[논문 리뷰] Caching as an Image Characterization Problem using Deep Convolutional Neural Networks

Yantong Wang, Vasilis Friderikos|arXiv (Cornell University)|2019. 07. 16.

Caching and Content Delivery참고 문헌 23인용 수 4

한 줄 요약

이 논문은 적대적 캐싱 최적화 문제를 회색조 이미지 분류 문제로 변환하는 새로운 딥러닝 프레임워크를 제안한다. 컨volutional 신경망(CNN)을 사용하여 최적의 엣지 캐싱 위치를 예측한다. MILP로 생성된 최적 해를 기반으로 훈련함으로써 CNN은 랜덤화된 그리디 휴리스틱보다 400퍼센트 이상 뛰어난 성능을 보이며, 실시간 의사결정을 가능하게 하며 전통적인 방법에 비해 속도와 정확도에서 뛰어나면서도 높은 타당성과 정밀도를 유지한다.

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.

연구 동기 및 목표

• 5G 및 그 이상의 네트워크에서 프로액티브 캐싱의 실시간 의사결정 문제를 해결하기 위해.
• 콘텐츠 배치 최적화를 위한 NP-하드인 MILP 공식화에서 오는 차원의 극복 문제를 해결하기 위해.
• 딥러닝의 특징 추출 능력을 활용하여 캐싱 네트워크 내의 공간적 요청 패턴을 모델링하기 위해.
• 최적 해를 기반으로 엔드 투 엔드 훈련을 통해 빠르고 높은 정밀도와 타당성을 갖춘 캐싱 의사결정을 가능하게 하기 위해.
• CNN 기반 추론이 MILP 성능을 따라하거나 초월할 수 있으며, 계산 시간을 극적으로 줄일 수 있음을 입증하기 위해.

제안 방법

• 기존의 혼합정수선형계획(MILP) 캐싱 최적화 문제를 엣지 클라우드 간의 요청 패턴을 회색조 이미지로 표현하는 방식으로 변환한다.
• 딥 컨volution 신경망(CNN)을 사용하여 이러한 회색조 이미지에서 최적의 캐싱 정책을 직접 예측하도록 훈련한다.
• MILP를 오프라인으로 풀어 생성한 최적 해를 사용하여 CNN을 훈련함으로써 실시간 추론이 가능해진다.
• 이미지 표현 방식에서의 공간적 특징은 사용자와 엣지 클라우드 간의 위상적 및 수요적 관계를 포착한다.
• 이미지 인식과 유사하게 가중치 공유와 계층적 특징 학습을 활용한 네트워크 아키텍처는 다양한 네트워크 구성에 일반화할 수 있도록 한다.
• 평균 총비용, 정밀도, 타당 비율, 최적 해로부터의 최대 비용 편차 등의 지표를 사용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 최적화 문제를 이미지 인식 작업으로 간주함으로써, 딥 CNN이 최적의 캐싱 위치를 효과적으로 예측할 수 있는가?
• RQ2 다양한 네트워크 규모에서 비용, 정밀도, 타당성 측면에서 CNN의 성능이 전통적인 그리디 휴리스틱과 비교해 어떻게 되는가?
• RQ3 다양한 네트워크 토폴로지와 요청 패턴에 대해 CNN이 얼마나 잘 일반화되며, 높은 정확도를 유지할 수 있는가?
• RQ4 MILP를 학습된 CNN 정책으로 대체할 경우, 계산 효율성과 해의 품질 사이의 상호 교환 관계는 어떠한가?
• RQ5 소규모 요청 패턴의 변동에 대해 CNN의 출력은 얼마나 민감하며, 악성 공격에 대해 강건한가?

주요 결과

• 10개 요청에 대해 CNN의 평균 총비용은 25.07로, MILP 해(10.83)보다 1.76퍼센트 높았으며, 계산 시간은 80.96초에서 0.51초로 감소했다.
• 15개 요청에 대해 CNN의 평균 비용은 55.59로, RGC 휴리스틱(98.72)보다 40.5퍼센트 낮아, 성능 향상이 400퍼센트를 초과했다.
• 15개 요청에 대해 CNN은 94.8퍼센트의 타당 비율과 65.4퍼센트의 정밀도를 기록했으며, RGC(89.8퍼센트 타당, 26.4퍼센트 정밀도)를 능가했다.
• 20개 요청 시나리오에서 CNN의 평균 비용(124.66)은 RGC(156.36)의 절반 미만이었으며, 정밀도 51.9퍼센트로 RGC의 21.1퍼센트를 상회했다.
• 15개 요청에서 CNN과 MILP 간의 최대 비용 편차는 106.6이었고, RGC의 463.9보다 훨씬 낮아 일관성 면에서 뛰어났다.
• 20개 요청에 대해 CNN은 2.2초 이내로 거의 최적 성능를 달성했으며, MILP는 2.4시간 이상 소요되어 실시간 사용에 대한 강력한 확장성을 입증했다.