[論文レビュー] Caching as an Image Characterization Problem using Deep Convolutional Neural Networks

Yantong Wang, Vasilis Friderikos|arXiv (Cornell University)|Jul 16, 2019

Caching and Content Delivery参考文献 23被引用数 4

ひとこと要約

本稿では、畳み込みニューラルネットワーク（CNN）を用いて、能動的キャッシュ最適化をグレースケール画像分類問題に変換する、新しい深層学習フレームワークを提案する。MILPによって生成された最適解を学習データとして用いることで、CNNは、ランダムなグリーディヒューリスティクスよりも400%以上優れた性能を発揮するリアルタイム意思決定を実現し、従来手法に比べて高速かつ高精度でありながら、高い実行可能性と正確性を維持する。

ABSTRACT

Caching of popular content closer to the mobile user can significantly increase overall user experience as well as network efficiency by decongesting backbone network segments in the case of congestion episodes. In order to find the optimal caching locations, many conventional approaches rely on solving a complex optimization problem that suffers from the curse of dimensionality, which may fail to support online decision making. In this paper we propose a framework to amalgamate model based optimization with data driven techniques by transforming an optimization problem to a grayscale image and train a convolutional neural network (CNN) to predict optimal caching location policies. The rationale for the proposed modelling comes from CNN's superiority to capture features in grayscale images reaching human level performance in image recognition problems. The CNN is trained with optimal solutions and numerical investigations reveal that the performance can increase by more than 400% compared to powerful randomized greedy algorithms. To this end, the proposed technique seems as a promising way forward to the holy grail aspect in resource orchestration which is providing high quality decision making in real time.

研究の動機と目的

• 5G以降のネットワークにおける能動的キャッシュのリアルタイム意思決定課題に対処すること。
• コンテンツ配置最適化のNP困難なMILP定式化における次元の呪いを克服すること。
• 深層学習の特徴抽出能力を活用し、キャッシュネットワーク内の空間的リクエストパターンをモデル化すること。
• 最適解に基づくエンドツーエンドの学習により、高速で高精度かつ実行可能なキャッシュ意思決定を可能にすること。
• CNNベースの推論がMILPの性能を同等または上回り、計算時間を著しく削減できることを実証すること。

提案手法

• 元の混合整数線形プログラミング（MILP）キャッシュ最適化問題が、エッジクラウド上のリクエストパターンのグレースケール画像表現に変換される。
• 深層畳み込みニューラルネットワーク（CNN）が、これらのグレースケール画像から最適キャッシュポリシーを直接予測するように訓練される。
• CNNは、MILPをオフラインで解いて得られた最適解を用いて学習され、リアルタイム推論が可能になる。
• 画像表現における空間的特徴が、ユーザーとエッジクラウド間のトポロジー的および需要的関係を捉える。
• 画像認識と同様に重み共有と階層的特徴学習を活用するネットワークアーキテクチャにより、異なるネットワーク構成に一般化可能となる。
• 平均総コスト、正確性、実行可能率、最適解からの最大コスト偏差といった指標を用いて性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 最適化問題を画像認識タスクとして扱うことで、深層CNNが最適キャッシュ位置を効果的に予測できるか？
• RQ2 異なるネットワーク規模下で、コスト、正確性、実行可能性の観点から、CNNの性能が従来のグリーディヒューリスティクスと比べてどのように異なるか？
• RQ3 高い正確性を維持したまま、CNNが異なるネットワークトポロジーやリクエストパターンにどの程度一般化できるか？
• RQ4 MILPに学習されたCNNポリシーを置き換える際の、計算効率と解の品質のトレードオフはいかほどか？
• RQ5 入力リクエストパターンの微小な変化に対してCNNの出力はどの程度感受性を示し、敵対的耐性を示すか？

主な発見

• 10件のリクエストに対して、CNNの平均総コストは25.07であり、MILP解（10.83）と比較してわずか1.76%高いが、計算時間は80.96秒から0.51秒に削減された。
• 15件のリクエストでは、CNNの平均コストは55.59であり、RGCヒューリスティクス（98.72）より40.5%低い。これは400%を超える性能向上を示している。
• 15件のリクエストにおいて、CNNは94.8%の実行可能率と65.4%の正確性を達成し、RGC（89.8%の実行可能率、26.4%の正確性）を上回った。
• 20件のリクエストでは、CNNの平均コスト（124.66）はRGCの156.36の半分以下であり、正確性は51.9%（RGCは21.1%）であった。
• 15件のリクエストにおいて、CNNとMILP間の最大コスト偏差は106.6であったが、RGCの463.9に比べて著しく低く、一貫性の高さが示された。
• 20件のリクエストに対して、CNNは2.2秒未満でほぼ最適性能を達成したのに対し、MILPは2.4時間以上を要した。これは、リアルタイム利用に向けた優れたスケーラビリティを示している。