[論文レビュー] CABaRet: Leveraging Recommendation Systems for Mobile Edge Caching

Savvas Kastanakis, Pavlos Sermpezis+2 more|arXiv (Cornell University)|Jun 7, 2018

Caching and Content Delivery参考文献 8被引用数 8

ひとこと要約

本稿では、ネットワーク事業者とコンテンツプロバイダー間の協力が不要な状況でも、モバイルエッジネットワーク上でキャッシュに配慮した動画推薦を実現するCABaRetというシステムを提案する。YouTubeの公開APIデータを活用して動画間の関係性を推定することで、キャッシュ済みコンテンツへの推薦を促進し、キャッシュヒットレートを最大10倍に向上させるとともに、グリーディなキャッシュ最適化によりさらに2倍の向上を達成した。

ABSTRACT

Joint caching and recommendation has been recently proposed for increasing the efficiency of mobile edge caching. While previous works assume collaboration between mobile network operators and content providers (who control the recommendation systems), this might be challenging in today's economic ecosystem, with existing protocols and architectures. In this paper, we propose an approach that enables cache-aware recommendations without requiring a network and content provider collaboration. We leverage information provided publicly by the recommendation system, and build a system that provides cache-friendly and high-quality recommendations. We apply our approach to the YouTube service, and conduct measurements on YouTube video recommendations and experiments with video requests, to evaluate the potential gains in the cache hit ratio. Finally, we analytically study the problem of caching optimization under our approach. Our results show that significant caching gains can be achieved in practice; 8 to 10 times increase in the cache hit ratio from cache-aware recommendations, and an extra 2 times increase from caching optimization.

研究の動機と目的

• 限られたキャッシュ容量と変動するユーザー需要による、モバイルエッジキャッシュにおける低キャッシュヒットレートの課題に対処すること。
• ネットワーク事業者とコンテンツプロバイダーが共同でキャッシュと推薦を最適化する必要があるという実用的障壁を克服すること。
• プロトコルの変更や非公開のユーザーデータへのアクセスなしに、ネットワーク事業者が公開済みの推薦システムデータのみを用いてキャッシュ効率を向上させること。
• 実際の非協力的ネットワーク環境においても、キャッシュに配慮した推薦がキャッシュヒットレートを顕著に向上させられることを実証すること。
• CABaRetの推薦フレームワーク下で、キャッシュと推薦ポリシーを共同最適化するためのグリーディなキャッシュ最適化アルゴリズムを提案・評価すること。

提案手法

• YouTube APIを活用して動画間の関係性（例：関連動画）を抽出し、拡張された推薦グラフを構築する。
• ノードを動画、エッジをYouTube APIからの推薦リンクとする、動画コンテンツのグラフ表現を構築する。
• 動画関係性グラフ内の位置と接続性を分析することで、キャッシュ済み動画を優先的に推薦する推薦アルゴリズム（CABaRet）を設計する。
• キャッシュヒットレートの向上可能性に基づいて、キャッシュ対象動画を選択するグリーディキャッシュアルゴリズムを適用し、部分的劣化関数を目的関数として用いる。
• ユーザーが推薦チェーンに従う可能性に基づき、BFS走査を用いて候補動画集合の期待キャッシュヒットレート（CHR）を計算する。
• キャッシュ最適化問題を、基数制約下での部分的劣化関数の最大化問題として定式化し、(1−1/e)の性能保証を持つグリーディ近似を適用する。

実験結果

リサーチクエスチョン

• RQ1 ネットワーク事業者とコンテンツプロバイダー間の協力がなくても、キャッシュに配慮した推薦を効果的に実装できるか？
• RQ2 公開済みの推薦システムデータは、モバイルエッジキャッシュにおけるキャッシュヒットレートをどの程度向上できるか？
• RQ3 動画推薦グラフの構造は、キャッシュに配慮した推薦の有効性にどのように影響するか？
• RQ4 キャッシュに配慮した推薦フレームワーク下で、キャッシュと推薦ポリシーを共同最適化することで、どの程度の追加向上が得られるか？
• RQ5 軽量で侵襲的でないシステムが、実世界のモバイルエッジキャッシュ環境で顕著な向上を達成できるか？

主な発見

• CABaRetは、最小限の協力でさえも、標準的なYouTube推薦と比較してキャッシュヒットレートを8〜10倍に向上させた。
• グリーディキャッシュ最適化アルゴリズムにより、ベースラインのtop-kキャッシュ戦略と比較して、キャッシュヒットレートがさらに2倍向上した。
• 実験では、グリーディアルゴリズムが選択したキャッシュ対象動画のうち、50番目に人気の高い動画の10％〜30％しか含まれていなかったが、これは人気でないが接続性の高い動画がキャッシュ効率を顕著に向上させることを示している。
• グリーディキャッシュアルゴリズムの性能は、最適解の(1−1/e) ≈ 63％以内に保証されており、実際には最適に近い性能を示した。
• 本手法は、同様の公開APIを提供するその他の動画・音声サービス（例：Netflix、Spotify）にも一般化可能であり、オフラインクローリングによる解析も可能である。
• 均一な動画選択でも、グリーディキャッシュアプローチはtop-kキャッシュを2倍上回る性能を示しており、グラフに配慮したキャッシュの価値を示している。