在所述S3中，联邦学习FL是一个分布式框架，在用户本地更新模型参数并在服务器端进行全局模型聚合，无需上传本地数据，避免用户隐私泄露，同时降低通信带宽需求；在FN端聚合IDs上传的模型参数，并基于用户的活跃度，聚合全局模型，基于在线流行度预测算法缓存最受欢迎的内容；为进一步降低通信开销，提出基于K均值的压缩算法，对上传的模型参数进行压缩。5.根据权利要求4所述的一种雾计算网络中基于联邦学习的内容缓存和推荐方法，其特征在于：在所述S3中，K均值的梯度压缩算法由两个步骤组成：首先将上传的模型梯度根据梯度值大小划分，当梯度值大于0为重要梯度，当梯度值略等于0，则为次要梯度；其次，将重要梯度进行聚类，利用同一梯度集合中的平均值得到第j个簇的质心值，来近似其梯度，且ID只上传质心值，以减少通信流量。6.根据权利要求5所述的一种雾计算网络中基于联邦学习的内容缓存和推荐方法，其特征在于：在所述S4中，在FN端，引入ID的忍耐阈值，当ID对内容的偏好大于忍耐阈值时，成为推荐列表的候选项，再考虑ID在t时隙内的请求内容差异度Δ，即各请求内容偏好的方差，假如Δ大于限定值时，表示用户更愿意请求不相似的内容，候选列表将去掉与t时隙请求内容相似的内容；假如Δ小于一个限定值时，候选列表将去掉初级候选项中与t时隙请求内容不相似的内容，再基于最优推荐算法获得个性化推荐列表；同时在ID端，ID接受推荐列表的概率由先前接受推荐的概率、成功请求推荐内容的概率和推荐用户偏好的偏差确定。2CN113918829A说明书1/9页一种雾计算网络中基于联邦学习的内容缓存和推荐方法技术领域[0001]本发明属于通信技术领域，涉及一种雾计算网络中基于联邦学习的内容缓存和推荐方法。背景技术[0002]随着物联网和通信技术的发展，下一代物联网设备数量呈爆炸式增长，移动流量也是几倍的增加