移動大數(shù)據(jù)賦能的移動邊緣緩存技術(shù)研究*

馬 冀 ，劉 超 ，林尚靜 ，田 錦

（1.北京郵電大學(xué)網(wǎng)絡(luò)空間安全學(xué)院，北京 100876；2.中國電子科技集團(tuán)公司第五十八研究所，江蘇 無錫 214000；3.北京郵電大學(xué)電子工程學(xué)院，北京 100876；4.金陵科技學(xué)院網(wǎng)絡(luò)與通信工程學(xué)院，江蘇 南京 211169）

0 引 言

伴隨著移動互聯(lián)網(wǎng)的迅猛發(fā)展，移動終端數(shù)量的持續(xù)增長，以及高清視頻、文件下載等數(shù)字多媒體業(yè)務(wù)的飛速普及，移動數(shù)據(jù)業(yè)務(wù)呈現(xiàn)爆發(fā)式增長。大量移動用戶經(jīng)過核心網(wǎng)對相同熱門內(nèi)容的冗余性下載行為將耗費(fèi)大量寶貴的回程鏈路資源，并相應(yīng)增加網(wǎng)絡(luò)的擁塞概率，進(jìn)而對業(yè)務(wù)時(shí)延性能造成顯著影響。邊緣緩存技術(shù)秉承以“存儲換帶寬”的思路，通過將業(yè)務(wù)內(nèi)容預(yù)先性地由核心網(wǎng)云端向邊緣網(wǎng)絡(luò)進(jìn)行“下沉”至由蜂窩基站或者小蜂窩基站組成的邊緣網(wǎng)絡(luò)，以便用戶實(shí)際發(fā)起內(nèi)容請求時(shí)能夠直接從蜂窩基站獲取內(nèi)容信息[1]。一方面，邊緣緩存技術(shù)可以有效緩解業(yè)務(wù)忙時(shí)的網(wǎng)絡(luò)擁塞，縮短用戶的獲取信息內(nèi)容的時(shí)延，另一方面，邊緣緩存技術(shù)可以減少網(wǎng)絡(luò)中冗余數(shù)據(jù)的重復(fù)傳輸，減輕骨干網(wǎng)的傳輸壓力。

目前，大數(shù)據(jù)與無線網(wǎng)絡(luò)融合的趨勢日益顯著，為邊緣緩存策略的智能化設(shè)計(jì)提供了可能性。本文提出了一種大數(shù)據(jù)賦能的移動邊緣緩存技術(shù)。首先，本文通過數(shù)據(jù)爬蟲技術(shù)收集用戶社交關(guān)系大數(shù)據(jù)，建立用戶的社交網(wǎng)絡(luò)拓?fù)鋱D。其次，基于社交網(wǎng)絡(luò)拓?fù)鋱D，構(gòu)建內(nèi)容流行度的演化微分方程，通過求解演化微分方程的穩(wěn)定解，預(yù)測業(yè)務(wù)內(nèi)容流行度。

1 傳統(tǒng)邊緣緩存技術(shù)

蜂窩基站在具體實(shí)施邊緣緩存的過程中包含兩個階段：在實(shí)際用戶業(yè)務(wù)請求到達(dá)前，基于所采用的緩存策略進(jìn)行內(nèi)容緩存的階段，以及在用戶發(fā)出請求后對緩存內(nèi)容進(jìn)行傳輸?shù)碾A段。按照緩存策略的異同，采用邊緣緩存技術(shù)的蜂窩基站又進(jìn)一步分為，主動緩存基站和被動緩存基站。

被動式緩存指，蜂窩基站只在用戶發(fā)出業(yè)務(wù)請求后才進(jìn)行有條件的內(nèi)容緩存。典型的被動緩存策略有最近最少使用（Least Recently Used，LRU）策略。采用LRU策略的蜂窩基站，將緩存所有用戶請求過內(nèi)容。對于每一個新到達(dá)的用戶請求，如果自身沒有緩存該業(yè)務(wù)內(nèi)容，則通過回傳鏈路把該業(yè)務(wù)內(nèi)容下載到本地緩存空間中；如果蜂窩基站的本地緩存空間已滿，則先刪除最不常用（在最長的時(shí)間內(nèi)未被請求）的業(yè)務(wù)內(nèi)容，再緩存所服務(wù)用戶最新請求的業(yè)務(wù)內(nèi)容。

主動式緩存指，蜂窩基站預(yù)測業(yè)務(wù)內(nèi)容的流行度提前將熱門的內(nèi)容進(jìn)行本地緩存并且推送到用戶端。這種蜂窩基站主動式緩存并提前推送方式可以降低用戶的平均時(shí)延，還可以提高無線網(wǎng)絡(luò)的吞吐量。在現(xiàn)有移動邊緣緩存研究中，通常直接借鑒互聯(lián)網(wǎng)服務(wù)器的文件請求模型，即假設(shè)用戶對文件的請求數(shù)服從Zipf分布[2-4]，這并不適用于移動邊緣緩存場景。這是因?yàn)?，隨著移動客戶端的崛起，移動用戶獲取內(nèi)容信息的方式已經(jīng)從搜索引擎和門戶網(wǎng)站（即Web1.0）轉(zhuǎn)向從移動社交網(wǎng)絡(luò)（即Web2.0），微博，朋友圈，今日頭條的崛起即是證明，而文件請求模型無法適應(yīng)依托移動社交網(wǎng)絡(luò)進(jìn)行的信息傳播過程。

2 移動大數(shù)據(jù)賦能邊緣緩存技術(shù)

伴隨著頻譜的拓寬、用戶與基站密度的增加以及業(yè)務(wù)的多樣化（例如，物聯(lián)網(wǎng)，車聯(lián)網(wǎng)，移動互聯(lián)網(wǎng)），當(dāng)前移動通信具有大數(shù)據(jù)的顯著特性。依據(jù)數(shù)據(jù)的來源，移動大數(shù)據(jù)可以分為傳輸層大數(shù)據(jù)、網(wǎng)絡(luò)層大數(shù)據(jù)以及應(yīng)用層大數(shù)據(jù)。傳輸層大數(shù)據(jù)：包括信道大數(shù)據(jù)，頻譜大數(shù)據(jù)以及緩存計(jì)算資源大數(shù)據(jù)，例如信道鏈路增益數(shù)據(jù)，寬頻譜各條鏈路增益數(shù)據(jù)，海量用戶的鏈路增益數(shù)據(jù)以及基站的緩存空間大數(shù)據(jù)等。網(wǎng)絡(luò)層大數(shù)據(jù)：包括網(wǎng)絡(luò)負(fù)載數(shù)據(jù)，信令流程數(shù)據(jù)，信令交互數(shù)據(jù)以及用戶軌跡數(shù)據(jù)等。應(yīng)用層大數(shù)據(jù)：包括社交網(wǎng)絡(luò)數(shù)據(jù)，語音通話數(shù)據(jù)，日常生活數(shù)據(jù)等。

如圖1所示，從外界注入社交網(wǎng)絡(luò)（微信，微博，今日頭條）的信息內(nèi)容，或者由社交網(wǎng)絡(luò)內(nèi)部產(chǎn)生信息內(nèi)容，沿著用戶之間所結(jié)成的各種形態(tài)的社會關(guān)聯(lián)，依托用戶之間交互行為（分享、轉(zhuǎn)發(fā)、推薦）在線上社交網(wǎng)絡(luò)上形成傳播擴(kuò)散；緊接著，線上社交網(wǎng)絡(luò)上的用戶對信息執(zhí)行動作行為，即采納行為，通過移動用戶所攜帶的智能終端滲透到線下通信網(wǎng)中形成移動用戶的業(yè)務(wù)需求，并伴隨著用戶在地理空間范圍的移動，轉(zhuǎn)化成移動用戶對其服務(wù)基站的業(yè)務(wù)請求，最后，蜂窩基站根據(jù)所服務(wù)區(qū)內(nèi)的所有移動用戶的業(yè)務(wù)請求，進(jìn)行緩存區(qū)間的動態(tài)分配和緩存內(nèi)容動態(tài)更新。

由此可見，為了實(shí)現(xiàn)智能化邊緣緩存技術(shù)，涉及到應(yīng)用層大數(shù)據(jù)（即社交網(wǎng)絡(luò)用戶行為數(shù)據(jù)）和傳輸層大數(shù)據(jù)（即緩存資源數(shù)據(jù)）的關(guān)聯(lián)分析和挖掘。

圖1 移動大數(shù)據(jù)賦能的移動邊緣緩存技術(shù)

3 基于社交網(wǎng)絡(luò)內(nèi)容流行度預(yù)測的移動邊緣緩存技術(shù)

移動社交網(wǎng)絡(luò)不僅描述了用戶之間的關(guān)系結(jié)構(gòu)，同時(shí)也反映了用戶共享興趣內(nèi)容的意愿和發(fā)生相似行為的同質(zhì)性。用戶對一項(xiàng)內(nèi)容信息的偏好，極大程度上取決于與其具有社交關(guān)聯(lián)用戶對此項(xiàng)內(nèi)容信息的興趣和推薦程度。

3.1 基于移動社交網(wǎng)絡(luò)的內(nèi)容流行度預(yù)測

通過大數(shù)據(jù)爬蟲技術(shù)分析用戶的移動社交網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)發(fā)現(xiàn)，移動社交網(wǎng)絡(luò)呈現(xiàn)出的無標(biāo)度特性。無標(biāo)度指移動用戶之間的連接狀況（度數(shù)）具有嚴(yán)重的非均勻特性。少數(shù)移動用戶具有極多的連接（圖2中深色節(jié)點(diǎn)），而大多數(shù)移動用戶只有很少量的連接（圖2中淺色節(jié)點(diǎn)）。無標(biāo)度特性又稱冪律分布特性，網(wǎng)絡(luò)中任意一個節(jié)點(diǎn)的節(jié)點(diǎn)度為k的概率為P（k）=k-α，α的取值由具體的移動社交網(wǎng)絡(luò)決定。

基于前述分析，移動社交網(wǎng)絡(luò)被證實(shí)為是一個無標(biāo)度網(wǎng)絡(luò)。本文基于無標(biāo)度網(wǎng)絡(luò)上傳播動力學(xué)理論的“易感染-感染-易感染”（Susceptible Infected Susceptible，SIS）模型對某一內(nèi)容的流行度演變過程進(jìn)行建模分析。在SIS傳染模型中，將移動社交網(wǎng)絡(luò)中任意用戶對某一業(yè)務(wù)內(nèi)容的興趣以下兩個狀態(tài)進(jìn)行描述：感染狀態(tài)（I），易感染狀態(tài)（S）。感染狀態(tài)I表示用戶具有業(yè)務(wù)興趣。一個處于感染狀態(tài)的用戶依據(jù)一個事先被設(shè)定痊愈概率μ恢復(fù)為易感染用戶；易感染狀態(tài)S表示用戶不具有業(yè)務(wù)興趣。一個處于易感染狀態(tài)的用戶和一個處于感染狀態(tài)的鄰居用戶接觸，則以概率λ被感染成為感染用戶。μ和λ的大小由該業(yè)務(wù)內(nèi)容需求實(shí)際傳播場景反饋估計(jì)決定。

圖2 移動社交網(wǎng)絡(luò)的無標(biāo)度特性

將時(shí)刻t節(jié)點(diǎn)度k的感染用戶占據(jù)總用戶的比例定義為相對感染節(jié)點(diǎn)密度ρk（t）。依據(jù)平均場理論（具有相同度相同狀態(tài)的節(jié)點(diǎn)在網(wǎng)絡(luò)中的分布是均勻的），ρk（t）滿足如下微分方程[5]：

在式（1）中，由節(jié)點(diǎn)從感染狀態(tài)向易感染狀態(tài)的轉(zhuǎn)移概率μ以及相對感染節(jié)點(diǎn)密度ρk（t）的乘積組成，等式右邊第二項(xiàng)表示產(chǎn)生項(xiàng)，由節(jié)點(diǎn)從易感染狀態(tài)向感染狀態(tài)的轉(zhuǎn)移概率εk（t）以及相對易感染節(jié)點(diǎn)密度 [1-ρk（t）]的乘積組成。

節(jié)點(diǎn)從易感染狀態(tài)向感染狀態(tài)的轉(zhuǎn)移概率εk（t）可以進(jìn)一步寫為 εk（t）=λkΘ（t）[5]，其中，Θ（t）為時(shí)刻 t易感染節(jié)點(diǎn)與感染節(jié)點(diǎn)的連接概率。Θ（t）不依賴于邊的起始點(diǎn)（也就是易感染節(jié)點(diǎn)）的節(jié)點(diǎn)度，但是卻與邊的終止點(diǎn)（也就是鄰居節(jié)點(diǎn)）的節(jié)點(diǎn)度有關(guān)。這是因?yàn)?，鄰居?jié)點(diǎn)是一個感染節(jié)點(diǎn)的概率，與時(shí)刻 t該鄰居節(jié)點(diǎn)的節(jié)點(diǎn)度 k′相關(guān) εk′（t）。因此，Θ（t）可以由給定節(jié)點(diǎn)度為k的易感染節(jié)點(diǎn)的一條邊，這條邊所指向的鄰居節(jié)點(diǎn)的節(jié)點(diǎn)度為k′的概率P（k′|k）以及在時(shí)刻t節(jié)點(diǎn)度為k′的鄰居節(jié)點(diǎn)是一個感染節(jié)點(diǎn) 的 概 率 εk′（t）聯(lián) 合 計(jì) 算 而 得， 即 是為該移動社交網(wǎng)絡(luò)的最大節(jié)點(diǎn)度，P（k）是所構(gòu)建的移動社交網(wǎng)的節(jié)點(diǎn)度k,k∈（0,n）分布概率，〈k〉是社交網(wǎng)絡(luò)的平均節(jié)點(diǎn)度。忽略移動社交網(wǎng)絡(luò)的節(jié)點(diǎn)度的關(guān)聯(lián)性，即進(jìn)一步可以解釋為。更進(jìn)一步，依據(jù)平均場理論，鄰居節(jié)點(diǎn)的感染概率可以由與鄰居節(jié)點(diǎn)具有相同節(jié)點(diǎn)度的所有節(jié)點(diǎn)的平均情況代替，因此，

在湮滅項(xiàng)和產(chǎn)生項(xiàng)的共同作用之下，當(dāng)微分方程達(dá)到穩(wěn)態(tài)平衡時(shí)（即令），可以得到穩(wěn)態(tài)相對感染用戶密度。將帶入，可以得到關(guān)于ρ的自洽方程。k某一項(xiàng)內(nèi)容信息在移動社交網(wǎng)絡(luò)中的流行度的ρ=P (k)ρ即是穩(wěn)定感染節(jié)點(diǎn)密度k。從上述推導(dǎo)過程可以看出，某一項(xiàng)內(nèi)容信息的流行度由該內(nèi)容信息的傳播載體-體移動社交網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)度分布P（k），內(nèi)容信息對用戶的吸引程度-感染概率λ，以及用戶的業(yè)務(wù)習(xí)慣-痊愈概率μ共同決定。

圖3顯示了基于SIS傳播模型的用戶業(yè)務(wù)興趣傳播過程的初期、中期、中后期和尾期各個階段，感染用戶的概率分布以及累計(jì)概率分布。

3.2 基于內(nèi)容流行度預(yù)測的移動邊緣緩存技術(shù)

首先，移動大數(shù)據(jù)平臺通過爬蟲技術(shù)構(gòu)建用戶社交關(guān)系拓?fù)鋱D，并依據(jù)3.1節(jié)信息傳播模型分析用戶對內(nèi)容信息的偏好，自動形成熱門內(nèi)容推薦。其次，假如用戶的運(yùn)動軌跡和網(wǎng)絡(luò)資源的平均使用情況可預(yù)測，那么，移動大數(shù)據(jù)平臺可以為用戶制定一個傳輸計(jì)劃，即何時(shí)何地以及用多少資源向用戶推送什么內(nèi)容，并將傳輸計(jì)劃發(fā)送 給該用戶運(yùn)動軌跡經(jīng)過的蜂窩基站。再次，當(dāng)移動用戶發(fā)出獲取信息請求時(shí)，用戶終端首先在本地存儲器內(nèi)搜索，對于預(yù)先已推送至用戶終端的信息則直接調(diào)用已存儲的數(shù)據(jù)，對于未推送的信息，則通過蜂窩網(wǎng)絡(luò)的單播數(shù)據(jù)傳輸通道完成數(shù)據(jù)傳輸。最后，移動用戶終端對終端存儲器內(nèi)的預(yù)先推送的數(shù)據(jù)進(jìn)行智能管理，定期刪除用戶未使用的過期數(shù)據(jù)，更新接收新的推送數(shù)據(jù)，并更新用戶的信息定制需求。

圖3 基于SIS傳播模型的用戶業(yè)務(wù)興趣傳播過程各個階段感染用戶的概率分布以及累計(jì)概率分布

4 結(jié) 語

海量移動大數(shù)據(jù)蘊(yùn)藏著巨大的價(jià)值，并結(jié)合行業(yè)大數(shù)據(jù)構(gòu)建新的價(jià)值鏈，實(shí)現(xiàn)大數(shù)據(jù)下的價(jià)值變現(xiàn)。本文的研究對深化5G異構(gòu)網(wǎng)絡(luò)分布式存儲的“存儲換通信”能力、提升無線通信網(wǎng)絡(luò)效能具有一定的理論價(jià)值。