申请/专利权人：河北工业大学

申请日：2024-01-30

公开（公告）日：2024-04-12

公开（公告）号：CN117873918A

主分类号：G06F12/0877

分类号：G06F12/0877;G06N3/0442;G06F18/23213

优先权：

专利状态码：在审-公开

法律状态：2024.04.12#公开

摘要：本发明公开了一种基于联邦学习的协同边缘缓存优化搜索方法，首先对目标区域内的物联网设备进行聚类，得到索引树；将上一时刻用户对内容的请求次数输入到LSTM模型中，预测得到下一时刻的请求次数；将下一时刻的请求次数输入到Zipf模型中，得到内容流行度；然后，将上一个周期边缘缓存服务器的缓存内容和相邻边缘缓存服务器的缓存内容输出到DNN模型中，预测下一个周期边缘缓存服务器的缓存能力；使用联邦学习对LSTM模型进行训练；最后，根据缓存内容的流行度以及未来时刻边缘缓存服务器的缓存容量将流行度高的内容缓存至边缘缓存服务器中；如果协同边缘缓存服务器中缓存了用户的查询结果，则边缘缓存服务器直接将结果返回给用户，否则边缘缓存服务器将用户的查询请求发往云服务器，由云服务器处理用户的查询请求。该方法增强系统稳定性，提升了存储能力。

主权项：1.一种基于联邦学习的协同边缘缓存优化搜索方法，其特征在于，该方法包括以下步骤：步骤一：使用K-means算法对目标区域内的物联网设备进行聚类，得到索引树；步骤二：将上一时刻用户对内容的请求次数输入到LSTM模型中，预测得到下一时刻的请求次数；将下一时刻的请求次数输入到Zipf模型中，得到内容流行度；步骤三：将上一个周期边缘缓存服务器的缓存内容和相邻边缘缓存服务器的缓存内容输出到DNN模型中，预测下一个周期边缘缓存服务器的缓存能力；步骤四、使用联邦学习对LSTM模型进行训练；在联邦学习过程中，将云服务器作为服务器端，边缘缓存服务器作为客户端；4.1服务器端初始化LSTM模型的全局参数ω0，客户端对数据进行预处理；4.2服务器段将全局参数ω0传递给客户端，客户端根据ω0更新本地LSTM模型，并利用自身的数据对模型进行验证和优化；4.3客户端将优化后的全局参数传递给服务器端，服务器端将收到的全局参数聚合，根据式12计算所有全局参数的加权平均梯度ωt+1并作为下一轮的全局参数； 其中，nk代表第k个客户端的数据条数，n代表所有客户端的数据条数，是下一轮第k个客户端的全局参数，K表示客户端的数量；4.4重复执行步骤4.2和4.3，直到训练轮数大于最大训练轮数；步骤五、根据缓存内容的流行度以及未来时刻边缘缓存服务器的缓存容量将流行度高的内容缓存至边缘缓存服务器中；步骤六、向用户返回查询结果；如果协同边缘缓存服务器中缓存了用户的查询结果，则边缘缓存服务器直接将结果返回给用户，否则边缘缓存服务器将用户的查询请求发往云服务器，由云服务器处理用户的查询请求。

全文数据：

权利要求：

百度查询： 河北工业大学 基于联邦学习的协同边缘缓存优化搜索方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD