本發(fā)明公開了一種基于深度強化學習的邊緣計算智能緩存方法,其特點是將流行度模型與深度強化學習結(jié)合來對當前資源進行邊緣緩存的方法,智能體會判斷短時間內(nèi)該資源是否可能被再次請求,并且會選擇緩存被再次請求可能性更高的資源,該方法分析用戶請求資源的屬性,根據(jù)流行度模型,利用該資源的屬性得到對應的流行度,再利用深度強化學習的決策能力,分析該資源是否需要被加入緩存或者從緩存中剔除。本發(fā)明與現(xiàn)有技術(shù)相比具有更少的緩存置換次數(shù)和更高的緩存命中次數(shù),大大減少傳播時延和服務器的能源損耗,進一步提高邊緣緩存的命中率和性能,能顯著提高用戶的體驗質(zhì)量,為相關領域的技術(shù)提供技術(shù)支撐。
聲明:
“基于深度強化學習的邊緣計算智能緩存方法” 該技術(shù)專利(論文)所有權(quán)利歸屬于技術(shù)(論文)所有人。僅供學習研究,如用于商業(yè)用途,請聯(lián)系該技術(shù)所有人。
我是此專利(論文)的發(fā)明人(作者)