小区基站缓存内容的基于学习的优化
本文研究了在移动通信下行数据中进行内容级别选择性卸载的问题,将流行的内容存储在无线信息站终端的高速缓存存储器中,直接从信息站下载存储的内容,以减少蜂窝网络的延迟和负载,并利用多臂赌博问题及切换成本等方式进行最优的缓存内容放置来学习流行度模型,以提高缓存效率。
Jul, 2014
本研究旨在优化小型基站中的内容缓存策略,提出了一种基于聚类与强化学习的方案,并在模拟中证明其相对于随机缓存和未聚类学习方案,能够最小化 42% 和 27% 的服务延迟,并获得 280% 和 90% 的更高卸载收益。
Sep, 2014
本文提出了一种上下文感知的预热缓存优化算法,通过定期观察连接用户的上下文信息来在线学习上下文特定的内容受欢迎程度,并更新缓存内容并随后观察缓存命中率,最终证明该算法以最大化缓存命中数为目标的最优缓存内容放置策略被证明是可行的。
Jun, 2016
本研究提出了一个基于强化学习和全局 / 本地 Markov 过程的缓存策略框架,用于预取受欢迎的文件,以便下一次请求时可以快速提供服务。
Jul, 2017
研究了在具有缓存能力的小型基站网络模型中,通过确定性分布或本地缓存满足用户需求的方式,分析了系统性能的关键操作参数,并演示了目标文件比特率、存储大小、文件长度和文件流行度对故障概率和平均交付速率的影响。
May, 2014
本文研究了通过在基站采用主动缓存技术,以解决 5G 无线网络优化中的大数据问题。通过利用收集自土耳其电信运营商的用户移动通信数据进行内容受欢迎程度的估计,得出当存储容量为 15.4G,内容评价占 10%时,主动缓存实现 100%的请求满足率和 98%的后端负载卸载。
Feb, 2016
该研究主要研究如何在具有移动性的小型网络中存储内容文件的编码版本,并提出了分布式逼近算法来解决该问题。在实验中,使用基于大偏差不等式的方法使得研究结论在实际应用中更加精准。
May, 2014
本文提出了一种基于位置定制的缓存方案,使用线性模型估计未来内容命中率,并以此为基础提出了求解最优缓存策略的不依赖于训练的在线算法,实现了自适应缓存决策并达到了与最优策略相当的命中率。
Sep, 2018
该研究在未知用户偏好情况下,探究了学习型缓存在小型蜂窝网络(SCN)中的应用。在这个问题中,我们从多智能体多武器老虎机(MAMAB)的角度模拟这个序列决策问题。我们提出几种 MAMAB-Based 算法,在静态和非静态环境下直接学习缓存策略,以实现最小化系统长期传输延迟的目标。该研究验证了所提出的算法的有效性,并进一步讨论了不同参数对缓存性能的影响。
Jan, 2020
本文针对小区缓存技术,并将其应用于商业网络服务中,建立了一个基于 Stackelberg 博弈的数学模型,研究最优租赁小区的定价、资源分配和人气分布等四个关键因素与网络压力的关系,并通过蒙特卡罗模拟对该模型进行了评估。
Feb, 2016