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！

龙图腾网获悉中国电建集团北京勘测设计研究院有限公司申请的专利一种5G云边协同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：CN120017525B 。

龙图腾网通过国家知识产权局官网在2026-02-03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：202510176113.5，技术领域涉及：H04L41/14；该发明授权一种5G云边协同内容缓存方法是由袁锐;王赞豪;刘婧欢;崔华俊;王梵鹏;何小明;张文秋;张赛;鲍善强;王坤;汤越;钟铮设计研发完成，并于2025-02-18向国家知识产权局提交的专利申请。

本一种5G云边协同内容缓存方法在说明书摘要公布了：本发明涉及5G和数字信息传输领域，具体涉及一种5G云边协同内容缓存方法，其包括如下步骤：在云边协作场景中，综合考虑命中率、传输时延与流量负载等因素，对用户体验进行建模。对构建的云边协同缓存模型进行求解，其中，求解过程包括基于Transformer的内容预测以及多智能体强化学习技术进行求解。将缓存模型拆分为和两部分；通过基于Transformer、深度神经网络与超维计算的缓存预测方案求解；通过采用深度强化学习的方法求解。本发明综合考虑了用户偏好信息、热门信息与用户历史浏览记录，并设计了差异化的特征提取方案，从而达到较高的预测准确率。

本发明授权一种5G云边协同内容缓存方法在权利要求书中公布了：1.一种5G云边协同内容缓存方法，其特征在于：包括如下步骤： 基于余弦相似度理论构建预测准确率和缓存命中率的表述方式； 根据用户在时刻请求的内容的获取方式，构建总体传输时延的表述方式； 根据总体传输时延的表述方式构建总的流量代价的表述方式； 综合考虑命中率、传输时延与流量负载，构建用户体验的表述方式，并进一步构建缓存模型； 将缓存模型拆分为和两部分； 通过基于Transformer、深度神经网络与超维计算的缓存预测方案求解； 通过采用深度强化学习的方法求解； 表示为： 其中，为预测准确率，为缓存命中率，为预测准确率的期望值；为预测准确率的期望值；为权重参数；为用户实际访问的内容；为内容集合；代表的一个邻近边缘节点或云计算中心；代表边缘节点的邻近节点和云计算中心两者组成的集合； 表示为：；是指从本地读取的用户体验； 其中，为权重参数；为权重参数；为链路负载；为用户体验，为针对内容从处获取内容的延时；为从本地读取的时间延迟； 对的求解过程为：对数据进行预处理，利用高维计算方法，将矢量化缓存内容进一步映射到超维空间； 将预处理后的数据作为输入，分别通过用户偏好提取网络、历史信息提取网络与热门信息提取网络，从而提取用户偏好、历史信息与热门信息，用户偏好提取网络由仅包含一层的全连接神经网络组成； 采用时序序列神经网络Transformer预测下一时刻的历史信息与热门信息，Transformer中的编码器-解码器结构来预测序列，并将编码器和解码器的嵌入层与高维向量相结合，其中用向量间运算取代原始浮点运算； 对预测结果进行综合，得到最终的内容矩阵； 对的求解过程为：定义状态空间、动作空间和奖励； 表示为的Actor网络，表示为的Critic网络，表示为由的目标Actor网络，以及表示为的目标Critic网络，在训练过程中的参数更新分为两次，更新Critic网络与更新Actor网络； 当更新Critic网络时，先选择一组样本和，并利用目标Actor网络计算状态状态下采取的动作，即； 利用目标Critic网络，计算状态-动作组合，的目标值，即，其中，done参数代表训练是否完成，如果训练完成，则为1，否则为0； 利用Critic网络计算状态-动作组合的评估值：，并采用梯度下降算法来减小评估值和预期值之间的差异，从而更新Critic网络的参数； 当更新Actor网络，先利用Actor网络来计算状态中的动作，即计算； 利用Critic网络计算状态-动作组合的评估值，即累积预期回报； 使用梯度上升算法来最大化累积预期回报。

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中国电建集团北京勘测设计研究院有限公司，其通讯地址为：100024 北京市朝阳区定福庄西街1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。