买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉重庆邮电大学申请的专利一种基于协作感知的数据智能缓存方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN114786200B 。

龙图腾网通过国家知识产权局官网在2025-09-09发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210423803.2，技术领域涉及：H04W24/02；该发明授权一种基于协作感知的数据智能缓存方法是由吴大鹏;徐瑞鑫;张鸿;李职杜;王汝言设计研发完成，并于2022-04-21向国家知识产权局提交的专利申请。

本一种基于协作感知的数据智能缓存方法在说明书摘要公布了：本发明涉及一种基于协作感知的数据智能缓存方法，属于无线通信技术领域。该方法首先通过分析历史请求信息与请求的命中状态分别在长短两个时间尺度上更新全局流行度与局部流行度，然后对工业互联网场景中的设备请求文件传输时延进行建模；最后，利用基于Actor‑Critic框架的多智能体强化学习模型对微基站处的缓存状态进行更新，并通过自适应分配带宽资源以最大化速率加权和目标函数。本发明能够显著降低工业互联网中设备获取关键数据文件的时延，提升应用性能。

本发明授权一种基于协作感知的数据智能缓存方法在权利要求书中公布了：1.一种基于协作感知的数据智能缓存方法，其特征在于，首先通过分析历史请求信息与请求的命中状态分别在长短两个时间尺度上更新全局流行度与局部流行度，然后对工业互联网场景中的设备请求文件传输时延进行建模；最后，利用基于Actor-Critic框架的多智能体强化学习模型对微基站处的缓存状态进行更新，并通过自适应分配带宽资源以最大化速率加权和目标函数；该方法具体包括以下步骤： S1：系统冷启动：初始化确定相关文件库信息、工业设备位置与信道情况、缓存系统权重参数、长期缓存更新时隙以及不同位置的缓存文件获取成本； S2：流行度更新：根据步骤S1信息，在每一个时刻t根据设置的长期缓存更新时隙以及请求文件的缓存命中情况更新全局流行度与局部流行度； S3：文件缓存决策：根据步骤S2获得的流行度相关信息，首先在每个长期缓存更新时隙T，在宏基站处，根据全局流行度更新长期缓存矩阵，以保证整体的热门文件至少能在宏基站处得到服务；然后利用基于Actor-Critic框架的多智能体强化学习模型，对微基站处短期缓存矩阵更新，得到当前时刻所有缓存的决策模型； S4：信息上传收集：收集t时刻各区域请求量以及上一时刻缓存决策信息上传到宏基站处，并经由宏基站处理后反馈给微基站用于下一个时刻的缓存决策； S5：确定传输资源分配：根据步骤S1得到的工业设备信息与步骤S3得到的缓存状态，结合不同工业设备的传输速率需求进行关联，并将时间传输收益结果上传至云端，然后反馈给各微基站并得到收益反馈用于更新本地模型，当需要修改相关模型参数时停止，否则将继续更新缓存文件； 步骤S1具体包括以下步骤： S11：获取相关的文件库并根据工业设备与微基站的位置关系初始化单位带宽传输等效速率，具体表示为： 其中，表示单位带宽传输等效速率； 表示微基站向设备分配的标准带宽大小，Pk表示微基站k处传输功率，表示t时刻微基站k与设备u的信道增益，N0表示噪声功率谱密度； S12：对缓存系统中权重参数α∈[0,1]、β∈[0,1]进行设置，其分别代表微基站的局部流行度中，邻居文件流行度对局部流行度的影响占比，以及上一个时刻最新文件请求比例对局部流行度的影响占比；接着设置长期缓存的更新时隙T；并设置不同位置文件获取的时延成本参数λs与λc，其分别表示邻居微基站协作获取文件的时延成本与从云端获取文件的时延成本，具体关系表示为λc＞＞λs； 步骤S2具体包括以下步骤： S21：冷启动整个系统，根据文件库中文件的数目设定平均初始流行度，表达式为： 其中，分别表示微基站k处与整体网络内容f的初始流行度，F表示内容库总内容数目； S22：在每个时刻t更新不同尺度下的文件流行度；当前时刻t对应n倍长期缓存更新时隙T时，则更新长期全局流行度，表达式为： 其中，与分别表示t时刻微基站k处与整体网络内容f的实时流行度，K表示微基站的数目；而对应的局部流行度则会在长期时隙更新，表达式为： 其中，表示与微基站k相邻的微基站数目，Υk表示微基站k的邻居微基站集合，α∈[0,1]表示邻居流行度影响因子； S23：在普通时隙，即并非长期缓存更新时隙T的整数倍时，则不再更新长期流行度而仅更新局部流行度，且只与文件命中情况有关；具体更新方式为： 其中，与分别表示上一时刻文件f的请求量与整个区域内的请求量，β表示流行度更新权重影响因子； 步骤S3具体包括以下步骤： S31：当处于长期缓存更新时刻时，利用步骤S2获得的流行度相关信息，首先在宏基站处进行缓存文件的更新；首先分析所有文件对应的长期流行度序列，选择流行度从大到小对文件进行缓存；针对缓存中已经存储的内容则保持不变，仅将部分流行度较低的文件替换为流行度更高的文件加快替换的速度； S32：在短期缓存时刻，将更具有区域特性的内容缓存在对应的微基站处，并能够保证追踪到实时的变化特征；首先对优化问题建模如下： 其中，sf表示单个文件的大小，Sk表示微基站k的缓存容量，表示t时刻微基站k处内容f的缓存指示变量，表示工业设备集合，表示微基站集合，表示文件集合，C表示所有微基站的缓存决策矩阵；表示设备实际获取内容的时延；即在每个时刻都选择能最大化整体收益的缓存决策； S33：所有微基站共同组成一个多智能体强化学习模型，其中每一个微基站都作为一个智能体，其状态转移的过程被建模为马尔可夫决策过程，能够获取局部状态值skt、全局信息gkt以及奖励函数Rt，其表示如下： 其中，skt包括上一时刻的缓存状态请求量局部流行度以及单个智能体学习率δ；全局信息包括上一时刻全局流行度以及缓存状态最后实际的观测值okt表示为： okt＝{skt,gkt} 此外，对于动作变量akt则只考虑缓存策略，即 S34：在单个微基站处，通过利用一个DQN机器学习框架对局部缓存决策进行训练，具体而言，首先定义其动作价值函数Qo,a为： 其中，vt为折扣因子；则对于每一次更新，都选择最大的动作即 然后定义网络参数ω的更新机制为最小二乘均方误差，表达式为： 其中，yt表示实际的收益； S35：在每一个智能体都做出决策后，将所有决策上传至云端，进行评价，利用最小二乘均方误差更新Critic网络的参数 步骤S4具体包括以下步骤： S41：所有微基站上传t时刻各区域请求量以及上一时刻的短期缓存决策信息到宏基站； S42：宏基站处对区域请求量进行累加，用于全局流行度计算，并计算每个微基站周围邻居的请求量其中用于在下一个时刻传输给各微基站自身的短期缓存决策； 步骤S5具体包括以下步骤： S51：首先分析请求内容的缓存状态，如果微基站缓存有该请求内容则直接进行服务；否则通过邻居基站或宏基站将文件协作传输给关联微基站，此时需要减去邻居基站协作成本；如果都没有该文件，则从云端获取，并减去云端获取内容成本； S52：根据S11中理论单位带宽速率得关联速率表，传输单位文件的时延则表示为 其中，则表示在微基站k邻居基站中内容fu的缓存情况，如果都没有则为0，反之为1；每一个工业设备根据计算所得的结果以及自身设备的时延需求选择可接入范围内获得最小文件获取时延的微基站或宏基站进行关联； S53：每一个微基站将当前时刻服务所获得的单位速率和上传到宏基站集中处理为奖励并反馈到微基站群中调整模型； S54：如果需要修改模型相关参数则停止运行并结束，否则时刻数t＝t+1后从S21循环继续更新缓存策略。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人重庆邮电大学，其通讯地址为：400065 重庆市南岸区黄桷垭崇文路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。