一种适用于无线网络的社交感知缓存方法及系统

1.本公开涉及无线通信技术领域，具体涉及一种适用于无线网络的社交感知缓存方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
3.随着智能设备的爆炸式增长和许多新应用的出现，导致移动数据流程呈爆发式增长，增加了回程链路的负载，传统的集中式云结构已经难以满足内容访问的低时延要求。因此，适用于移动设备上的边缘缓存技术便被提出，其用于在移动网络的边缘提供计算和缓存功能，通过将内存存储到更靠近终端用户的四地方，减轻了网络链路的传输压力，并改善了内容交付的延迟，由于服务更接近终端用户，对延迟等问题感知更敏感，需要高的体验质量。此外，一些应用程序服务也高速依赖于低延迟传输和高速的数据服务。接着，雾无线接入网络(f-ran)架构被提出，其利用边缘设备本地无线电信号处理、协同的无线电资源管理和分布式存储能力来减轻前端网络的沉重负担。
4.但是，发明人发现，由于用户端通常只会配备有限的存储空间，无法将所有流行内容都缓存到终端用户设备上；如何在有限的存储空间中缓存用户最想访问的内容是一个挑战，需要预测未来终端用户对不同内容的偏好程度，以便制定相应的缓存策略；然而，目前仅基于内容流行度缓存策略存在对于热度内容预测不精准的问题，对于用户偏好内容和潜在偏好意愿发掘较浅，内容推送的精度不够。此外，社交用户间的信任问题和用户隐私问题也没有得到较好的保证，即在使用移动设备时，用户是否愿意共享其内容信息，以及用户个人数据信息在上传过程中是否存在泄露的风险。最重要的是，在整个传输过程中，平衡能耗与传输延迟、成本花费之间关系的问题尚未有充分研究。


技术实现要素：

5.本公开为了解决上述问题，提出了一种适用于无线网络的社交感知缓存方法及系统，在保证用户隐私的前提下，采用联邦元学习的方法，设计一种适用于雾无线接入网络涉及信任度判断的社交感知边缘缓存方法，优化能耗的基础上，使其传输延迟和传输成本花费最小。
6.根据一些实施例，本公开采用如下技术方案：
7.一种适用于无线网络的社交感知缓存方法，包括：
8.获取边缘用户网络区域；在边缘用户网络区域内，根据物理图和社会关系图将用户和设备划分成不同的组并获取社交感知通信图；
9.通过社交感知通信图判断终端用户所在区域内潜在的连接对象，并通过信任交付机制筛选可信任用户的用户集，将可信任用户的用户集作为缓存节点来获取缓存内容；
10.获取缓存内容后，基于联邦元学习与深度学习的缓存内容推荐模型预测用户内容
偏好，将预测结果缓存在被选出的用作缓存节点的用户上，并对下一时刻的用户对于不同内容的偏好进行缓存内容的分配，在优化能耗的基础上，使其传输延迟和传输成本花费最小。
11.根据一些实施例，本公开采用如下技术方案：
12.一种适用于无线网络的社交感知缓存系统，包括：
13.内容获取模块，获取边缘用户网络区域；在边缘用户网络区域内，根据物理图和社会关系图将用户和设备划分成不同的组并获取社交感知通信图；
14.通过社交感知通信图判断终端用户所在区域内潜在的连接对象，并通过信任交付机制筛选可信任用户的用户集，将可信任用户的用户集作为缓存节点来获取缓存内容；
15.内容推荐缓存模块，获取缓存内容后，基于联邦元学习与深度学习的缓存内容推荐模型预测用户内容偏好，将预测结果缓存在被选出的用作缓存节点的用户上，并对下一时刻的用户对于不同内容的偏好进行缓存内容的分配，在优化能耗的基础上，使其传输延迟和传输成本花费最小。
16.根据一些实施例，本公开采用如下技术方案：
17.一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种适用于无线网络的社交感知缓存方法。
18.根据一些实施例，本公开采用如下技术方案：
19.一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种适用于无线网络的社交感知缓存方法。
20.与现有技术相比，本公开的有益效果为：
21.本公开提出的适用于无线网络的社交感知缓存方法，是一种融入信任交付机制的社交感知和联邦元学习的边缘缓存方法，用于选择最优的缓存策略和内容推荐决策。解决了现有雾无线接入网络中边缘缓存方案对于用户偏好内容和潜在偏好意愿发掘较浅，以及传输过程中高延迟和成本花费问题，在保证用户隐私的情况下，设计了一种适用于无线网络，特别是雾无线接入网络的涉及信任度判断的社交感知边缘缓存方法。
22.本公开基于边缘用户网络特殊性质，采用一种社交感知的通信共享模式，将用户通信情况划分为物理图和社会关系图，并通过两者得到社交感知通信图模型。这有利于充分挖掘用户通信情况和内容偏好，确定最合适的潜在内容缓存节点，实现内容推送的精准。
23.本公开针对需要建立连接的潜在通信用户，特别的设计一种关于用户信任交付机制。构建了传输过程中考虑能耗的时延、成本花费模型。并将评价指标考虑到缓存策略和内容推荐决策的更新上，以构建考虑能耗和成本花费的缓存更新策略，及同时考虑延迟、能耗的缓存内容推荐决策；通过采用联邦元学习的方法来训练预测模型。可以利用元学习在多任务场景下快速学习和快速适应能力。通过利用联邦学习的方法也有效的保证了用户信息数据的安全，保护用户隐私。
24.本公开通过引入雾无线接入网络架构，通过f-ap节点利用边缘设备本地无线电信号处理、协同的无线电资源管理和分布式存储能力来减轻前端网络的沉重负担，提升传输体验质量。
附图说明
25.构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
26.图1为本公开实施例提供的系统模型架构图；
27.图2为本公开实施例提供的获取缓存内容时的工作流程图；
28.图3为本公开实施例公开的联邦元学习框架图；
29.图4为本公开实施例公开的基于物理图和社会关系图的社交感知通信图的构建示意图。
具体实施方式：
30.下面结合附图与实施例对本公开作进一步说明。
31.应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
32.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
33.实施例1
34.本公开的一种实施例中提供了一种适用于无线网络的社交感知缓存方法，包括：
35.步骤一：获取边缘用户网络区域；在边缘用户网络区域内，根据物理图和社会关系图将用户和设备划分成不同的组并获取社交感知通信图；
36.步骤二：通过社交感知通信图判断终端用户所在区域内潜在的连接对象，并通过信任交付机制筛选可信任用户的用户集，将可信任用户的用户集作为缓存节点来获取缓存内容；
37.步骤三：获取缓存内容后，基于联邦元学习与深度学习的缓存内容推荐模型预测用户内容偏好，将预测结果缓存在被选出的用作缓存节点的用户上，并对下一时刻的用户对于不同内容的偏好进行缓存内容的分配，在优化能耗的基础上，使其传输延迟和传输成本花费最小。
38.作为一种实施例，本公开基于边缘用户网络特殊性质，采用一种社交感知的通信共享模式，将用户通信情况划分为物理图和社会关系图，并通过两者得到社交感知通信图模型。这有利于充分挖掘用户通信情况和内容偏好，确定最合适的潜在内容缓存节点，实现内容推送的精准。
39.具体的，如图4所示，社交感知通信图的构建是基于物理图和社会关系图构建而得，其中：
40.(1)物理图：
41.由于终端用户之间通信的物理距离不同，导致的通信信号衰减等因素的影响。只有相互之间距离较近且通讯的信号强度可被检测到的终端用户之间才会被选择为通信中继的候选，进而建立通信连接。因而，引入物理图的概念，具体来说，用g(uu,eu)来表征终端
用户之间的物理连通属性。其中uu表示为顶点集，eu表示为边集，即e
iju
∈{0,1}。其中，当且仅当两个终端用户i，j之间建立通信连接，e
iju
＝1。否则，为零。e为一个二进制变量，当且仅当某两个终端用户(例如用i，j分别代表两个终端用户)之间建立了通信连接时，也就是说其中一个用户是另一个用户的可行中继时，e
iju
＝1。
42.(2)社会关系图：从现实角度来讲，考虑到终端用户个人的自私及社会信任现象，社交关系越强的用户更愿意直接分享自己的内容，而社交关系不强的用户由于个人的自私，可能会因为隐私问题等而不愿意向邻居(用以建立连接的其他终端用户)提供内容。因此，引入了用g(us,es)来表征终端用户之间的社交连通属性。其中us表示为顶点集，es表示为边集，即e
ijs
∈{0,1}。当两个终端用户i，j有密切的社会关系，如朋友和家庭成员时，设e
ijs
＝1；否则，e
ijs
＝0。
43.(3)社交感知通信图：
44.基于以上分析得到的物理图和社会关系图，可以进一步得到社交感知图g(ug,eg)。其中，ug表示为顶点集，eg表示为边集，即e
ijg
∈{0,1}。通过计算，e
ijg
＝e
iju
*e
ijs
得知是否有通信路径的结果。特别是，e
ijg
＝1时，物理图和社交图中终端用户k和终端用户j之间存在一条通信路径。
45.在两个终端用户(如用户i，j)之期间存在可用通信路径时，绝对内容是否进行共享传输的关键在于，两个用户之间是否通过信任交付机制的判断。在这里，根据终端用户i和j，特别设计这样一种信任交付机制，信任度用φ
i,j
代表，公式如下：
[0046][0047]
其中，p
i,j
表示为终端用户i和j之间的物理传输距离，n
i,j
表示为终端用户i和j之间的历史通信次数，表示为终端用户i和j与他们共同的邻居之间的通信次数，表示为终端用户i和j对某一类要传输内容的兴趣偏好程度之和。α、β、γ表示是权重系数。
[0048]
根据上述公式定义，当φ
i,j
值高于预先设定的阈值时，终端用户i和j就会形成一种社会关系，两者之间就存在通信路径。此时，e
ijg
＝1。
[0049]
进而通过信任交付机制的判断，可以进一步得到通过筛选的信任用户的用户集u
φ
(i)表示信任终端用户i的用户索引集合，意指u
φ
(i)中的用户愿意将其缓存的内容与终端用户i共享。进一步的，将u
φ
(i)与终端用户i的所有邻居索引集u
neb
(i)取交集得到可能向终端用户i建立通信连接并提供传输内容的用户索引集公式如下：
[0050][0051]
然后，作为一种实施例，通过社交感知通信图判断终端用户所在区域内潜在的连接对象，并通过信任交付机制筛选可信任用户的用户集，将可信任用户的用户集作为缓存节点来获取缓存内容；
[0052]
具体的，如图2所示，当某一终端用户在生成内容文件请求后，进行获取缓存内容的步骤为：
[0053]
步骤1：当需要被请求的内容是缓存在自己的存储空间时，则该内容可以直接在其缓存列表中获取，没有必要建立对外的通信链路。
[0054]
步骤2：如果用户本地的缓存列表无法满足内容请求，那么可以向在其通信区域内能建立通信连接的邻居用户进行请求。
[0055]
步骤3：如果其邻居用户仍然没法满足内容请求的要求，则可以将内容请求发送到本地f-ap节点中去获得内容。
[0056]
步骤4：在本专利方法上，考虑f-ap节点联合的情况，因此在内容没有得到满足时，可以向相邻的f-ap节点发送请求，如果内容在相邻的f-ap节点中可以找到，则获取该内容。
[0057]
步骤5：如果以上方法均不能获取到所需内容，则向中央云服务器的总文件内容库中进行查找。
[0058]
作为一种实施例，获取缓存内容后，在此基础上，提出了一种基于联邦元学习与深度学习的缓存内容推荐模型，将联邦元学习方法与深度学习方法相结果来进一步预测用户内容偏好，提供缓存决策，并保证用户的隐私。基于内容热度预测使用联邦元学习的方法进行缓存内容推荐决策的方案，训练深度学习模型，并将训练好的预测模型用于对下一时刻的用户对于不同内容的偏好进行缓存内容的分配，为节点缓存内容做好准备，在优化能耗的基础上，力争传输延迟和传输成本花费最小。
[0059]
其中，本公开所述联邦元学习与深度学习的缓存内容推荐模型的训练方法包括：
[0060]
s1：每次选取一定比例的终端用户参与缓存推荐训练过程，本地f-ap节点将下载神经网络模型的初始网络参数用于更新本地模型参数；
[0061]
s2：域内参与训练的终端用户从f-ap节点下载初始模型参数，使用经本地计算后的含有用户本地历史信息的数据训练神经网络模型，以得到更新后的模型参数，并将其上传到f-ap节点；
[0062]
s3：f-ap节点将各个用户端上传的模型参数上传到中央云服务器，中央云服务器聚合所有的模型参数，并得到更新后的全局模型参数；
[0063]
s4：中央云服务器再将更新后的全局模型参数分发到各个f-ap节点上，进行下一轮迭代；重复上述步骤s2和步骤s3，直至模型收敛。
[0064]
f-ap节点采用训练好的模型决定缓存内容的最优推荐方案。其中，最优缓存推荐方案是依据完成内容缓存任务的最低能耗得到的：
[0065]
根据无线设备有限的传输资源与计算资源，引入能耗因素，推导出考虑成本花费和能耗的缓存更新策略，及考虑延迟和能耗的内容推荐策略，优化目标是最小化所有计算任务的成本花费和时延。
[0066]
确定最小延迟函数为：
[0067][0068]
其中，c＝[c1,c2,...,cn]是一个长度为n的向量，表示每个f-ap节点上缓存的内容；是指定内容ci在f-ap节点i上被访问的概率；是从边缘节点i到云端获取内容ci所需要的延迟时间。
[0069]
确定最低花费函数为:
[0070][0071]
其中，si是f-ap节点i存储的内容总大小；是指定内容ci在f-ap节点i上存储的花费，是从云端获取内容ci到f-ap节点i的网络费用。
[0072]
其中定义能耗由内容在f-ap节点上的存储能耗和内容传输能耗两部分组成，其中传输能耗则主要来源于f-ap节点到用户的无线传输能耗开销、f-ap节点之间的有线协助传输开销及域内f-ap节点到远程云服务内容中心的有线传输开销组成。
[0073]
具体来说，定义f-ap节点上的存储能耗和内容传输能耗如下：
[0074]
f-ap节点上的存储能耗：
[0075][0076]
其中，是指定内容ci在f-ap节点i上存储的花费，是指定内容ci在f-ap节点i上存储时的存储能耗。
[0077]
内容传输能耗：
[0078][0079]
其中，是从f-ap节点i到用户的无线传输能耗；是从f-ap节点i到其他f-ap节点的有线协助传输能耗；是从f-ap节点i到远程内容中心的有线传输能耗。
[0080]
综合考虑存储能耗和内容传输能耗，可以定义能耗模型如下：
[0081]
e＝εes+(1-ε)e
t
[0082]
其中，ε是能耗系数，用于控制存储能耗和内容传输能耗的权重。
[0083]
在最小化总能耗的过程中，需要更新缓存策略和内容推荐决策。对于缓存策略更新，可以修改最低花费函数，将存储能耗考虑在内：
[0084][0085]
其中，ce是存储能耗系数，用于控制存储能耗的权重。
[0086]
对于内容推荐决策，将使用已经训练好的模型来进行推荐决策。具体来说，将计算每个内容在每个f-ap节点上的概率分布，并选择概率最高的内容进行缓存。这样可以在多个f-ap节点上进行缓存内容推荐决策，并通过联邦元学习模型进行训练。可以将最小延迟函数修改为同时考虑延迟和能耗的综合指标：
[0087]
[0088]
其中，是内容传输能耗，是指从f-ap节点i到内容ci的延迟。
[0089]
最终，使用联邦元学习方法对方法求解，利用终端用户上的本地数据训练全局模型，再将全局模型发送给终端用户进行更新，直到模型达到收敛条件为止(模型损失值不再变化)，以实现在边缘缓存问题中同时考虑延迟、花费成本的缓存内容推荐决策。
[0090]
实施例2
[0091]
本公开的一种实施例中提供了一种适用于无线网络的社交感知缓存系统，包括：
[0092]
内容获取模块，获取边缘用户网络区域；在边缘用户网络区域内，根据物理图和社会关系图将用户和设备划分成不同的组并获取社交感知通信图；
[0093]
通过社交感知通信图判断终端用户所在区域内潜在的连接对象，并通过信任交付机制筛选可信任用户的用户集，将可信任用户的用户集作为缓存节点来获取缓存内容；
[0094]
内容推荐缓存模块，获取缓存内容后，基于联邦元学习与深度学习的缓存内容推荐模型预测用户内容偏好，将预测结果缓存在被选出的用作缓存节点的用户上，并对下一时刻的用户对于不同内容的偏好进行缓存内容的分配，在优化能耗的基础上，使其传输延迟和传输成本花费最小。
[0095]
具体的，系统模型如图1所示，考虑建立一个包含m个f-ap节点，u个终端用户，1个中央云服务器所组成的雾无线接入网络架构。这其中包含三种不同的缓存节点，即终端用户、f-ap节点(配备有雾计算服务器)和中央云服务器。设f-ap节点的集合是m＝{1,
…
,n,
……
m}，其中一个f-ap节点为一组u个用户服务，f-ap节点服务的用户索引集用u(k)＝{1,..,u}表示，每个f-ap节点和终端用户都配备一个有限的存储空间cf，以用来预取和存储的部分缓存内容。所有终端用户都可以访问的内容用一个内容库f＝{1,
…
，f}代表，f是所有内容的索引，每个内容文件的大小都相同，它们的大小用(df)1×
γ
表示。本方法假设中央云服务器的缓存空间足够大，始终存储整个文件库f，并且f-ap的总缓存不能超过移动网络运营商指定的存储预算上限cf，每个终端用户可以通过蜂窝连接从f-ap节点那里获取所请求的内容。
[0096]
实施例3
[0097]
本公开的一种实施例中提供了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种适用于无线网络的社交感知缓存方法。
[0098]
实施例4
[0099]
本公开的一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种适用于无线网络的社交感知缓存方法。
[0100]
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0101]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0102]
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

技术特征：
1.一种适用于无线网络的社交感知缓存方法，其特征在于，包括：获取边缘用户网络区域；在边缘用户网络区域内，根据物理图和社会关系图将用户和设备划分成不同的组并获取社交感知通信图；通过社交感知通信图判断终端用户所在区域内潜在的连接对象，并通过信任交付机制筛选可信任用户的用户集，将可信任用户的用户集作为缓存节点来获取缓存内容；获取缓存内容后，基于联邦元学习与深度学习的缓存内容推荐模型预测用户内容偏好，将预测结果缓存在被选出的用作缓存节点的用户上，并对下一时刻的用户对于不同内容的偏好进行缓存内容的分配，在优化能耗的基础上，使其传输延迟和传输成本花费最小。2.如权利要求1所述的一种适用于无线网络的社交感知缓存方法，其特征在于，当某一终端用户在生成内容文件请求后，进行获取缓存内容的步骤为：当需要被请求的内容是缓存在自己的存储空间时，则该内容直接在其缓存列表中获取，不建立对外的通信链路；如果用户本地的缓存列表无法满足内容请求，那么向在其通信区域内能建立通信连接的邻居用户进行请求；如果其邻居用户仍然无法满足内容请求的要求，则将内容请求发送到本地f-ap节点中去获取内容。3.如权利要求2所述的一种适用于无线网络的社交感知缓存方法，其特征在于，考虑f-ap节点联合的情况，在内容没有得到满足时，可以向相邻的f-ap节点发送请求，如果内容在相邻的f-ap节点中找到，则获取该内容；如果均不能获取到所需内容，则向中央云服务器的总文件内容库中进行查找。4.如权利要求1所述的一种适用于无线网络的社交感知缓存方法，其特征在于，所述联邦元学习与深度学习的缓存内容推荐模型的训练方法包括：s1：每次选取一定比例的终端用户参与缓存推荐训练过程，本地f-ap节点将下载神经网络模型的初始网络参数用于更新本地模型参数；s2：域内参与训练的终端用户从f-ap节点下载初始模型参数，使用经本地计算后的含有用户本地历史信息的数据训练神经网络模型，以得到更新后的模型参数，并将其上传到f-ap节点；s3：f-ap节点将各个用户端上传的模型参数上传到中央云服务器，中央云服务器聚合所有的模型参数，并得到更新后的全局模型参数；s4：中央云服务器再将更新后的全局模型参数分发到各个f-ap节点上，进行下一轮迭代；重复上述步骤s2和步骤s3，直至模型收敛。5.如权利要求1所述的一种适用于无线网络的社交感知缓存方法，其特征在于，对下一时刻的用户对于不同内容的偏好进行缓存内容的分配，在优化能耗的基础上，使其传输延迟和传输成本花费最小的缓存更新方法包括：引入能耗因素，确定出考虑成本花费和能耗的缓存更新策略，及考虑延迟和能耗的内容推荐策略，构建的优化目标是最小化所有计算任务的成本花费和时延。6.如权利要求5所述的一种适用于无线网络的社交感知缓存方法，其特征在于，定义能耗由缓存内容在f-ap节点上的存储能耗和内容传输能耗两部分组成，其中内容传输能耗来源于f-ap节点到用户的无线传输能耗开销、f-ap节点之间的有线协助传输开销及域内f-ap
节点到远程云服务内容中心的有线传输开销组成；定义f-ap节点上的存储能耗和内容传输能耗，综合考虑存储能耗和内容传输能耗，定义能耗模型。7.如权利要求6所述的一种适用于无线网络的社交感知缓存方法，其特征在于，最小化总能耗的过程中，更新缓存策略和内容推荐决策，对于缓存策略更新，通过修改最低花费函数，将存储能耗考虑在内；对于内容推荐决策，将使用已经训练好的内容推荐模型来进行推荐决策，将计算每个缓存内容在每个f-ap节点上的概率分布，并选择概率最高的内容进行缓存。8.一种适用于无线网络的社交感知缓存系统，其特征在于，包括：内容获取模块，获取边缘用户网络区域；在边缘用户网络区域内，根据物理图和社会关系图将用户和设备划分成不同的组并获取社交感知通信图；通过社交感知通信图判断终端用户所在区域内潜在的连接对象，并通过信任交付机制筛选可信任用户的用户集，将可信任用户的用户集作为缓存节点来获取缓存内容；内容推荐缓存模块，获取缓存内容后，基于联邦元学习与深度学习的缓存内容推荐模型预测用户内容偏好，将预测结果缓存在被选出的用作缓存节点的用户上，并对下一时刻的用户对于不同内容的偏好进行缓存内容的分配，在优化能耗的基础上，使其传输延迟和传输成本花费最小。9.一种计算机可读存储介质，其特征在于，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的一种适用于无线网络的社交感知缓存方法。10.一种终端设备，其特征在于，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行如权利要求1-7中任一项所述的一种适用于无线网络的社交感知缓存方法。

技术总结
本公开提供了一种适用于无线网络的社交感知缓存方法及系统，涉及无线通信技术领域，方法包括在边缘用户网络区域内，根据物理图和社会关系图将用户和设备划分成不同的组并获取社交感知通信图；通过社交感知通信图判断终端用户所在区域内潜在的连接对象，并通过信任交付机制筛选可信任用户的用户集，将可信任用户的用户集作为缓存节点来获取缓存内容；获取缓存内容后，基于联邦元学习与深度学习的缓存内容推荐模型预测用户内容偏好，将预测结果缓存在被选出的用作缓存节点的用户上，并对下一时刻的用户对于不同内容的偏好进行缓存内容的分配，在优化能耗的基础上，使其传输延迟和传输成本花费最小。本公开实现缓存内容推送的精准。精准。精准。


技术研发人员：张玮 褚昊翔 史慧玲 郝昊 谭立状 丁伟 徐嘉昕 孙弘扬
受保护的技术使用者：齐鲁工业大学（山东省科学院）
技术研发日：2023.04.17
技术公布日：2023/7/25