一种电力物联网的边缘计算缓存方法及相关装置与流程

1.本发明涉及边缘计算技术领域，特别是涉及一种电力物联网的边缘计算缓存方法、一种电力物联网的边缘计算缓存装置、一种电力物联网的边缘计算缓存设备以及一种计算机可读存储介质。


背景技术：

2.电力智慧物联体系和物联管理平台的发展对电力物联网提出了新的要求，海量连接电力物联网场景下将产生海量的异构数据，数据的采集、传输、存储等将会对通信信道和主站存储计算系统带来巨大压力。而现有的通信基础难以满足业务处理所需的超高带宽、超高速率和超低时延等要求，因此无法满足云计算平台海量的数据处理任务。移动边缘计算(mec，mobile edge computing)通过将计算与存储资源部署在终端设备侧，并通过边缘服务器执行部分计算任务来减少云计算的资源压力，可以有效提高实时计算能力。
3.移动边缘缓存的目的是在网络边缘有限的缓存空间中为移动用户缓存一组指定的兴趣内容，以分流基站负载，减少传输距离，减少传输延迟，降低能耗，确保用户体验。然而，固定和随机分配的缓存资源往往无法提供令人满意的缓存效果，也无法保证网络的能效。因此，利用优化的缓存资源分配来提高缓存效率和网络性能显得尤为重要。经典的缓存算法主要有最近最少使用(least recently used,lru)算法和最不经常使用(least frequently used,lfu)算法，其中lru算法偏向替换掉最久未使用的数据，lfu算法偏向替换掉使用频率最少的数据。
4.lru算法淘汰最近最久未使用的数据，基于时间局部性其在访问时间上有优势，但是因此可能使得存在访问次数很多，同时也比较流行的数据被替换掉。lfu淘汰的是访问次数最少的数据，但是该数据也可能不久就被使用。这些经典的缓存替换算法大多旨在适应于不同的网络拓扑，但他们既没有考虑内容本身的属性，例如数据大小，也没有考虑影响因素和最终用户特征，例如检索成本，因此随着时间推移可能这些缓存内容不再有用。所以如何提供一种可以适应动态的边缘计算网络的缓存计算方法是本领域技术人员急需解决的问题。


技术实现要素：

5.本发明的目的是提供一种电力物联网的边缘计算缓存方法，可以适应动态的边缘计算网络，提高缓存命中率；本发明的另一目的在于提供一种电力物联网的边缘计算缓存装置、一种电力物联网的边缘计算缓存设备以及一种计算机可读存储介质，可以适应动态的边缘计算网络，提高缓存命中率。
6.为解决上述技术问题，本发明提供一种电力物联网的边缘计算缓存方法，包括：
7.获取待添加数据的属性信息；
8.调用模糊神经网络模型，根据所述属性信息计算所述待添加数据对应的第一缓存决策优先级；
9.根据所述第一缓存决策优先级，将所述待添加数据替换边缘服务器对应缓存的数据中，至少低于所述第一缓存决策优先级的第二缓存决策优先级对应的数据；所述第二缓存决策优先级为所述缓存中数据所对应的缓存决策优先级。
10.可选的，所述属性信息包括所述待添加数据的需求频率，所述待添加数据的占用率以及所述待添加数据对应的检索成本。
11.可选的，所述根据所述第一缓存决策优先级，将所述待添加数据替换边缘服务器对应缓存的数据中，至少第二缓存决策优先级低于所述第一缓存决策优先级的数据包括：
12.根据所述第一缓存决策优先级，将所述待添加数据替换边缘服务器对应缓存的数据中，最低的第二缓存决策优先级对应的数据。
13.可选的，所述获取待添加数据的属性信息包括：
14.获取目标数据读取指令；
15.当所述目标数据读取指令对应的目标数据在所述边缘服务器对应的缓存中时，更新所述目标数据的属性信息，并将所述目标数据作为待添加数据；
16.所述根据所述第一缓存决策优先级，将所述待添加数据替换边缘服务器对应缓存的数据中，至少低于所述第一缓存决策优先级的第二缓存决策优先级对应的数据包括：
17.根据所述第一缓存决策优先级，将所述待添加数据的标识替换边缘服务器对应缓存的数据对应的标识中，至少低于所述第一缓存决策优先级的第二缓存决策优先级对应的标识。
18.可选的，在所述获取目标数据读取指令之后，还包括：
19.当所述目标数据读取指令对应的目标数据未在所述边缘服务器对应的缓存中时，获取所述目标数据的属性信息，并将所述目标数据作为待添加数据；
20.所述根据所述第一缓存决策优先级，将所述待添加数据替换边缘服务器对应缓存的数据中，至少低于所述第一缓存决策优先级的第二缓存决策优先级对应的数据包括：
21.当所述边缘服务器对应缓存剩余的大小小于所述待添加数据的大小时，根据所述第一缓存决策优先级，将所述待添加数据替换边缘服务器对应缓存的数据中，至少低于所述第一缓存决策优先级的第二缓存决策优先级对应的数据。
22.可选的，还包括：
23.当所述边缘服务器对应的缓存剩余的大小不小于所述待添加数据的大小时，将所述待添加数据添加至所述边缘服务器对应的缓存。
24.可选的，在所述获取目标数据读取指令之前，还包括：
25.当所述边缘服务器对应的缓存未被占用时，结束流程。
26.本发明还提供了一种电力物联网的边缘计算缓存装置，包括：
27.获取模块，用于获取待添加数据的属性信息；
28.优先级模块，用于调用模糊神经网络模型，根据所述属性信息计算所述待添加数据对应的第一缓存决策优先级；
29.替换模块，用于根据所述第一缓存决策优先级，将所述待添加数据替换边缘服务器对应缓存的数据中，至少低于所述第一缓存决策优先级的第二缓存决策优先级对应的数据；所述第二缓存决策优先级为所述缓存中数据所对应的缓存决策优先级。
30.本发明还提供了一种电力物联网的边缘计算缓存设备，包括：
31.存储器，用于存储计算机程序；
32.处理器，用于执行所述计算机程序以实现如上述任意一项所述电力物联网的边缘计算缓存方法的步骤。
33.本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行以实现如上述任意一项所述电力物联网的边缘计算缓存方法的步骤。
34.本发明所提供的一种电力物联网的边缘计算缓存方法，包括：获取待添加数据的属性信息；调用模糊神经网络模型，根据属性信息计算待添加数据对应的第一缓存决策优先级；根据第一缓存决策优先级，将待添加数据替换边缘服务器对应缓存的数据中，至少低于第一缓存决策优先级的第二缓存决策优先级对应的数据；第二缓存决策优先级为缓存中数据所对应的缓存决策优先级。
35.通过模糊神经网络模型根据待添加数据的属性信息确定对应的缓存决策优先级，之后基于缓存决策优先级替换缓存中的数据。利用模糊计算可以更好地自适应地调整不同的内容属性及影响因素，可以根据选择好的因素选择更优先的内容进行缓存。神经网络具有较强的自学习能力和联想功能能力，人工干预少，精度较高。利用模糊神经网络模型实现动态自适应的边缘计算缓存决策，考虑了电力物联网中边缘计算缓存的影响特征，具有很好的环境适配性，此处适配性指满足电力物联网边缘计算终端不同缓存要求，可根据实际综合权衡各影响因素。同时可以实现动态自适应的调整内容属性及影响因素，提高了边缘计算缓存算法的命中率，降低了时延，缓存命中率具有随时间的动态稳定性。
36.本发明还提供了一种电力物联网的边缘计算缓存装置、一种电力物联网的边缘计算缓存设备以及一种计算机可读存储介质，同样具有上述有益效果，在此不再进行赘述。
附图说明
37.为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
38.图1为本发明实施例所提供的一种电力物联网的边缘计算缓存方法的流程图；
39.图2为本发明实施例所提供的一种具体的电力物联网的边缘计算缓存方法的流程图；
40.图3为模糊神经网络模型的结构示意图；
41.图4为本发明实施例所提供的一种电力物联网的边缘计算缓存装置的结构框图；
42.图5为本发明实施例所提供的一种电力物联网的边缘计算缓存设备的结构框图。
具体实施方式
43.本发明的核心是提供一种电力物联网的边缘计算缓存方法。在现有技术中，lru算法淘汰最近最久未使用的数据，基于时间局部性其在访问时间上有优势，但是因此可能使得存在访问次数很多，同时也比较流行的数据被替换掉。lfu淘汰的是访问次数最少的数据，但是该数据也可能不久就被使用。这些经典的缓存替换算法大多旨在适应于不同的网
络拓扑，但他们既没有考虑内容本身的属性，例如数据大小，也没有考虑影响因素和最终最终用户特征，例如检索成本，因此随着时间推移可能这些缓存内容不再有用。
44.而本发明所提供的一种电力物联网的边缘计算缓存方法，包括：获取待添加数据的属性信息；调用模糊神经网络模型，根据属性信息计算待添加数据对应的第一缓存决策优先级；根据第一缓存决策优先级，将待添加数据替换边缘服务器对应缓存的数据中，至少低于第一缓存决策优先级的第二缓存决策优先级对应的数据；第二缓存决策优先级为缓存中数据所对应的缓存决策优先级。
45.通过模糊神经网络模型根据待添加数据的属性信息确定对应的缓存决策优先级，之后基于缓存决策优先级替换缓存中的数据。利用模糊计算可以更好地自适应地调整不同的内容属性及影响因素，可以根据选择好的因素选择更优先的内容进行缓存。神经网络具有较强的自学习能力和联想功能能力，人工干预少，精度较高。利用模糊神经网络模型实现动态自适应的边缘计算缓存决策，考虑了电力物联网中边缘计算缓存的影响特征，可以实现动态自适应的调整内容属性及影响因素，提高了边缘计算缓存算法的命中率，降低了时延，缓存命中率具有随时间的动态稳定性。
46.为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
47.请参考图1，图1为本发明实施例所提供的一种电力物联网的边缘计算缓存方法的流程图。
48.参见图1，在本发明实施例中，电力物联网的边缘计算缓存方法包括：
49.s101：获取待添加数据的属性信息。
50.在本步骤之前，首选需要确定待添加数据，即需要添加至缓存中的数据。有关确定待添加数据的具体过程将在下述发明实施例中做详细介绍，在此不再进行赘述。
51.上述属性信息用于表征该待添加数据的状态，通常情况下，所述属性信息可以包括所述待添加数据的需求频率，所述待添加数据的占用率以及所述待添加数据对应的检索成本。有关该属性信息的具体内容，以及后续与模糊神经网络模型相结合的具体内容将在下述发明实施例中做详细介绍，在此不再进行赘述。
52.s102：调用模糊神经网络模型，根据属性信息计算待添加数据对应的第一缓存决策优先级。
53.在本步骤中，会调用模糊神经网络模型，模糊神经网络模型是将模糊逻辑与人工神经网络相结合的模型，利用模糊的语言变量代替精确的数值输入，能很好地模拟人的思维、推理和判断。而通过人工神经网络对模糊运算中的权值进行调整，可以保证模糊运算过程中具有动态自适应的调整能力，以保证最终输出的第一缓存决策优先级的准确性。有关模糊神经网络模型的具体内容将在下述发明实施例中做详细介绍，在此不再进行赘述。需要说明的是，上述第一缓存决策优先级为待添加数据所对应的缓存决策优先级，而下述第二缓存决策优先级为缓存中数据所对应的缓存决策优先级。
54.s103：根据第一缓存决策优先级，将待添加数据替换边缘服务器对应缓存的数据中，至少低于第一缓存决策优先级的第二缓存决策优先级对应的数据。
55.在本发明实施例中，所述第二缓存决策优先级为所述缓存中数据所对应的缓存决策优先级。
56.在本步骤中，需要将上述第一缓存决策优先级与缓存中数据所对应的第一缓存决策优先级做对比，使得待添加数据替换掉缓存中缓存决策优先级更低的数据，即被替换掉的缓存中的数据的第二缓存决策优先级，需要低于上述待添加数据对应的第一缓存决策优先级。
57.通常情况下，在本步骤中需要替换掉最低的第二缓存决策优先级所对应的数据，将最低的第二缓存决策优先级所对应的数据替换为上述待添加数据。即本步骤通常包括：根据所述第一缓存决策优先级，将所述待添加数据替换边缘服务器对应缓存的数据中，最低的第二缓存决策优先级对应的数据，以实现缓存中数据的替换，保证缓存中数据均具有较高的缓存决策优先级。
58.本发明实施例所提供的一种电力物联网的边缘计算缓存方法，包括：获取待添加数据的属性信息；调用模糊神经网络模型，根据属性信息计算待添加数据对应的第一缓存决策优先级；根据第一缓存决策优先级，将待添加数据替换边缘服务器对应缓存的数据中，至少低于第一缓存决策优先级的第二缓存决策优先级对应的数据；第二缓存决策优先级为缓存中数据所对应的缓存决策优先级。
59.通过模糊神经网络模型根据待添加数据的属性信息确定对应的缓存决策优先级，之后基于缓存决策优先级替换缓存中的数据。利用模糊计算可以更好地自适应地调整不同的内容属性及影响因素，可以根据选择好的因素选择更优先的内容进行缓存。神经网络具有较强的自学习能力和联想功能能力，人工干预少，精度较高。利用模糊神经网络模型实现动态自适应的边缘计算缓存决策，考虑了电力物联网中边缘计算缓存的影响特征，可以实现动态自适应的调整内容属性及影响因素，提高了边缘计算缓存算法的命中率，降低了时延，缓存命中率具有随时间的动态稳定性。
60.有关本发明所提供的一种电力物联网的边缘计算缓存方法的具体内容将在下述发明实施例中做详细介绍。
61.请参考图2以及图3，图2为本发明实施例所提供的一种具体的电力物联网的边缘计算缓存方法的流程图；图3为模糊神经网络模型的结构示意图。
62.参见图2，在本发明实施例中，电力物联网的边缘计算缓存方法包括：
63.s201：获取目标数据读取指令。
64.在本步骤中，需要首先获取对应目标数据的读取指令，以便执行后续流程。有关该指令的具体形式在本发明实施例中不做具体限定，视具体情况而定。
65.需要说明的是，后续对于缓存的操作，通常需要该缓存中预先设置有部分数据，并存储有对应各个数据的缓存决策优先级，即第二缓存决策优先级，以便执行后续操作。因此，在本步骤之前，通常需要对缓存是否被占用进行判断。当所述边缘服务器对应的缓存未被占用时，直接结束流程。而当上述缓存被占用时，才会执行后续流程。
66.s202：当目标数据读取指令对应的目标数据在边缘服务器对应的缓存中时，更新目标数据的属性信息，并将目标数据作为待添加数据。
67.在本发明实施例中，当上述目标数据读取指令对应的目标数据已经预先存储在缓存中时，说明当前缓存命中了该数据。此时，在本步骤中会更新该目标数据的属性信息，并
将该目标数据作为待添加数据，以便执行后续操作。
68.s203：调用模糊神经网络模型，根据属性信息计算待添加数据对应的第一缓存决策优先级。
69.缓存决策过程基于频率fr、缓存占用率co、检索成本cr。其中频率即待添加数据的需求频率，缓存命中时与该待添加数据相关联的频率定义为内容被请求或打算被请求的频率，频率可以从建立每个内容的流行度的函数中提取。而缓存占用率即待添加数据的占用率，其决定了缓存中可用的大小，本系统中这种大小用比率co来表示，co＝1表示待添加数据占用缓存大小的100％。电力物联网中边缘服务器的缓存大小通常是固定的，内容以同质化或异质化的大小使用，并收集在一个目录中以表示网络中的整个内容的集合。上述检索成本即待添加数据对应的检索成本，在本发明实施例中代指内容检索的成本，即与mec向终端用户检索所请求内容所需的外部带宽相关的成本，该检索成本通常可以用检索内容所花费的时间来表征。
70.在模糊神经网络模型中，会将上述三种属性信息各自用三种等级进行描述，例如对于频率fr，其对应的三个等级可以具体为低、中、高；对于占用率co，其对应的三个等级可以具体为小、中、大；对于检索成本cr，其对应的三个等级可以具体为低、中、长。具体的，上述频率fr对应的低、中、高指内容的受欢迎程度，每当目标数据的频率很高时，其受欢迎程度就会增加，反之亦然；缓存占用率co对应的小、中、大表示缓存中内容的占用率，其通常用目标数据大小除以剩余缓存大小来表示，co值越接近1，表示占用的缓存空间越大；检索成本cr对应的低、中、长是根据发生的时间至向最终用户检索请求内容的成本。本发明实施例所提供的模糊神经网络模型可以在训练过程中调整参数，从而提供不同的隶属函数形状，并根据给定的输入输出数据集生成模糊规则。
71.上述模糊神经网络模型中if-then模糊规则可以表示为：
72.if x
1 is a1，and x
2 is a2，
…
，and x
m is am；
73.theno＝f(x1，x2，
…
，xm)；
74.其中x1，x2，
…
，xm是输入变量，a1，a2，
…
，am是模糊集，例如：
75.if x is a1，and y is b1，and z isc1，then f1＝p1x q1y r1z s1；
76.其中p、q、r、s表示对应节点的输出规则参数，可以根据实际情况进行调整。
77.请参考图3，图3为模糊神经网络模型的结构示意图。其中x，y，z可以对应表示上述频率fr、缓存占用率co、检索成本cr。而a1、a2、a3可以表征参数x对应的三个等级；b1、b2、b3可以表征参数y对应的三个等级；c1、c2、c3可以表征参数z对应的三个等级。上述模糊神经网络模型的第一层为生成隶属度函数，以参数x为例，其对应的隶属度函数公式为：
[0078][0079]
其中o
1,i
为第一层节点i的输出，x为节点i的输入，ai是节点相关的模糊集的语义标签，{ai，bi，ci}是用来调整隶属函数形状所设置的前提参数。
[0080]
上述模糊神经网络模型的第二层用于基于隶属函数等级确定规则的触发强度，每个节点的输出是模糊逻辑与，其公式如下：
[0081]
[0082]
其中o
2,i
为第二层的输出，wi表示对隶属度函数进行模糊逻辑与，比如对图3中a1、b1、c1进行模糊逻辑与运算。
[0083]
上述模糊神经网络模型的第三层用于对触发强度进行标准化，在第三层中第i个节点的输出是i节点规则的触发强度与所有规则触发强度的比值，其公式如下：
[0084][0085]
其中o
3,i
表示i节点第三层的输出值，为标准化后的比值。
[0086]
上述模糊神经网络模型的第四层用于去模糊化，使用下述公式基于加权的结果参数确定规则输出：
[0087][0088]
其中o
4,i
为第四层节点i的输出，fi为上述定义的模糊规则。
[0089]
上述模糊神经网络模型的第五层通过下述公式计算节点输入总和的总体输出：
[0090][0091]
其中o
5,i
为第四层节点i的输出，也为整个模糊神经网络模型输出的第一缓存决策优先级。
[0092]
上述模糊神经网络模型对应的学习算法是梯度下降和最小二乘法的结合，在学习算法向前传递的过程中，使用最小二乘法确定节点输出的后续参数，节点输出向前移动，直到第四层。学习算法后向传递过程中，误差信号被后向传播，前提参数通过梯度下降法更新，使得隶属函数可以最优化调整。
[0093]
s204：根据第一缓存决策优先级，将待添加数据的标识替换边缘服务器对应缓存的数据对应的标识中，至少低于第一缓存决策优先级的第二缓存决策优先级对应的标识。
[0094]
即在本步骤中，当缓存命中了目标数据之后，由于目标数据已经存在缓存中，所以会将作为待添加数据的目标数据的标识替换该缓存中数据对应的标识中，至少低于第一缓存决策优先级的第二缓存决策优先级对应的标识，通常是删除缓存中被替换的表示所对应的数据，以保证缓存中存储的数据为命中率较高的数据。
[0095]
s205：当目标数据读取指令对应的目标数据未在边缘服务器对应的缓存中时，获取目标数据的属性信息，并将目标数据作为待添加数据。
[0096]
在本步骤中，当缓存未命中目标数据时，即s201获取的指令对应的目标数据未存储在缓存中时，也需要获取上述目标数据当前的属性信息，并将该目标数据作为待添加数据。
[0097]
s206：调用模糊神经网络模型，根据属性信息计算待添加数据对应的第一缓存决策优先级。
[0098]
本步骤与上述s203基本一致，详细内容请参考上述发明实施例，在此不再进行赘述。
[0099]
s207：当边缘服务器对应缓存剩余的大小小于待添加数据的大小时，根据第一缓存决策优先级，将待添加数据替换边缘服务器对应缓存的数据中，至少低于第一缓存决策优先级的第二缓存决策优先级对应的数据。
[0100]
本步骤需要在缓存未命中目标数据后执行，在本步骤中，当缓存剩余的大小小于待添加数据的大小时，需要对缓存当前存储的数据进行替换。具体的，会根据上述第一缓存决策优先级，缓存已存储的数据中，低于第一缓存决策优先级的第二缓存决策优先级对应的数据替换为待添加数据，以实现数据的替换。
[0101]
具体的，在本步骤中通常是先将缓存中存储的对应各个数据的标识进行替换，该标识通常可以理解为索引，在将标识进行替换之后，再在其他的时间根据待添加数据对应的标识将待添加数据引入缓存。
[0102]
s208：当边缘服务器对应的缓存剩余的大小不小于待添加数据的大小时，将待添加数据添加至边缘服务器对应的缓存。
[0103]
在本步骤中，当缓存还有空间存储待添加数据时，会将待添加数据直接添加至缓存。有关将数据添加缓存具体的流程可以先将待添加数据对应的标识添加至缓存，再在其他的时间根据待添加数据对应的标识将待添加数据引入缓存。
[0104]
本发明实施例所提供的一种电力物联网的边缘计算缓存方法，为以传统lru和lfu缓存替换算法为指导，基于模糊逻辑运算与人工神经网络的新型边缘服务器缓存方案，克服了传统lru和lfu算法只适应单一网络拓扑、无法根据时间动态调整的缺陷，解决了仅仅使用模糊控制系统难以动态调整隶属函数的问题。相比于传统的缓存方案，本发明实施例综合权衡了影响缓存算法的重要因素，有效提高了缓存命中率，并具有很好的适配性，可以满足电力物联网边缘计算终端不同缓存要求，可根据实际综合权衡各影响因素，将很好满足电力物联网边缘端计算缓存要求。
[0105]
下面对本发明实施例所提供的一种电力物联网的边缘计算缓存装置进行介绍，下文描述的电力物联网的边缘计算缓存装置与上文描述的电力物联网的边缘计算缓存方法可相互对应参照。
[0106]
请参考图4，图4为本发明实施例所提供的一种电力物联网的边缘计算缓存装置的结构框图。参照图4，电力物联网的边缘计算缓存装置可以包括：
[0107]
获取模块100，用于获取待添加数据的属性信息。
[0108]
优先级模块200，用于调用模糊神经网络模型，根据所述属性信息计算所述待添加数据对应的第一缓存决策优先级。
[0109]
替换模块300，用于根据所述第一缓存决策优先级，将所述待添加数据替换边缘服务器对应缓存的数据中，至少低于所述第一缓存决策优先级的第二缓存决策优先级对应的数据；所述第二缓存决策优先级为所述缓存中数据所对应的缓存决策优先级。
[0110]
作为优选的，在本发明实施例中，所述属性信息包括所述待添加数据的需求频率，所述待添加数据的占用率以及所述待添加数据对应的检索成本。
[0111]
作为优选的，在本发明实施例中，替换模块300具体用于：
[0112]
根据所述第一缓存决策优先级，将所述待添加数据替换边缘服务器对应缓存的数据中，最低的第二缓存决策优先级对应的数据。
[0113]
作为优选的，在本发明实施例中，获取模块100包括：
[0114]
指令获取单元，用于获取目标数据读取指令。
[0115]
命中单元，用于当所述目标数据读取指令对应的目标数据在所述边缘服务器对应的缓存中时，更新所述目标数据的属性信息，并将所述目标数据作为待添加数据。
[0116]
所述替换模块300具体用于：
[0117]
根据所述第一缓存决策优先级，将所述待添加数据的标识替换边缘服务器对应缓存的数据对应的标识中，至少低于所述第一缓存决策优先级的第二缓存决策优先级对应的标识。
[0118]
作为优选的，在本发明实施例中，获取模块100还包括：
[0119]
未命中单元，用于当所述目标数据读取指令对应的目标数据未在所述边缘服务器对应的缓存中时，获取所述目标数据的属性信息，并将所述目标数据作为待添加数据。
[0120]
所述替换模块300具体用于：
[0121]
当所述边缘服务器对应缓存剩余的大小小于所述待添加数据的大小时，根据所述第一缓存决策优先级，将所述待添加数据替换边缘服务器对应缓存的数据中，至少低于所述第一缓存决策优先级的第二缓存决策优先级对应的数据。
[0122]
作为优选的，在本发明实施例中，还包括：
[0123]
添加模块，用于当所述边缘服务器对应的缓存剩余的大小不小于所述待添加数据的大小时，将所述待添加数据添加至所述边缘服务器对应的缓存。
[0124]
作为优选的，在本发明实施例中，还包括：
[0125]
占用判断模块，用于当所述边缘服务器对应的缓存未被占用时，结束流程。
[0126]
本实施例的电力物联网的边缘计算缓存装置用于实现前述的电力物联网的边缘计算缓存方法，因此电力物联网的边缘计算缓存装置中的具体实施方式可见前文中的电力物联网的边缘计算缓存方法的实施例部分，例如，获取模块100，优先级模块200，替换模块300，分别用于实现上述电力物联网的边缘计算缓存方法中步骤s101至s103，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
[0127]
下面对本发明实施例提供的一种电力物联网的边缘计算缓存设备进行介绍，下文描述的电力物联网的边缘计算缓存设备与上文描述的电力物联网的边缘计算缓存方法以及电力物联网的边缘计算缓存装置可相互对应参照。
[0128]
请参考图5，图5为本发明实施例所提供的一种电力物联网的边缘计算缓存设备的结构框图。
[0129]
参照图5，该电力物联网的边缘计算缓存设备可以包括处理器11和存储器12。
[0130]
所述存储器12用于存储计算机程序；所述处理器11用于执行所述计算机程序时实现上述发明实施例中所述的电力物联网的边缘计算缓存方法的具体内容。
[0131]
本实施例的电力物联网的边缘计算缓存设备中处理器11用于安装上述发明实施例中所述的电力物联网的边缘计算缓存装置，同时处理器11与存储器12相结合可以实现上述任一发明实施例中所述的电力物联网的边缘计算缓存方法。因此电力物联网的边缘计算缓存设备中的具体实施方式可见前文中的电力物联网的边缘计算缓存方法的实施例部分，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
[0132]
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一发明实施例中所介绍的一种电力物联网的边缘计算缓存方法。其余内容可以参照现有技术，在此不再进行展开描述。
[0133]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装
置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0134]
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
[0135]
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。
[0136]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0137]
以上对本发明所提供的一种电力物联网的边缘计算缓存方法、一种电力物联网的边缘计算缓存装置、一种电力物联网的边缘计算缓存设备以及一种计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。