移动边缘网络中视频缓存的方法、装置、设备及可读介质

摘要

本公开实施例公开了一种移动边缘网络中视频缓存的方法、装置、设备及可读介质，所述方法包括：初始化基站与用户设备的连接变量φ，建立基站与用户设备的连接；为用户设备分组，利用小组与视频文件的交互数据集训练神经网络模型，并基于神经网络模型预测小组偏好，所述小组偏好用于描述小组对不同视频文件的点击情况；基于小组偏好，从视频文件服务器中缓存对应分辨率的视频文件，并在不同时间尺度上联合优化小组更新以及基站缓存更新。该技术方案将基站范围内的用户设备划分为不同的小组，利用神经网络模型预测小组偏好，并基于小组的整体偏好缓存视频文件，既降低了传输时延，满足了用户需求，又实现了增强用户体验和提高整体网络性能的平衡。

权利要求

1.一种移动边缘网络中视频缓存的方法，其特征在于，包括以下步骤：S1：初始化基站与用户设备的连接变量 φ的初始化用于基站与周围用户设备确定通信连接，其中， 表示用户设备集合，n、N表示用户设备， 表示基站集合，m、M表示微基站，m＝0表示宏基站，表示视频文件集合，f、F表示视频文件， 表示视频文件的分辨率集合，j、J表示视频文件的分辨率， 表示用户设备n与基站m连接，并且基站m缓存f视频文件的第j个分辨率版本；

S2：根据初始化的用户基站连接变量φ，为所述用户设备划分小组，利用小组与视频文件的交互数据集训练神经网络模型，并基于所述神经网络模型预测小组偏好，其中，所述小组偏好用于描述小组对不同视频文件的点击情况，预测的小组偏好表示为：其中， 表示小组集合，g、G表示小组，且小组个数与基站个数相等，即M＝G，τ为时间间隔；小组g内用户设备表示为：且 |g|为构成小组的用户设备的数目；

S3：基于小组偏好，从远端视频文件服务器中提前缓存对应分辨率的视频文件。

2.根据权利要求1所述的方法，其特征在于，还包括：S4：响应于基站连接的用户设备数目的减少或者增加，基于用户体验模型，以最大化用户体验值为目标，求解基站与用户设备的连接变量φ，并更新所述用户设备所属小组，其中，所述用户体验模型用于确定用户设备与不同基站的动态连接情况；

S5：根据重新划分的所述用户设备所属小组的小组偏好，重复步骤S2-S3，更新所述基站缓存的视频文件。

3.根据权利要求2所述的方法，其特征在于，步骤S4中更新所述用户设备所属小组的周期小于步骤S5中更新所述基站缓存的视频文件的周期。

4.根据权利要求1所述的方法，其特征在于，所述步骤S3基于小组偏好，从远端视频文件服务器中提前缓存对应分辨率的视频文件，被实施为：基于小组偏好，确定每个小组对不同视频文件的点击情况的排序；

基于排序从所述远端视频文件服务器中缓存对应分辨率的视频文件。

5.根据权利要求2所述的方法，其特征在于，步骤S4中用户体验模型表示为：其中， 表示用户设备从微基站观看视频文件时的加权用户体验值； 表示用户设备从宏基站观看视频文件时的用户体验值； 表示基站m为用户设备n提供的传输速率；B表示传输带宽，p表示传输功率，hn,m表示信道增益，σ2表示高斯白噪声功率，设定B、p，σ2为固定值；

表示用户设备n在时间间隔τ中对视频文件f的请求情况；mos(j)表示分辨率为j的视频文件的用户体验度量；R0＝Blog2(1+γmin)表示用户从宏基站获取视频文件时的传输速率；γmin表示传输链路的最低信噪比；

所述用户体验模型的约束条件为：

s.t.

C1:

C2:

C3:

C4:

C5:

其中， 表示基站m缓存f视频文件的第j个分辨率版本，Bmax表示基站允许传输的最大带宽，Pmax表示基站允许传输的最大功率；

约束方程C1保障只有在基站缓存了相应视频文件的条件下，用户设备才与对应基站连接；C2、C4分别保障了基站传输带宽与传输功率不超过最大限制；C3保障用户设备只获取一份视频文件；C5将用户设备与基站连接参数 松弛为[0,1]区间内的连续变量。

6.根据权利要求5所述的方法，其特征在于，所述步骤S4中求解基站与用户设备的连接变量φ，被实施为：利用拉尔朗日乘子法进行求解，得到基站与用户设备的连接变量φ。

7.根据权利要求5所述的方法，其特征在于，所述步骤S4中用户体验模型通过计算基站卸载增益进行评估，所述基站卸载增益表示为：其中，OG表示卸载增益， 表示通过微基站传输的流量，表示通过后传链路传输的流量。

8.一种移动边缘网络中视频缓存的装置，其特征在于，包括：初始化模块，被配置为初始化基站与用户设备的连接变量 φ的初始化用于基站与周围用户设备确定通信连接，其中， 表示用户设备集合，n、N表示用户设备， 表示基站集合，m、M表示微基站，m＝0表示宏基站， 表示视频文件集合，f、F表示视频文件， 表示视频文件的分辨率集合，j、J表示视频文件的分辨率， 表示用户设备n与基站m连接，并且基站m缓存f视频文件的第j个分辨率版本；

预测模块，被配置为根据初始化的用户基站连接变量φ，为所述用户设备划分小组，利用小组与视频文件的交互数据集训练神经网络模型，并基于所述神经网络模型预测小组偏好，其中，所述小组偏好用于描述小组对不同视频文件的点击情况，预测的小组偏好表示为：其中， 表示小组集合，g、G表示小组，且小组个数与基站个数相等，即M＝G，τ为时间间隔；小组g内用户设备表示为：且 |g|为构成小组的用户设备的数目；

缓存模块，被配置为基于小组偏好，从远端视频文件服务器中提前缓存对应分辨率的视频文件；

第一更新模块，被配置为响应于基站连接的用户设备数目的减少或者增加，基于用户体验模型，以最大化用户体验值为目标，求解基站与用户设备的连接变量φ，并更新所述用户设备所属小组，其中，所述用户体验模型用于确定用户设备与不同基站的动态连接情况；

第二更新模块，被配置为根据重新划分的所述用户设备所属小组的小组偏好，重复所述预测模块以及所述缓存模块执行的步骤，更新所述基站缓存的视频文件。

9.一种电子设备，其特征在于，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现权利要求

1-7任一项所述的方法步骤。

10.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-7任一项所述的方法步骤。

说明书

移动边缘网络中视频缓存的方法、装置、设备及可读介质

技术领域

[0001] 本公开涉及通讯网络技术领域，尤其是一种移动边缘网络中视频缓存的方法、装置、设备及可读介质。

背景技术

[0002] 智能设备的迅速普及导致移动数据流量的不断增长。思科的报告显示，从2016年到2021年，全球移动数据流量将增长7倍，到2021年，超过75％的视频流量将是视频。视频文件的传输具有高带宽的特点，为了带给用户更好的视频体验，降低传输时延，通常将视频文件存储至用户附近的边缘网络节点中，例如将视频文件提前缓存在本地基站中，用户可以直接从基站缓存获取视频文件，从而实现需求的本地满足。

[0003] 但是，基站通常需为多个用户提供服务，而且用户对高质量的多媒体内容(如高清视频)的需求也在日益增长，这些趋势无疑增加了边缘网络的压力。为了适应指数式的流量增长，运营商通过部署超密集微基站来扩大边缘网络的容量，使得一个用户会被多个基站覆盖。因此，对每个基站来说，如何缓存视频文件才能更好地在满足用户需求和提高整体网络的性能之间进行权衡，成为急需解决的技术问题。

发明内容

[0004] 为了解决相关技术中的问题，本公开实施例提供一种移动边缘网络中视频缓存的方法、装置、设备及可读介质。

[0005] 第一方面，本公开实施例提供一种移动边缘网络中视频缓存的方法。

[0006] 具体地，所述方法包括以下步骤：

[0007] S1：初始化基站与用户设备的连接变量 φ的初始化用于基站与周围用户设备确定通信连接，其中， 表示用户设备集合，n、N表示用户
设备， 表示基站集合，m、M表示微基站，m＝0表示宏基站，
表示视频文件集合，f、F表示视频文件， 表示视频
文件的分辨率集合，j、J表示视频文件的分辨率， 表示用户设备n与基站m连接，并且基站m缓存f视频文件的第j个分辨率版本；

[0008] S2：根据初始化的用户基站连接变量φ，为所述用户设备划分小组，利用小组与视频文件的交互数据集训练神经网络模型，并基于所述神经网络模型预测小组偏好，其中，所述小组偏好用于描述小组对不同视频文件的点击情况，预测的小组偏好表示为：

[0009]

[0010] 其中， 表示小组集合，g、G表示小组，且小组个数与基站个数相等，即M＝G，τ为时间间隔；小组g内用户设备表示为：

[0011] 且 |g|为构成小组的用户设备的数目；

[0012] S3：基于小组偏好，从远端视频文件服务器中提前缓存对应分辨率的视频文件。

[0013] 可选地，所述方法还包括：

[0014] S4：响应于基站连接的用户设备数目的减少或者增加，基于用户体验模型，以最大化用户体验值为目标，求解基站与用户设备的连接变量φ，并更新所述用户设备所属小组，其中，所述用户体验模型用于确定用户设备与不同基站的动态连接情况；

[0015] S5：根据重新划分的所述用户设备所属小组的小组偏好，重复步骤S2-S3，更新所述基站缓存的视频文件。

[0016] 可选地，步骤S4中更新所述用户设备所属小组的周期小于步骤S5中更新所述基站缓存的视频文件的周期。

[0017] 可选地，所述步骤S3基于小组偏好，从远端视频文件服务器中提前缓存对应分辨率的视频文件，被实施为：

[0018] 基于小组偏好，确定每个小组对不同视频文件的点击情况的排序；

[0019] 基于排序从所述远端视频文件服务器中缓存对应分辨率的视频文件。

[0020] 可选地，步骤S4中用户体验模型表示为：

[0021]

[0022] 其中， 表示用户设备从微基站观看视频文件时的加权用户体验值； 表示用户设备从宏基站观看视频文件时的
用户体验值； 表示基站m为用户设备n提供的传输速率；B表示传输
带宽，p表示传输功率，hn,m表示信道增益，σ2表示高斯白噪声功率，设定B、p，σ2为固定值；

[0023] 表示用户设备n在时间间隔τ中对视频文件f的请求情况；mos(j)表示分辨率为j的视频文件的用户体验度量；R0＝Blog2(1+γmin)表示用户从宏基站获取视频文件时的传输速率；γmin表示传输链路的最低信噪比；

[0024] 所述用户体验模型的约束条件为：

[0025] s.t.

[0026] C1:

[0027] C2:

[0028] C3:

[0029] C4:

[0030] C5:

[0031] 其中， 表示基站m缓存f视频文件的第j个分辨率版本，Bmax表示基站允许传输的最大带宽，Pmax表示基站允许传输的最大功率；

[0032] 约束方程C1保障只有在基站缓存了相应视频文件的条件下，用户设备才与对应基站连接；C2、C4分别保障了基站传输带宽与传输功率不超过最大限制；C3保障用户设备只获取一份视频文件；C5将用户设备与基站连接参数 松弛为[0,1]区间内的连续变量。

[0033] 可选地，所述步骤S4中求解基站与用户设备的连接变量φ，被实施为：

[0034] 利用拉尔朗日乘子法进行求解，得到基站与用户设备的连接变量φ

[0035] 可选地，所述步骤S4中用户体验模型通过计算基站卸载增益进行评估，所述基站卸载增益表示为：

[0036]

[0037] 其中，OG表示卸载增益， 表示通过微基站传输的流量，表示通过后传链路传输的流量。

[0038] 第二方面，本公开实施例还提供一种移动边缘网络中视频缓存的装置。

[0039] 具体地，所述装置包括：

[0040] 初始化模块，被配置为初始化基站与用户设备的连接变量 φ的初始化用于基站与周围用户设备确定通信连接，其中， 表示用户设备
集合，n、N表示用户设备， 表示基站集合，m、M表示微基站，m＝0表示
宏基站， 表示视频文件集合，f、F表示视频文件， 表示
视频文件的分辨率集合，j、J表示视频文件的分辨率， 表示用户设备n与基站m连接，并且基站m缓存f视频文件的第j个分辨率版本；

[0041] 预测模块，被配置为根据初始化的用户基站连接变量φ，为所述用户设备划分小组，利用小组与视频文件的交互数据集训练神经网络模型，并基于所述神经网络模型预测小组偏好，其中，所述小组偏好用于描述小组对不同视频文件的点击情况，预测的小组偏好表示为：

[0042]

[0043] 其中， 表示小组集合，g、G表示小组，且小组个数与基站个数相等，即M＝G，τ为时间间隔；小组g内用户设备表示为：

[0044] 且 |g|为构成小组的用户设备的数目；

[0045] 缓存模块，被配置为基于小组偏好，从远端视频文件服务器中提前缓存对应分辨率的视频文件；

[0046] 第一更新模块，被配置为响应于基站连接的用户设备数目的减少或者增加，基于用户体验模型，以最大化用户体验值为目标，求解基站与用户设备的连接变量φ，并更新所述用户设备所属小组，其中，所述用户体验模型用于确定用户设备与不同基站的动态连接情况；

[0047] 第二更新模块，被配置为根据重新划分的所述用户设备所属小组的小组偏好，重复所述预测模块以及所述缓存模块执行的步骤，更新所述基站缓存的视频文件。

[0048] 第三方面，本公开实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现上述第一方面中移动边缘网络中视频缓存方法的方法步骤。

[0049] 第四方面，本公开实施例提供了一种计算机可读存储介质，用于存储数据处理装置所用的计算机指令，其包含用于执行上述第一方面中移动边缘网络中视频缓存方法为数据处理装置所涉及的计算机指令。

[0050] 本公开实施例提供的技术方案可以包括以下有益效果：

[0051] 上述技术方案通过初始化基站与用户设备的连接变量φ，建立基站与用户设备的连接，然后为用户设备分组，利用小组与视频文件的交互数据集训练神经网络模型，并基于神经网络模型预测小组偏好，之后基于小组偏好，从远端视频文件服务器中缓存对应分辨率的视频文件。该技术方案将基站范围内的用户设备划分为不同的小组，利用神经网络模型预测小组偏好，并基于小组的整体偏好缓存视频文件，不但降低了传输时延，满足了用户需求，而且实现了增强用户体验和提高整体网络性能的平衡。另外，本公开还提供了一种联合更新小组以及基站缓存的技术方案，进一步地提升了基站的缓存效能，使得基站能够动态的与用户设备的建立通信连接，及时更新缓存，从而能够有针对性的为用户推荐视频文件，提升了推荐成功率。

[0052] 应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

[0053] 结合附图，通过以下非限制性实施方式的详细描述，本公开的其它标签、目的和优点将变得更加明显。在附图中：

[0054] 图1示出根据本公开的实施例的移动边缘网络中视频缓存的网络架构示意图；

[0055] 图2示出根据本公开的实施例的移动边缘网络中视频缓存的方法的流程示意图；

[0056] 图3示出根据本公开的实施例的移动边缘网络中视频缓存的方法的流程示意图；

[0057] 图4示出根据本公开的实施例的移动边缘网络中视频缓存的装置的结构示意图；

[0058] 图5示出根据本公开实施例的电子设备的结构框图；

[0059] 图6适于用来实现根据本公开实施例的移动边缘网络中视频缓存方法的计算机系统的结构示意图。

具体实施方式

[0060] 下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施例无关的部分。

[0061] 在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。

[0062] 另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

[0063] 上文提及，智能设备的迅速普及导致移动数据流量的不断增长。思科的报告显示，从2016年到2021年，全球移动数据流量将增长7倍，到2021年，超过75％的视频流量将是视频。视频文件的传输具有高带宽的特点，为了带给用户更好的视频体验，降低传输时延，通常将视频文件存储至用户附近的边缘网络节点中，例如将视频文件提前缓存在本地基站中，用户可以直接从基站缓存获取视频文件，从而实现需求的本地满足。

[0064] 但是，基站通常需为多个用户提供服务，而且用户对高质量的多媒体内容(如高清视频)的需求也在日益增长，这些趋势无疑增加了边缘网络的压力。为了适应指数式的流量增长，运营商通过部署超密集微基站来扩大边缘网络的容量，使得一个用户会被多个基站覆盖。因此，对每个基站来说，如何缓存视频文件才能更好地在满足用户需求和提高整体网络的性能之间进行权衡，成为急需解决的技术问题。

[0065] 考虑到上述缺陷，在本公开的实施例中，提出一种移动边缘网络中视频缓存的方法，通过初始化基站与用户设备的连接变量φ，建立基站与用户设备的连接，然后为用户设备分组，利用小组与视频文件的交互数据集训练神经网络模型，并基于神经网络模型预测小组偏好，之后基于小组偏好，从远端视频文件服务器中缓存对应分辨率的视频文件。该技术方案将基站范围内的用户设备划分为不同的小组，利用神经网络模型预测小组偏好，并基于小组的整体偏好缓存视频文件，不但降低了传输时延，满足了用户需求，而且实现了用户体验和提高整体网络性能的平衡。

[0066] 图1示出根据本公开的实施例的移动边缘网络中视频缓存的网络架构示意图。

[0067] 如图1所示，所述移动边缘网络中视频缓存的网络架构可以包括：终端设备101、102、103、基站104、105和应用服务器106。

[0068] 所述终端设备101、102和103可以安装有各种应用客户端，例如游戏类应用、视频应用、AR应用等。所述终端设备101、102和103可以是具有显示屏且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑和台式计算机等。

[0069] 所述基站104、105用于提供无线覆盖，从而实现与终端设备101、102和103之间的数据传输。所述终端设备101、102和103既可以同时连接基站104或105，也可以分别与基站104、105连接，比如终端设备101、102与基站104连接，终端设备103与基站105连接，并在建立通信连接后进行数据传输。当终端设备101、102和103移动时，也可以选择与基站104、105建立通信连接，并在建立通信连接后进行数据传输。所述基站104、105还与应用服务器106进行通信，从应用服务器106缓存视频文件，并在接受到终端设备101、102和103的视频请求时，向终端设备101、102和103传输相应的视频文件。

[0070] 所述应用服务器106可以是提供各种视频服务的服务器，比如游戏服务器、视频服务器、AR服务器等。

[0071] 需要说明的是，本公开实施例所提供的移动边缘网络中视频缓存的方法可由基站的服务器执行。相应地，本公开实施例所提供的数据处理移动边缘网络中视频缓存的装置可以设置在基站的服务器中。

[0072] 应该理解，图1中的终端设备、基站以及应用服务器的数目仅仅是示意性的。根据需要，可以具有任意数目的终端设备、基站以及应用服务器。

[0073] 图2示出根据本公开实施例的移动边缘网络中视频缓存的方法的流程图。

[0074] 如图2所示，所述移动边缘网络中视频缓存的方法包括以下步骤：

[0075] S1：初始化基站与用户设备的连接变量 φ的初始化用于基站与周围用户设备确定通信连接，其中， 表示用户设备集合，n、N表示用户
设备， 表示基站集合，m、M表示微基站，m＝0表示宏基站，
表示视频文件集合，f、F表示视频文件， 表示视频
文件的分辨率集合，j、J表示视频文件的分辨率， 表示用户设备n与基站m连接，并且基站m缓存f视频文件的第j个分辨率版本。

[0076] 根据本公开的实施例，φ的初始化根据基站的覆盖范围与用户设备的地理位置确定，比如，根据用户设备与基站的距离确定二者是否建立连接。位于同一基站周围、且与该基站建立连接的用户设备形成的用户设备集合，可以作为步骤S2中小组初始化划分的基准。

[0077] S2：根据初始化的用户基站连接变量φ，为所述用户设备划分小组，利用小组与视频文件的交互数据集训练神经网络模型，并基于所述神经网络模型预测小组偏好，其中，所述小组偏好用于描述小组对不同视频文件的点击情况，预测的小组偏好表示为：

[0078]

[0079] 其中， 表示小组集合，g、G表示小组，且小组个数与基站个数相等，即M＝G； 为小组隐特征向量， 视频文件隐特征向量，τ为时间间隔，表示每隔τ对 进行更新；小组内用户设备表示为： 且 |g|
为构成小组的用户设备的数目。

[0080] 根据本公开的实施例，小组与视频文件的交互数据集指的是小组点击视频文件的历史数据，可以由小组内各个用户设备点击视频文件的历史数据合并得到，具体地，小组与视频文件的交互数据集表示为：Y＝[ygf]G×F，用户设备与视频文件的交互数据表示为：R＝[rnf]N×F。在本公开中，将小组与视频文件的交互数据集以及用户与视频文件的交互数据集建模为小组隐特征向量 用户隐特征向量 分别与视频文件隐特征向量 的交互，利用神经网络建模其非线性关系f，获取预估交互结果

[0081] 在本公开方式中，小组与视频文件的交互数据集可以包括：小组数据(比如包含的用户设备)、小组点击的视频文件数据、小组点击视频文件的次数、小组未点击视频文件的次数等。利用小组与视频文件的交互数据集训练神经网络模型，优化目标是输入小组与视频文件，预测该小组对该视频文件的点击次数或者点击概率，使得预测的点击次数接近小组真实的点击次数。

[0082] 在本公开方式中，所述神经网络模型包括神经注意力网络层以及神经协同过滤网络层，其中，神经注意力网络层用于优化小组内部各个用户的权重，确定用户的影响力大小。神经协同过滤网络层用于根据小组隐特征向量 视频文件隐特征向量 输出小组对该视频文件的点击次数或者点击概率，其中小组隐特征向量基于小组用户成员隐特征向量 及神经注意力网络输出的权重获取。

[0083] S3：基于小组偏好，从远端视频文件服务器中缓存对应分辨率的视频文件。

[0084] 根据本公开的实施例，所述步骤S3基于小组偏好，从远端视频文件服务器中提前缓存对应分辨率的视频文件，被实施为：

[0085] 基于小组偏好，确定每个小组对不同视频文件的点击情况的排序；

[0086] 基于排序从所述远端视频文件服务器中缓存对应分辨率的视频文件。

[0087] 根据本公开的实施例，设定基站缓存变量为 表示基站m缓存f视频文件的第j个分辨率版本。每个基站的缓存最大空间均为Cmax，S(f,j)表示分辨率为j的第f个文件的大小。按每个小组对视频文件的点击率对视频文件排序，并依次进行缓存，直至无缓存空间可用，即满足

[0088]

[0089] 根据本公开的实施例，设定命中率HR为基站缓存的视频文件被用户设备真实点击的个数占用户设备点击视频文件总个数的比例，表示为：

[0090]

[0091] 其中， 表示为用户设备n对视频文件f的点击情况，比如点击次数。通过计算HR可以获知基站缓存的视频文件被用户真实下载的比例，从而实现对训练神经网络模型的评估，使得神经网络模型预测的小组偏好更加符合用户的需求。

[0092] 图3示出根据本公开的实施例的移动边缘网络中视频缓存的方法的流程示意图。

[0093] 如图3所示，所述移动边缘网络中视频缓存的方法还包括以下步骤：

[0094] S4：响应于基站连接的用户设备数目的减少或者增加，基于用户体验模型，以最大化用户体验值为目标，求解基站与用户设备的连接变量φ，并更新所述用户设备所属小组，其中，所述用户体验模型用于确定用户设备与不同基站的动态连接情况。

[0095] 根据本公开的实施例，步骤S4中用户体验模型表示为：

[0096]

[0097] 其中， 表示用户设备从微基站观看视频文件时的加权用户体验值； 表示用户设备从宏基站观看视频文件时的
用户体验值； 表示基站m为用户设备n提供的传输速率；B表示传输
2 2
带宽，p表示传输功率，hn,m表示信道增益，σ表示高斯白噪声功率，设定B、p，σ为固定值；

[0098] 表示用户设备n在时间间隔τ中对视频文件f的请求情况；mos(j)表示分辨率为j的视频文件的用户体验度量，可以采用MOS(Mean Opinion Score，平均主观意见分)值来评价，比如分为5级，5分表示优、4分表示良、3分表示一般、2分表示差、1分表示劣；R0＝Blog2(1+γmin)表示用户从宏基站获取视频文件时的传输速率；γmin表示传输链路的最低信噪比。

[0099] 所述用户体验模型的约束条件为：

[0100] s.t.

[0101] C1:

[0102] C2:

[0103] C3:

[0104] C4:

[0105] C5:

[0106] 其中， 表示基站m缓存f视频文件的第j个分辨率版本，Bmax表示基站允许传输的最大带宽，Pmax表示基站允许传输的最大功率；

[0107] 约束方程C1保障只有在基站缓存了相应视频文件的条件下，用户设备才与对应基站连接；C2、C4分别保障了基站传输带宽与传输功率不超过最大限制；C3保障用户设备只获取一份视频文件；C5将用户设备与基站连接参数 松弛为[0,1]区间内的连续变量。

[0108] 根据本公开的实施例，所述步骤S4中求解基站与用户设备的连接变量φ，被实施为：

[0109] 利用拉尔朗日乘子法进行求解，得到基站与用户设备的连接变量φ。

[0110] 具体地，对应的拉格朗日函数为：

[0111]

[0112] 对偶问题为：

[0113]

[0114] 其中，

[0115] 为了简化问题，去耦成K×F×N×M个子问题：

[0116]

[0117] 其中每个子问题Lf,j,n,m可以被解释为一个单独的请求：

[0118]

[0119]

[0120] 考虑约束C1来获得一个合理解。在 条件下，即仅当缓存可获取时，连接才建立，因而 反之

[0121] 通过梯度下降更新对偶变量θn,f,ξm和ηm：

[0122]

[0123]

[0124]

[0125] 其中λθ,λξ和λη是步长大小，i∈{1,2,...,Imax}是迭代次数。θ在所有的分辨迭代完成之后更新，ξ和η在基站层面更新。

[0126] 根据本公开的实施例，所述步骤S4中用户体验模型通过计算基站卸载增益进行评估，所述基站卸载增益表示为：

[0127]

[0128] 其中，OG表示卸载增益， 表示通过微基站传输的流量，表示通过后传链路传输的流量。

[0129] S5：根据重新划分的所述用户设备所属小组的小组偏好，重复步骤S2-S3，更新所述基站缓存的视频文件。

[0130] 根据本公开的实施例，步骤S4中更新所述用户设备所属小组的周期小于步骤S5中更新所述基站缓存的视频文件的周期。

[0131] 在本公开方式中，基站缓存更新的周期可以包含小组更新的周期，比如小组更新周期以小时、分钟计，基站缓存的更新周期以天计。本公开联合更新小组以及基站缓存，进一步地提升了基站的缓存效能，使得基站能够动态的与用户设备的建立通信连接，及时更新缓存，从而能够有针对性的为用户推荐视频文件，提升了推荐成功率。

[0132] 图4示出根据本公开的实施例的移动边缘网络中视频缓存的装置的结构示意图。

[0133] 如图4所示，所述移动边缘网络中视频缓存的装置包括：

[0134] 初始化模块401，被配置为初始化基站与用户设备的连接变量 φ的初始化用于基站与周围用户设备确定通信连接，其中， 表示用户设
备集合，n、N表示用户设备， 表示基站集合，m、M表示微基站，m＝0表
示宏基站， 表示视频文件集合，f、F表示视频文件，
表示视频文件的分辨率集合，j、J表示视频文件的分辨率， 表示用户设备n与基站m连接，并且基站m缓存f视频文件的第j个分辨率版本；

[0135] 预测模块402，被配置为根据初始化的用户基站连接变量φ，为所述用户设备划分小组，利用小组与视频文件的交互数据集训练神经网络模型，并基于所述神经网络模型预测小组偏好，其中，所述小组偏好用于描述小组对不同视频文件的点击情况，预测的小组偏好表示为：

[0136]

[0137] 其中， 表示小组集合，g、G表示小组，且小组个数与基站个数相等，即M＝G，τ为时间间隔；小组g内用户设备表示为：

[0138] 且 |g|为构成小组的用户设备的数目；

[0139] 缓存模块403，被配置为基于小组偏好，从远端视频文件服务器中提前缓存对应分辨率的视频文件；

[0140] 第一更新模块404，被配置为响应于基站连接的用户设备数目的减少或者增加，基于用户体验模型，以最大化用户体验值为目标，求解基站与用户设备的连接变量φ，并更新所述用户设备所属小组，其中，所述用户体验模型用于确定用户设备与不同基站的动态连接情况；

[0141] 第二更新模块405，被配置为根据重新划分的所述用户设备所属小组的小组偏好，重复所述预测模块以及所述缓存模块执行的步骤，更新所述基站缓存的视频文件。

[0142] 本公开还公开了一种电子设备，图5示出根据本公开实施例的电子设备的结构框图，如图5所示，所述电子设备500包括存储器501和处理器502；其中，

[0143] 所述存储器501用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器502执行以实现上述方法步骤。

[0144] 图6适于用来实现根据本公开实施例的移动边缘网络中视频缓存方法的计算机系统的结构示意图。

[0145] 如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行上述实施方式中的各种处理。在RAM603中，还存储有系统600操作所需的各种程序和数据。CPU601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

[0146] 以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。

[0147] 特别地，根据本公开的实施方式，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施方式包括一种计算机程序产品，其包括有形地包含在及其可读介质上的计算机程序，所述计算机程序包含用于执行上述移动边缘网络中视频缓存方法的程序代码。在这样的实施方式中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。

[0148] 附图中的流程图和框图，图示了按照本公开各种实施方式的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

[0149] 描述于本公开实施方式中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

[0150] 作为另一方面，本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施方式中所述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。

[0151] 以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域开发人员应当理解，本公开中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。