ارائه یک الگوریتم جدید پیش بینی محبوبیت محتوا براساس مدل رگرسیون خودکار در اینترنت اشیاء

از آنجایی که حافظه نهان شبکه اطلاعات محور می تواند به طور موثر درخواست های مشتریان به تولیدکنندگان را کاهش دهد و کارایی اکتساب محتوا را بهبود بخشد، مطالعات زیادی برای بهبود عملکرد سیستم اینترنت اشیا با استفاده از مفهوم حافظه نهان شبکه اطلاعات محور انجام شده است که برای بهبود دقت پیشبینی محبوبیت محتوا در این مقاله یک تحلیل خاص از محبوبیت محتوا را نشان میدهیم و یک الگوریتم پیشبینی محبوبیت محتوا بر اساس پنج مدل رگرسیون خودکار پیشنهاد میکنیم. این الگوریتم ها پارامترهای رگرسیون را بر اساس برآوردهای حداقل مربعات استخراج می کند و روندهای آتی محبوبیت محتوا را با ترکیب مقادیر مختلف شناخته شده در یک دوره معین پیش بینی می کند.الگوریتم های مطالعه شده میتوانند نرخ ضربه حافظه پنهان را در روترها افزایش دهند و ترافیک شبکه و تاخیر دسترسی به سرویس را به طور موثر کاهش دهند تا تجربه کاربران در سناریوهای مختلف مانند سرویسهای پخش رسانهای بلادرنگ را بهبود بخشند.