Feb, 2024

基于深度强化学习和迁移学习的边缘缓存

PDF
TL;DR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。
redundant data transmissioncaching solutionsmarkov decision processesdouble deep q-learning-based cachingtransfer learning
发现论文，激发创造
  • 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

  • 基于强化学习空时流行度的 5G 最优可扩展缓存

    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。

    Jul, 2017

  • 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

  • 协作边缘计算系统中的联合服务缓存、通信和计算资源分配：基于深度强化学习的双时间尺度方法

    通过多维资源的资源共享、服务缓存、深度强化学习等方面的联合优化，我们提出了一种协同多接入边缘计算（MEC）框架，旨在最大化长期的服务质量（QoS）并降低缓存切换成本。通过改进的遗传算法（GA）和基于长短期记忆网络的深度确定性策略梯度（LSTM-DDPG）组成的深度强化学习（DRL）的双时间尺度方案（DGL-DDPG），我们将优化问题转化为马尔可夫决策过程（MDP），以实现大时间尺度上的服务缓存决策。仿真结果表明，我们提出的算法在平均 QoS 和缓存切换成本方面优于基准算法。

    Jul, 2023

  • 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

  • 数字孪生辅助数据驱动的无线网络边缘缓存可靠性优化

    为了优化下一代无线网络中的边缘缓存，确保移动用户的高速低延迟服务，本研究引入了一种新颖的数字孪生辅助优化框架 D-REC，它将强化学习与多样化干预模块相结合，以确保可靠的缓存存储，并最小化网络故障的风险。实验结果表明，D-REC 在缓存命中率和负载平衡方面优于传统方法，同时有效地执行预定的可靠性干预模块。

    Jun, 2024

  • 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

  • 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

  • 基于分布式强化学习的保护隐私的动态边缘缓存

    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

  • 深度强化学习用于自适应学习系统

    本文提出了一种采用马尔可夫决策过程（MDP）的无模型强化学习算法 --- 深度 Q 学习算法来找到最优化的自适应学习策略，同时开发了一个转移模型估计器来优化数据利用，实验结果表明该算法在自适应学习领域有着较高的效率。

    Apr, 2020