一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法

    公开(公告)号:CN113965937B

    公开(公告)日:2024-02-13

    申请号:CN202111254524.X

    申请日:2021-10-27

    Applicant: 东南大学

    Inventor: 蒋雁翔 王志恒

    Abstract: 本发明公开了一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法,该方法包括:根据雾接入点收集到的本地用户信息和内容信息,构造本地用户与内容的初始特征;根据初始特征与历史请求记录,为每个雾接入点建立本地用户请求内容概率的预测模型;利用聚类联邦学习对各雾接入点的预测模型进行分布式训练并实现模型参数的特殊化;根据内容信息,以移动用户的内容请求概率为预测目标,建立移动用户的偏好模型;对本地流行度和移动流行度的预测结果进行整合,得到内容流行度的最终预测结果。本发明使雾接入点准确预测并动态更新内容流行度,并通过模型特殊化,自适应地区分内容流行度的区域差异,同时减少了通信成本。

    雾无线接入网中基于联邦贝叶斯学习的流行度预测方法

    公开(公告)号:CN115080888B

    公开(公告)日:2024-11-12

    申请号:CN202210771115.5

    申请日:2022-06-30

    Applicant: 东南大学

    Abstract: 本发明公开了一种雾无线接入网中基于联邦贝叶斯学习的流行度预测方法,包含如下步骤:1、根据对内容请求的先验知识,构建内容请求到达概率模型;2、根据训练数据,每个设备利用随机方差减小梯度对模型梯度进行更新;3、对更新后的梯度进行量化、编码后传输到服务器端;4、服务器端进行梯度聚合,并按照哈密顿蒙特卡洛方法进行采样;5、对存在于内容库中的内容和不存在于内容库中的内容分别做流行度预测。本发明有效地利用多个边缘节点的计算资源和本地数据集,高效地训练全局模型。本发明还采用了基于量化、编码的联邦贝叶斯学习,在精度和通信开销之间达到有效权衡,同时可以加速收敛速度,减少预测误差。

    雾无线接入网中基于聚类联邦学习的内容流行度预测与边缘缓存方法

    公开(公告)号:CN116647557A

    公开(公告)日:2023-08-25

    申请号:CN202310751034.3

    申请日:2023-06-25

    Applicant: 东南大学

    Inventor: 蒋雁翔 王志恒

    Abstract: 本发明公开了一种雾无线接入网中基于聚类联邦学习的内容流行度预测与边缘缓存方法,包括如下步骤:1、建立用户移动性预测模型;2、得到每个雾接入点在下一时段将要关联的本地用户集合和移动用户集合预测结果;3、建立请求概率预测模型;4、计算本地内容流行度预测结果;5、建立用户偏好模型;6、预测移动内容流行度;7、整合本地内容流行度和移动内容流行度的预测结果,得到内容流行度的预测结果;8、做出缓存决策,并在线上阶段实时跟踪内容流行度的变化。本发明通过用户移动性预测提高了内容流行度预测的准确性,移动性预测具有收敛速度快,模型参数少的特点,并能够根据真实请求数据流实时地跟踪内容流行度的变化。

    雾无线接入网中基于联邦贝叶斯学习的流行度预测方法

    公开(公告)号:CN115080888A

    公开(公告)日:2022-09-20

    申请号:CN202210771115.5

    申请日:2022-06-30

    Applicant: 东南大学

    Abstract: 本发明公开了一种雾无线接入网中基于联邦贝叶斯学习的流行度预测方法,包含如下步骤:1、根据对内容请求的先验知识,构建内容请求到达概率模型;2、根据训练数据,每个设备利用随机方差减小梯度对模型梯度进行更新;3、对更新后的梯度进行量化、编码后传输到服务器端;4、服务器端进行梯度聚合,并按照哈密顿蒙特卡洛方法进行采样;5、对存在于内容库中的内容和不存在于内容库中的内容分别做流行度预测。本发明有效地利用多个边缘节点的计算资源和本地数据集,高效地训练全局模型。本发明还采用了基于量化、编码的联邦贝叶斯学习,在精度和通信开销之间达到有效权衡,同时可以加速收敛速度,减少预测误差。

    一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法

    公开(公告)号:CN113965937A

    公开(公告)日:2022-01-21

    申请号:CN202111254524.X

    申请日:2021-10-27

    Applicant: 东南大学

    Inventor: 蒋雁翔 王志恒

    Abstract: 本发明公开了一种雾无线接入网中基于聚类联邦学习的内容流行度预测方法,该方法包括:根据雾接入点收集到的本地用户信息和内容信息,构造本地用户与内容的初始特征;根据初始特征与历史请求记录,为每个雾接入点建立本地用户请求内容概率的预测模型;利用聚类联邦学习对各雾接入点的预测模型进行分布式训练并实现模型参数的特殊化;根据内容信息,以移动用户的内容请求概率为预测目标,建立移动用户的偏好模型;对本地流行度和移动流行度的预测结果进行整合,得到内容流行度的最终预测结果。本发明使雾接入点准确预测并动态更新内容流行度,并通过模型特殊化,自适应地区分内容流行度的区域差异,同时减少了通信成本。

Patent Agency Ranking