1.一种面向差异化QoS保障的链路汇聚节点缓存方法，其特征在于，包括如下步骤：S1、针对网络业务进行差异化业务分类，分类为三种类型业务：时延敏感业务、带宽敏感业务和可靠性敏感业务；

S2、构建DQN缓存动态调整策略：针对三种类型业务分别将汇聚节点缓存中的当前队列长度、出队速率、排队时延三个状态作为DQN缓存动态调整的依据，得到对应的动态调整结果：动态增加或者减少缓存空间;包括以下子步骤：S201、对汇聚节点缓存容量B进行初始化；

S202、根据当前队列长度、出队速率、排队时延状态执行动作0或动作1；

S203、若执行动作0，则在当前缓存空间的基础上增加1个数据包容量，为了避免缓存容量过大，当增加至缓存容量上限U时，停止继续增加缓存空间；

S204、若执行动作1，则在当前缓存空间的基础上减小1个数据包容量，为了避免缓存容量为0，当减小至缓存容量下限L时，停止继续减小缓存空间；

S205、判断当前汇聚节点缓存中是否存在队列，是则返回执行步骤S202，否则结束动态调整;S3、构建DQN缓存动态调整策略的智能体，该智能体包括主Q网络和目标Q网络；

将汇聚节点的缓存空间作为DQN智能体的环境，并将缓存空间中的当前队列长度、出队速率、当前排队时延作为状态空间用于DQN智能体的训练，定义DQN智能体的动作空间为：增大缓存容量和减小缓存容量；基于差异化业务分类，将奖励函数分为时延奖励、吞吐量奖励、丢包率奖励，并加权求和得到总奖励；采用 策略选择当前状态下奖励函数最大化的动作；

DQN缓存动态调整策略的智能体中，主Q网络和目标Q网络结构相同；主Q网络、以及目标Q网络均包括输入层、隐藏层、全连接层、以及输出层：所述输入层：用于接收输入状态数据，输入层包括3个输入单元，分别对应汇聚节点缓存区内的当前队列长度、出队速率、排队时延3个状态；

所述隐藏层：用于对输入的状态数据进行非线性变换和特征提取，并将输入的状态数据映射到更高维度的表示空间中；

所述全连接层：用于整合隐藏层的特征信息，并将这些信息转化为缓存调整策略的输出；所述输出层：用于将输出转换为动作概率，输出层包括2个输出单元，采用softmax激活函数实现动作0或动作1的概率输出;利用DQN缓存动态调整策略训练智能体：主Q网络用于评估当前策略，目标Q网络通过提供一个稳定的目标Q值稳定训练过程，并且在训练过程中采用经验回放机制，使用目标Q网络计算下一状态下所有动作的Q值，选择最大Q值计算目标Q值，使用主Q网络计算当前状态下动作的Q值，计算当前状态下动作的Q值与目标Q值之间的损失，然后不断更新主Q网络，直到达到预设训练次数，得到面向差异化QoS保障的链路汇聚节点缓存模型；

其中，时延奖励、吞吐量奖励、丢包率奖励、总奖励具体为：

时延奖励：

（1）；

其中，Dtarget表示队列在缓存中的目标排队时延， Dcurrent表示当前队列的排队时延，通过GetSeconds()函数获取，Dcurrent越小则Rewarddelay越接近Dtarget；

吞吐量奖励： （2）；

其中，Rdequeue表示队列的出队速率，Rphy表示瓶颈链路的物理带宽，Rdequeue越逼近Rphy表明吞吐量越大；

丢包率奖励：   （3）；

其中， packetLossRate表示当前丢包率，Ndropped表示当前被丢弃的数据包个数， Nenq表示当前成功入队的数据包个数；

总奖励：

（4）；

其中，w1、w2、w3分别对应时延奖励、吞吐量奖励、丢包奖励的权重,clip(*)表示剪裁函数；

策略的决策方式为：   （5）；

其中，a表示针对当前状态s下做出的动作调整策略，m为(0,1)内的随机数, 为探索率，当 时，选择预期价值最大的动作；当 时，随机选择一个参数调整动作， ，episode为训练回合数，s={Lcurrent，Rduqueue，Dcurrent}， Lcurrent表示当前队列长度，Rdequeue表示出队速率， Dcurrent表示当前排队时延， 是Q网络的参数；Q（s,a;θ）表示在神经网络参数为θ时，状态s下，智能体选择动作a的Q值；

其中，目标Q值计算公式如下：                （6）；

其中，r为当前奖励， 为折扣因子，表示未来奖励的重要性，a’为下一个动作，s’表示下一个状态， 为目标Q网络的参数； 表示在神经网络参数为 ，下一个状态状态s’时，智能体选择下一个动作a’的Q值；

计算当前状态下动作的Q值与目标Q值之间的损失，如下式，然后通过反向传播算法和梯度下降法更新主Q网络的参数 ，以最小化该损失，              （7）；

S4、以不同类型的网络业务为输入，利用面向差异化QoS保障的链路汇聚节点缓存模型，输出相应网络业务的缓存策略。