论文部分内容阅读
随着物联网、工业4.0、智慧城市等的完善,大量的感知设备产生了日益增长的大数据。从这些大数据中攫取出热点内容并通过内容数据中心网络(Content-centric Data Center Networks:CCDCNs)分发给用户,就为大数据服务提供了网络体验质量(Quality-of-Experience:Qo E)。因此,当前网络面临的一个难题是增强内容分发下的Qo E。本文为了解决这个难题,首先提出了一个大数据架构,基于这个架构提出的大数据分析算法得到热点内容;接着将热点内容缓存到网络中;最后将缓存的热点内容调度给用户。本文的主要贡献概括如下:(1)为了增强CCDCNs的QoE,本文首先引入了大数据架构。该架构包含三层:数据存储层存储由传感器搜集来的各种各样的数据;数据处理层过滤、分析、处理存储层中的数据以获取热点内容;数据应用层将处理层中的热点内容进行分类以备使用。接着,在大数据架构中构造了一个高维-快速卷积神经网络(Tensor-Fast Convolutional Neural Network:TFCNN)算法。该算法是在CNN的基础上引入了T模型以及SVD模型,T模型是将原先的向量模型延伸到更高维,能够让CNN训练出更多热点内容;SVD模型加速了CNN的训练速度。TF-CNN能够平衡热点内容的量以及CNN的训练速度。(2)此外,急剧增加的热点内容给CCDCNs带来挑战。本文使用强化学习(Reinforcement Learning:RL)去智能化的缓存热点内容,得到了Q值;由于状态空间和动作空间都很大,因此在深度神经网络(Deep Neural Network:DNN)近似器中引入了固定目标网络(Fixed Target Network:F)、经验回放(Experience Replay Buffer:E)来估计最大Qo E约束下的Q值。然而,训练改进的DNN模型会导致RL不稳定。针对这一问题,本文在RL中引入了自适应学习率(Adaptive learning rate:L)。基于上述DNN以及RL的改进来构建的FELDRL算法能够平衡Q值准确性及加速RL稳定性。(3)最后,为了满足用户对热点内容日益增长的需求,本文在CCDCNs中构造出三个缓存调度的算法。首先提出了一个近似动态的算法,该算法复杂度高;接着基于节点中心化的特点,提出了一个改进的近似动态的调度算法。虽然该算法包含了缓存内容的调度以及内容传输速率的调度,但是在处理调度时复杂度低。然后基于深度强化学习(Deep Reinforcement Learning:DRL),提出了一个缓存调度的算法。虽然该算法复杂度高,但调度的精度也高。实验证明了本文所提出的架构以及方法能够得到更满意的Qo E。