移动边缘缓存的安全与隐私:挑战与解决方案
本文研究通过对中国一座大都市两周之内的两百万用户观看约 30 万个唯一视频的真实数据集进行分析,提出了基于移动视频请求模式和边缘内容缓存影响的缓存策略,并且使用实验数据对其进行了验证。
Feb, 2017
本研究通过开发优化模型研究车载缓存方案,在最小化网络能耗的同时,优化缓存决策和网络能效。通过 2-D Markov 过程和在线缓存算法,本研究提出的在线缓存方案在能耗效率、命中率、缓存利用率和系统收益方面都优于现有方案。
Feb, 2019
本文研究了移动边缘计算下长期成本预算约束条件下的移动边缘服务性能优化问题,并应用 Lyapunov 优化将问题分解为一系列实时优化问题,提出了一种基于马尔科夫逼近的近似算法和一种基于最佳响应更新技术的分布式逼近方案,理论分析和严格评估证明了这些方法的有效性。
Sep, 2018
本文提出了一种名为 OREO 的基于 Lyapunov 优化和 Gibbs 采样的在线算法,用于动态服务缓存和任务卸载,以应对 MEC 系统中的关键挑战,包括服务异构性、未知系统动态、空间需求耦合和分散协调,可有效降低终端用户的计算延迟并保持能源消耗低。
Jan, 2018
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
本文提出了一种隐私保护的分布式深度确定性策略梯度算法,通过分布式强化学习解决内容流行度的动态、复杂和不可观测性所带来的缓存优化问题,在保护用户隐私的情况下提高 MEC 网络中设备的缓存命中率。
Oct, 2021
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
本文探讨了一个关键的使能器 —— 积极缓存,利用预测能力和存储、上下文感知和社交网络的最新发展,通过在基站和用户设备上缓存可预测的用户需求,可以显著减少峰值流量需求。通过两个利用网络的空间和社交结构的案例研究,我们证明了积极缓存的有效性。
May, 2014