基于动态兴趣预测和群体聚合的边缘缓存更新方法及装置

本技术涉及计算机网络，特别涉及一种基于动态兴趣预测和群体聚合的边缘缓存更新方法及装置。

背景技术：

1、随着数字化时代的到来，边缘计算作为一种新兴的计算范式，为各种应用场景带来了巨大的机遇和挑战。边缘计算的核心理念是将计算资源和数据存储更靠近数据源头，以实现更低延迟、更高带宽、更好的隐私保护和更强大的实时性。这其中，为了提升数据访问速度和效率，缓存技术优化也被广泛认可为用于提升边缘计算性能的手段之一，通过在边缘节点上缓存数据，减少对云端的数据传输，从而降低延迟，减轻网络压力，优化用户体验。缓存技术进一步也可以包含缓存放置策略和缓存更新方法两部分。

2、相关技术中，通常在适应边缘服务器中快速变化的用户需求时显得力不从心。这主要表现在相关的缓存管理技术通常依赖于静态规则或基于历史数据的简单预测模型，这种方式无法实时感知用户兴趣的变化，对用户兴趣动态变化的应对不够灵活，从而影响缓存的利用效率。因此在相关技术面对用户行为多样化、实时性要求高及群体行为相互影响的边缘计算场景时，存在局限性。

技术实现思路

1、本技术提供一种基于动态兴趣预测和群体聚合的边缘缓存更新方法及装置，以解决相关技术中通常依赖于静态规则或历史数据和群体进行预测，导致无法及时根据用户兴趣的动态变化来更新缓存，无法满足用户当前的实时需求，从而降低用户的使用体验等问题。

2、本技术第一方面实施例提供一种基于动态兴趣预测和群体聚合的边缘缓存更新方法，方法应用于云端服务器，其中，方法包括：获取用户的历史行为序列数据和历史群体关系数据；对历史行为序列数据进行预处理得到预处理后数据，基于预处理后数据训练动态兴趣实时预测模型，其中，动态兴趣实时预测模型包括轻量化transformer模型，基于轻量化transformer预测用户的动态兴趣特征；利用历史群体关系数据训练群体聚合优化模型，其中，群体聚合优化模型包括图卷积网络，基于图卷积网络提取用户的群体聚合特征；将训练完成的动态兴趣实时预测模型和群体聚合优化模型部署于边缘服务器，其中，边缘服务器基于动态兴趣实时预测模型预测用户的动态兴趣特征、且基于群体聚合优化模型提取不同用户兴趣的群体聚合特征，根据动态兴趣特征和群体聚合特征更新边缘服务器的边缘缓存策略。

3、可选地，在本技术的一个实施例中，轻量化transformer模型包括：单头注意力机制网络和轻量化前馈网络，其中，单头注意力机制网络包括嵌入层、注意力机制层和多个线性层，多个线性层设置在嵌入层与注意力机制层之间，基于多个线性层进行数据的维度变换；多个线性层的结构包括：第一组卷积变换结构、第二组卷积变换结构、特征重排结构、第三组卷积变换结构和残差结构；单头注意力机制网络的输入数据和输出数据输入轻量化前馈网络，轻量化前馈网络输出用户的动态兴趣特征。

4、可选地，在本技术的一个实施例中，群体聚合优化模型还用于：基于历史群体关系数据构建至少一个用户关系邻域图，其中，用户关系邻域图包括节点和边，节点表示用户，边表示用户之间的关系；定义用户关系邻域图中每个节点的特征向量，将每个用户关系邻域图输入图卷积网络，图卷积网络输出用户的群体聚合特征，其中，图卷积网络对每个用户关系邻域图进行卷积操作和聚合操作，在图卷积网络的每层卷积操作中，基于节点的邻居信息更新每个节点的特征向量。

5、可选地，在本技术的一个实施例中，获取每个智能体的状态表示、行动空间、奖励函数和多智能体深度确定性策略梯度算法；根据每个智能体的状态表示、行动空间、奖励函数和多智能体深度确定性策略梯度算法，构建基于深度确定性策略梯度算法的缓存更新策略；基于携带有用户的动态兴趣特征和群体聚合特征的训练数据对动态兴趣实时预测模型和群体聚合优化模型进行训练，并将训练完成的动态兴趣实时预测模型和群体聚合优化模型部署于边缘服务器，然后，边缘服务器结合预测结果和群体聚合优化结果根据缓存更新策略更新边缘缓存。

6、本技术第二方面实施例提供一种基于动态兴趣预测和群体聚合的边缘缓存更新方法，方法应用于边缘服务器，其中，方法包括：获取用户的当前行为序列数据；将当前行为序列数据输入动态兴趣实时预测模型，动态兴趣实时预测模型输出用户的动态兴趣特征，其中，动态兴趣实时预测模型包括轻量化transformer模型，基于轻量化transformer预测用户的动态兴趣特征；利用用户的动态兴趣特征输入群体聚合优化模型，群体聚合优化模型输出用户的群体聚合特征，其中，群体聚合优化模型包括图卷积网络，基于图卷积网络提取用户的群体聚合特征；根据动态兴趣特征和群体聚合特征结合基于深度确定性策略梯度算法的缓存更新策略更新边缘服务器的边缘缓存策略。

7、本技术第三方面实施例提供一种基于动态兴趣预测和群体聚合的边缘缓存更新装置，装置应用于云端服务器，包括：第一获取模块，用于获取用户的历史行为序列数据和历史群体关系数据；第一训练模块，用于对历史行为序列数据进行预处理得到预处理后数据，基于预处理后数据训练动态兴趣实时预测模型，其中，动态兴趣实时预测模型包括轻量化transformer模型，基于轻量化transformer预测用户的动态兴趣特征；第二训练模块，用于利用历史群体关系数据训练群体聚合优化模型，其中，群体聚合优化模型包括图卷积网络，基于图卷积网络提取用户的群体聚合特征；部署模块，用于将训练完成的动态兴趣实时预测模型和群体聚合优化模型部署于边缘服务器，其中，边缘服务器基于动态兴趣实时预测模型预测用户的动态兴趣特征、且基于群体聚合优化模型提取不同用户兴趣的群体聚合特征，根据动态兴趣特征和群体聚合特征更新边缘服务器的边缘缓存策略。

8、可选地，在本技术的一个实施例中，轻量化transformer模型包括：单头注意力机制网络和轻量化前馈网络，第一训练模块还用于，单头注意力机制网络包括嵌入层、注意力机制层和多个线性层，多个线性层设置在嵌入层与注意力机制层之间，基于多个线性层进行数据的维度变换；多个线性层的结构包括：第一组卷积变换结构、第二组卷积变换结构、特征重排结构、第三组卷积变换结构和残差结构；单头注意力机制网络的输入数据和输出数据输入轻量化前馈网络，轻量化前馈网络输出用户的动态兴趣特征。

9、可选地，在本技术的一个实施例中，第二训练模块还用于，基于历史群体关系数据构建至少一个用户关系邻域图，其中，用户关系邻域图包括节点和边，节点表示用户，边表示用户之间的关系；定义用户关系邻域图中每个节点的特征向量，将每个用户关系邻域图输入图卷积网络，图卷积网络输出用户的群体聚合特征，其中，图卷积网络对每个用户关系邻域图进行卷积操作和聚合操作，在图卷积网络的每层卷积操作中，基于节点的邻居信息更新每个节点的特征向量。

10、可选地，在本技术的一个实施例中，部署模块还用于，获取每个智能体的状态表示、行动空间、奖励函数和多智能体深度确定性策略梯度算法；根据每个智能体的状态表示、行动空间、奖励函数和多智能体深度确定性策略梯度算法，构建基于深度确定性策略梯度算法的缓存更新策略；基于携带有用户的动态兴趣特征和群体聚合特征的训练数据对动态兴趣实时预测模型和群体聚合优化模型进行训练，并将训练完成的动态兴趣实时预测模型和群体聚合优化模型部署于边缘服务器，然后，边缘服务器结合预测结果和群体聚合优化结果根据缓存更新策略更新边缘缓存。

11、本技术第四方面实施例提供一种基于动态兴趣预测和群体聚合的边缘缓存更新装置，装置应用于边缘服务器，包括：第二获取模块，用于获取用户的当前行为序列数据；预测模块，用于将当前行为序列数据输入动态兴趣实时预测模型，动态兴趣实时预测模型输出用户的动态兴趣特征，其中，动态兴趣实时预测模型包括轻量化transformer模型，基于轻量化transformer预测用户的动态兴趣特征；聚合模块，用于利用用户的动态兴趣特征输入群体聚合优化模型，群体聚合优化模型输出用户的群体聚合特征，其中，群体聚合优化模型包括图卷积网络，基于图卷积网络提取用户的群体聚合特征；更新模块，用于根据动态兴趣特征和群体聚合特征结合基于深度确定性策略梯度算法的缓存更新策略更新边缘服务器的边缘缓存策略。

12、本技术第五方面实施例提供一种云端服务器，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序，以实现如上的基于动态兴趣预测和群体聚合的边缘缓存更新方法。

13、本技术第六方面实施例提供一种边缘服务器，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序，以实现如上的基于动态兴趣预测和群体聚合的边缘缓存更新方法。

14、本技术第七方面实施例提供一种计算机可读存储介质，其上存储有计算机程序或指令，该计算机程序或指令被执行时，以实现如上的基于动态兴趣预测和群体聚合的边缘缓存更新方法。

15、由此，本技术包括如下有益效果：

16、由于本技术实施例分为线下和线上两部分，动态兴趣实时预测模型和群体聚合优化模型均为线下在云端服务器构建并训练，训练完成后部署到边缘服务器，用于线上的动态兴趣实时预测和实时的群体聚合，从而使得边缘服务器可以实时提取和分析用户的动态兴趣特征，不仅有助于建立实时预测模型，而且使得系统能够更精确地捕捉用户兴趣的实时变化，具有更高的灵活性；结合了群体聚合优化，通过分析不同用户兴趣并进行群体聚合，有助于减轻个体预测的不确定性，提高系统效率和用户的使用体验；基于实时兴趣预测和群体聚合模型，制定了边缘缓存策略。这种策略考虑到了用户群体的个性化需求，从而在边缘服务器中提供更加高效的数据访问服务，提高了边缘缓存系统的智能性和效能。由此，解决了相关技术中通常依赖于静态规则或历史数据和群体进行预测，导致无法及时根据用户兴趣的动态变化来更新缓存，无法满足用户当前的实时需求，从而降低用户的使用体验等问题。

17、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。