CN114595632B 一种基于联邦学习的移动边缘缓存优化方法 （北京工业大学）

一种基于联邦学习的移动边缘缓存优化方法本发明涉及一种基于有效联邦学习的移动方法考虑单基站范围内用户移动性和内容流行具体利用RWP随机路径点模型得到用户时刻轨迹通过聚类与阈值结合的方式选择参与FL本地训2行内容提前放置到边缘缓存来提高缓存命中率；相同的预测模型部署在每个用户和MEC服步骤3)，以分布式方式对步骤2)选择的用户进行FL步骤3.1).MEC服务器将t-1时得到的FL全局模型参数wt-1发送给时间片t时参与模型训的本地历史数据训练模型得到更新的用户模型参数平均损失值为完成一次epoch所需的batch个数为对于时间片t时，用户ui训练模型的数据占所有参与训 t为时间片t时服务器端的全局模型的参数，为用户ui模型参数的聚合权重，用户的第k个本地训练数据。3第i个用户ui的偏好等于t-1时用户ui的模型参数与t-1时该用户的历史请求数据pro其中表示None类用户数占所有类别用户的比例，N表示为None类的选择比pro4边缘计算(MobileEdgeComputing，MEC)将计算和缓存服务从移动网络运营商(Mobile[0003]传统预测内容流行度的智能算法，需要将用户数据发送定有效的基于局部模型学习全局流行度预测模型；Gao等人提出以联邦学习的方法考虑移要缓存的内容集合；Yu等人提出一种基于联邦学习的移动感知主动边缘缓存方案(MPCF)，5容的相似性，采用DBSCAN(DensityBasedSpatialClusteringofApplicationswith6i个用户ui的偏好等于t-1时用户ui的模型参数与t-1时该用户的历史请求数据于用户移动位置和请求内容的不确定性，造成与其他用户相似度低，集群数量等于1的用Na[0018]其中表示None类用户数占所有类别用户的比例，Npro表示为None类的选[0019]步骤三.以分布式方式对步骤二选择[0020]步骤3.1).MEC服务器将t-1时历史数据训练模型得到更新的用户模型参数平均损失值为完成一次epoch所需到，即为用户聚合权重向量，其中e8-参数和分别为用户集Ct中所有用户的瓦,o,7t为t时服务器端的全局模型的参数，为用户ui模型参数的聚合权重，用户的第k个本地训练数据。构中，通过将相同预测模型架构部署在MEC服务器和用户上，利用联邦学习来训练预测模8据集，Ht=表示数据集的数量，即第i个用户[0042]步骤二.一种基于联邦学习的移动边到模型的更新参数用户将模型参数上传到MEC服务器端，服务器端平均聚合参与训练中，第i个用户ui的偏好等于t-1时用户ui的模型参数与t-1时该用户的历史请求数弦相似度，其中，用户ui与用户uj偏好的余弦相似度具体公式为利用数为{N12a9pro[0048]其中表示None类用户数占所有类别用户的比例，N表示为Nonepro[0049]S5.MEC服务器将t-1时得到的FL全局模型参数wt-1发送给片段t参与模型训练的用据Df训练模型得到更新的用户模型参数平均损失值为完成一次epoch所需的[0050]S6.参与训练的用户将得到的占比o,模型参数平均损失以及为用户聚合权重向量，其中8-参数和分别为用户集Ct中所有用户的瓦,o,维度；[0052]S6.服务器端根据得到的全局预测模型得到此时覆盖范围内的用户请求流行的文[0054]通过仿真图3在不同片段提出的算法中本地参与训练的数据量与FPCC的占比可以