研究了无线小型基站中有限的回程容量中的最佳缓存内容放置，使用内容级选择性卸载并基于需求历史来优化缓存内容放置，并提供了三种算法进行研究。

Feb, 2014

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

通过使用基于有限容量缓存的基站，我们研究了在无线网络中具有推荐功能的内容缓存。我们假设存在一组固定内容，用户的偏好和内容的受欢迎程度未知。我们可以向用户推荐一部分内容，以鼓励用户请求这些内容，从而增加缓存命中率。我们将缓存命中率优化问题形式化为组合多臂赌博问题，并提出了一种基于 UCB 算法的决策内容缓存和推荐的方法。我们给出了算法遗憾的上界，并通过数值实验对我们的算法性能进行了比较。

Apr, 2024

本文提出了一种在通信困难的灾害情景中利用无人机辅助的内容管理系统，通过静态和移动无人机的混合网络，给被困用户提供关键信息的访问。为了最大化被困用户的内容可用性，设计了一种实时学习内容缓存策略的内容传播系统。通过使用去中心化的多臂赌博学习模型，考虑了地理和时间上的差异，以及内容的异质性需求，实现了无人机缓存决策的优化。通过各种网络规模、无人机分布和内容受欢迎程度的功能验证和性能评估，验证了所提出的缓存框架的有效性。

Dec, 2023

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

在通信受限的灾难情景中，本文提出了一种微型无人机增强的内容管理系统。该系统在缺乏蜂窝基础设施的情况下，部署了一个由静止和移动无人机组成的混合网络，为孤立的社区提供重要的内容访问。通过装备有垂直和水平链接的静态锚定无人机，该系统满足本地用户的需求，而通过装备有水平链接和更高灵活性的机动微型运输无人机，系统可以覆盖多个社区中的用户。该系统的主要目标是设计一种自适应内容传播系统，动态学习缓存策略以最大限度地提高内容可访问性。本文提出了一种分散式的 Top-k 多臂赌博机学习方法，用于无人机缓存决策，以适应地理和时间上的内容流行度差异和多样化的内容需求。所提出的机制涉及一种选择性缓存算法，通过利用无人机之间的共享信息，自动减少内容的冗余副本。实验证明，Top-k 多臂赌博机学习和选择性缓存算法可以改善系统性能，同时使学习过程适应性更强。本文在各种网络规模、微型运输无人机群体和异构的流行度分布下对所提出的缓存框架进行了功能验证和性能评估。

Apr, 2024

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

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

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