基于深度学习的边缘缓存预测系统设计与内容流行度估计.docxVIP

PAGE2

基于深度学习的边缘缓存预测系统设计与内容流行度估计

摘要

随着移动互联网和物联网的飞速发展，网络边缘产生的数据量呈爆炸式增长，传统集中式云计算架构难以满足低时延、高带宽的应用需求。边缘计算通过将计算与存储资源下沉至网络边缘，有效缓解了核心网压力，但边缘节点的缓存资源有限，如何精准预测内容流行度并优化缓存策略成为提升边缘服务性能的关键。本文设计并实现了一个基于深度学习的边缘缓存预测系统，利用长短期记忆网络（LSTM）对内容请求的时序特征进行建模，实现对内容未来流行度的动态估计，并据此设计缓存替换算法，以最大化缓存命中率。系统采用B/S架构与模块化设计，主要包括数据采集、特征工程、流行度预测、缓存决策与缓存管理五大模块。本文严格按照工程化流程，从需求分析、总体设计、详细设计、系统实现到功能与性能测试，完整论述了系统的构建过程。测试结果表明，系统缓存命中率可达85%以上，相较于传统LRU、LFU算法提升约12%，有效降低了用户请求时延。本设计的创新之处在于将深度时序预测模型与边缘缓存决策深度融合，并引入内容属性与上下文特征，提高了流行度估计的精度和缓存策略的适应性。

关键词：边缘计算；深度缓存；内容流行度预测；LSTM；缓存替换策略

第一章绪论

1.1研究背景

近年来，增强现实、自动驾驶、高清视频直播等新兴应用对网络时延和数据传输速率提出了极高要求。传统的云计算模式