5G 无线网络中积极缓存的作用
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
提出了一种大数据缓存架构来实现在 5G 无线网络中对内容的主动缓存,通过使用大数据分析工具,数值研究结果表明在提高用户满意度和减轻回传负载等方面获得了显著的收益。
Jun, 2016
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
本研究讨论了缓存技术在无线网络中的应用,重点探讨了网络、信息理论、机器学习和无线通信等不同领域之间的联合研究,同时分析了涉及的利益相关者之间的复杂关系。最终,我们对 5G 无线网络中的缓存进行了前景展望和利益相关者分析。
Jan, 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
本文研究了使用搭载缓存设备的无人机进行主动部署以优化云无线接入网络中无线设备的体验质量问题。通过使用概念器基础回声状态网络(ESN)的机器学习框架,网络可以有效地预测用户的内容需求分布和移动模式,并可以在最大化用户体验质量和最小化无人机传输功率的同时找到最佳的用户 - 无人机关联、无人机的最佳位置以及需要在无人机上缓存的内容。
Oct, 2016
研究了在延迟和可靠性限制下,在雾计算网络中分配和主动缓存计算任务的基本问题,提出了一种聚类方法来对空间上的用户设备进行分组,并将它们的任务分发到服务云,通过主动缓存计算结果来最小化计算延迟。模拟结果表明,相比基线方案,该方案可以保证可靠计算,其减少了高达 91%的计算延迟。
Apr, 2017
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
本文提出一种基于多智能体框架的深度强化学习方法以最小化整体平均传输延迟,通过与三种不同的缓存策略对比,结果显示出该算法对于不同环境的能力更强,性能也更好。
May, 2019
本文研究在无线边缘 (即基站) 缓存内容以最小化无限时域内的成本问题,将问题建模为不安定老虎机问题,证明了应用 Whittle 指数策略最小化费用的指标性。
Oct, 2022