基于移动感知的车联网边缘缓存更新方法

1.本发明属于车联网
技术领域：
：，更为具体地讲，涉及一种基于移动感知的车联网边缘缓存更新方法。
背景技术：
：：2.随着第四次工业革命的到来，互联网络正面临着机械化向智能化的转型，特别是车联网的智能车载应用、车载信息娱乐应用、智能座舱和智能驾驶的出现将对移动网络的要求更加严苛。为缓解车联网的负载压力，移动边缘缓存技术是成为一种关键技术，它可以借助边缘设备有效减轻核心网络的流量负载，降低内容传输的延迟。然而，随着车辆用户请求数量的增加，车联网会产生大量的数据。这些数据在特定区域的用户请求是相似的，并且请求的内容很容易过时。为了最大限度地利用有限的路边单元缓存空间，及时的内容更新至关重要。然而，考虑到边缘设备的空间有限性、车辆移动的随机性、请求内容的时变性和社会关系的复杂性造成缓存的性能不佳，需要进一步改进。技术实现要素：3.本发明的目的在于克服现有技术的不足，提供一种基于移动感知的车联网边缘缓存更新方法，以最大化缓存命中率和内容传输时延减少率的联合优化作为内容缓存更新的目标，使得路边单元的缓存更新更加合理有效。4.为了实现上述发明目的，本发明基于移动感知的车联网边缘缓存更新方法包括以下步骤：5.s1：记车联网中路边单元集合为r表示路边单元的序号，r＝1,2,...,r，r表示路边单元的数量；6.记整个车联网区域内智能车辆集合为v表示智能车辆的序号，v＝1,2,...,v，v表示路边单元的数量；7.记车联网中可请求的全部内容集合表示为q表示内容序号，q＝1,2,...,q，q表示内容数量，记内容q的大小为sq；8.s2：每当缓存更新周期到来时，对车联网中每个车辆的移动轨迹进行预测，得到该车辆下一时刻t+1的预测位置，从而确定下一时刻t+1时该车辆所属的路边单元，得到下一时刻t+1时各个路边单元r覆盖范围内的车辆集合时刻t+1时各个路边单元r覆盖范围内的车辆集合表示下一时刻t+1路边单元r覆盖的第n个车辆，n＝1,2,…,nr，nr表示下一时刻路边单元r覆盖范围内的车辆数量；9.s3：对于每个路边单元r，分别统计其覆盖范围内每个车辆截止到当前时刻t对于各个内容的请求次数；然后对于每个车辆将q个内容按照请求次数大小从高到低排序，记内容q在排序之后的序号为采用如下公式计算下一时刻t+1时路边单元r覆盖范围内车辆请求内容q的概率[0010][0011]其中，γ是预设的zipf流行度指数；[0012]基于zipf分布，根据车辆对各个内容q的请求概率预测得到车辆在下一时刻t+1时的请求内容集合将路边单元r覆盖范围内所有车辆下一时刻t+1时的请求内容合集作为路边单元r的预测请求内容集合[0013]s4：每个路边单元r检查预测请求内容集合中的内容是否均在本地缓存列表，如果是，则不作缓存更新，返回步骤s2，如果不是，进入步骤s5；[0014]s5：求解如下最优缓存策略问题，得到下一时刻t+1的最优缓存策略：[0015][0016][0017]c2:fq,r,t+1∈{0,1}[0018][0019]其中：fq,r,t+1∈{0,1}表示下一时刻t+1时路边单元r对内容q的缓存状态标识，如果下一时刻t+1时内容q被缓存在路边单元r处，则fq,r,t+1＝1，否则fq,r,t+1＝0；[0020]表示下一时刻t+1时车辆从路边单元获取内容q的缓存命中率，其计算方法如下：[0021]采用如下公式计算下一时刻t+1时车辆直接从路边单元r获取内容q的缓存命中率hn,r,t+1：[0022][0023]采用如下公式计算下一时刻t+1时车辆从路边单元r的协作路边单元r′获取内容q的缓存命中率hr′,n,t+1：[0024][0025]其中，ur表示路边单元r的协作路边单元集合；[0026]然后采用如下公式计算下一时刻t+1时车辆从路边单元获取内容q的缓存命中率[0027][0028]表示下一时刻t+1时车辆获取内容q的时延减少率，其计算方法如下：[0029]采用如下公式计算得到下一时刻t+1时车辆从路边单元r获取内容q的时延[0030][0031]其中，表示下一时刻t+1时车辆和路边单元r之间的传输速率；[0032]采用如下公式计算得到下一时刻t+1时车辆从路边单元r的协作路边单元r′获取内容q的时延[0033][0034]其中，rater′,r表示协作路边单元r′和路边单元r之间的传输速率；[0035]采用如下公式计算得到下一时刻t+1时车辆获取内容q的时延[0036][0037]最后采用如下公式计算得到下一时刻t+1时车辆获取内容q的时延减少率：[0038][0039]其中，tw表示车辆用户从远程云服务器获取内容的时延；[0040]分别对每个路边单元求解上述目标函数表示的最优缓存策略，即可得到下一时刻t+1时路边单元r中各个内容的缓存状态标识fq,r,t+1；[0041]s6：每个路边单元r分别比较当前时刻t和下一时刻t+1时各个内容的缓存状态标识，得到缓存更新策略并进行缓存更新。[0042]本发明基于移动感知的车联网边缘缓存更新方法，对于车联网中的每个车辆进行移动轨迹预测，确定下一时刻该车辆所属的路边单元，得到各个路边单元覆盖范围内的车辆集合，计算路边单元覆盖范围内的车辆对于各个内容的请求概率,预测得到各个车辆在下一时刻请求的内容集合以及路边单元的预测请求内容集合，当预测请求内容集合中的内容不全在路边单元的本地缓存列表，则通过基于最大化缓存命中率和内容传输时延减少率所构建的目标函数求取下一时刻的最优缓存策略，比较当前时刻和下一时刻各个内容的缓存状态标识，得到缓存更新策略并进行缓存更新。[0043]本发明预测得到下一时刻所属路边单元和车辆请求内容，以最大化缓存命中率和内容传输时延减少率的联合优化作为内容缓存更新的目标，使得路边单元的缓存更新更加合理有效。附图说明[0044]图1是本发明基于移动感知的车联网边缘缓存更新方法的具体实施方式流程图；[0045]图2是本实施例中深度确定性梯度策略算法的流程图；[0046]图3是本实施例中本发明和四种对比方法中缓存容量对缓存命中率的影响对比图；[0047]图4是本实施例中本发明和四种对比方法中缓存容量对时延的影响对比图；[0048]图5是本实施例中本发明和四种对比方法中内容数量对缓存命中率的影响对比图；[0049]图6是本实施例中本发明和四种对比方法中内容数量变化对时延的影响对比图；[0050]图7是本实施例中本发明和四种对比方法中总时延对缓存命中率的影响。具体实施方式[0051]下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。[0052]实施例[0053]图1是本发明基于移动感知的车联网边缘缓存更新方法的具体实施方式流程图。如图1所示，本发明基于移动感知的车联网边缘缓存更新方法的具体步骤包括：[0054]s101：获取车联网参数：[0055]记车联网中路边单元(roadsideunit，rsu)集合为r表示路边单元的序号，r＝1,2,...,r，r表示路边单元的数量。路边单元一般部署在道路两侧，路边单元之间通过光纤连接进行协作。[0056]记整个车联网区域内智能车辆集合为v表示智能车辆的序号，v＝1,2,...,v，v表示路边单元的数量。[0057]记车联网中可请求的全部内容集合表示为q表示内容序号，q＝1,2,...,q，q表示内容数量，记内容q的大小为sq。[0058]s102：车辆移动轨迹预测：[0059]车联网中车辆的高速移动性导致两个车辆之间的距离在不断变化，并且请求的内容在车辆所在路边单元的覆盖范围内通常未被命中。因此，缓存策略的设计必须考虑车辆的移动性。本发明中，每当缓存更新周期到来时，对车联网中每个车辆的移动轨迹进行预测，得到该车辆下一时刻t+1的预测位置，从而确定下一时刻t+1时该车辆所属的路边单元，得到下一时刻t+1时各个路边单元r覆盖范围内的车辆集合得到下一时刻t+1时各个路边单元r覆盖范围内的车辆集合表示下一时刻t+1路边单元r覆盖的第n个车辆，n＝1,2,…,nr，nr表示下一时刻路边单元r覆盖范围内的车辆数量。[0060]车辆移动轨迹预测的具体方法可以根据实际需要选择。本发明中采用bi-lstm(bi-directionallongshort-termmemory，双向长短期记忆)网络对车辆的位置进行预测，具体方法为：[0061]根据车辆的历史移动轨迹采样得到车辆的历史位置信息，将车辆历史位置信息根据bi-lstm网络输入要求构建得到输入矩阵，然后输入至预先训练好的bi-lstm网络，输出车辆位于各个可访问位置的概率，将概率最大值所对应的可访问位置作为车辆的预测位置。bi-lstm网络包括正向lstm层和反向lstm层，正向lstm层能从前往后分析输入序列，而反向lstm层能从后往前分析输入序列，可以使得到的车辆预测位置更加准确。[0062]s103：预测车辆请求内容：[0063]为了更好地选择需要缓存的内容，本发明需要对每个车辆的请求内容进行预测。本发明中，对于每个路边单元r，分别统计其覆盖范围内每个车辆vr,n截止到当前时刻t对于各个内容的请求次数。请求次数可以反映内容在该路边单元覆盖范围内的流行度。然后对于每个车辆将q个内容按照请求次数大小从高到低排序，记内容q在排序之后的序号为经研究发现，车辆对内容的请求概率可以用zipf分布近似描述，因此可以采用如下公式计算下一时刻t+1时路边单元r覆盖范围内车辆vr,n请求内容q的概率[0064][0065]其中，γ是预设的zipf流行度指数，γ越大，车辆请求越集中在最流行的内容上。[0066]基于zipf分布，根据车辆对各个内容q的请求概率预测得到车辆在下一时刻t+1时的请求内容集合将路边单元r覆盖范围内所有车辆下一时刻t+1时的请求内容合集作为路边单元r的预测请求内容集合[0067]s104：每个路边单元r检查预测请求内容集合中的内容是否均在本地缓存列表，如果是，则不作缓存更新，返回步骤s102，如果不是，进入步骤s105。[0068]s105：求解最优缓存策略：[0069]因为路边单元的存储容量限制以及请求内容的时变性特征，内容缓存需要定期更新。本发明的目标是在满足特定约束条件的同时，最大化路边单元中的缓存命中率和内容时延减少率，因此提出每个路边单元r的最优缓存策略的目标函数如下：[0070][0071][0072]c2:fq,r,t+1∈{0,1}[0073][0074]其中，fq,r,t+1∈{0,1}表示下一时刻t+1时路边单元r对内容q的缓存状态标识，如果下一时刻t+1时内容q被缓存在路边单元r处，则fq,r,t+1＝1，否则fq,r,t+1＝0。约束条件c1是为了保证缓存在路边单元中内容大小不超过其缓存空间cr；c2是缓存状态的二位变量，限制元素的取值；c3表示对于内容q，至多只有1个路边单元缓存该内容，不存在冗余缓存，以节约路边单元的资源。[0075]表示下一时刻t+1时车辆从路边单元获取内容q的缓存命中率，其计算方法如下：[0076]本发明中，缓存命中率为车辆从路边单元和协作路边单元获取内容的概率。其中，在下一时刻t+1时车辆直接从路边单元r获取内容q的缓存命中率hn,r,t+1的计算公式为：[0077][0078]在下一时刻t+1时车辆vr,n从路边单元r的协作路边单元r′获取内容q的缓存命中率hr′,n,t+1的计算公式为：[0079][0080]其中，ur表示路边单元r的协作路边单元集合。一般来说，为了控制通信开销，路边单元r的协作路边单元是路边单元r的邻居路边单元。[0081]那么下一时刻t+1时车辆从路边单元获取内容q的缓存命中率的计算公式为：[0082][0083]表示下一时刻t+1时车辆获取内容q的时延减少率，其计算方法如下：[0084]传输时延是指用户发送内容请求到收到请求的内容的时间，是衡量缓存更新策略性能的重要指标。在本发明中，车辆获取内容的途径有三种，分别是从所属路边单元、协作路边单元以及远程云服务器，当车辆发送内容请求时，所属路边单元首先检查本地是否有该内容，如果没有，再转向协作路边单元获取，如果都没有再转向远程云服务器。本发明的目标之一是最小化内容获取的延迟，而车辆从路边单元中获取内容的传输时延要远小于从云服务器中获取的时延，因此本发明主要考虑从路边单元中获取内容的时延。[0085]下一时刻t+1时车辆从路边单元r获取内容q的时延的计算公式为：[0086][0087]其中，表示下一时刻t+1时车辆和路边单元r之间的传输速率，可以采用如下公式计算：[0088][0089]其中，wr,n表示车辆和路边单元r之间的信道带宽；pr为路边单元r的发射功率；是车辆和路边单元r之间的信道增益，为车辆下一时刻t+1的预测位置和路边单元r之间的距离，λ和ψ分别是指数和路径损耗常量。σ2是加性高斯白噪声。[0090]下一时刻t+1时车辆从路边单元r的协作路边单元r′获取内容q的时延的计算公式为：[0091][0092]其中，rater′,r表示协作路边单元r′和路边单元r之间的传输速率，可以采用如下公式计算：[0093][0094]其中，wr′,r表示协作路边单元r′和路边单元r之间的信道带宽；pr′为协作路边单元r′的发射功率；是协作路边单元r′和路边单元r之间的信道增益，dr′,r为协作路边单元r′和路边单元r之间的距离。[0095]考虑到内容请求概率，则下一时刻t+1时车辆获取内容q的时延的计算公式为：[0096][0097]如果车辆所属路边单元和协作路边单元中都没有车辆用户请求的内容，车辆所属路边单元将发送请求到远程云服务器中获取内容，并将内容传输给车辆用户。本发明中，根据历史统计设置车辆用户从远程云服务器获取内容的时延tw。由于车辆用户从远程云服务器获取内容的时延要远大于从路边单元中获取内容的时延，本发明将最小化内容获取时延转化为最大化内容获取时延的减少量，即在下一时刻t+1时车辆获取内容q的时延减少率tr,n为：[0098][0099]分别对每个路边单元求解上述目标函数表示的最优缓存策略，即可得到下一时刻t+1时路边单元r中各个内容的缓存状态标识fq,r,t+1。[0100]本实施例中，采用深度确定性梯度策略算法来求解最优缓存策略，其中设置状态s为其中lr,n,t+1表示下一时刻t+1时路边单元r覆盖范围内车辆的预测位置，设置动作a为缓存状态标识构成的缓存决策向量(f1,r,t+1,f2,r,t+1,…,fq,r,t+1)，奖励函数r设置为缓存命中率和内容获取时延的减少量的联合优化，即[0101]图2是本实施例中深度确定性梯度策略算法的流程图。如图2所示，本实施例中深度确定性梯度策略算法的具体过程如下：[0102]s201：初始化参数：[0103]随机初始化参数为θa的actor当前网络的策略πθa[x(s)]，参数为θc的critic当前网络的行动值函数q(x(s),a,θc)，初始化参数为θa′←θa的目标actor网络的策略πθa′[x(s′)]，参数为θc′←θc目标critic网络的行动值函数q(x(s′),v′,θc′)，重置经验回放池erb。[0104]s202：根据状态选择当前动作：[0105]根据当前的状态s选择当前的动作a。[0106]s203：根据动作执行操作并得到新状态和即时奖励：[0107]根据策略π(a|s；θa′)执行动作a，计算奖励r，获得过度状态s′。[0108]s204：更新经验回放池：[0109]将状态s、动作a、奖励r和新的状态s′，放入经验回放池erb中。[0110]s205：随机采样样本：[0111]采用随机小批量方法获得k个样本:{sk,ak,rk,sk′}，k＝1,2,…,k。[0112]s206：计算当前目标行动值函数：[0113]根据目标行动值函数计算得到当前k个样本的目标行动值函数yk，k＝1,2,…,k。[0114]s207：计算critic当前网络损失值函数：[0115]计算critic当前网络的损失值函数[0116]s208：更新critic当前网络参数向量：[0117]更新critic当前网络的参数向量ρc∈[0,1]是学习率。[0118]s209：计算actor当前网络损失值函数：[0119]计算actor当前网络的损失值函数[0120]s210：计算并最大化actor当前网络损失值函数：[0121]计算并最大化actor当前网络损失值函数[0122]s211：更新actor当前网络参数向量：[0123]更新actor当前网络参数向量ρa∈[0,1]是学习率。[0124]s212：更新actor目标网络参数向量：[0125]更新actor目标网络参数向量θa′←τθa+(1-τ)θa，τ是更新系数。[0126]s213：更新critic目标网络参数向量：[0127]更新critic目标网络参数向量θc′←τθc+(1-τ)θc。[0128]s214：判断是否达到迭代结束条件，如果是，进入步骤s215，否则返回步骤s202。迭代结束条件一般是达到最大迭代次数或者网络参数收敛。[0129]s215：确定最优缓存策略：[0130]根据当前的动作a确定各个内容的缓存状态标识，得到最优缓存策略。[0131]s106：缓存更新：[0132]每个路边单元r分别比较当前时刻t和下一时刻t+1时各个内容的缓存状态标识，得到缓存更新策略并进行缓存更新，返回步骤s102。[0133]为了更好地说明本发明的技术效果，采用具体实例对本发明进行实验验证。本次实验验证中采用四种现有的缓存策略作为对比方法，分别为lfu算法、lru算法、random算法和rl算法，其中lfu算法表示当每个rsu的缓存容量满时，替换请求次数最少的内容，具体内容参见文献“t.r.k,a.sharma,andm.bhaskar.referencetablebasedcachedesignusinglrureplacementalgorithmforlastlevelcache.2016ieeeregion10conference(tencon),2016,pp.2219-2223.”。lru算法为当每个rsu缓存容量满时，替换最近最少使用的内容，具体内容参考文献“l.wang,s.bayhan,andj.kangasharju,effectsofcooperationpolicyandnetworktopologyonperformanceofin-networkcaching.ieeecommunication.letters.2014,18(4):680-683.”。random算法是当rsu缓存容量满时，替换随机选择一个内容。rl算法不对车辆的轨迹预测，并通过dqn来替换缓存的内容。[0134]图3是本实施例中本发明和四种对比方法中缓存容量对缓存命中率的影响对比图。如图3所示，随着路边单元缓存容量的增加，本发明和四种对比方法的命中率也会不断提高。值得注意的是，本发明提出的缓存策略在缓存命中率方面优于其他四种对比方法。随着缓存容量的不断增大，缓存命中率逐渐趋近于一个稳定的值。这是因为缓存命中率是由已经缓存的内容所决定的。因此，当缓存容量足够大时，可以缓存大多数流行内容，从而达到更高的缓存命中率。[0135]图4是本实施例中本发明和四种对比方法中缓存容量对时延的影响对比图。如图4所示，随着路边单元缓存容量的增加，本发明和四种对比方法的内容访问时延都呈现下降的趋势。这是因为，随着存储容量的增加，能够缓存在路边单元中的内容也越多，从而减少了车辆从远程云服务器中获取内容的频率，转而从本地或协作的rsu中获取内容，因此从靠近用户位置的路边单元中获取内容的延迟要远小于从远程云服务中心获取内容的延迟。当路边单元缓存容量足够大时，可以存储车辆用户请求的大部分内容，从而使得车辆用户能够以更小的时延从路边单元中获取内容，提高了用户体验。因此，缓存容量的增加对于降低内容访问时延是非常重要的。[0136]图5是本实施例中本发明和四种对比方法中内容数量对缓存命中率的影响对比图。如图5所示，本发明和四种对比方法的命中率随着内容数量的增加而减少。这是因为随着请求内容数量的增加，要缓存在路边单元上的热门内容越来越多，而路边单元的缓存容量受到限制，导致高频度的缓存替换，从而导致缓存命中率降低。在内容数量达到1000时，本发明与四种对比方法相比仍然可以分别提高16.4％，47.3％，49.1％和54.4％的命中率。[0137]图6是本实施例中本发明和四种对比方法中内容数量变化对时延的影响对比图。如图6所示，随着请求内容数量的增加，缓存替换的频度越高，这导致了更多的网络请求需要等待路边单元的响应，从而增加了时延。因此，时延随着内容数量的增加而增加。研究还表明，与四种对比方法相比，本发明在内容数量增加时仍然更优，在内容数量达到1000时，本发明分别降低10.8％，23.4％，24.1％和32.9％的延迟。[0138]图7是本实施例中本发明和四种对比方法中总时延对缓存命中率的影响。与传统的rl、lru、lfu和random方法相比，本发明在缓存命中率方面都有明显的提升，特别是在高延迟情况下。该结果表明，路边单元之间协作的缓存更新方案可以充分利用未利用的存储空间和通信利用率，提高缓存命中率并减少内容请求的延迟。这种协作策略为用户提供了更快速、高效的服务。[0139]综上所述，本发明在内容命中率和时延方面的性能均优于四种对比方法。[0140]尽管上面对本发明说明性的具体实施方式进行了描述，以便于本
技术领域：
：的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本
技术领域：
：的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。当前第1页12当前第1页12
技术特征：
1.一种基于移动感知的车联网边缘缓存更新方法，其特征在于，包括以下步骤：s1：记车联网中路边单元集合为r表示路边单元的序号，r＝1,2,
…
,r，r表示路边单元的数量；记整个车联网区域内智能车辆集合为v表示智能车辆的序号，v＝1,2,...,v，v表示路边单元的数量；记车联网中可请求的全部内容集合表示为q表示内容序号，q＝1,2,
…
,q，q表示内容数量，记内容q的大小为s
q
；s2：每当缓存更新周期到来时，对车联网中每个车辆的移动轨迹进行预测，得到该车辆下一时刻t+1的预测位置，从而确定下一时刻t+1时该车辆所属的路边单元，得到下一时刻t+1时各个路边单元r覆盖范围内的车辆集合+1时各个路边单元r覆盖范围内的车辆集合表示下一时刻t+1路边单元r覆盖的第n个车辆，n＝1,2,
…
,n
r
，n
r
表示下一时刻路边单元r覆盖范围内的车辆数量；s3：对于每个路边单元r，分别统计其覆盖范围内每个车辆截止到当前时刻t对于各个内容的请求次数；然后对于每个车辆将q个内容按照请求次数大小从高到低排序，记内容q在排序之后的序号为采用如下公式计算下一时刻t+1时路边单元r覆盖范围内车辆请求内容q的概率车辆请求内容q的概率其中，γ是预设的zipf流行度指数；基于zipf分布，根据车辆对各个内容q的请求概率预测得到车辆在下一时刻t+1时的请求内容集合将路边单元r覆盖范围内所有车辆下一时刻t+1时的请求内容合集作为路边单元r的预测请求内容集合s4：每个路边单元r检查预测请求内容集合中的内容是否均在本地缓存列表，如果是，则不作缓存更新，返回步骤s2，如果不是，进入步骤s5；s5：求解如下最优缓存策略问题，得到下一时刻t+1的最优缓存策略：s5：求解如下最优缓存策略问题，得到下一时刻t+1的最优缓存策略：c2:f
q,r,t+1
∈{0,1}其中：f
q,r,t+1
∈{0,1}表示下一时刻t+1时路边单元r对内容q的缓存状态标识，如果下一
时刻t+1时内容q被缓存在路边单元r处，则f
q,r,t+1
＝1，否则f
q,r,t+1
＝0；表示下一时刻t+1时车辆从路边单元获取内容q的缓存命中率，其计算方法如下：采用如下公式计算下一时刻t+1时车辆直接从路边单元r获取内容q的缓存命中率h
n,r,t+1
：采用如下公式计算下一时刻t+1时车辆从路边单元r的协作路边单元r
′
获取内容q的缓存命中率h
r
′
,n,t+1
：其中，u
r
表示路边单元r的协作路边单元集合；然后采用如下公式计算下一时刻t+1时车辆从路边单元获取内容q的缓存命中率从路边单元获取内容q的缓存命中率从路边单元获取内容q的缓存命中率表示下一时刻t+1时车辆获取内容q的时延减少率，其计算方法如下：采用如下公式计算得到下一时刻t+1时车辆从路边单元r获取内容q的时延从路边单元r获取内容q的时延其中，表示下一时刻t+1时车辆和路边单元r之间的传输速率；采用如下公式计算得到下一时刻t+1时车辆从路边单元r的协作路边单元r
′
获取内容q的时延容q的时延其中，rate
r
′
,r
表示协作路边单元r
′
和路边单元r之间的传输速率；采用如下公式计算得到下一时刻t+1时车辆获取内容q的时延获取内容q的时延最后采用如下公式计算得到下一时刻t+1时车辆获取内容q的时延减少率：其中，t
w
表示车辆用户从远程云服务器获取内容的时延；
分别对每个路边单元求解上述目标函数表示的最优缓存策略，即可得到下一时刻t+1时路边单元r中各个内容的缓存状态标识f
q,r,t+1
；s6：每个路边单元r分别比较当前时刻t和下一时刻t+1时各个内容的缓存状态标识，得到缓存更新策略并进行缓存更新。2.根据权利要求1所述的车联网边缘缓存更新方法，其特征在于，所述步骤s2中车辆移动轨迹预测的方法为：根据车辆的历史移动轨迹采样得到车辆的历史位置信息，将车辆历史位置信息根据bi-lstm网络输入要求构建得到输入矩阵，然后输入至预先训练好的bi-lstm网络，输出车辆位于各个可访问位置的概率，将概率最大值所对应的可访问位置作为车辆的预测位置。3.根据权利要求1所述的车联网边缘缓存更新方法，其特征在于，所述步骤s5中传输速率采用如下公式计算：其中，w
r,n
表示车辆和路边单元r之间的信道带宽；p
r
为路边单元r的发射功率；是车辆和路边单元r之间的信道增益，为车辆下一时刻t+1的预测位置和路边单元r之间的距离，λ和ψ分别是指数和路径损耗常量，σ2是加性高斯白噪声；传输速率rate
r
′
,r
采用如下公式计算：其中，w
r
′
,r
表示协作路边单元r
′
和路边单元r之间的信道带宽；p
r
′
为协作路边单元r
′
的发射功率；是协作路边单元r
′
和路边单元r之间的信道增益，d
r
′
,r
为协作路边单元r
′
和路边单元r之间的距离。4.根据权利要求1所述的车联网边缘缓存更新方法，其特征在于，所述步骤s5中最优缓存策略的求解采用深度确定性梯度策略算法求解，其中设置状态s为其中l
r,n,t+1
表示下一时刻t+1时路边单元r覆盖范围内车辆的预测位置，设置动作a为缓存状态标识构成的缓存决策向量(f
1,r,t+1
,f
2,r,t+1
,
…
,f
q,r,t+1
)，奖励函数r设置为缓存命中率和内容获取时延的减少量的联合优化，即

技术总结
本发明公开了一种基于移动感知的车联网边缘缓存更新方法，对于车联网中的每个车辆进行移动轨迹预测，得到下一时刻各个路边单元覆盖范围内的车辆集合，计算路边单元覆盖范围内的车辆对于各个内容的请求概率预测得到各个车辆在下一时刻请求的内容集合以及路边单元的预测请求内容集合，当预测请求内容集合中的内容不全在路边单元的本地缓存列表，则通过基于最大化缓存命中率和内容传输时延减少率所构建的目标函数求取下一时刻的最优缓存策略，比较当前时刻和下一时刻各个内容的缓存状态标识，得到缓存更新策略并进行缓存更新。本发明以最大化缓存命中率和内容传输时延减少率的联合优化作为内容缓存更新的目标，使得路边单元的缓存更新更加合理有效。单元的缓存更新更加合理有效。单元的缓存更新更加合理有效。


技术研发人员：高建平 邢玲 吴红海 阚超楠 马华红 李冰 黄元浩 张晓辉
受保护的技术使用者：河南科技大学
技术研发日：2023.05.29
技术公布日：2023/8/23