一种基于异步联邦学习的移动感知缓存方法.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CN113283177A(43)申请公布日2021.08.20(21)申请号202110668580.1(22)申请日2021.06.16(71)申请人江南大学地址214122江苏省无锡市滨湖区蠡湖大道1800号(72)发明人吴琼赵宇(74)专利代理机构苏州市中南伟业知识产权代理事务所(普通合伙)32257代理人夏苏娟(51)Int.Cl.G06F30/27(2020.01)G06F16/9535(2019.01)G06F21/62(2013.01)G06N3/04(2006.01)权利要求书2页说明书8页附图8页(54)发明名称一种基于异步联邦学习的移动感知缓存方法(57)摘要本发明公开了一种基于异步联邦学习的移动感知缓存方法，该方法包括步骤：A、选择自动编码器作为异步联邦学习的模型框架，并创建全局模型；B、根据车辆在当前RSU覆盖范围内的停留时间选择与当前RSU进行异步联邦学习的车辆；C、被选中的车辆从当前RSU中下载全局模型参数；D、根据全局模型参数和最小化正则化损失函数对车辆本地模型进行训练；E、RSU接收训练后的车辆本地模型，并通过权重平均更新全局模型；F、根据更新后的全局模型对内容流行度进行预测，并根据预测结果制定RSU缓存策略。本发明基于异步联邦学习的移动感知缓存方法能够获得较高的缓存命中率、可提升缓存性能、有效保护客户隐私、降低通信成本。CN113283177ACN113283177A权利要求书1/2页1.一种基于异步联邦学习的移动感知缓存方法，其特征在于，包括以下步骤：A、选择自动编码器作为异步联邦学习的模型框架，并创建全局模型；B、根据车辆在当前RSU覆盖范围内的停留时间选择与当前RSU进行异步联邦学习的车辆；C、被选中的车辆从当前RSU中下载全局模型参数；D、根据全局模型参数和最小化正则化损失函数对车辆本地模型进行训练；E、RSU接收训练后的车辆本地模型，并通过权重平均更新全局模型；F、根据更新后的全局模型对内容流行度进行预测，并根据预测结果制定RSU缓存策略。2.如权利要求1所述的基于异步联邦学习的移动感知缓存方法，其特征在于，所述步骤F具体包括：F1、依据每个连接的车辆用户内容检索历史，建立车辆请求内容评分矩阵X,X∈Nm×c；其中m是RSU连接的车辆数目，c代表每辆车请求的内容数；F2、将评分矩阵X作为自动编码器的输入数据，自动编码器发现车辆用户之间、请求内容之间关联性的潜在的特征，考虑到潜在特征与车辆用户信息，分别计算出车辆用户、内容相似性矩阵；F3、基于当前车辆用户的相似度矩阵，确定该车辆用户相邻K个的车辆用户，K个车辆用户的历史请求内容与当前车辆的历史请求内容结合构造一个历史检索矩阵K*；F4、通过请求内容相似矩阵来计算A*与K*之间相似性的均值，其中A*为当前车辆用户的历史请求矩阵；F5、选择相似度最高的N个内容作为当前车辆用户的推荐内容，每个连接的车辆用户将他们的推荐列表上传到RSU，RSU接收到推荐列表后，将所有上传列表车辆用户的推荐列表进行聚合比较，选择相似度最高的N个内容并缓存到RSU中。3.如权利要求1所述的基于异步联邦学习的移动感知缓存方法，其特征在于，所述正则化损失函数为：k其中，lk(ω)为车辆k的本地损失函数，ρ为正则化参数，ω为车辆k的本地模型参数，ω为全局模型参数。4.如权利要求1所述的基于异步联邦学习的移动感知缓存方法，其特征在于，更新后的全局模型为：k其中，γ∈(0,1)是一个值固定的超参数，ωr+1是车辆k在下一通信回合的本地权重，每一辆车通过多次迭代进行本地更新，公式表达如下：kkkωr+1＝χk(ωr‑ηk▽gk(ωr))其中，χk是权重聚合的参数，取决于连接车辆在当前RSU通信范围内的位置：χk＝Pk/Ls，Pk是车辆k离RSU入口的距离，Ls是RSU的覆盖范围；ηk是车辆k本地学习率，取决于车辆k参与RSU全局更新的时间，用来缓和存储的本地模型和当前中心模型之间的时滞，从而提高异步2CN113283177A权利要求书2/2页联邦学习中心模型的收敛性，公式表达如下：ηk＝ηTimestampk其中，η是一个固定的值。5.如权利要求1所述的基于异步联邦学习的移动感知缓存方法，其特征在于，根据车辆行驶数据计算得到车辆在当前RSU覆盖范围内的停留时间。6.如权利要求5所述的基于异步联邦学习的移动感知缓存方法，其特征在于，所述车辆行驶数据包括速度、位置和轨迹。7.如权利要求1所述的基于异步联邦学习的移动感知缓存方法，其特征在于，RSU与MBS无线通信连接，每个MBS的通信范围内部署多个RSU。8.如权利要求7所述的基于异步联邦学习的移动感知缓存方法，其特征在于，MBS缓存之前连接车辆的行驶数据