[發明專利]建筑大數據緩存方法及裝置

有效

• 申請號: 202010104864.3
• 申請日: 2020-02-20
• 公開（公告）號: CN111324839B
• 公開（公告）日: 2021-07-27
• 發明（設計）人: 周小平;劉振龍;高新傲
• 申請（專利權）人: 盈嘉互聯（北京）科技有限公司;盈嘉互聯（上海）建筑科技有限公司;嘉興烏鎮盈嘉千鎮科技有限公司;深圳前海盈嘉數據服務有限公司;深圳市盈嘉互聯科技有限公司;佛山市盈嘉智慧空間科技有限公司;盈嘉互聯（北京）智慧科技有限公司
• 主分類號: G06F16/957
• 分類號: G06F16/957;G06F12/123;G06F12/126;G06N3/08
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 張睿

1.一種建筑大數據緩存方法，其特征在于，包括：

獲取應用程序在歷史時間段內訪問MEC服務器層中MEC服務器的次數，根據每個所述MEC服務器被訪問的次數獲取所述MEC服務器層的狀態；

獲取應用程序發送的數據獲取請求樣本，并將所述數據獲取請求樣本分配給MEC服務器層中的第一目標MEC服務器；

判斷所述數據獲取請求樣本對應的內容項在所述第一目標MEC服務器所在的協作緩存域中是否命中；

根據命中結果對深度強化學習模型中策略函數的權重進行優化；

將所述MEC服務器層的狀態輸入預先訓練的深度強化學習模型中，輸出所述應用程序訪問獲取的建筑數據的內容項待緩存到的MEC服務器層中的MEC服務器；

將所述內容項重新緩存到所述內容項待緩存到的MEC服務器中；

其中，所述應用程序訪問的MEC服務器和所述應用程序訪問獲取的內容項所在的MEC服務器位于同一協作緩存域。

2.根據權利要求1所述的建筑大數據緩存方法，其特征在于，根據命中結果對所述深度強化學習模型中策略函數的權重進行優化的步驟包括：

基于ε-貪婪算法根據所述MEC服務器層的狀態獲取所述數據獲取請求樣本對應的內容項的動作；其中，所述數據獲取請求樣本對應的內容項的動作為所述數據獲取請求樣本對應的內容項待緩存到的MEC服務器；

根據所述命中結果計算所述數據獲取請求樣本對應的內容項傳遞到所述第一目標MEC服務器的延遲；

根據命中結果和所述延遲，獲取所述數據獲取請求樣本對應的綜合獎勵；

根據所述MEC服務器層的狀態、所述數據獲取請求樣本對應的內容項的動作和綜合獎勵，基于所述深度強化學習模型中的損失函數計算數據獲取請求樣本對應的損失值；

根據所述損失值對所述策略函數的權重進行調整，直到所述損失值小于預設閾值。

3.根據權利要求2所述的建筑大數據緩存方法，其特征在于，根據所述命中結果計算所述數據獲取請求樣本對應的內容項傳遞到所述第一目標MEC服務器的延遲的步驟包括：

若所述命中結果為未命中，則計算所述第一目標MEC服務器從遠程中央服務器獲取所述數據獲取請求樣本對應的內容項的延遲；

若所述命中結果為命中，則計算所述第一目標MEC服務器從第二目標MEC服務器獲取所述數據獲取請求樣本對應的內容項的延遲；

其中，所述第二目標MEC服務器為所述數據獲取請求樣本對應的建筑數據的內容項預先緩存在MEC服務器層中的MEC服務器；

所述第一目標MEC服務器和第二目標MEC服務器位于同一協作緩存域；

所述遠程中央服務器用于存儲和管理所述應用程序在建筑的整個生命周期中生成的建筑數據。

4.根據權利要求3所述的建筑大數據緩存方法，其特征在于，根據命中結果和所述延遲，獲取所述數據獲取請求樣本對應的綜合獎勵的步驟包括：

當所述命中結果為命中時，所述命中結果對應的獎勵為第一預設常數；

當所述命中結果為未命中時，所述命中結果對應的獎勵為第二預設常數；

根據所述延遲，計算所述延遲對應的獎勵；

將所述命中結果對應的獎勵和所述延遲對應獎勵相加，獲取所述綜合獎勵。

5.根據權利要求4所述的建筑大數據緩存方法，其特征在于，根據所述延遲，計算所述延遲對應的獎勵的步驟包括：

將所述第一目標MEC服務器從遠程中央服務器獲取所述內容項的延遲減去所述數據獲取請求樣本對應的內容項傳遞到所述第一目標MEC服務器的延遲，獲取所述延遲對應的獎勵。