公开(公告)号：CN113055488A

公开(公告)日：2021-06-29

申请号：CN202110307403.0

申请日：2021-03-23

Applicant: 重庆邮电大学

Inventor： 冉泳屹 ,  赵雷 ,  雒江涛 ,  李灵

IPC: H04L29/08 ,  G06K9/62

Abstract: 本发明公开了一种多层联邦深度强化学习的车辆边缘协作缓存方法。该方法利用联邦学习，框架分布式地训练基于深度强化学习的车辆边缘协作缓存算法。具体地，通过动态感知内容的受欢迎程度，利用DRL中的DDQN算法获得最优协作缓存策略，从而降低内容传输延迟和响应时间。联邦学习的训练方式使得用户数据保存在用户本地进行训练而不必上传到RSU，有力保护了用户隐私。同时，在此基础上提出多级聚合的概念，通过设计的全局聚合器能够更好地感知全局内容流行度的变化，加快了模型的收敛速度。

公开(公告)号：CN113055488B

公开(公告)日：2022-04-08

申请号：CN202110307403.0

申请日：2021-03-23

Applicant: 重庆邮电大学

Inventor： 冉泳屹 ,  赵雷 ,  雒江涛 ,  李灵

IPC: H04L67/568 ,  H04L67/12 ,  H04L67/10 ,  G06K9/62

Abstract: 本发明公开了一种多层联邦深度强化学习的车辆边缘协作缓存方法。该方法利用联邦学习，框架分布式地训练基于深度强化学习的车辆边缘协作缓存算法。具体地，通过动态感知内容的受欢迎程度，利用DRL中的DDQN算法获得最优协作缓存策略，从而降低内容传输延迟和响应时间。联邦学习的训练方式使得用户数据保存在用户本地进行训练而不必上传到RSU，有力保护了用户隐私。同时，在此基础上提出多级聚合的概念，通过设计的全局聚合器能够更好地感知全局内容流行度的变化，加快了模型的收敛速度。