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

基于 Hazard Rate（HR）排序的 HR-Cache 是一种学习为基础的缓存框架，通过利用上界的规则指导缓存淘汰决策，并通过轻量级的机器学习模型提高字节命中率在边缘环境中的性能。实验结果表明，HR-Cache 相较于现有的最先进方法，在 WAN 流量节省方面具有 2.2-14.6% 的优势，不仅优于启发式缓存策略，还优于现有的基于学习的算法。

Feb, 2024

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

本文提出了一种结合两种基本方法的新型缓存方案，通过在两个缓存层内提供编码多播机会和跨多个层提供编码多播机会的方式，实现了最优通信速率，且不会影响各层中的速率。

Mar, 2014

本文提出了一种新颖的分布式统计检测算法，可用于高容量的网络流量中的变化点检测和鉴定，尤其适用于检测和识别分布式拒绝服务攻击，所提算法 DTopRank 可通过聚合获取的部分信息，实现分布式网络异常检测，并采用中心决策站点上的非参数等级检验方法，综合记录过滤和双重定向时间序列方法以解决海量数据问题，并可应用于合成数据和互联网服务提供商的某一流量跟踪数据。

Sep, 2009

本研究探讨了雾计算无线接入网络（F-RANs）中的内容流行度预测问题。通过聚类联合学习，提出了一种新的移动性感知流行度预测策略，该策略集成了针对本地用户和移动用户的内容流行度。借助双通道神经网络模型，结合本地用户和内容的隐藏特征，实现了对本地用户内容流行度的预测。同时借助用户偏好学习方法实现了对移动用户内容流行度的预测。通过聚类联合学习，提高了内容流行度预测性能。

Jun, 2022

本文提出了一种基于简要构建的数据摘要的分布式无监督学习算法，对异常点的全局识别有很好的近似保证，并在真实和人工数据上超过了所有基线算法。

May, 2018

该研究旨在解决云无线电接入网络中预测式缓存的问题，通过利用基带单元的机器学习框架并结合子线性算法，确定内容缓存，研究发现该方法相较于随机缓存算法提高了 27.8％至 30.7％的有效容量。

Jul, 2016

在本文中，我们提出了一种计算 DENCLUE 算法的最优参数的新方法，并在实验部分讨论了它的性能。

Jul, 2023