面向新生内容需求的缓存放置与替换联合算法

在内容中心网络中,全局缓存放置算法无法对新生内容实时缓存放置进行优化,对此,提出一种缓存放置与替换的联合优化算法,可减小缓存节点业务负载和用户内容获取的时延.定义了整网缓存收益函数,构建了最大化整网缓存收益的最优化问题,以实现新生内容的缓存放置与已存内容的缓存替换.为了求解所提的优化问题,将所提优化问题分解为缓存放置子问题和缓存替换子问题,提出了一种全局缓存放置优化问题的次优解,缓存放置算法的性能下限为（1-1/e）倍的最优解.在缓存放置之后考虑多点协同的缓存替换算法,最小化由于缓存替换产生的缓存损失,最后通过迭代实现缓存放置与替换的联合优化.仿真结果表明,所提联合优化算法可以提升整网缓存收益,在缓存节点负载、内容获取平均跳数和全网缓存命中率方面均优于传统方法.     

基于最小代价的流媒体缓存替换算法研究

基于对现有流媒体缓存技术的分析,提出了一种基于最小代价的流媒体缓存替换算法．通过定期统计代理缓存中流媒体前缀片段的流行度,在缓存替换时综合考虑流媒体对象的访问热度和替换的字节代价,使得缓存替换的代价尽量小,进而获取较大的字节命中率．仿真实验结果表明,最小代价替换算法在提高字节命中率方面表现较好．     

基于生命值敏感的闪存数据库缓冲区替换算法

针对现有面向闪存的缓冲区替换算法的不足,提出了一种基于生命值敏感的闪存数据库缓冲区替换算法LAB-LRU。该算法把缓冲区分为3个LRU链表来管理,为缓冲区中每个活跃页定义生命值,使高生命值的数据页在缓存中停留更久。生命值的定义充分结合了数据页的访问频度、新颖度(recency)和闪存的读写代价,并采用多线程技术和双阈值控制实现并行高效替换。采用符合Zipf分布的不同用例进行测试,实验结果表明:在缓存命中率、闪存读写次数和系统运行时间方面,本文提出的LAB-LRU算法与现有缓存算法相比性能得到了明显提高。     

雾计算网络中联邦学习协同的内容缓存方案

为了减小内容获取的时延，保护用户隐私并提高用户体验，提出一种雾计算网络中结合联邦学习和推荐算法优化内容缓存性能的方案。首先，构建了端到端协作的雾计算网络模型，用户可通过端到端和无线链路从用户端、雾节点和云端获取内容；其次，在本地建立深度神经网络模型，利用历史请求数据训练本地模型，利用雾节点聚合本地模型，从而预测全局内容的流行度，同时，向用户提供个性化内容推荐列表，以提高缓存命中率；最后，使用真实数据集进行了仿真实验，实验结果表明，所提方案能有效降低内容的获取时延，提升缓存命中率。     

基于BitTorrent的流媒体缓存及调度方案

为了有效地利用硬件资源,提供高质量的流媒体播放,提出了一种基于BitTorrent的流媒体缓存及调度方案.首先,利用媒体段的流行度和供求值定义了价值函数,提出了基于价值函数的缓存替换算法(caching algorithm based on value function,CAVF);其次,针对数据段及节点带宽的特征,设计了基于数据段优先级的调度算法(scheduling algorithm based on segment priority,SASP).实验结果表明:该方案提高了缓存命中率,降低了服务器的负载并增强了媒体播放连续度.     

代理服务器视频对象缓存方法的研究

为屏蔽网络传输延时,减小核心内容服务器负载,同时最大限度利用本地带宽资源,介绍了使用代理服务器对视频对象进行缓存和转发的方法.提出将代理服务器缓存空间化分为静态存储和动态存储两部分,对静态存储空间使用线性规划的方法进行缓存数据初始化,对动态存储空间采用动态数据替换算法对缓存空间进行管理.仿真实验结果表明,该方法在有限的代理缓存空间下提供满意的用户点播成功率和缓存命中率,大大减小用户点播时延.     

PWLRU: 一种面向闪存数据库的缓冲区存取算法

针对现有缓冲区替换算法无法充分发挥闪存数据库性能的不足,研究了缓冲区存取方法.根据数据库OLTP应用中IO行为的特点以及闪存的物理特性,提出一种新的缓冲区存取算法--基于页面权重的最近最少使用替换(PWLRU).PWLRU首先对缓冲区内的页面设定权重,在扫描与修改某页面时对权重进行调节,并优先替换权重为零的页面.实验选用基于MYSQL的TPC C测试标准作为模拟仿真环境,实验结果证明：PWLRU不仅能保证缓存命中率不低于经典的最近最少使用替换算法(LRU),而且在闪存上的IO平均读取代价和能耗均优于LRU和之前面向嵌入式闪存环境提出的先清除 最近最少使用替换算法(CFLRU),是一种特别适合闪存数据库的缓冲区存取算法.     

基于用户行为的流媒体分段缓存算法

对网络中流媒体对象的用户访问行为进行了建模分析,根据相对流行度对缓存中的对象进行排序,同时结合指数分段算法,提出了基于相对流行度的流媒体分段缓存算法(RP-S),并使用真实日志记录进行仿真.仿真实验结果表明,与传统流媒体缓存算法相比,该算法具有较高的字节命中率,同时在一定程度上减少了网络延迟.     

面向连续位置服务的位置感知隐私保护方案

为了增强在位置服务（LBS）中对用户个人隐私的保护,提出基于本地缓存的位置感知匿名选择算法（LaSA）. 利用历史轨迹信息和缓存信息,以不依赖可信第三方（TTP）服务器的方式构建匿名区域. 在连续位置服务查询中,利用马尔可夫预测模型对未来可能查询的位置进行预判. 根据预测位置、缓存贡献度和数据新鲜度构建匿名区域,以覆盖用户所查真实区域. 结果表明,与已有方案相比,所提出的LaSA隐私保护方案能提供更高的缓存命中率,减少用户服务请求次数,保证用户位置数据的安全.     

流媒体代理服务器缓存替换算法研究——以安徽省中小学教师教育网为例

流媒体代理服务器缓存的替换算法至关重要,一种算法在不同的环境中体现出的性能电是不同的,以某远程教育网站的视频点播系统为例,设计一种基于保护项的缓存替换算法,该算法综合考虑了缓存项的访问频度和最近访问时间,将其与FIFO算法在真实环境下应用并对比,对比数据表明;基于保护项的算法更适用于本系统。     

随机需求下面向异质费用的云资源调度算法

采用分布式云构建流媒体服务等高资源消耗系统,既符合应用多区域部署的要求,也能充分利用云中资源保证服务质量,同时还能进行系统预算成本控制.由于各区域云中心费用函数存在差别,分布式云中调度需引入异质费用模型,结合流媒体应用中用户请求高度动态随机的特征,在给定的费用预算下响应尽可能多的用户请求.均值需求模型忽略了资源需求在短时间间隔内的变化细节,导致资源利用率低下.为克服均值需求模型的缺点,采用随机需求模型以捕捉细粒度资源需求,使用通用代价函数描述异质费用模型,建立更具通用性的非线性规划问题模型;为降低求解算法的复杂度,基于动态规划快速获得解的下界,再迭代逼近获取近优解.实验结果表明:相比经典的基于均值的调度算法,在区域数量较大时,平均能额外满足15%的用户请求;随着预算的减少,能额外满足近40%的用户请求;且不受各区域价格函数差异和用户访问需求差异的影响.因此,在构建全球部署的大规模流媒体服务系统时,算法能以较低的计算代价显著增加响应的用户请求量,广泛适应各种不同的云基础设施服务提供商.     

基于点击图特征的稀疏广告点击率预测方法

为更全面地反映用户个人偏好,提高推荐的准确度,提出了一种融合多源异构数据的混合推荐模型.综合考虑了用户社交关系和用户评论对用户评分的影响,从评论中提取主题信息作为用户和商家的特征,采用社区发现算法为用户划分社区,利用机器学习方法为社区建立模型,预测用户对商家的评分,再根据评分对商家进行排序,取前N个商家推荐给用户.实验结果表明,提出的混合推荐模型与经典推荐算法相比,可提高评分预测的准确度,从而提高推荐的准确度.     

基于SDN与NFV的服务功能链编排算法

在服务功能链(SFC)部署的资源编排问题中, 基于软件定义网络(SDN)与网络功能虚拟化(NFV)融合的技术背景和SDN控制器、网络功能虚拟化与物理底层计算资源层组成的3层架构,提出了一种基于SDN和NFV的主动控制资源优化算法。首先通过多标准的聚合多准则效用算法对用户效用进行建模,将优化目标转化为最大化用户效用的问题;然后根据算法对未来状态的预测以及对网络利用率的实时监控,对到达的SFC请求进行决策并发出控制指令,以此为依据占用虚拟化网络功能持有的底层资源。仿真结果表明,与静态的时序资源分配算法相比,主动控制资源优化算法在资源利用率、接受率、创造用户效用等方面具有更好的性能。     

基于用户聚类的二分图网络协同推荐算法

针对协同过滤推荐系统应用中存在的数据稀疏、可扩展性受限等问题,提出了一种基于用户聚类的二分图网络协同推荐算法.该算法在用户聚类阶段对二分图网络进行用户中心聚类,并获取用户聚类中心及其所在的群组,基于用户群组的评价信息为目标用户提供更广泛的推荐数据;在协同推荐阶段,围绕聚类中心及其所在群组为未评分项目完成预测评分,为用户推荐综合评分最高的Top-n项目.结果表明,该算法能够提升目标用户推荐的准确度,并能改善协同推荐的多样性.     

基于动态模式分解的移动用户信道容量预测算法

在多输入多输出环境下,为了能够连续预测出移动用户的信道容量并以此合理地分配用户资源,提出了一种基于动态模式分解（DMD）的信道容量预测方法及其优化方法：基于经验模态分解的选择性归一化动态模式分解（ESN-DMD）.仿真结果表明,DMD算法只适用于预测低移速低复杂度的用户信号,ESN-DMD算法可以预测不同移速的用户信道容量.     

基于选择性预测策略的协同过滤推荐算法

针对传统协同过滤推荐算法在用户评分数据极端稀疏情况下无法取得令人满意的推荐质量问题,结合User-based 和Item-based 协同过滤算法思想,提出了一种基于选择性预测策略的协同过滤推荐算法,算法利用高相似度阈值来计算用户相似性和项目相似性,并通过形成用户最近邻居集和项目最近邻居集来预测填充评分矩阵。基于Movielens数据集的实验表明,改进的算法有效改善了传统协同过滤推荐算法的数据稀疏性和扩展性问题,明显提高了系统的推荐质量。     

基于移动社交环境的用户行为最优关联预测

提出了一种基于移动社交环境的用户行为多重分析与最优预测算法.首先,针对目标用户所属的各个社交群组,分别建立基于代表度的最优化模型,选择出任一社交群组内最具代表的关联用户,以分析目标用户在不同社会属性下的业务行为;特别地,代表度由基于Kendall系数的相似度和基于交互统计的交互度联合构成;其次,借助Apriori理论分别对目标用户和各最具代表的关联用户进行关联分析,并提出基于最小二乘模型的加权融合方法,以最优地融合上述关联分析结果且实现用户行为的精准预测.仿真结果验证了该算法的有效性.     

基于滑动窗口的自适应网页预测模型

PPM模型广泛应用于Web预取技术,但大多数的PPM模型不具有自适应性,不能反映用户浏览模式的改变。通过对标准PPM模型的扩展,提出基于滑动窗口的自适应网页预测模型。该模型仅保留处于滑动窗口之内的最近访问序列,从而反映用户兴趣的变化,同时利用非压缩后缀树增量式添加新的用户请求和删除过时的浏览信息,以提高更新速度。实验表明,该模型能更准确地描述用户在Web上的浏览特征,在预取性能上明显地优于以往的模型。     

基于用户关系挖掘的多策略推荐算法

个性化推荐服务为解决网络信息过载问题提供了有效手段。传统的推荐方法大多只关注于如何提高推荐的准确性,而忽略了推荐多样性对用户体验的影响。文章将社会网络用户关系挖掘应用于用户偏好预测及推荐中,提出了一种基于用户关系挖掘的多策略推荐算法。采用信任传播模型挖掘用户间的信任度,计算用户偏好配置文件的余弦相似性获得用户间的相似度,并给出4种将用户信任度、相似度结合的策略,在定义用户偏好预测函数的基础上采用Topn原则为用户给出推荐结果。实验结果表明,文章方法不仅减少了数据稀疏性的影响,而且兼顾了推荐准确性与多样性指标,提高了推荐系统的整体性能。