[發明專利]在基于多點協作的小蜂窩網絡中利用機器學習的主動緩存方法

在審

• 申請號: 201910864461.6
• 申請日: 2019-09-12
• 公開（公告）號: CN112020081A
• 公開（公告）日: 2020-12-01
• 發明（設計）人: 樸弘植;崔埈均;樸智用
• 申請（專利權）人: 韓國高等科學技術學院
• 主分類號: H04W24/02
• 分類號: H04W24/02;G06N20/00
• 代理公司: 上海晨皓知識產權代理事務所(普通合伙) 31260
• 代理人: 成麗杰

本發明公開在基于多點協作的小蜂窩網絡中利用機器學習的主動緩存方法及裝置。本發明中提出的在基于多點協作的小蜂窩網絡中利用機器學習的主動緩存方法包括：形成將每個用戶均具有一個社區的小蜂窩網絡內的用戶及小型基站包括在內的基于等級的小蜂窩網絡的步驟；通過社區意識非負矩陣分解計算部執行社區意識非負矩陣分解來計算用戶的內容請求概率的步驟；以及各個小型基站接收并比較針對用戶計算的內容請求概率來確定所要向小蜂窩節點緩存的內容的步驟。

技術領域

本發明涉及在基于多點協作(CoMP)的小蜂窩網絡中利用機器學習的主動緩存方法及裝置。

背景技術

小蜂窩網絡以覆蓋范圍短、傳輸功率小、費用少的優點來在現有的宏蜂窩網絡配置小型基站而成，意味著宏蜂窩和小蜂窩共存的雙重網。

在發展5G的過程中，為了增加網容量，小型基站的配置急劇增加，并對于用于向與用戶相鄰的小型基站或宏蜂窩基站提供網功能及服務的邊緣計算的關注正在增加。

尤其，邊緣計算中的最大重點之一為主動緩存。主動緩存為事先預測用戶將請求什么內容，并在請求內容之前事先查詢。

作為小蜂窩網絡中的主動緩存用設計原則，具有緩存規模、小型基站配置密度等的系統規格，信道狀態或用戶移動性的網環境，內容配置或內容更新等的緩存戰略，以及與以何種方式傳輸所緩存的內容相關的傳輸戰略。

但是，相比于以往的宏蜂窩網絡或有線網絡的緩存，小蜂窩網絡中的主動緩存具有如下的問題。

由于小蜂窩的規模變小且與基站建立關聯的用戶數量有限，難以充分地收集內容請求歷史信息，因此，難以預測小型基站內的用戶的內容熱門度。并且，小型基站之間的內容熱門度互不相同，導致需要按照小型基站預測內容熱門度。

并且，即便隨著存儲器的價格下降而能夠向小型基站提供充足的存儲器容量，但內容提供者所提供的內容的量太龐大，因此，難以全部緩存。

發明內容

本發明所要實現的技術目的在于，提供利用以往的非負矩陣分解(Non-negativeMatrix Factorization；NMF)提出新的社區意識非負矩陣分解(Community-aware NMF；CNMF)來預測內容熱門度的方法及裝置。并且，為了解決緩存規模的局限性，提出基于多點協作(CoMP)的協同緩存方法，以便利用在周圍小型基站緩存的內容。

在一實施方式中，本發明中提出的利用基于多點協作(CoMP)的小蜂窩網絡中的機器學習的主動緩存方法包括：形成將每個用戶均具有一個社區的小蜂窩網絡內的用戶及小型基站包括在內的基于等級(rating)的小蜂窩網絡的步驟；通過社區意識非負矩陣分解(CNMF)計算部執行社區意識非負矩陣分解(Community-aware NMF；CNMF)來計算用戶的內容請求概率的步驟；以及各個小型基站接收并比較針對用戶計算的內容請求概率來確定所要向小蜂窩節點緩存的內容的步驟。

小型基站具有緩存功能，并具有相關用戶集、協同相關用戶集、各個用戶的社區信息，上述相關用戶集為與當前小型基站相聯接的用戶集，上述協同相關用戶集為與周圍小型基站相聯接并因位于小型基站的覆蓋范圍內而能夠進行協同通信的用戶集。

在通過社區意識非負矩陣分解(CNMF)計算部執行社區意識非負矩陣分解來計算用戶的內容請求概率的步驟中，移動核心端存在內容請求概率學習(CRPL，ContentRequest Probability Learning)服務器，因此，在相應服務器中執行社區意識非負矩陣分解來計算用戶的內容請求概率。

在通過社區意識非負矩陣分解(CNMF)計算部執行社區意識非負矩陣分解來計算用戶的內容請求概率的步驟中，通過社區意識非負矩陣分解(CNMF)計算部向非負矩陣分解(Non-negative Matrix Factorization；NMF)添加用戶的社區信息和內容請求歷史來預測用戶的內容請求概率，以防止發生偏向于特定用戶的緩存。