C-V2X边缘缓存中文件请求预测机制

在基于蜂窝通信演进形成的车用无线通信技术(Cellular-Vehicle to everything, C-V2X)场景下, 基站作为多接入边缘计算(Multi-access Edge Computing, MEC)边缘缓存节点可提高用户获取数据的效率, 但其缓存容量有限. 因此, C-V2X中如何准确预测缓存请求内容成为待解决的重要问题. 本文从文件请求的时变性出发, 针对实际的城市场景, 采用Simulation of Urban MObility (SUMO)对交通流进行建模; 其次, 通过采集实际网站分时分类的点击量数据, 并根据各路段交通流规律进行预处理, 构建用户请求模型; 最后, 利用Long Short-Term Memory (LSTM)深度学习模型进行训练, 预测各基站的文件请求. 仿真结果表明, 在网易新闻流行度分布和请求间隔分布形成的文件请求下, vanillaLSTM模型对娱乐类型数据集预测时的均方根误差在1.3左右.