一种基于边缘计算的移动感知层次缓存容错方法

技术领域

本发明涉及边缘计算缓存领域，特别是涉及一种基于边缘计算的移动感知层次缓存容错方法。

背景技术

移动边缘计算通过在边缘设备上部署通信、计算、存储等资源，有效克服传统云计算存在的传输距离较长、响应时延过慢等问题。然而，边缘设备资源存在有限性，并且用户不会一直停留在同一个地方，当用户移动到基站覆盖范围外时，请求任务可能会中断。

公开号为CN115767596A，名称为边缘计算中面向用户移动性与偏好的边缘协同缓存方法的专利文献，通过基于用户历史行为，建立用户偏好模型，并根据用户偏好对用户进行分簇；基于用户历史位置信息，建立移动用户数量预测模型；结合预测的下一时刻区域内各类别用户数量、各类别用户偏好文件，确定相应缓存目标资源；根据各服务器负载，缓存能耗，建立负载与能耗平衡的协作式缓存放置优化模型；采用基于螺旋式搜索的蚁狮算法，求解缓存放置优化模型，获得缓存放置策略，但是该方法仅对用户的历史偏好内容建立缓存放置策略，忽略了其他情况所包含的缓存内容同样需要进行缓存放置优化。

公开号为CN116828052A，名称为一种基于边缘计算的数据智能协同缓存方法的专利文献，首先，用户根据上下文信息完成簇群选择，使得同一簇群中的用户具有相似内容偏好，由于簇群间用户不相交，提出了基于享乐联盟博弈的用户分簇算法；其次，基于分层联邦学习，用户建立深度神经网络DNN训练本地模型并上传至边缘网络层中的MEN和SEN，通过分层联邦学习优化内容缓存放置位置策略；最后，在边缘网络引入内容缓存价值协助SEN进行短期内容更新，基于当前的缓存状态与用户内容输出估计偏好，最大化协同联盟整体内容缓存价值，从而减少缓存冗余，但是该方法仅考虑了边缘服务器缓存内容的优化，忽略了边缘服务器容易产生故障带来的内容传输不稳定情况。

发明内容

本发明主要解决的技术问题是提供一种基于边缘计算的移动感知层次缓存容错方法，解决传统云计算中传输距离较长、响应时延过慢等问题。

为解决上述技术问题，本发明采用的一个技术方案是：提供一种基于边缘计算的移动感知层次缓存容错方法，其特征在于，包括：

S100：通过边缘服务器获取边缘服务器信息、用户信息和用户请求任务信息；

S200：将边缘服务器缓存容量按照5：4：1的比例划分为基本缓存内容部分、个性化内容缓存部分、特殊内容缓存部分；

S300：根据边缘服务器历史缓存资源信息，对历史缓存资源按照缓存次数进行降序排序，选取前5个缓存资源作为边缘服务器基本缓存内容，缓存到边缘服务器基本缓存内容部分；

S400：构建图神经网络模型对用户进行预测得到用户个性化内容，将所述用户个性化内容，作为边缘服务器个性化内容，缓存到边缘服务器个性化内容缓存部分；

S500：判断用户与边缘服务器的距离，预测用户下一个连接的边缘服务器，将用户正在请求服务相关的缓存内容作为边缘服务器预缓存内容，缓存到边缘服务器特殊内容缓存部分；

S600：为边缘服务器设定容错机制，当边缘服务器发生任务迁移时，对下一边缘服务器进行判断，得到最优可用边缘服务器；

S700：根据用户的历史移动轨迹信息和边缘服务器状态信息，判断用户和边缘服务器连接状态，如果用户与边缘服务器失去连接，则进行服务迁移，通过所述容错机制选择最优可用边缘服务器，将边缘服务器特殊内容缓存部分中当前用户正在请求服务相关的缓存内容迁移至最优可用边缘服务器；

所述边缘服务器状态信息包括：边缘服务器日志记录、边缘服务器容量大小、边缘服务器服务范围、边缘服务器故障次数；

所述用户信息包括：用户的历史移动轨迹信息、用户请求任务缓存状态、用户当前位置信息，边缘服务器历史缓存资源信息；

所述用户请求任务信息包括：任务请求状态、任务内容类别、任务缓存时延。

进一步地，述构建图神经网络模型对用户进行预测，包括：

S410：通过对边缘服务器覆盖范围内的用户进行随机划分，得到用户组；

S420：获取所述用户组的特征信息，对所述特征信息进行预处理，得到用户特征数据；

S430：构建图神经网络模型，将所述用户特征数据输入所述图神经网络模型中，叠加卷积层得到用户特征数据的节点特征；

S440：将所述节点特征映射到样本空间，进行加权求和，得到用户个性化内容；

所述特征信息，表示为：

；

其中，

所述对特征信息进行预处理，表示为：

；

其中，

所述图神经网络模型，其传播计算公式和空间依赖关系表示为：

；

；

其中，

所述用户个性化内容，表示为：

；

其中，

进一步地，所述预测用户下一个连接的边缘服务器，包括：

S510：通过历史轨迹信息获取历史时刻t的位置信息，并与当前时刻t的位置信息对比，计算每个时刻t用户u的相对距离；

S520：根据两个时刻的相对距离分配不同的权重，计算每条历史轨迹的加权平均距离；

S530：将加权平均距离进行嵌入处理后输入到门控循环单元进行预测，得到预测位置信息；

S540：根据所述预测位置信息，找到距离预测位置信息最近的边缘服务器作为用户下一个连接的边缘服务器；

所述计算每个时刻t用户u的相对距离，计算公式为：

；

；

其中，

所述计算每条历史轨迹的加权平均距离，计算公式为：

；

；

其中，

所述预测位置信息，是指通过将平均距离输入门控循环单元进行预测，其中门控循环单元进行预测过程表示为：

；

；

其中，

进一步地，所述S600，包括：

S610：根据边缘服务器历史故障信息，计算边缘服务器的故障事件概率；

S620：根据排队论计算边缘服务器资源处理过载概率；

S630：根据所述故障事件概率和所述资源处理过载概率计算边缘服务器综合故障概率；

S640：判断迁移目标边缘服务器的综合故障概率，当综合故障概率大于故障阈值时，则获取离用户最近的可用边缘服务器作为迁移目标边缘服务器，当综合故障概率小于故障阈值时，则将缓存内容迁移至目标边缘服务器；

所述计算边缘服务器的故障事件概率，计算公式为：

；

其中，

所述资源处理过载概率，计算公式为：

；

其中，ρ是指系统繁忙率，CN是指服务器的容量，

所述综合故障概率，计算公式为：

；

其中，

所述故障阈值为70%。

进一步地，所述判断用户和边缘服务器连接状态，是指通过用户边缘服务器的距离以及15秒内连接情况进行判断，当用户离开边缘服务器的覆盖范围且15秒内未重新连接，则定义为断连状态，否则为连通状态；

所述用户边缘服务器的距离，计算公式为：

；

其中，

当

本发明的有益效果是：

1、本发明提供的一种基于边缘计算的移动感知层次缓存容错方法通过对边缘服务器的内存容量进行分层管理，使不同内存块能够缓存不同类型的内容，从而充分利用有限的边缘服务器内存资源，提高数据命中率，降低内容传递时延，显著改善了系统性能。

2、本发明提供的一种基于边缘计算的移动感知层次缓存容错方法引入了强大的容错机制，确保了移动边缘计算系统的稳定性和可靠性。在边缘计算节点故障或发生异常情况时，该容错机制能够实时检测节点故障，迅速实施故障转移，以保证移动设备和感知设备在移动感知系统中的功能和性能不会因为单一节点的故障或不可用而受到影响，从而显著提升整个系统的可靠性和容错性。

附图说明

图1是一种基于边缘计算的移动感知层次缓存容错方法的流程图。

图2是一种基于边缘计算的移动感知层次缓存容错方法的个性化内容预测流程图。

图3是一种基于边缘计算的移动感知层次缓存容错方法的预测用户下一个连接的边缘服务器流程图。

图4是一种基于边缘计算的移动感知层次缓存容错方法的边缘服务器容错机制示意图。

具体实施方式

下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

请参阅图1、图2、图3和图4，本发明实施例包括：

如图1所示，一种基于边缘计算的移动感知层次缓存容错方法，其特征在于，包括：

S100：通过边缘服务器获取边缘服务器信息、用户信息和用户请求任务信息；

所述边缘服务器状态信息包括：边缘服务器日志记录、边缘服务器容量大小、边缘服务器服务范围、边缘服务器故障次数；

所述用户信息包括：用户的历史移动轨迹信息、用户请求任务缓存状态、用户当前位置信息，边缘服务器历史缓存资源信息；

所述用户请求任务信息包括：任务请求状态、任务内容类别、任务缓存时延；

S200：将边缘服务器缓存容量按照5：4：1的比例划分为基本缓存内容部分、个性化内容缓存部分、特殊内容缓存部分；

S300：根据边缘服务器历史缓存资源信息，对历史缓存资源按照缓存次数进行降序排序，选取前5个缓存资源作为边缘服务器基本缓存内容，缓存到边缘服务器基本缓存内容部分；

S400：构建图神经网络模型对用户进行预测得到用户个性化内容，将所述用户个性化内容，作为边缘服务器个性化内容，缓存到边缘服务器个性化内容缓存部分。

进一步地，如图2所示，述构建图神经网络模型对用户进行预测，包括：

S410：通过对边缘服务器覆盖范围内的用户进行随机划分，得到用户组；

S420：获取所述用户组的特征信息，对所述特征信息进行预处理，得到用户特征数据；

S430：构建图神经网络模型，将所述用户特征数据输入所述图神经网络模型中，叠加卷积层得到用户特征数据的节点特征；

S440：将所述节点特征映射到样本空间，进行加权求和，得到用户个性化内容；

所述特征信息，表示为：

；

其中，

所述对特征信息进行预处理，表示为：

；

其中，

所述图神经网络模型，其传播计算公式和空间依赖关系表示为：

；

；

其中，

所述用户个性化内容，表示为：

；

其中，

S500：判断用户与边缘服务器的距离，预测用户下一个连接的边缘服务器，将用户正在请求服务相关的缓存内容作为边缘服务器预缓存内容，缓存到边缘服务器特殊内容缓存部分。

进一步地，如图3所示，所述预测用户下一个连接的边缘服务器，包括：

S510：通过历史轨迹信息获取历史时刻t的位置信息，并与当前时刻t的位置信息对比，计算每个时刻t用户u的相对距离；

S520：根据两个时刻的相对距离分配不同的权重，计算每条历史轨迹的加权平均距离；

S530：将加权平均距离进行嵌入处理后输入到门控循环单元进行预测，得到预测位置信息；

S540：根据所述预测位置信息，找到距离预测位置信息最近的边缘服务器作为用户下一个连接的边缘服务器；

所述计算每个时刻t用户u的相对距离，计算公式为：

；

；

其中，

所述计算每条历史轨迹的加权平均距离，计算公式为：

；

；

其中，

所述预测位置信息，是指通过将平均距离输入门控循环单元进行预测，其中门控循环单元进行预测过程表示为：

；

；

其中，

S600：为边缘服务器设定容错机制，当边缘服务器发生任务迁移时，对下一边缘服务器进行判断，得到最优可用边缘服务器。

进一步地，如图4所示，所述S600，包括：

S610：根据边缘服务器历史故障信息，计算边缘服务器的故障事件概率；

S620：根据排队论计算边缘服务器资源处理过载概率；

S630：根据所述故障事件概率和所述资源处理过载概率计算边缘服务器综合故障概率；

S640：判断迁移目标边缘服务器的综合故障概率，当综合故障概率大于故障阈值时，则获取离用户最近的可用边缘服务器作为迁移目标边缘服务器，当综合故障概率小于故障阈值时，则将缓存内容迁移至目标边缘服务器；

所述计算边缘服务器的故障事件概率，计算公式为：

；

其中，

所述资源处理过载概率，计算公式为：

；

其中，ρ是指系统繁忙率，CN是指服务器的容量，

所述综合故障概率，计算公式为：

；

其中，

所述故障阈值为70%。

S700：根据用户的历史移动轨迹信息和边缘服务器状态信息，判断用户和边缘服务器连接状态，如果用户与边缘服务器失去连接，则进行服务迁移，通过所述容错机制选择最优可用边缘服务器，将边缘服务器特殊内容缓存部分中当前用户正在请求服务相关的缓存内容迁移至最优可用边缘服务器。

进一步地，所述判断用户和边缘服务器连接状态，是指通过用户边缘服务器的距离以及15秒内连接情况进行判断，当用户离开边缘服务器的覆盖范围且15秒内未重新连接，则定义为断连状态，否则为连通状态；

所述用户边缘服务器的距离，计算公式为：

；

其中，

当

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。