[論文レビュー] Deep Learning Based Caching for Self-Driving Car in Multi-access Edge Computing

Anselme Ndikumana, Nguyen H. Tran+1 more|arXiv (Cornell University)|Oct 3, 2018

Caching and Content Delivery参考文献 37被引用数 17

ひとこと要約

本稿では、マルチアクセスエッジコンピューティング（MEC）環境における自律走行車のためのディープラーニングベースのキャッシュフレームワークを提案する。CNNを用いて乗客の特徴（年齢、感情、性別）を予測し、MLPを用いてコンテンツの人気度を予測することで、知能的で低遅延なインフォテインメントキャッシュを実現する。本手法は、コンテンツ配信とキャッシュ意思決定の共同最適化により、97.82%の予測精度を達成し、バックハールドトラフィックを61%削減する。

ABSTRACT

Once self-driving car becomes a reality and passengers are no longer worry about it, they will need to find new ways of entertainment. However, retrieving entertainment contents at the Data Center (DC) can hinder content delivery service due to high delay of car-to-DC communication. To address these challenges, we propose a deep learning based caching for self-driving car, by using Deep Learning approaches deployed on the Multi-access Edge Computing (MEC) structure. First, at DC, Multi-Layer Perceptron (MLP) is used to predict the probabilities of contents to be requested in specific areas. To reduce the car-DC delay, MLP outputs are logged into MEC servers attached to roadside units. Second, in order to cache entertainment contents stylized for car passengers' features such as age and gender, Convolutional Neural Network (CNN) is used to predict age and gender of passengers. Third, each car requests MLP output from MEC server and compares its CNN and MLP outputs by using k-means and binary classification. Through this, the self-driving car can identify the contents need to be downloaded from the MEC server and cached. Finally, we formulate deep learning based caching in the self-driving car that enhances entertainment services as an optimization problem whose goal is to minimize content downloading delay. To solve the formulated problem, a Block Successive Majorization-Minimization (BS-MM) technique is applied. The simulation results show that the accuracy of our prediction for the contents need to be cached in the areas of the self-driving car is achieved at 98.04% and our approach can minimize delay.

研究の動機と目的

• 自律走行車におけるインフォテインメントコンテンツ配信の高いエンドツーエンド遅延を解消するため、ユーザーの近くでプロアクティブにキャッシュを実行することを目的とする。
• 年齢、感情、性別などのリアルタイムの乗客特徴に基づいて、インフォテインメントコンテンツのキャッシュをパーソナライズすることを目的とする。
• MECサーバー（RSU）および車両内ストレージに人気コンテンツをキャッシュすることで、バックハールド帯域幅の消費を削減することを目的とする。
• ディープラーニング予測とキャッシュ意思決定を統合した最適化モデルを用いて、コンテンツのダウンロード遅延を最小限に抑えること。
• 高い移動性と動的な自律走行車環境において、低遅延でパーソナライズされたインフォテインメントサービスを提供すること。

提案手法

• データセンターでマルチレイヤーパーセプトロン（MLP）を訓練し、特定の地理的領域におけるコンテンツリクエストの確率を予測し、その出力を近隣のMECサーバーに展開する。
• 自律走行車で畳み込みニューラルネットワーク（CNN）を用いて、リアルタイムの入力データから乗客の特徴（年齢、感情、性別）を推定する。
• 自律走行車は、MLPの予測（コンテンツの人気度）とCNNの出力（乗客特徴）を組み合わせ、k-meansクラスタリングとバイナリ分類を用いて適切なコンテンツのキャッシュ選択を行う。
• 統合予測に基づいて、MECサーバー（RSU）から推奨コンテンツを取得するための通信モデルを設計する。
• 選択されたコンテンツをRSUおよび自律走行車にキャッシュするキャッシュモデルを構築し、需要に応じた動的な品質/フォーマット変換を実施する。
• 総コンテンツダウンロード遅延を最小化する最適化問題を定式化し、サロゲート関数と複数の選択ルール（サイクル、ガウス＝サザンウェル、ランダマイズド）を用いたブロック逐次主要化最小化法により解く。

実験結果

リサーチクエスチョン

• RQ1 ディープラーニングを用いて、自律走行車のパーソナライズドインフォテインメントキャッシュのためのコンテンツ人気度と乗客の好みを予測する方法は何か？
• RQ2 年齢、感情、性別といった乗客特徴予測をコンテンツ人気度予測と統合することで、キャッシュ効率にどのような影響を与えるか？
• RQ3 RSUおよび車両内ストレージにおけるエッジキャッシュは、自律走行車ネットワークにおけるバックハールドトラフィックとエンドツーエンド遅延をどのように低減するか？
• RQ4 動的で高い移動性を持つ環境において、送信遅延と計算遅延のバランスを効果的にとる最適化技法は何か？
• RQ5 異なる選択ルール（サイクル、ガウス＝サザンウェル、ランダマイズド）は、最適化プロセスにおける収束性と計算スループットにどのように影響するか？

主な発見

• 提案されたDeep3Cフレームワークは、RSUおよび自律走行車にキャッシュすべきインフォテインメントコンテンツを特定する予測精度が97.82%に達する。
• RSUおよび自律走行車におけるキャッシュヒット率は、合計コンテンツ要求の61%に達し、遠方のデータセンターへの依存度が顕著に低下する。
• 最適化問題におけるサロゲート関数は、静的点に収束し、総遅延の安定的かつ効果的な最小化を示している。
• サイクル選択ルールはガウス＝サザンウェルおよびランダマイズドルールよりも高い計算リソースを要するため、最適化効率におけるトレードオフが示唆される。
• Zipfパラメータが増加する（a = 2.0）と、少数のコンテンツの人気が高くなるためキャッシュヒット率が上昇し、人気コンテンツのキャッシュ効果が確認される。
• フレームワークはバックハールドトラフィックを61%削減し、エッジおよび車両レベルでの協調キャッシュにより顕著な帯域幅の節約を実現した。