• 中国精品科技期刊
  • CCF推荐A类中文期刊
  • 计算领域高质量科技期刊T1类
高级检索

一种面向工业边缘计算应用的缓存替换算法

张雷, 李琳, 陈鸿龙, Daniel Bovensiepen

张雷, 李琳, 陈鸿龙, Daniel Bovensiepen. 一种面向工业边缘计算应用的缓存替换算法[J]. 计算机研究与发展, 2021, 58(7): 1533-1543. DOI: 10.7544/issn1000-1239.2021.20200672
引用本文: 张雷, 李琳, 陈鸿龙, Daniel Bovensiepen. 一种面向工业边缘计算应用的缓存替换算法[J]. 计算机研究与发展, 2021, 58(7): 1533-1543. DOI: 10.7544/issn1000-1239.2021.20200672
shu
Zhang Lei, Li Lin, Chen Honglong, Daniel Bovensiepen. A Cache Replacement Algorithm for Industrial Edge Computing Application[J]. Journal of Computer Research and Development, 2021, 58(7): 1533-1543. DOI: 10.7544/issn1000-1239.2021.20200672
Citation: Zhang Lei, Li Lin, Chen Honglong, Daniel Bovensiepen. A Cache Replacement Algorithm for Industrial Edge Computing Application[J]. Journal of Computer Research and Development, 2021, 58(7): 1533-1543. DOI: 10.7544/issn1000-1239.2021.20200672
shu
张雷, 李琳, 陈鸿龙, Daniel Bovensiepen. 一种面向工业边缘计算应用的缓存替换算法[J]. 计算机研究与发展, 2021, 58(7): 1533-1543. CSTR: 32373.14.issn1000-1239.2021.20200672
引用本文: 张雷, 李琳, 陈鸿龙, Daniel Bovensiepen. 一种面向工业边缘计算应用的缓存替换算法[J]. 计算机研究与发展, 2021, 58(7): 1533-1543. CSTR: 32373.14.issn1000-1239.2021.20200672
shu
Zhang Lei, Li Lin, Chen Honglong, Daniel Bovensiepen. A Cache Replacement Algorithm for Industrial Edge Computing Application[J]. Journal of Computer Research and Development, 2021, 58(7): 1533-1543. CSTR: 32373.14.issn1000-1239.2021.20200672
Citation: Zhang Lei, Li Lin, Chen Honglong, Daniel Bovensiepen. A Cache Replacement Algorithm for Industrial Edge Computing Application[J]. Journal of Computer Research and Development, 2021, 58(7): 1533-1543. CSTR: 32373.14.issn1000-1239.2021.20200672
shu

一种面向工业边缘计算应用的缓存替换算法

  • 1(南京邮电大学物联网学院 南京 210009)

  • 2(中国石油大学(华东)控制科学与工程学院 山东青岛 266580)

  • 3(西门子中国研究院 北京 100102) (lei.z@njupt.edu.cn)

基金项目: 国家自然科学基金项目(61772551)
详细信息

  • 中图分类号: TP393

A Cache Replacement Algorithm for Industrial Edge Computing Application

  • 1(College of Internet of Things, Nanjing University of Posts and Telecommunications, Nanjing 210009)

  • 2(College of Control Science and Engineering, China University of Petroleum, Qingdao, Shandong 266580)

  • 3(Corporate Technology, Siemens China Ltd., Beijing 100102)

Funds: This work was supported by the National Natural Science Foundation of China (61772551).

摘要

    摘要
  • 摘要: 工业应用对数据传输的确定性有严格要求，有必要通过合理的缓存策略保障工业边缘网络的实时服务性能保障.首先面向工业边缘计算应用场景阐述了边缘缓存问题模型.然后分析了工业应用中用户请求的动态性特点，结合工业用户请求的特征属性，给出用户请求内容流行度变化的预测方法.在此基础上提出了基于属性特征流行度预测的缓存替换(combing periodic popularity prediction and size caching strategy, PPPS)算法，根据最近周期窗口内主导属性特征的热度预测值，和尺寸参数一起确定缓存内容价值.实验结果表明：与MPC(most-popular content)、贪婪双尺寸(greedy dual size, GDS)、最近最久未使用(least recently used, LRU)、最近最少访问频次(least frequently used, LFU)、先进先出(first in first out, FIFO)这5种经典算法相比，提出的PPPS算法在缓存命中率和平均延迟2种性能指标下，在不同的用户请求模型、内容大小分布、内容种类参数下均取得最优性能，有效提升了边缘缓存的命中率，提高了缓存利用效率，降低了用户请求内容的延迟.
    Abstract: Industrial applications usually have strict requirements of data transmission certainty. It is therefore essential for industrial edge computing applications to deploy a proper caching strategy at edge nodes, in order to ensure the real-time performance guarantee. The cache optimization problem is formulized considering the specific requirements of industrial applications. The content request is modeled as shot noise model (SNM) to reflect the dynamic characteristics of popularity. A scheme of popularity prediction is then proposed by defining a feature similarity function of the requested content set in the latest periodic time window. Based on it, a new cache replacement algorithm called combing periodic popularity prediction and size caching strategy (PPPS) is proposed. The value of each cache content is determined together with the popularity, size and time updates parameters. The content with minimum value will be deleted with the highest priority when content replacement happens. The experimental results show that the proposed PPPS algorithm outperforms all the 5 baseline algorithms, which are the most popular content (MPC), greedy dual size (GDS), least recently used (LRU), least frequently used (LFU), and FIFO algorithm. PPPS algorithm obtains the best performance of hit rate and the average delay in all the testing cases with different parameter settings on user request models, content size distributions, and content types.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(39)

  • 期刊类型引用(18)

    1. 徐宁，李静秋，王岚君，刘安安. 时序特性引导下的谣言事件检测方法评测. 南京大学学报(自然科学). 2025(01): 71-82 . 百度学术
    2. 崔蒙蒙，刘井平，阮彤，宋雨秋，杜渂. 基于双重多视角表示的目标级隐性情感分类. 计算机工程. 2024(01): 79-90 . 百度学术
    3. 张乐怡，周怡洁，俞定国，闫燕勤. 媒介变迁下的谣言传播研究. 新媒体研究. 2024(14): 12-16 . 百度学术
    4. 王世雄，吴泽政. 基于异质信息网络表征学习的微博虚假信息甄别研究. 情报杂志. 2024(12): 152-160 . 百度学术
    5. 陈雄逸，许力，张欣欣，尤玮婧. 社交网络基于意见领袖的谣言抑制方案. 信息安全研究. 2023(01): 57-65 . 百度学术
    6. 张欣欣 ，许力 ，徐振宇 . 基于网络模体的移动社会网络信息可控传播方法. 电子与信息学报. 2023(02): 635-643 . 百度学术
    7. 杨晓晖，王卫宾. 基于门控图神经网络的谣言检测模型. 燕山大学学报. 2023(01): 73-81 . 百度学术
    8. 孙书魁，范菁，李占稳，曲金帅，路佩东. 人工智能在新型冠状病毒肺炎中的研究综述. 计算机工程与应用. 2023(05): 28-39 . 百度学术
    9. 陈卓敏，王莉，朱小飞，王子康. 基于对抗图增强对比学习的虚假新闻检测. 中文信息学报. 2023(06): 137-146 . 百度学术
    10. 鲁贻锦，吴蕾. 基于大数据驱动技术的媒体风险感知模型研究. 佳木斯大学学报(自然科学版). 2023(06): 52-56 . 百度学术
    11. 许云红，崔乐靖，朱南丽，郑娜娜. 社交媒体用户谣言传播行为的影响因素研究综述. 新媒体研究. 2023(24): 14-17+33 . 百度学术
    12. 龙小农，靳旭鹏. 新冠疫情、信息疫情与政治疫情的互动关系及作用机制. 现代传播(中国传媒大学学报). 2022(02): 66-76 . 百度学术
    13. 杨秀璋，刘建义，任天舒，宋籍文，武帅，姜婧怡，陈登建，周既松，李娜. 基于改进LDA-CNN-BiLSTM模型的社交媒体情感分析研究. 现代计算机. 2022(02): 29-36 . 百度学术
    14. 张放，范琳琅. 公共危机中社交媒体辟谣信息采纳的关键要素探究——基于新冠疫情微博辟谣文本的计算分析. 新闻界. 2022(10): 75-85 . 百度学术
    15. 朱梦蝶，付少雄，郑德俊，李杨. 文献视角下的社交媒体健康谣言研究：特征、传播与治理. 图书情报知识. 2022(05): 131-143 . 百度学术
    16. 肖喜珠，杨闻远，高慧敏，高世奇，郭书恒，路思玲，聂欣政，任书漫，王一民，温馨. “后真相”时代的风险感知与反击：青年社交媒体用户信息行为研究. 新媒体研究. 2022(21): 40-46 . 百度学术
    17. 徐建民，王恺霖，吴树芳. 基于改进D-S证据理论的微博不可信用户识别研究. 数据分析与知识发现. 2022(12): 99-112 . 百度学术
    18. 周晖. 国内外基于社交媒体的社会情绪对比分析. 中华医学图书情报杂志. 2022(12): 65-69 . 百度学术

    其他类型引用(21)

    • 资源附件(0)
计量
  • 文章访问数:  675
  • HTML全文浏览量:  8
  • PDF下载量:  326
  • 被引次数: 39
出版历程
  • 发布日期:  2021-06-30

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(39)
    资源附件(0)

    /

    返回文章
    返回
    邮件订阅 RSS
    微信订阅号<br/>（实时资讯）

    微信订阅号
    （实时资讯）

    微信服务号<br/>（同步网站）

    微信服务号
    （同步网站）

    微信视频号<br/>（视频分享）

    微信视频号
    （视频分享）

    CCF<br/>（扫码入会）

    CCF
    （扫码入会）

    版权所有 © 《计算机研究与发展》编辑部

    本系统由北京仁和汇智信息技术有限公司开发  百度统计