Jul, 2017

基于强化学习空时流行度的 5G 最优可扩展缓存

PDF
TL;DR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。
small basestationscachingreinforcement learningmarkov processesheterogeneous networks
发现论文，激发创造
  • 利用深度强化学习在无小区大规模 MIMO 系统中进行边缘缓存

    本文提出使用缓存算法和深度强化学习等技术，来解决铁路无线通信中，列车高速对信号传输产生的影响，从而提高服务体验质量和用户满意度。

    Aug, 2022

  • 基于深度多智能体强化学习的无线网络合作边缘缓存

    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

  • 小区基站缓存内容的基于学习的优化

    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

  • 基于深度强化学习和迁移学习的边缘缓存

    本文探讨了网络中冗余数据传输的日益严峻挑战，提出了基于双深度强化学习缓存的解决方案，通过综合考虑文件的生命周期、大小和重要性等特征，实现了比最近的基于深度强化学习的方法更优异的性能，并引入了迁移学习以解决实际环境中缓存的动态挑战。

    Feb, 2024

  • 无线小区网络中的内容感知用户聚类和缓存

    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

  • 大规模推荐系统中的缓存感知强化学习

    本文提出了一种缓存感知的强化学习方法（CARL），通过实时计算和缓存的联合优化来改善用户参与度，并通过实验表明 CARL 在考虑结果缓存时能显著提高用户参与度。CARL 已在快手应用完全推出，并服务于超过一亿用户。

    Apr, 2024

  • 基于深度强化学习的内容缓存框架

    使用 DRL 的 Wolpertinger 架构技术实现内容缓存管理，以优化网络缓存命中率，不需要先验知识，与 LRU、LFU、FIFO 策略相比，相应性能更好，且比 DQL 更为稳定和高效。

    Dec, 2017

  • 基于弹性联合多智能体深度强化学习的下一代网络中的协作边缘缓存

    提出一种基于弹性联邦和多代理深度强化学习的合作边缘缓存方案，通过训练个性化的本地模型、预测流行内容以及协作缓存，优化网络中的成本。实验结果表明，该方案优于现有基线缓存方案。

    Jan, 2024

  • 大数据与电信运营商的前瞻性缓存视角

    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

  • 小区缓存的协作多智体多臂赌博学习

    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