[論文レビュー] Caching Policy for Cache-enabled D2D Communications by Learning User Preference

Binqiang Chen, Chenyang Yang|arXiv (Cornell University)|Jul 26, 2017

Caching and Content Delivery参考文献 32被引用数 5

ひとこと要約

本稿では、個々のユーザーの好みと活動レベルを活用してオフロード効果を最大化する、キャッシュ有効なデバイス間（D2D）通信のキャッシュポリシーを提案する。ユーザーの好みを確率的潜在的意味解析（PLSA）でモデル化し、期待値最大化（EM）を用いてキャッシュを最適化することで、コンテンツ人気ベースのポリシーに比べて顕著に高いオフロード確率を達成する。特に現実的なユーザー行動データを用いた場合に顕著である。

ABSTRACT

Prior works in designing caching policy do not distinguish content popularity with user preference. In this paper, we illustrate the caching gain by exploiting individual user behavior in sending requests. After showing the connection between the two concepts, we provide a model for synthesizing user preference from content popularity. We then optimize the caching policy with the knowledge of user preference and active level to maximize the offloading probability for cache-enabled device-to-device communications, and develop a low-complexity algorithm to find the solution. In order to learn user preference, we model the user request behavior resorting to probabilistic latent semantic analysis, and learn the model parameters by expectation maximization algorithm. By analyzing a Movielens dataset, we find that the user preferences are less similar, and the active level and topic preference of each user change slowly over time. Based on this observation, we introduce a prior knowledge based learning algorithm for user preference, which can shorten the learning time. Simulation results show remarkable performance gain of the caching policy with user preference over existing policy with content popularity, both with realistic dataset and synthetic data validated by the real dataset.

研究の動機と目的

• 既存のキャッシュポリシーが、個々のユーザーの好みを考慮しないままグローバルなコンテンツ人気に依存しているという限界を解決すること。
• 個別化されたユーザー行動と活動レベルを組み込むことで、キャッシュ有効D2Dネットワークにおけるオフロード確率を向上させること。
• 履歴リクエストデータから効率的にユーザー好みを学習できる、低複雑性で適応可能なキャッシュアルゴリズムを開発すること。
• 実世界のMovielensデータセットおよびその由来となる合成データを用いて、提案ポリシーの妥当性を検証すること。

提案手法

• リクエストパターンから隠れたユーザー好みを抽出するために、確率的潜在的意味解析（PLSA）を用いてユーザーのリクエスト行動をモデル化する。
• 履歴リクエストデータからPLSAモデルのパラメータを学習するために、期待値最大化（EM）アルゴリズムを採用する。
• ユーザーの好みと活動レベルの時間的変化が遅いため、その変化の特性を活用する事前知識ベースの学習アルゴリズムを導入し、収束を高速化する。
• グリーディで反復的なアルゴリズムを用いてオフロード確率を最大化することでキャッシュポリシーを最適化し、収束保証と部分最適性能保証を有する。
• アルゴリズムの最適性を理論的に分析可能とするために、キャッシュ問題を集合関数最適化に再定式化する。
• 各反復でオフロード利得が単調に向上することを保証するため、単調増加フレームワークを用いる。

実験結果

リサーチクエスチョン

• RQ1 D2Dネットワークにおいて、グローバルなコンテンツ人気に依存するのではなく、個々のユーザー好みをモデル化することで、キャッシュ性能が向上するか？
• RQ2 ユーザーの活動レベルと好みの時間的安定性は、キャッシュポリシーの学習効率にどのように影響するか？
• RQ3 伝統的な人気ベースのポリシーと比較して、好みに配慮したキャッシュポリシーの性能向上はどの程度か？
• RQ4 リアルタイム展開に適した、理論的収束性と最適性保証を持つ低複雑性アルゴリズムを設計できるか？
• RQ5 ゆっくりと変化するユーザー行動に関する事前知識は、好みモデル化における学習速度をどのように向上させるか？

主な発見

• 提案されたユーザー好みに配慮したキャッシュポリシーは、特に現実的なMovielensデータを用いた場合、コンテンツ人気ベースのポリシーに比べて顕著なオフロード確率の向上を達成する。
• シミュレーション結果から、ユーザーの好みは多様であり、時間経過とともにゆっくりと変化することが明らかとなり、事前知識の活用が妥当であることが裏付けられた。
• 事前知識ベースの学習アルゴリズムは、高い精度を維持しながら学習時間を著しく短縮した。
• キャッシュ最適化アルゴリズムの各反復でオフロード利得が単調に増加し、収束する安定解に到達することが確認された。
• アルゴリズムは、グローバル最適解の少なくとも半分の性能を保証するため、強力な理論的性能境界を提供する。
• EMアルゴリズムで学習されたモデルパラメータは、潜在的なユーザー好みを効果的に捉えており、将来のリクエストパターンの正確な予測を可能にする。