用户请求感知的边端缓存与用户推荐联合优化策略

针对当前边缘缓存场景中普遍存在的用户偏好未知与高度异质问题,该文提出一种用户请求感知的边端缓存与用户推荐联合优化策略。首先,建立点击率(CTR)预测基本模型,引入对比学习方法生成高质量的特征表示,辅助因子分解机(FM)预测用户偏好;然后,基于用户偏好设计一种动态推荐机制,重塑不同用户的内容请求概率,从而影响缓存决策;最后,以用户平均内容获取时延最小化为目标建立边端缓存与用户推荐联合优化问题,将其解耦为边端缓存子问题和用户推荐子问题,分别基于区域贪婪算法和一对一交换匹配算法求解,并通过迭代更新获得收敛优化结果。仿真结果表明,相较于基准模型,引入对比学习方法的预测模型在曲线下面积(AUC)和准确率(ACC)上分别提升1.65%和1.30%,且联合优化算法能够有效降低用户平均内容获取时延,提升系统缓存性能。

面向缓存的动态协作任务迁移技术研究

边缘网络中不断出现的计算密集和延迟敏感型业务推动了任务迁移技术的快速发展。然而,任务迁移过程中存在应用场景复杂多变、问题建模难度高等技术瓶颈。尤其是考虑用户移动时,如何保证用户服务的稳定性和连续性,设计合理的任务迁移策略仍是一个值得深入探讨的问题。因此,提出了一种移动感知的服务预缓存模型和任务预迁移策略,将任务迁移问题转化为最优分簇与边缘服务预缓存的组合优化问题。首先,基于用户的移动轨迹对当前执行任务状态进行预测,引入动态协作簇和迁移预测半径的概念,提出了一种面向移动和负载两种任务场景的预迁移模型,解决了何时何地迁移的问题。然后,针对需要迁移的任务,基于最大容忍时延约束分析协作簇半径和簇内目标服务器数量的极限值,提出了以用户为中心的分布式多服务器间动态协作分簇算法(Distributed Dynamic Multi-server Cooperative Clustering Algorithm,DDMC)以及面向服务缓存的深度强化学习算法(Cache Based Double Deep Q Network,C-DDQN),解决了最优分簇和服务缓存问题。最后,利用服务缓存的因果关系,设计了一种低复杂度的交替最小化服务缓存位置更新算法,求解出了最佳迁移目标服务器集合,实现了任务迁移中的服务器协作及网络负载均衡。实验结果表明,提出的迁移选择算法具有良好的鲁棒性和系统性能,相比其他迁移算法所消耗的总成本降低了至少12.06%,所消耗的总时延降低了至少31.92%。

基于动态服务缓存辅助的任务卸载方法

针对服务缓存和任务卸载联合优化中,由于缺乏对用户服务请求多样性和动态性的综合考虑而导致的用户体验质量降低问题,提出一种基于动态服务缓存辅助的任务卸载方法。首先,针对边缘服务器执行缓存服务动作空间较大的问题,重新定义了动作,并筛选出最优的动作集合以提高算法训练的效率;其次,设计一种改进的多智能体Q-Learning算法学习最优的服务缓存策略;再次,将任务卸载问题转换为凸优化问题,利用凸优化工具获得最优解;最后,利用拉格朗日对偶法求得最优的计算资源分配策略。为了验证所提方法的有效性,基于真实数据集进行了充分的实验。实验结果表明,对比Q-Learning、双层深度Q网络(D2QN)以及多智能体深度确定性策略梯度(MADDPG)方法,所提方法的响应时间分别降低了8.5%、11.8%和12.6%,平均体验质量分别提高了1.5%、2.7%和4.3%。

MSs-MEC中基于DRL的服务缓存和任务迁移联合优化算法

多服务移动边缘计算(multiple-services mobile edge computing,MSs-MEC)能根据需求自适应调整服务缓存决策,使得部署在用户侧的边缘服务器能够灵活处理不同服务类型的任务。但在实际应用中,特定类型任务的成功迁移依赖于服务环境的提前安装。此外,同时进行任务迁移和服务缓存可能会因时间冲突而导致计算延时。因此,针对上述相关问题,首先将任务迁移和服务缓存决策进行解耦,针对深度强化学习(deep reinforcement learning,DRL)在具有高维的混合决策空间的性能提升不明显的缺点(例如资源分配时利用率不高),将DRL与Transformer结合,通过在历史数据中学习,输出当前时隙的任务迁移决策和下一时隙的任务决策,保证任务到达边缘服务器时能立即执行。其次,为了提高资源分配问题中的资源利用率,将问题分解为连续资源分配问题和离散的任务迁移与服务缓存问题,利用凸优化技术求解资源分配最优决策。广泛的数值结果表明,与其他基线算法相比,提出的算法能有效地减少任务的平均完成时延,同时在资源利用率和稳定性方面也有优异的表现。

命名数据网络中的二分缓存方案

为了解决命名数据网络(Named Data Networking,NDN)中存在的数据冗余,缓存数据内容多样性差以及数据内容请求时延高的问题,提出了一种二分缓存方案.该方案将首次请求的数据内容缓存在中心路由器中,将再次被请求的相同数据内容缓存在内容请求者的邻接路由器中,过滤了请求热度不高的数据内容,增加了数据内容被就近请求的概率,降低了数据内容的请求时延.同时该方案将被替换的数据包缓存至上游路由器,使路由器中重复的数据内容逐渐推向内容生产者,减少了数据冗余的同时增加了路由器缓存的数据内容的多样性.仿真结果显示该算法能降低数据内容的平均请求时延,减少服务器负载,有效提升缓存命中率.

基于内容流行度的卫星网络缓存策略研究

针对传统卫星网络缓存策略中只考虑全局内容流行度未考虑到不同区域流行内容差异较大,从而无法准确找到高流行度内容进行放置导致用户获取时延较大的问题,提出了一种基于全局流行度预测与局部流行度计算的混合卫星网络缓存策略。策略使用LSTM模型对全局内容流行度进行预测,并且对局部内容流行度进行计算,同时将卫星缓存节点分区,定义缓存节点分区比例因子,分别缓存全局和局部流行内容,以最小化用户内容平均获取时延为优化目标,采用BPSO求解缓存放置问题。仿真结果表明,与传统的随机缓存放置及最流行缓存放置相比,所提出的策略能够降低用户内容获取时延,提高缓存命中率。

边缘计算中支持分簇编排的应用缓存方法研究

移动边缘计算通过在距离终端更近的位置提供计算存储服务来提供更优的任务处理表现.为减少系统通信链路压力,进一步优化任务处理时延和能耗,本文首先提出了一种支持位置更新的分布式分簇编排策略,对通信区域进行分簇和簇头选取,簇头作为编排节点进行簇内管理,当有卸载任务时寻找最佳执行设备进行处理;然后基于Docker容器提出应用程序协作缓存算法,通过在存储资源丰富的设备中提前部署高频拉取的应用程序来降低任务部署延迟,从而进一步降低任务处理延迟;最后应用多接入边缘计算仿真平台进行对比实验,结果表明提出的分簇编排策略和协作缓存算法可以有效降低网络和CPU占用率,获得超低任务部署和完成时延,显著提高服务质量,并显示出强可扩展性.

存储体编译和布局协同的片上缓存设计方法

为了提高片上缓存的速度、降低面积和功耗,提出了一种存储体编译和布局协同的片上缓存设计方法。该方法基于存储体在芯片上的不同空间位置预估该存储体的时序余量,分别采用拆分/合并、尺寸调整、阈值替换和长宽比变形等多种配置参数穷举组合进行存储体编译,根据时序余量选择最优的静态随机存取存储器存储体编译配置。将该方法与现有的物理设计步骤集成为一个完整的设计流程。实验结果表明,该方法能够降低约9.9%的功耗,同时缩短7.5%的关键路径延时。

命名数据网络中基于分级的数据缓存方法

针对NDN固有数据缓存机制存在数据内容多样性低、频繁替换等问题,提出了一种数据分级缓存方法.该方法将传输路径上的路由器进行等级划分,根据数据内容热度,将其缓存在相应等级的路由器中,以减少用户获取数据内容的时间.实验结果表明:该方法能够有效提高缓存命中率,减少平均路由跳数,降低平均请求时延.

深度学习在多核缓存预取中的应用研究综述

当前人工智能技术应用于系统结构领域的研究前景广阔,特别是将深度学习应用于多核架构的数据预取研究已经成为国内外的研究热点。针对基于深度学习的缓存预取任务进行了研究,形式化地定义了深度学习缓存预取模型。在介绍当前常见的多核缓存架构和预取技术的基础上,全面分析了现有基于深度学习的典型缓存预取器的设计思路。深度学习神经网络在多核缓存预取领域的应用主要采用了深度神经网络、循环神经网络、长短期记忆网络和注意力机制等机器学习方法,综合对比分析现有基于深度学习的数据预取神经网络模型后发现,基于深度学习的多核缓存预取技术在计算成本、模型优化和实用性等方面还存在着局限性,未来在自适应预取模型以及神经网络预取模型的实用性方面还有很大的研究探索空间和发展前景。

配电网监测数据索引集群的分布缓存方法

针对配电网监测数据急剧增加导致配电网监控系统响应时间过长的问题,本文提出一种热点数据部分链表分布缓存方法。首先,引入缓存技术并分析原有热点数据链表缓存方法的局限性,提出一种新的缓存方法以提高缓存管理效率;然后,设计预热查询实现索引系统的热启动从而提高索引系统的缓存命中率;最后,以配电网监测数据为算例,验证所提方法的效果。测试结果表明,所提出的缓存方法及设计的预热查询能在不同查询条件下大幅减少索引集群的查询时间,有效提高配电网监测数据索引集群的查询效率。

基于PSO的联合任务卸载与缓存算法研究

随着各类计算敏感(Computation-Sensitive, CS)型和高数据率(High-Rate, HR)服务的不断涌现,诸如移动游戏、认知辅助和虚拟/增强现实服务等,移动终端(Mobile Terminal, MT)对存储和计算资源的需求越来越大。为满足移动边缘计算(Mobile Edge Computing, MEC)网络中MT对CS和HR服务的通信需求,联合任务卸载、缓存与资源分配算法的研究被广为关注。现有研究鲜有涉及多蜂窝无线回程网络,不利于现实应用与低网络成本部署。针对支持CS和HR服务的多蜂窝无线回程网络,以MT所需资源占其服务基站的所有MT所需资源的比例分配频谱、计算与缓存资源。在该资源分配方式下,提出了最小化MT平均时延的问题,涉及MT关联指示的优化,其中MT关联兼顾基站的选择、计算和缓存模式的选择。为处理该问题,开发了基于粒子群优化(Particle Swarm Optimization, PSO)的MT关联与资源分配(PSO-based MT Association and Resource Allocation, PMARA)算法。仿真结果表明,在上述资源分配方式下,同其他现有算法相比,所设计的算法通常可以获得更低的MT时延。

基于隐式协作缓存机制的WSN网络能耗优化算法

针对无线传感器网络(Wireless Sensor Networks,WSN)节点间缓存空间压力造成计算、存储、通信能力差的问题,提出一种基于隐式协作缓存机制的WSN网络能耗优化算法。在明确WSN网络数据采集机制的基础上,使用远端节点缓存内容的隐式协作,降低网络节点间缓存空间压力,平衡节点间的缓存替换率;以传感器到基站的距离、节点剩余能量以及节点分散比重作为优化指标,获得选举簇头无线传感器网络能耗优化算法。仿真结果表明,所提方法可以降低WSN节点能耗,使WSN网络中不同节点能量消耗相对平衡,有效延长了WSN网络使用周期。

基于联盟链的边缘缓存系统中最佳缓存策略设计

针对不同运营商各自部署边缘设备,投入巨大且缓存内容相互隔离,无法共享的问题,改进了一种基于联盟链的边缘缓存系统架构,使运营商部署的边缘设备间能够打破内容隔离,实现更大范围的共享。为了提高运营商缓存收益,同时保证用户传输质量,降低用户传输时延,首先针对缓存内容流行度、内容大小以及边缘设备的协作能力,分析不同内容交付方式对于用户传输时延和运营商缓存收益的影响;然后,以最大化缓存收益和最小化传输时延为目标建立优化问题;最后,为解决构建的高维度大规模的缓存决策问题,采用基于异步优势动作评价的内容缓存算法确定内容的最佳放置位置。仿真结果表明,所提缓存策略能够有效地提高边缘缓存收益,降低内容传输时延,提升用户体验。

基于聚类的ICN缓存空间规划方法

为合理分配信息中心网络(ICN)中每个节点的缓存空间,提出一种基于聚类的ICN缓存空间规划方法。根据节点属性数据集对ICN节点聚类后,以得到的聚类中心属性数据集为每一类分配缓存空间,后根据欧氏距离评估聚类效果为类内每个节点分配缓存空间,来提高缓存系统性能。在实际应用中,也可以为互联网服务提供商(ISP)提供一定的指导意义。仿真结果表明,该方法与均分分配部署方法、基于度数部署方法、基于介数部署方法相比,缓存命中率有明显提高,响应时延明显降低。

一种基于5G-ICN的缓存容量分配方法

随着第五代移动通信网络(5G)与以信息为中心的网络(ICN)的发展,业内提出的5G-ICN架构备受关注,其异构性更加突出,现有的ICN同质缓存容量分配方法已不适用。为了满足该架构异构缓存的容量分配需求,该文提出了一种基于节点重要性的5G-ICN混合组网缓存容量分配方法。采用量化节点位置属性与流量属性的方法计算节点的重要性,结合实际存储容量设置缓存部署单元进行仿真试验,结果表明,与现有方案相比,该文容量分配方法提升了19%的内容命中率与30%的时延。

大规模开放遥感影像地图渲染与缓存优化

遥感数据规模庞大且增长迅速,目前可公开访问的遥感影像数据已接近EB级别,然而类型多样、结构复杂、存储文件大等特点给大规模开放遥感数据的发现、共享与使用带来诸多不便。在线地图可使用户无须下载便可对海量云端遥感数据执行可视化分析,是一种高效的数据服务方式。针对传统地图技术方案存在的瓦片渲染效率低、遥感数据适配性差等问题,从遥感数据时空属性特征及用户访问行为特征出发,依托遥感数据云平台GSCloud,设计并实现面向海量遥感数据的高效地图服务平台TiMap。TiMap由分布式地图瓦片渲染引擎TiRender与分布式地图瓦片缓存TiCache构成。TiRender通过将地图瓦片渲染操作转换为分布式环境下的同步实时渲染任务与异步批量预渲染任务,充分利用多节点并行计算的优势,快速响应客户端的地图瓦片请求。TiCache负责缓存TiRender产生的地图瓦片,以提升后续重复地图瓦片请求的响应速度,TiCache中的地图瓦片缓存分配算法基于疏远度实现,可以保证多节点的负载均衡。实验结果表明,TiRender与TiCache均比同类技术方案的性能更好,两者协同工作可使TiMap在100ms内快速响应大规模地图瓦片请求。

内存高效的持久性分布式文件系统客户端缓存DFS-Cache

为了在数据密集型工作流下有效降低缓存碎片整理开销并提高缓存命中率,提出一种持久性分布式文件系统客户端缓存DFS-Cache(Distributed File System Cache)。DFS-Cache基于非易失性内存(NVM)设计实现,能够保证数据的持久性和崩溃一致性,并大幅减少冷启动时间。DFS-Cache包括基于虚拟内存重映射的缓存碎片整理机制和基于生存时间(TTL)的缓存空间管理策略。前者基于NVM可被内存控制器直接寻址的特性,动态修改虚拟地址和物理地址之间的映射关系,实现零拷贝的内存碎片整理;后者是一种冷热分离的分组管理策略,借助重映射的缓存碎片整理机制,提升缓存空间的管理效率。实验采用真实的Intel傲腾持久性内存设备,对比商用的分布式文件系统MooseFS和GlusterFS,采用Fio和Filebench等标准测试程序,DFS-Cache最高能提升5.73倍和1.89倍的系统吞吐量。

移动边缘计算中的无人机三维部署和内容缓存优化方法

随着无线网络中的移动数据流量爆炸式增长,支持高速缓存的无人机被应用于移动计算领域充当边缘服务器,为网络中的用户提供按需服务。为了在满足其他资源约束的条件下,给用户带来更好的体验,通过联合优化无人机部署、缓存放置和用户关联以实现最小化所有用户的内容访问时延,并为用户提供质量不同的内容缓存服务。针对多无人机和地面基站协同提供缓存服务的场景,提出了一种基于迭代优化的联合优化算法。该算法通过迭代求解由目标问题分解得到的三个子问题的方式来获得具有收敛性保证的次优解决方案。首先,采用基于连续凸近似的算法求解无人机部署子问题;其次,采用基于贪心的算法求解内容缓存子问题;然后,利用基于罚函数的连续凸近似算法求解用户关联子问题;最后,对上述过程重复迭代,得到目标问题的一个次优解。多次仿真实验验证了所提算法的有效性和可行性。仿真结果表明,与基准算法相比,所提联合优化算法在平均内容访问时延、缓存命中率两方面均具有更好的性能。

基于分布式缓存的科技文献信息动态检索系统设计

为便于科研人员研究科技发展前沿动态,设计基于分布式缓存的科技文献信息动态检索系统,为用户匹配最佳检索结果。用户层将用户检索需求传输至处理层数据采集模块,该模块采集数据信息后经网络层通信模块将信息传输至数据层科技文献信息数据库中存储;数据层分布式存储模块采用分布式缓存方法将以往的检索记录信息分别存储至热数据库及冷数据库中;利用网络层传输科技文献信息数据库内的检索需求信息至处理层检索处理模块,通过科技文献信息动态检索方法处理接收到的检索信息,将处理后信息与数据层分布式存储模块内的关联数据进行排序重组,获取检索结果,并通过用户层展示检索结果。结果表明,该系统可有效且准确地为用户检索其所需的科技文献信息,检索MAP值为0.95以上,系统具备较快的读写速度与较强的数据传输能力。