超密集网络下基于用户聚类的缓存策略研究

摘要

目前随着5G网络的迅猛发展,超密集网络下的缓存策略研究价值也越来越大.目前业界常用的是Least Recently Used(最近最少使用),Least Frequently Used(最近最不常用)算法.然而,随着数据量与数据内容多样性的迅猛增长,有效而安全地向最终用户提供高质量服务变得越来越具有挑战性.常规的应用方法是被动性策略,但无法像主动性策略一样应对复杂的数据冲击.不同的用户对不同的内容有着不同的需求.基于此,本文提出了一种基于用户聚类的缓存预测算法.首先对用户的相似度进行分组聚类,这样可以更好地对相似偏好的用户进行区分.再通过基站与用户的相似度进行匹配,这样使得基站与用户的匹配度更高,提高命中率.本文还基于喜好因素,热度因素和时间间隔因素三个不同方面对基站的缓存文件进行更新管理.实验结果表明,该策略可以有效提高缓存命中率并降低用户响应时延.