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！

龙图腾网获悉重庆大学申请的专利自适应内容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：CN113127513B 。

龙图腾网通过国家知识产权局官网在2025-12-09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：202010204194.2，技术领域涉及：G06F16/2455；该发明授权自适应内容缓存方法是由范琪琳;李秀华;付智瀚;陈勇;王悦阳;唐永川;王森;毛玉星;李剑设计研发完成，并于2020-03-21向国家知识产权局提交的专利申请。

本自适应内容缓存方法在说明书摘要公布了：本发明公开了自适应内容缓存方法，步骤为：1请求处理器提取所述内容访问请求信息的特征参数，并写入本地缓存服务器的原始特征数据库；2预测下一时间窗口的内容流行度，并写入流行度数据库；3本地缓存服务器的缓存访问接口根据请求处理器提取的特征参数检查本地缓存服务器是否缓存了请求内容，若请求内容存在，则由本地缓存服务器传输请求内容给用户端；若请求内容不存在，则从上游服务器获取请求内容，并传输至用户端；本发明能够在真实网络环境和用户访问情况下，充分挖掘和利用内容请求的特征，动态地调整缓存策略以提高缓存效率。

本发明授权自适应内容缓存方法在权利要求书中公布了：1.自适应内容缓存方法，其特征在于，包括以下步骤： 1用户端向请求处理器发送内容访问请求信息； 2请求处理器提取所述内容访问请求信息的特征参数，并写入本地缓存服务器的原始特征数据库； 3请求处理器的学习处理模块定期从原始特征数据库中导入数据，并对请求处理器中存储的深度神经网络进行训练；请求处理器利用训练后的深度神经网络预测下一时间窗口的内容流行度，并写入流行度数据库； 4本地缓存服务器的缓存访问接口根据请求处理器提取的特征参数检查本地缓存服务器是否缓存了请求内容，若请求内容存在，则由本地缓存服务器传输请求内容给用户端； 若请求内容不存在，则转入步骤5； 5所述本地缓存服务器从上游服务器获取请求内容，并传输至用户端；本地缓存服务器的决策接口根据流行度数据库移除本地缓存服务器中已经存在的流行度最低的内容； 深度神经网络预测下一时间窗口内容流行度的步骤如下： 3.1获取时间窗口t对应的特征xt和上一时间窗口t‑1对应的隐藏状态ht‑1； 3.2建立L层的深度神经网络的预测函数，即： 式中，flx为第l层深度神经网络的回归函数；αl＞0为第l层深度神经网络回归函数的权重；L为深度神经网络总层数； 其中，第l层深度神经网络的回归函数如下所示： flx＝Θlhtl  2式中，Θl是学习flx的参数；htl为时间窗口t对应的第l层深度神经网络的隐藏状态； 深度神经网络的复位门rt、更新门zt、隐藏状态ht和候选隐藏状态分别如下所示： 式中，{W,U,b}是GRU单元参数；σ·是sigmoid激活函数；⊙表示按单元的乘法； 是复位门的参数，是更新门的参数，是隐藏状态的参数；上标l表示第l层；是初始隐藏状态； 3.3计算误差函数即： 式中，yt是时间窗口t观测到的下一时间窗口的内容真实流行度；xt为时间窗口t的内容流行度；表示#和*的误差函数； 3.4基于最小化平均相对平方误差，利用在线梯度下降算法更新深度神经网络的GRU单元参数{W,U,b}和深度神经网络权重GRU单元参数{W,U,b}更新如下： are computed via backpropagation from式中，是通过公式8反向传播计算得到的梯度；η为学习率；重置门用于决定应忽略多少过去的信息；更新门帮助模型确定需要将多少过去的信息传递给未来；候选隐藏状态可以方便后续的隐藏状态计算； 深度神经网络权重更新如下： 式中，β∈0,1是折扣因子，κ是平滑噪音数据的门限值参数； 其中，时间窗口t+1时深度神经网络的归一化因子Zt+1如下所示： 3.5利用更新深度神经网络的GRU单元参数{W,U,b}和深度神经网络权重后的深度神经网络对下一时间窗口的内容流行度进行预测。

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大学，其通讯地址为：400044 重庆市沙坪坝区沙正街174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”。

以上内容由龙图腾AI智能生成。