崔新雨 劉玲 周一青 潘振崗

摘要：通過對高鐵車載緩存系統(tǒng)的概念、在工作流程的各個(gè)階段遇到的問題以及相應(yīng)的智能化解決方案進(jìn)行詳細(xì)介紹，指出高鐵車載緩存可以有效地減少移動(dòng)設(shè)備與路邊基站直連通信的次數(shù)，提升乘客的內(nèi)容服務(wù)體驗(yàn)。但是，高鐵車載緩存系統(tǒng)在實(shí)際的應(yīng)用中仍然存在諸多問題，具體包括高鐵與路邊基站的協(xié)同緩存、乘客請求數(shù)據(jù)缺失下的請求規(guī)律挖掘，以及通信、計(jì)算、緩存資源的聯(lián)合管控。

關(guān)鍵詞：高鐵通信；車載緩存；智能

Abstract： An overview of the basic idea of the high-speed railway onboard caching system is presented. The main challenges at each stage of the workflow and the corresponding intelligent solutions are detailed. It is pointed out that the high-speed railway onboard caching can effectively reduce the number of direct communications between mobile devices and roadside base stations， improving the quality of service of passengers. However， there are still many problems to be solved in practice， including the collaborative caching of high-speed railway and roadside base stations， the mining of request features when passenger request data is missing， and the joint management and control of communication， computing， and caching resources.

Keywords： high-speed railway communications； onboard caching； intelligence

近年來，高鐵憑借其較高的行駛速度、舒適的乘車體驗(yàn)等優(yōu)點(diǎn)，逐漸成為人們優(yōu)選的遠(yuǎn)途出行方式。同時(shí)，隨著移動(dòng)通信技術(shù)的飛速發(fā)展[1-6]，在搭乘高鐵時(shí)，乘客出于娛樂、辦公等目的，可以通過手機(jī)等移動(dòng)通信設(shè)備發(fā)起對視頻等多媒體業(yè)務(wù)內(nèi)容的請求[7]。不同于用戶在靜止或低速移動(dòng)狀態(tài)下通過移動(dòng)通信設(shè)備與基站建立通信連接，高鐵場景下移動(dòng)通信設(shè)備與路邊基站的直連通信面臨著3個(gè)主要問題[8]。

（1）封閉式金屬車廂引起的信號(hào)衰減。高鐵車廂多采用金屬全封閉式的結(jié)構(gòu)，無線信號(hào)在穿過金屬車廂時(shí)會(huì)受到較大的穿透損耗。

（2）高速移動(dòng)引起的連接不穩(wěn)定。由于路邊基站的覆蓋范圍有限，高鐵的高速移動(dòng)將引起頻繁的基站切換，從而影響移動(dòng)設(shè)備與路邊基站連接的穩(wěn)定性。

（3）高速移動(dòng)引起的多普勒頻移。高鐵與路邊基站之間的相對運(yùn)動(dòng)會(huì)引起嚴(yán)重的多普勒頻移，從而會(huì)影響無線信號(hào)的正確接收與解調(diào)。尤其是4G/5G采用的正交頻分復(fù)用技術(shù)，對載波頻率偏移十分敏感。

在高鐵通信場景下，面向具有較大帶寬、較低時(shí)延需求的多媒體類業(yè)務(wù)，移動(dòng)通信設(shè)備與路邊基站直連的方式通常難以滿足業(yè)務(wù)的服務(wù)質(zhì)量需求，乘客在觀看視頻時(shí)將面臨頻繁播放卡頓、加載慢等問題，觀看服務(wù)體驗(yàn)受到嚴(yán)重影響。

為了帶給乘客更優(yōu)的服務(wù)體驗(yàn)，可以在高鐵上應(yīng)用車載緩存技術(shù)[9-10]。通過在高鐵上搭載緩存服務(wù)器，并在服務(wù)器中預(yù)先緩存乘客可能會(huì)請求的內(nèi)容，使得乘客請求有一定的概率被車載緩存服務(wù)器就近響應(yīng)，避免乘客移動(dòng)通信設(shè)備與路邊基站的直連通信。本文將結(jié)合現(xiàn)有研究，概述高鐵車載緩存系統(tǒng)，分析高鐵車載緩存系統(tǒng)面臨的主要問題并總結(jié)相應(yīng)的智能化解決方案，同時(shí)討論高鐵車載緩存系統(tǒng)未來面臨的挑戰(zhàn)，為車載緩存技術(shù)在高鐵中的智能應(yīng)用提供參考。

1 高鐵車載緩存系統(tǒng)

本節(jié)中，我們將從系統(tǒng)架構(gòu)、用戶請求規(guī)律、系統(tǒng)工作流程的角度對高鐵車載緩存系統(tǒng)進(jìn)行概述。

1.1 系統(tǒng)架構(gòu)

高鐵車載緩存系統(tǒng)架構(gòu)由4部分組成，分別是高鐵車載緩存服務(wù)器、高鐵車載中繼通信系統(tǒng)、路邊接入網(wǎng)和云端計(jì)算中心，如圖1所示[12-13]。高鐵搭載了一定容量的緩存服務(wù)器，負(fù)責(zé)存儲(chǔ)內(nèi)容，調(diào)度用戶請求，為乘客提供就近的內(nèi)容接入服務(wù)。高鐵車載中繼通信系統(tǒng)由無線接入點(diǎn)和中繼站組成，無線接入點(diǎn)分布在各節(jié)車廂，中繼站安裝在高鐵頂部，無線接入點(diǎn)與中繼站之間通過有線連接。乘客、車載緩存服務(wù)器分別通過無線、有線的方式接入車載中繼通信系統(tǒng)，通過中繼通信的方式與路邊基站建立連接，以避免信號(hào)穿過車廂所產(chǎn)生的穿透損耗，獲得更優(yōu)的信號(hào)質(zhì)量。此外，若乘客請求的內(nèi)容被車載服務(wù)器所緩存，緩存內(nèi)容將直接經(jīng)車載中繼通信系統(tǒng)發(fā)送給乘客。路邊接入網(wǎng)由部署在鐵路沿線的路邊基站組成，為乘客提供移動(dòng)網(wǎng)絡(luò)接入服務(wù)。云端計(jì)算中心部署了內(nèi)容源服務(wù)器，源服務(wù)器中存儲(chǔ)了網(wǎng)絡(luò)中的所有內(nèi)容。云端計(jì)算中心經(jīng)核心網(wǎng)與路邊基站相連，當(dāng)乘客請求的內(nèi)容未被車載緩存服務(wù)器緩存時(shí)，將由源服務(wù)器為乘客提供所需內(nèi)容。

1.2 用戶請求規(guī)律

用戶對內(nèi)容的請求具有一定的統(tǒng)計(jì)規(guī)律，這些統(tǒng)計(jì)規(guī)律是高鐵車載緩存系統(tǒng)工作時(shí)的重要參考依據(jù)。用戶整體發(fā)起的內(nèi)容請求通常服從ZipF定律，即少量內(nèi)容吸引了大部分用戶對其發(fā)起請求，而剩余的大量內(nèi)容則很少受到用戶們的關(guān)注[11]。這部分少量內(nèi)容也被稱為熱點(diǎn)內(nèi)容。研究中常用流行度表示內(nèi)容受用戶請求的頻次，熱點(diǎn)內(nèi)容具有較高的流行度，非熱點(diǎn)內(nèi)容具有較低的流行度。在較短的時(shí)間內(nèi)（例如一天），內(nèi)容流行度并不會(huì)發(fā)生顯著的變化。

對于用戶個(gè)體而言，常用喜好分布對用戶過去一段時(shí)間的請求規(guī)律進(jìn)行描述，喜好分布代表了用戶對各個(gè)內(nèi)容的喜好程度。喜好分布是極具個(gè)性化的，某一用戶個(gè)體可能會(huì)對熱點(diǎn)內(nèi)容完全不感興趣，不同用戶的喜好分布也可能完全不同。由于喜好分布是根據(jù)用戶以往的請求歷史記錄計(jì)算生成的，所以喜好分布僅能在一定程度上反應(yīng)用戶未來的請求傾向，用戶未來的請求行為還會(huì)受到推薦系統(tǒng)、社交關(guān)系等多重因素的影響。

統(tǒng)計(jì)技術(shù)、智能化預(yù)測技術(shù)等可以量化內(nèi)容的流行度和用戶的喜好分布，為緩存內(nèi)容的放置提供參考。在高鐵場景下，得益于可提前獲取乘客的班次信息，車載緩存系統(tǒng)可在列車啟程前統(tǒng)計(jì)乘客的喜好分布，推算內(nèi)容流行度，針對性地緩存乘客群體可能會(huì)請求的內(nèi)容。

1.3 系統(tǒng)工作流程

高鐵車載緩存系統(tǒng)的工作流程分為3步，分別是內(nèi)容放置、請求調(diào)度與內(nèi)容分發(fā)、內(nèi)容更新[13]。

（1）內(nèi)容放置。高鐵駛離始發(fā)站之前，車載緩存服務(wù)器可以獲得搭乘本次高鐵的乘客信息，并統(tǒng)計(jì)乘客們的喜好分布、乘客群體的內(nèi)容流行度等能夠反映乘客請求傾向的關(guān)鍵參考特征，然后根據(jù)這些關(guān)鍵參考特征，選擇乘客可能會(huì)在乘車過程中請求的內(nèi)容存入服務(wù)器。

（2）請求調(diào)度與內(nèi)容分發(fā)。車載緩存服務(wù)器具備調(diào)度用戶請求的功能。乘客在搭乘高鐵的過程中發(fā)起對內(nèi)容的請求后，車載緩存服務(wù)器將檢測用戶請求的內(nèi)容是否被緩存，并根據(jù)檢測結(jié)果對用戶請求進(jìn)行調(diào)度。如果車載緩存服務(wù)器緩存了乘客請求的內(nèi)容，車載緩存服務(wù)器將通過中繼通信系統(tǒng)向乘客分發(fā)緩存內(nèi)容。如果乘客請求的內(nèi)容未被車載服務(wù)器緩存，車載緩存服務(wù)器則將乘客請求轉(zhuǎn)移至云端計(jì)算中心的內(nèi)容源服務(wù)器處，由源服務(wù)器向用戶分發(fā)請求內(nèi)容。

（3）內(nèi)容更新。高鐵由始發(fā)站駛向終點(diǎn)站的過程中將途徑多個(gè)中間站，乘客的流動(dòng)使得緩存內(nèi)容也需要進(jìn)行相應(yīng)的調(diào)整。高鐵到達(dá)下一站點(diǎn)之前，車載緩存服務(wù)器將根據(jù)乘客在下一站點(diǎn)的流動(dòng)狀況對緩存內(nèi)容進(jìn)行更新，用上車乘客可能會(huì)請求的內(nèi)容替換下車乘客可能會(huì)請求的內(nèi)容。

2 高鐵車載緩存面臨的主要問題

高鐵車載緩存系統(tǒng)在工作過程中會(huì)受到多方面的制約，影響緩存資源發(fā)揮效用。本節(jié)將分析高鐵車載緩存面臨的主要問題，包括內(nèi)容放置階段面臨的緩存容量受限、請求調(diào)度階段面臨的請求隨機(jī)性大、內(nèi)容分發(fā)階段面臨的無線資源受限問題以及業(yè)務(wù)場景支持單一的問題。

2.1 內(nèi)容放置階段面臨緩存容量受限的問題

云端計(jì)算中心的源內(nèi)容服務(wù)器存儲(chǔ)了動(dòng)輒拍字節(jié)級(jí)的海量內(nèi)容，但車載緩存服務(wù)器的容量通常在太字節(jié)級(jí)左右，只有較小比例的內(nèi)容能被高鐵車載緩存服務(wù)器緩存。通常，人們使用緩存命中率作為衡量緩存資源效用的指標(biāo)。緩存命中率等于用戶請求被緩存服務(wù)器滿足的次數(shù)占用戶請求總次數(shù)的比例，緩存命中率越高代表緩存資源越能得到充分利用。緩存容量受限增加了內(nèi)容放置階段的難度，選擇哪些內(nèi)容進(jìn)行緩存直接決定了緩存命中率的高低。

2.2 請求調(diào)度階段面臨請求隨機(jī)性大的問題

從提升乘客請求服務(wù)體驗(yàn)的角度出發(fā)，如果乘客的請求可以直接被車載緩存服務(wù)器滿足，那么乘客可以獲得低時(shí)延的請求服務(wù)體驗(yàn)，從而避免所提請求被調(diào)度至云端計(jì)算中心的情況。但是，乘客的請求行為在個(gè)人喜好、推薦系統(tǒng)、社交關(guān)系等多重因素的影響下較為隨機(jī)，乘客根據(jù)個(gè)人喜好做出的選擇，可能會(huì)受到推薦系統(tǒng)的影響而臨時(shí)改變。此外，受社交關(guān)系的影響，乘客也可能會(huì)請求與個(gè)人喜好不匹配但受家人推送的內(nèi)容。乘客請求的隨機(jī)性，增加了請求被調(diào)度至云端計(jì)算中心的概率，降低了請求平均時(shí)延的性能。

2.3 內(nèi)容分發(fā)階段面臨無線資源受限的問題

乘客的移動(dòng)通信設(shè)備與高鐵中繼通信系統(tǒng)之間通過無線的方式建立連接。由于無線中繼通信系統(tǒng)頻譜資源有限，當(dāng)較多的乘客發(fā)起請求，特別是請求超高清視頻等大帶寬業(yè)務(wù)內(nèi)容時(shí)，容易引起網(wǎng)絡(luò)擁塞，從而影響分發(fā)時(shí)延。即便在緩存命中率較高的情況下，如果網(wǎng)絡(luò)擁塞問題不能解決，同樣會(huì)影響到用戶的服務(wù)體驗(yàn)。緩存資源與通信資源需要進(jìn)行協(xié)同才能最大限度地發(fā)揮緩存資源的效用。

2.4 業(yè)務(wù)場景支持單一的問題

緩存服務(wù)器可以對多種業(yè)務(wù)提供緩存服務(wù)，如小文件加載、大文件下載、音視頻點(diǎn)播等。小文件主要來自于各類門戶網(wǎng)站的html、js、jpg等網(wǎng)頁素材，使用緩存服務(wù)器對網(wǎng)頁的小文件進(jìn)行加速，可以減少連接的建立時(shí)間、首包時(shí)間等，優(yōu)化網(wǎng)頁的加載時(shí)間；大文件是指大小在20 MB以上的文件，例如應(yīng)用安裝包、應(yīng)用更新包等，通過緩存服務(wù)器的加速，可以提升下載速度，減少下載總時(shí)間；音視頻點(diǎn)播業(yè)務(wù)來自于各類音視頻網(wǎng)站，緩存服務(wù)器通過對MP4、Flash視頻（FLV）等主流的視頻格式進(jìn)行緩存，可以降低音視頻的卡頓率，優(yōu)化首播時(shí)間等。目前高鐵緩存服務(wù)器僅對音視頻點(diǎn)播業(yè)務(wù)進(jìn)行了較好的支持，但仍需對小文件加載和大文件下載業(yè)務(wù)進(jìn)行進(jìn)一步優(yōu)化，以提升乘客在瀏覽門戶網(wǎng)站、下載大文件時(shí)的體驗(yàn)。

3 智能化高鐵車載緩存關(guān)鍵技術(shù)

智能技術(shù)的發(fā)展為上述部分問題的解決提供了新的思路，本節(jié)分別針對高鐵車載緩存系統(tǒng)在內(nèi)容放置、請求調(diào)度、內(nèi)容分發(fā)階段面臨的主要問題，總結(jié)相應(yīng)的智能化解決方案，包括基于深度學(xué)習(xí)的緩存內(nèi)容放置、基于內(nèi)容推薦的用戶請求調(diào)度和基于編碼緩存的緩存內(nèi)容分發(fā)。

3.1 基于深度學(xué)習(xí)的緩存內(nèi)容放置

緩存容量的受限為緩存內(nèi)容的放置帶來了一定的挑戰(zhàn)，選擇哪些內(nèi)容進(jìn)行緩存將直接影響緩存命中率。為了在緩存容量受限的條件下盡可能地發(fā)揮緩存資源的效用，可以使用深度學(xué)習(xí)技術(shù)提高內(nèi)容流行度的預(yù)測精度，從而為緩存內(nèi)容的放置決策提供更加可靠的參考信息[14]。

文獻(xiàn)[14]在緩存服務(wù)器中引入了深度學(xué)習(xí)模塊，如圖2所示。緩存服務(wù)器除了具備基本的緩存資源、緩存資源管理器，還額外引入了與深度學(xué)習(xí)相關(guān)的內(nèi)容特征數(shù)據(jù)庫、流行度預(yù)測器、人工智能加速卡。緩存資源是內(nèi)容存儲(chǔ)的物理媒介，緩存資源管理器根據(jù)內(nèi)容流行度的預(yù)測結(jié)果負(fù)責(zé)內(nèi)容的放置、刪除與更新。內(nèi)容特征數(shù)據(jù)庫負(fù)責(zé)采集乘客在過去一段時(shí)間的內(nèi)容請求特征、乘客搭乘高鐵出行時(shí)的內(nèi)容請求特征、各內(nèi)容的類別特征等，構(gòu)建訓(xùn)練神經(jīng)網(wǎng)絡(luò)所需的數(shù)據(jù)集。流行度預(yù)測器內(nèi)置流行度預(yù)測模型，預(yù)測模型可以從內(nèi)容特征數(shù)據(jù)庫中提取數(shù)據(jù)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，并輸出深度神經(jīng)網(wǎng)絡(luò)預(yù)測的內(nèi)容流行度，供緩存資源管理器進(jìn)行決策。人工智能加速卡負(fù)責(zé)加速深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，使得流行度的預(yù)測精度可以盡快收斂。根據(jù)數(shù)據(jù)集規(guī)模的大小以及深度神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜程度，高鐵可以動(dòng)態(tài)地配置緩存服務(wù)器中的人工智能加速卡資源，避免加速資源浪費(fèi)或不足的問題。

緩存服務(wù)器內(nèi)置的流行度預(yù)測模型采用雙向長短期記憶網(wǎng)絡(luò)，該網(wǎng)絡(luò)由兩個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)的變體組成，分別是雙向循環(huán)神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)。循環(huán)神經(jīng)網(wǎng)絡(luò)是一種典型的深度學(xué)習(xí)模型，適合處理序列信息。例如，對內(nèi)容流行度在過去一段時(shí)間的變化進(jìn)行采樣而得到的流行度序列信息。雙向循環(huán)神經(jīng)網(wǎng)絡(luò)由兩個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)組成，兩個(gè)循環(huán)神經(jīng)網(wǎng)絡(luò)分別采用從前向后、從后向前的方式處理序列信息。在循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，長短期記憶網(wǎng)絡(luò)對網(wǎng)絡(luò)單元進(jìn)行了改進(jìn)，使用具備門系統(tǒng)、更多參數(shù)的細(xì)胞替代原有的網(wǎng)絡(luò)單元，使得其在處理長信息序列方面更有優(yōu)勢。雙向長短期記憶網(wǎng)絡(luò)在雙向循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，將隱藏層的每個(gè)單元替換為長短期記憶細(xì)胞?？紤]到緩存服務(wù)器的計(jì)算能力和內(nèi)容流行度預(yù)測精度需求，可以對雙向長短期記憶網(wǎng)絡(luò)的隱藏層層數(shù)進(jìn)行一些動(dòng)態(tài)的調(diào)整。

緩存服務(wù)器在進(jìn)行緩存內(nèi)容放置時(shí)，將依次經(jīng)歷數(shù)據(jù)預(yù)處理、基于深度學(xué)習(xí)的流行度預(yù)測、內(nèi)容緩存3個(gè)過程。由于誤操作等因素，個(gè)別用戶產(chǎn)生的流行度序列信息存在異常，不能反映整體的流行度變化趨勢，因此在訓(xùn)練神經(jīng)網(wǎng)絡(luò)之前需要對數(shù)據(jù)進(jìn)行預(yù)處理，剔除異常的流行度序列信息。預(yù)處理后的數(shù)據(jù)被輸入至雙向長短期記憶網(wǎng)絡(luò)，網(wǎng)絡(luò)經(jīng)過一定次數(shù)的迭代訓(xùn)練，待預(yù)測精度、交叉熵?fù)p失函數(shù)等反應(yīng)訓(xùn)練效果的指標(biāo)達(dá)到閾值后，將停止訓(xùn)練，輸出對未來內(nèi)容流行度的預(yù)測值。緩存資源管理器根據(jù)內(nèi)容流行度的預(yù)測結(jié)果，選擇流行度最高的內(nèi)容存入緩存資源。

在高鐵車載緩存的場景下，可以在車載緩存服務(wù)器中引入基于深度學(xué)習(xí)的內(nèi)容流行度預(yù)測模塊。車載緩存服務(wù)器根據(jù)提前獲知的列車乘客搭乘信息，獲取乘客的歷史請求記錄，再通過深度學(xué)習(xí)技術(shù)對乘客群體的內(nèi)容流行度進(jìn)行精準(zhǔn)預(yù)測，從而針對性地緩存乘客群體可能請求的內(nèi)容。這樣可以在緩存容量受限的條件下，提高緩存資源的效用。

3.2 基于內(nèi)容推薦的用戶請求調(diào)度

在請求調(diào)度階段，乘客請求被車載緩存服務(wù)器滿足得越多，平均請求時(shí)延就越低；但較大的乘客請求隨機(jī)性使得大量的乘客請求被調(diào)度至云端計(jì)算中心，影響了車載緩存資源的效用，以及平均請求時(shí)延的性能?？紤]到用戶的請求易受推薦系統(tǒng)的影響，文獻(xiàn)[15]和[16]提出通過向用戶推薦緩存內(nèi)容來降低其請求的隨機(jī)性，從而提升用戶請求緩存內(nèi)容的概率。上述文獻(xiàn)的不同之處在于：文獻(xiàn)[15]提出了一種硬推薦機(jī)制，在用戶發(fā)起請求前，向用戶推薦緩存內(nèi)容；而文獻(xiàn)[16]提出了一種軟推薦機(jī)制，待用戶發(fā)起請求后，如果用戶請求的不是緩存內(nèi)容，再向用戶推薦服務(wù)體驗(yàn)更佳的緩存內(nèi)容，并詢問用戶是否改變自己的請求，具體如圖3所示。

文獻(xiàn)[15]首先量化建模了用戶對內(nèi)容的請求概率。在模型中，用戶對內(nèi)容的請求概率大小受用戶喜好分布與推薦系統(tǒng)的雙重影響，且不同用戶受推薦系統(tǒng)影響的程度不一。對于推薦給用戶的內(nèi)容，由于該內(nèi)容獲得了一定的曝光度，所以用戶請求推薦內(nèi)容的概率會(huì)獲得一定幅度的提升；對于未推薦給用戶的內(nèi)容，由于用戶被推薦內(nèi)容所吸引，因此用戶請求未推薦內(nèi)容的概率會(huì)有一定幅度的下降。

通過上述模型，可以估算推薦系統(tǒng)向用戶推薦緩存內(nèi)容后，用戶對緩存內(nèi)容的請求概率。在用戶發(fā)起請求前，選擇推薦后請求概率最高的幾個(gè)緩存內(nèi)容并推薦給用戶，以增加緩存內(nèi)容的命中率。值得注意的是，推薦系統(tǒng)的初衷是幫助用戶發(fā)現(xiàn)感興趣的內(nèi)容，如果緩存內(nèi)容與用戶喜好相差較多，則不會(huì)被推薦給用戶。

在文獻(xiàn)[16]提出的軟推薦機(jī)制下，推薦系統(tǒng)在用戶發(fā)起請求前向用戶推薦內(nèi)容，但不考慮推薦的內(nèi)容是否被緩存。待用戶發(fā)起請求后，緩存服務(wù)器檢查用戶請求的內(nèi)容是否被緩存，如果用戶請求的內(nèi)容未被緩存，則再通過推薦系統(tǒng)進(jìn)行二次推薦，向用戶推薦符合用戶喜好且緩存了的內(nèi)容。在二次推薦時(shí)，推薦系統(tǒng)將對用戶做出提示，請求二次推薦的內(nèi)容可以獲得更好的服務(wù)體驗(yàn)，用戶可以根據(jù)需求自行決定是否改變原有的請求，請求二次推薦的內(nèi)容。

在高鐵場景下，可以利用智能化的推薦系統(tǒng)，使用硬推薦或軟推薦機(jī)制向乘客推薦車載緩存服務(wù)器中緩存的內(nèi)容，以避免用戶的請求被調(diào)度至云端計(jì)算中心，從而提高車載緩存服務(wù)器的服務(wù)效率。

3.3 基于編碼緩存的緩存內(nèi)容分發(fā)

對高鐵實(shí)際網(wǎng)絡(luò)數(shù)據(jù)的分析表明，其每分鐘的活躍乘客數(shù)量保持在100人左右，約占8編組列車滿員人數(shù)的1/5，每分鐘的活躍乘客數(shù)量峰值可達(dá)200人左右[17]。由于無線中繼通信系統(tǒng)的頻譜資源有限，當(dāng)較多的乘客發(fā)起請求時(shí)，系統(tǒng)容易引起網(wǎng)絡(luò)擁塞。文獻(xiàn)[18]提出了一種基于用戶與接入點(diǎn)協(xié)同的編碼緩存機(jī)制，通過在流量負(fù)載低峰期向用戶本地的存儲(chǔ)資源中緩存特定的子文件，接入點(diǎn)可以在流量負(fù)載高峰期通過異或編碼多播的方式進(jìn)行分發(fā)。相比于非編碼緩存，編碼緩存可以大幅減少高峰期的流量負(fù)載，降低對有限頻譜資源的要求。

為了闡述編碼緩存的機(jī)理，圖4給出了一個(gè)編碼緩存的簡單例子。其中，接入點(diǎn)（如基站）緩存了兩個(gè)大小為F的文件A、B，分別被分割為兩個(gè)大小相同的子文件A1、A2、B1、B2；用戶1、2具有相同容量的本地緩存資源，均可以緩存兩個(gè)子文件，接入點(diǎn)與用戶之間通過無損無線鏈路建立連接。在流量負(fù)載低峰期（如深夜）對子文件進(jìn)行緩存放置，如圖4中左圖所示，用戶1緩存子文件A1、B1，用戶2緩存子文件A2、B2。當(dāng)用戶在流量負(fù)載高峰期提出文件請求時(shí)，例如用戶1請求文件A，用戶2請求文件B，系統(tǒng)將進(jìn)行子文件的分發(fā)。如圖4中右圖所示，由于用戶1缺少子文件A2，用戶2缺少子文件B1，那么接入點(diǎn)可以將子文件A2和B1進(jìn)行異或操作形成編碼子文件A2⊕B1，然后通過多播的方式發(fā)送給用戶1、2。用戶1將本地緩存的子文件B1與編碼子文件A2⊕B1再次進(jìn)行異或操作，即可得到所需的子文件A2；用戶2將本地緩存的子文件A2與編碼子文件A2⊕B1再次進(jìn)行異或操作，即可得到所需的子文件B1。由于異或操作并不改變文件大小，所以上述分發(fā)過程中產(chǎn)生的數(shù)據(jù)量為F/2。而在非編碼緩存機(jī)制下，接入點(diǎn)需要分別向用戶1發(fā)送A2，向用戶2發(fā)送B1，分發(fā)過程中產(chǎn)生的數(shù)據(jù)量為F?？梢?，編碼緩存較非編碼緩存可以降低分發(fā)時(shí)的流量負(fù)載。

文獻(xiàn)[18]從理論的角度證明了編碼緩存機(jī)制的優(yōu)越性。在用戶數(shù)量為K、文件總量為N、用戶本地緩存容量為M的情況下，編碼緩存機(jī)制下的流量負(fù)載是非編碼緩存機(jī)制下流量負(fù)載的1/（1+KM/N）倍，理論最優(yōu)流量負(fù)載下界最多是編碼緩存機(jī)制下的流量負(fù)載的1/12。相比于非編碼緩存機(jī)制夠能大幅降低流量負(fù)載，采用編碼緩存機(jī)制能夠有效降低對頻譜資源的需求。在高鐵場景下，可以在乘客乘車前按照一定的規(guī)則，在乘客的移動(dòng)通信設(shè)備上緩存子文件。乘客在乘車的過程中，通過異或編碼多播的方式獲得缺失的子文件，以降低中繼通信系統(tǒng)在高峰期的流量負(fù)載壓力，避免網(wǎng)絡(luò)擁塞。

4 未來挑戰(zhàn)

高鐵車載緩存相關(guān)的研究雖然已取得了一定的進(jìn)展，在實(shí)際中也獲得了一定的應(yīng)用，但仍然存在許多需要解決的問題。本節(jié)對其中的3個(gè)主要問題進(jìn)行討論，包括高鐵與路邊基站的協(xié)同緩存，乘客請求數(shù)據(jù)缺失下的請求規(guī)律挖掘，以及通信、計(jì)算、緩存資源的聯(lián)合管控。

（1）高鐵與路邊基站的協(xié)同緩存

緩存服務(wù)器可以部署在高鐵中，也可以部署在鐵路沿線的路邊基站中。當(dāng)高鐵車載緩存服務(wù)器無法滿足乘客請求時(shí)，可以將乘客請求調(diào)度至路邊基站的緩存服務(wù)器中。如果路邊基站的緩存服務(wù)器無法滿足用戶請求，再將用戶請求調(diào)度至云端計(jì)算中心。通過這種兩級(jí)緩存的方式，可以增加乘客就近獲得請求內(nèi)容的概率，降低乘客平均請求時(shí)延。但是，由于高鐵是高速移動(dòng)的，且在各個(gè)路邊基站覆蓋范圍內(nèi)的停留時(shí)間較為短暫，這導(dǎo)致路邊基站需要在較短的時(shí)間內(nèi)完成緩存內(nèi)容的分發(fā)。因此，高鐵與路邊基站如何協(xié)同緩存內(nèi)容的放置，在有限的時(shí)間內(nèi)完成緩存內(nèi)容的順利分發(fā)是未來需要解決的一個(gè)難點(diǎn)問題。

（2）乘客請求數(shù)據(jù)缺失下的請求規(guī)律挖掘

緩存內(nèi)容的放置取決于乘客的請求規(guī)律，而乘客請求規(guī)律的挖掘需要乘客請求歷史數(shù)據(jù)的支持。但是，大部分的請求歷史數(shù)據(jù)受到隱私協(xié)議的保護(hù)，因此車載緩存服務(wù)器所能獲得的歷史請求數(shù)據(jù)是不完整的。同時(shí)，部分乘客的請求歷史數(shù)據(jù)較少，即便隱私授權(quán)后可以得到全部的請求歷史數(shù)據(jù)，也不足以支持對乘客請求規(guī)律進(jìn)行挖掘。因此，還需進(jìn)一步探索智能化技術(shù)在高鐵車載緩存中的應(yīng)用，在乘客請求歷史數(shù)據(jù)集較小情況下，提高請求規(guī)律挖掘精度。

（3）通信、計(jì)算、緩存資源的聯(lián)合管控

高鐵車載緩存服務(wù)器可以為傳統(tǒng)的多媒體類業(yè)務(wù)提供良好的支持，但對虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)等新興的計(jì)算密集型業(yè)務(wù)而言，僅有緩存服務(wù)器的支持是不夠的，還需要在高鐵上搭載移動(dòng)邊緣計(jì)算服務(wù)器進(jìn)行協(xié)助。不同的業(yè)務(wù)對通信、計(jì)算、存儲(chǔ)資源的需求是不同的。為了滿足不同業(yè)務(wù)的服務(wù)質(zhì)量需求，人們需要設(shè)計(jì)高效的資源分配機(jī)制，從而對高鐵車載通信、計(jì)算、緩存資源進(jìn)行合理調(diào)度。

5 結(jié)束語

受高鐵全封閉式金屬車廂引起的穿透信號(hào)損耗、高鐵高速移動(dòng)引起的通信連接不穩(wěn)定和多普勒頻移等因素的影響，乘客移動(dòng)設(shè)備與路邊基站直連的通信方式往往難以保障乘客的通信服務(wù)體驗(yàn)。高鐵車載緩存技術(shù)通過在高鐵上搭載緩存服務(wù)器，并在緩存服務(wù)器中預(yù)先存儲(chǔ)乘客未來可能請求的內(nèi)容，使得乘客未來的請求有一定幾率被緩存服務(wù)器就近滿足，移動(dòng)通信設(shè)備無須與路邊基站進(jìn)行直連通信。

本文首先從系統(tǒng)架構(gòu)、用戶請求特性、系統(tǒng)工作流程等方面對高鐵車載緩存系統(tǒng)進(jìn)行了概述，然后分析了緩存放置階段面臨的緩存容量受限問題、請求調(diào)度階段面臨的請求隨機(jī)性較大問題、內(nèi)容分發(fā)階段面臨的無線資源受限問題以及業(yè)務(wù)場景支持單一的問題。針對上述的問題，我們分別總結(jié)了相應(yīng)的智能化解決方案，通過使用深度學(xué)習(xí)技術(shù)對內(nèi)容流行度進(jìn)行精準(zhǔn)預(yù)測，為緩存內(nèi)容的放置提供更可靠的參考依據(jù)；考慮乘客的請求易受推薦系統(tǒng)的影響，通過推薦系統(tǒng)向乘客推薦緩存內(nèi)容，以降低乘客請求的隨機(jī)性；通過人車協(xié)同，在乘客移動(dòng)設(shè)備中預(yù)先緩存精心設(shè)計(jì)的子文件，使得緩存內(nèi)容可以通過編碼多播的方式分發(fā)給乘客，降低對無線通信資源的需求。高鐵車載緩存技術(shù)的發(fā)展仍面臨諸多挑戰(zhàn)，例如高鐵與路邊基站的協(xié)同緩存，乘客請求數(shù)據(jù)缺失下的請求規(guī)律挖掘，通信、計(jì)算、緩存資源的聯(lián)合管控等。上述挑戰(zhàn)的解決將有利于高鐵車載緩存資源進(jìn)一步發(fā)揮效用，為乘客帶來更好的通信服務(wù)體驗(yàn)。

致謝

特別感謝中國科學(xué)院計(jì)算技術(shù)研究所曹夢華、邢旺同學(xué)在文章撰寫過程中提供的大力支持。

參考文獻(xiàn)

[1] ZHOU Y Q， LIU L， WANG L， et al. Service aware 6G： an intelligent and open network based on convergence of communication， computing and caching [J]. Digital communication networks， 2020， 6（3）： 253-260. DOI： 10.1016/j.dcan.2020.05.003

[2] LIU L， ZHOU Y Q， YUAN J H， et al. Economically optimal MS association for multimedia content delivery in cache-enabled heterogeneous cloud radio access networks [J]. IEEE journal on selected areas in communications， 2019， 37（7）： 1584-1593. DOI： 10.1109/ JSAC.2019.2916280

[3] LIU L， ZHOU Y Q， GARCIA V， et al. Load aware joint CoMP clustering and inter-cell resource scheduling in heterogeneous ultra dense cellular networks [J]. IEEE transactions on vehicular technology， 2018， 67（3）： 2741-2755. DOI： 10.1109/TVT.2017.2773640

[4] GARCIA V， ZHOU Y Q， SHI J L. Coordinated multipoint transmission in dense cellular networks with user-centric adaptive clustering[J]. IEEE transactions on wireless communication， 2014， 13（8）： 4297-4308. DOI： 10.1109/ TWC.2014.2316500

[5] ZHOU Y Q， LIU H， PAN Z G， et al. Two-stage cooperative multicast transmission with optimized power consumption and guaranteed coverage [J]. IEEE journal on selected areas in communications， 2014， 32（2）： 274-284. DOI： 10.1109/JSAC.2014.141208

[6] ZHOU Y Q， WANG J Z， SAWAHASHI M. Downlink transmission of broadband OFCDM systems—Part I： hybrid detection [J]. IEEE transactions on communication， 2005， 53（4）： 718-729. DOI： 10.1109/tcomm.2004.841961

[7] 艾渤， 馬國玉， 鐘章隊(duì). 智能高鐵中的5G技術(shù)及應(yīng)用 [J]. 中興通訊技術(shù)， 2019， 25（6）： 42-47. DOI： 10.12142/ZTETJ.201906007

[8] GAO M L， AI B， NIU Y， et al. Edge caching and content delivery with minimized delay for both high-speed train and local users [C]// 2019 IEEE Global Communications Conference. Waikoloa， HI， USA： IEEE， 2019. DOI： 10.1109/ GLOBECOM38437.2019.9013389

[9] KANAI K， MUTO T， KATTO J， et al. Proactive content caching for mobile video utilizing transportation systems and evaluation through field experiments [J]. IEEE journal on selected areas in communications， 2016， 34（8）： 2102-2114. DOI： 10.1109/JSAC.2016.2577238

[10] ZHOU Y Q， TIAN L， LIU L， et al. Fog computing enabled future mobile communication networks： a convergence of communication and computing [J]. IEEE communications magazine， 2019， 57（5）： 20-27. DOI： 10.1109/ MCOM.2019.1800235

[11] DUTTA L K， XIONG J， GUI L， et al. On hit rate improving and energy consumption minimizing in cache-based convergent overlay network on high-speed train [C]// 2019 IEEE International Symposium on Broadband Multimedia Systems and Broadcasting. Jeju， Korea： IEEE， 2019. DOI： 10.1109/ BMSB47279.2019.8971853

[12] WU Y， FANG X M， YAN L. Performance analysis of on-board content caching and retrieval for high-speed railways [C]//2019 IEEE 2nd 5G World Forum. Dresden， Germany： IEEE， 2019. DOI： 10.1109/5GWF.2019.8911642

[13] LI B， XIONG J， LIU B， et al. Cache-based popular services pushing on high-speed train by using converged broadcasting and cellular networks [J]. IEEE transactions on broadcasting， 2019， 65（3）： 577-588. DOI： 10.1109/ TBC.2018.2863102

[14] JIANG Y X， FENG H J， ZHENG F C， et al. Deep learning-based edge caching in fog radio access networks [J]. IEEE transactions on wireless communications， 2020， 19（12）： 8442-8454. DOI： 10.1109/TWC.2020.3022907

[15] CHATZIELEFTHERIOU L E， KARALIOPOULOS M， KOUTSOPOULOS I. Jointly optimizing content caching and recommendations in small cell networks [J]. IEEE transactions on mobile computing， 2019， 18（1）： 125-138. DOI： 10.1109/TMC.2018.2831690

[16] SERMPEZIS P， GIANNAKAS T， SPYROPOULOS T， et al. Soft cache hits： improving P14erformance through recommendation and delivery of related content [J]. IEEE journal on selected areas in communications， 2018， 36（6）： 1300-1313. DOI： 10.1109/ JSAC.2018.2844983

[17] 王忠峰， 王富章， 孫華龍. 高鐵動(dòng)車組WiFi運(yùn)營服務(wù)系統(tǒng)服務(wù)質(zhì)量的測量與分析 [J]. 電子技術(shù)應(yīng)用， 2018， 44（5）： 77-81. DOI： 10.16157/ j.issn.0258-7998.175166

[18] MADDAH-ALI M A， NIESEN U. Fundamental limits of caching [J]. IEEE transactions on information theory， 2014， 60（5）： 2856-2867. DOI： 10.1109/TIT.2014.2306938

作者簡介

崔新雨，中國科學(xué)院計(jì)算技術(shù)研究所在讀博士生；主要研究方向?yàn)橥ㄐ排c計(jì)算融合、移動(dòng)邊緣緩存等。

劉玲，中國科學(xué)院計(jì)算技術(shù)研究所助理研究員；主要研究方向?yàn)槌芗W(wǎng)絡(luò)中的干擾管控與資源管理、通信與計(jì)算融合等；曾獲IEEE ICC 2018最佳論文獎(jiǎng)；已發(fā)表論文20余篇。

周一青，中國科學(xué)院大學(xué)教授，中國科學(xué)院計(jì)算技術(shù)研究所“百人計(jì)劃”研究員、博士生導(dǎo)師，無線通信技術(shù)研究中心副主任，移動(dòng)計(jì)算與新型終端北京市重點(diǎn)實(shí)驗(yàn)室副主任；主要研究方向?yàn)橐苿?dòng)通信、通信與計(jì)算融合等；曾獲得WCSP2019、IEEE ICC2018、ISCIT2016、IEEE PIMRC2015、ICCS2014、WCNC013最佳論文獎(jiǎng)，并獲《China Communications》《IEEE Transactions on Vehicular Technology》最佳編輯獎(jiǎng)等；已發(fā)表論文150余篇。

潘振崗，北京紫光展銳通信技術(shù)有限公司中央研究院先進(jìn)通信技術(shù)實(shí)驗(yàn)室主任；主要研究方向?yàn)闊o線信號(hào)處理、多天線系統(tǒng)、信道編解碼、跨層優(yōu)化。