Feb, 2024

基于学习的边缘内容传输缓存机制

PDF
TL;DR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。
5g networksinternet of thingscontent delivery networksedge cachinghr-cache
发现论文，激发创造
  • 面向位置感知移动边缘缓存的内容流行度预测

    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

  • 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

  • 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

  • 面向网络的大数据缓存：从云端到边缘的迁移

    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

  • 强化学习增强的缓存：实验研究

    使用机器学习和加强式算法提高缓存置换的性能

    Jun, 2021

  • 移动边缘缓存中的强化学习安全性

    该研究探讨 MEC 系统中的攻击模式，并使用强化学习提供了安全的卸载和认证方案，以保护数据隐私。

    Jan, 2018

  • 雾计算网络中的容量感知边缘缓存

    研究雾计算网络中的边缘缓存，通过考虑有限的雾缓存容量和基站连接容量，提出了一个容量感知的边缘缓存框架，并通过允许雾节点和云数据中心的协作来将平均下载时间（ADT）最小化， 通过多类处理器排队过程将此问题建模，提出了一种基于 ADMM 的算法，可实现最小化 ADT 并比现有算法更快地收敛。模拟结果表明，根据网络状态需要平衡雾缓存容量和基站连接能力的分配。当基站连接容量足够时，利用所有可用的雾缓存容量最大化边缘缓存命中率（ECHR）是有帮助的，但当基站连接容量不足时，最好保持较低的 ECHR 并将更多流量分配给云。

    Feb, 2020

  • 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