路侧单元边缘缓存放置及内容交付方法

本发明涉及车辆信息缓存与请求，具体是路侧单元边缘缓存放置及内容交付方法。

背景技术：

1、车载自组织网络作为实现智能传输系统的关键技术之一，通过提供道路监控、交通信息、路况等车际通信，构建组织网络，在未来智能交通系统中具有广阔的前景。目前，车载自组织网络的主要服务可以分为道路安全类服务和娱乐信息类服务。在实际使用的过程中，由于车辆的频繁移动和基础设施的覆盖范围有限，传统的车载自组织网络已经无法满足用户日益增长的服务需求。

2、为了解决上述现有技术中的问题，技术人员采用了边缘缓存，通过将云端缓存部分迁移到边缘设备中，如路侧单元（rsu），来降低远程内容服务商获取内容的概率和用户获取内容时的延迟，缓解车辆网络的压力。然而，在实际的使用过程中发现，在高密度车辆场景中，rsu有限的缓存容量，导致难以在支持大规模内容交付任务的同时满足车辆网络的低延迟要求，进而降低了内容交付的速度，并且提高了内容交付的成本。

技术实现思路

1、为了避免和克服现有技术中存在的技术问题，本发明提供了路侧单元边缘缓存放置及内容交付方法。本发明能够有效减少内容交付的时间，同时降低内容交付的成本。

2、为实现上述目的，本发明提供如下技术方案：

3、路侧单元边缘缓存放置及内容交付方法，包括以下步骤：

4、s1、在rsu覆盖范围内构建关联所有车辆的拓扑网络，并根据拓扑网络中的打分规则确定车辆节点的内容偏好；

5、s2、根据车辆节点的内容偏好，按照优先级将车辆节点请求的内容以链式结构存入rsu的缓存空间内；

6、s3、将车辆节点请求的内容输入到因果强化学习算法中，以计算设定时段内在rsu覆盖范围内车辆请求的内容的最小交付成本。

7、作为本发明再进一步的方案：所述打分规则对应的打分计算公式如下：

8、

9、其中， score an表示车辆节点 a请求的内容的分数； e表示拓扑网络中无向边的总数； w ab表示车辆节点 a和车辆节点 b之间无向边的权重； b表示与车辆节点 a相邻的车辆节点构成的邻居集合； c n表示车辆节点 a请求的内容。

10、作为本发明再进一步的方案：拓扑网络的构建步骤如下：

11、s1a1、首先获取rsu覆盖范围内所有的车辆节点；

12、s1a2、在具有相同历史缓存内容的车辆节点之间构建无向边，无向边的权重为两个车辆节点之间具有的相同历史缓存内容的项数；

13、s1a3、遍历rsu覆盖范围内所有的车辆节点，以构建对应的无向边，最终形成车辆节点与无向边彼此相连的拓扑网络。

14、作为本发明再进一步的方案：步骤s1的具体操作步骤如下：

15、s11、rsu覆盖范围内的车辆节点向rsu发出请求；

16、s12、rsu检测其缓存空间内是否缓存有车辆节点请求的内容，并计算该内容的分数；

17、s13、若缓存空间内缓存有车辆节点请求的内容，且该内容的分数大于分数阈值，则检测rsu缓存空间内的该内容是否完整；若完整，则直接交付给车辆节点；若不完整，则在rsu向车辆节点交付该内容的同时，通过云端将该内容的剩余部分传递并储存在rsu中，并由rsu将该内容的剩余部分交付给车辆节点；

18、若缓存空间内缓存有车辆节点请求的内容，但该内容的分数不大于分数阈值，则检测rsu缓存空间内的该内容是否完整；若完整，则直接交付给车辆节点；若不完整，则在rsu向车辆节点交付该内容的同时，通过云端将该内容的剩余部分传递到rsu的空闲块中，并由rsu将该内容的剩余部分交付给车辆节点，交付完成后将rsu空闲块中的该内容删除；

19、若缓存空间内没有缓存车辆节点请求的内容，且该内容的分数大于分数阈值，则rsu将车辆节点的请求转发到云端，云端将车辆节点请求的内容传输给车辆节点，随后rsu将该内容存储到缓存空间内；

20、若缓存空间内没有缓存车辆节点请求的内容，且该内容的分数不大于分数阈值，则rsu将车辆节点的请求转发到云端，云端将车辆节点请求的内容传输给车辆节点，rsu的缓存空间不做变动。

21、作为本发明再进一步的方案：车辆节点请求的内容缓存到rsu缓存空间内的步骤如下：

22、s1b1、rsu缓存空间内的缓存块是彼此独立的，当车辆节点请求的内容被转移到rsu的缓存空间内时，该内容被切割成设定数量的单位内容块，并将各个单位内容块存储在不相邻的缓存块中；属于同一个内容的缓存块通过链表结构进行连接；在rsu的缓存空间内设定一个用于辅助传输车辆节点请求的内容的空闲块；

23、s1b2、在rsu缓存内容的初始化阶段，将各个车辆节点请求的内容的首个单位内容块作为内容副本，并按各个内容优先级由高到低的顺序依次缓存到rsu的缓存空间内；

24、s1b3、当位于rsu覆盖范围之外的车辆节点进入rsu覆盖范围内时，对该车辆节点请求的内容按照打分规则进行打分，若内容的分数大于分数阈值 score0，则用该内容替换已经缓存在缓存空间中且优先级低于设定值的内容。

25、作为本发明再进一步的方案：步骤s2的具体操作步骤如下：

26、s21、将各个车辆节点请求的内容存储在数据集中，将数据集输入到采用因果强化学习框架q-cogni的因果强化学习算法中；

27、s22、因果强化学习框架q-cogni首先在环境中应用随机行走，以存储状态信息、行动信息和奖励信息；

28、s23、因果强化学习框架q-cogni使用notears算法对数据集进行因果结构推导，将学习到的因果结构编码为dag；

29、s24、利用dag选择最佳行动，该最佳行动即为车辆节点请求的内容的交付成本最小的交付方式。

30、作为本发明再进一步的方案：将车辆节点请求的内容记为 q，则 q被请求的概率为：

31、

32、其中， p q表示内容 q被请求的概率； q表示云端中缓存的内容的总数； e q为内容 q被请求的次数的排列序号； β为zipf分布的参数。

33、与现有技术相比，本发明的有益效果是：

34、1、本发明为缓解rsu的缓存压力，利用链表结构对rsu缓存空间进行优化。考虑到缓存与流行度的匹配性，本发明利用了内容副本提升了rsu的缓存命中率。

35、2、本发明在内容交付阶段，使用了基于因果强化学习的最优内容交付策略，结合了因果推理和ddpg算法，在保证rsu缓存命中率的基础上减少交付开销。

36、3、本发明能够有效降低内容交付的时间，并降低内容交付的成本。