[論文レビュー] Echo State Networks for Proactive Caching in Cloud-Based Radio Access Networks with Mobile Users

Mingzhe Chen, Walid Saad+2 more|arXiv (Cornell University)|Jul 4, 2016

Neural Networks and Reservoir Computing参考文献 32被引用数 5

ひとこと要約

本稿は、限られた状態情報のもとでユーザー移動性およびコンテンツリクエストパターンを予測するために、エコー状態ネットワーク（ESN）に基づくプロアクティブキャッシュフレームワークを、クラウド無線アクセスネットワーク（CRAN）に提案する。ESNを用いた低複雑性予測と、サブ線形アルゴリズムによるキャッシュ配置により、ランダムキャッシュと比較して、最大30.7％の和有効キャパシティ向上を達成し、制限されたバックホールおよびフロントホールリソースを有する動的でモバイルな環境において顕著な向上を示す。

ABSTRACT

In this paper, the problem of proactive caching is studied for cloud radio access networks (CRANs). In the studied model, the baseband units (BBUs) can predict the content request distribution and mobility pattern of each user, determine which content to cache at remote radio heads and BBUs. This problem is formulated as an optimization problem which jointly incorporates backhaul and fronthaul loads and content caching. To solve this problem, an algorithm that combines the machine learning framework of echo state networks with sublinear algorithms is proposed. Using echo state networks (ESNs), the BBUs can predict each user's content request distribution and mobility pattern while having only limited information on the network's and user's state. In order to predict each user's periodic mobility pattern with minimal complexity, the memory capacity of the corresponding ESN is derived for a periodic input. This memory capacity is shown to be able to record the maximum amount of user information for the proposed ESN model. Then, a sublinear algorithm is proposed to determine which content to cache while using limited content request distribution samples. Simulation results using real data from Youku and the Beijing University of Posts and Telecommunications show that the proposed approach yields significant gains, in terms of sum effective capacity, that reach up to 27.8% and 30.7%, respectively, compared to random caching with clustering and random caching without clustering algorithm.

研究の動機と目的

• クラウド無線アクセスネットワーク（CRAN）におけるバックホールおよびフロントホール容量の制限という課題に対処し、プロアクティブコンテンツキャッシュを可能にする。
• エコー状態ネットワーク（ESNs）を用いて、ネットワークおよびユーザー状態情報の部分的情報のみで、ユーザー移動性パターンとコンテンツリクエスト分布を予測する。
• フロントホールおよびバックホール負荷を最小限に抑えるように、ベースバンドユニット（BBUs）およびリモートラジオヘッド（RRHs）におけるキャッシュ配置を共同最適化する。
• サンプリングされたリクエスト分布を用いて、低複雑性のサブ線形アルゴリズムを開発し、効率的なキャッシュ意思決定を実現する。
• Youkuおよび北京郵政科技大学の実世界データを用いて、提案フレームワークの性能を評価し、ベースライン手法との比較で性能向上を示す。

提案手法

• エコー状態ネットワーク（ESNs）を用いて、ネットワークおよびユーザー状態情報の部分的情報のみで、ユーザー移動性およびコンテンツリクエストパターンをモデル化・予測する。
• 周期的入力に対するESNのメモリ容量を導出することで、最小限の複雑性で移動性予測に十分な情報を捉えることを保証する。
• 限られたサンプル数のコンテンツリクエスト分布を用いて最適なコンテンツキャッシュを決定するためのサブ線形アルゴリズムを導入し、計算負荷を低減する。
• 送信モード（オンデマンド、キャッシュなど）を関数としてモデル化したユーザー有効キャパシティを最大化することで、RRHおよびBBUにおけるキャッシュ配置を最適化する。
• T時間スロットにわたる時間平均有効キャパシティ指標を用いて長期的性能を評価し、予測を統合した共同最適化フレームワークを構築する。
• 命題1を適用して、クラウドキャッシュおよびRRHからの送信スケジューリングを実施し、効率的なリソース割り当てと性能評価を可能にする。

実験結果

リサーチクエスチョン

• RQ1 エコー状態ネットワーク（ESN）は、限られた状態情報のもとでCRANにおけるユーザー移動性およびコンテンツリクエストパターンを効果的に予測できるか？
• RQ2 モバイルCRAN環境において、周期的ユーザー移動パターンを捉えるために最適なESNのメモリ容量は何か？
• RQ3 バックホールおよびフロントホール容量制約のもとで、サンプルされたリクエスト分布のみを用いてコンテンツキャッシュを最適化する方法は何か？
• RQ4 ESN予測を用いたプロアクティブキャッシュは、ランダムキャッシュやクラスタリングベースのキャッシュ戦略と比較して、どの程度の性能向上を達成できるか？
• RQ5 提案されたサブ線形アルゴリズムは、著しく低減された計算複雑性で近似的最適なキャッシュ意思決定を達成できるか？

主な発見

• 提案されたESNベースの予測フレームワークは、Youkuデータを用いたクラスタリングを伴うランダムキャッシュと比較して、最大27.8％高い和有効キャパシティを達成した。
• 北京郵政科技大学の実データを用いた結果、クラスタリングなしのランダムキャッシュと比較して、最大30.7％の和有効キャパシティ向上を達成した。
• 導出されたESNのメモリ容量は、周期的移動パターンの最適な捉え方を保証し、低複雑性で正確な長期予測を可能にする。
• サブ線形キャッシュアルゴリズムは、サンプルされたリクエスト分布のみを用いても、最適なコンテンツ配置を効果的に決定し、計算負荷を顕著に低減する。
• 本フレームワークは、RRHおよびBBUにおけるキャッシュを共同最適化し、フロントホールおよびバックホールトラフィックをバランスさせながら、ユーザーQoSを最大化する。
• シミュレーション結果は、提案手法が複数の実世界データセットにおいて、ベースラインのランダムおよびクラスタリングベースのキャッシュ戦略を上回ることを確認した。