[논문 리뷰] Caching Policy for Cache-enabled D2D Communications by Learning User Preference

Binqiang Chen, Chenyang Yang|arXiv (Cornell University)|2017. 07. 26.

Caching and Content Delivery참고 문헌 32인용 수 5

한 줄 요약

이 논문은 개인 사용자 선호도와 활동 수준을 고려하여 오프로딩 성능을 극대화하는 캐시 정책을 제안한다. 사용자 선호도를 확률적 잠재의미분석(PLSA)으로 모델링하고 기대치 최대화(EM) 알고리즘을 활용해 캐싱을 최적화함으로써, 전반적인 콘텐츠 인기 기반 정책에 비해 특히 실제 사용자 행동 데이터를 사용할 경우 더 높은 오프로딩 확률을 달성한다.

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.

연구 동기 및 목표

• 기존 캐싱 정책이 전반적인 콘텐츠 인기만을 기반으로 하여 개인 사용자 선호도를 고려하지 않는 한계를 해결하기 위해.
• 개인화된 사용자 행동 및 활동 수준을 통합하여 캐시 기반 D2D 네트워크의 오프로딩 확률을 향상시키기 위해.
• 요청 데이터로부터 사용자 선호도를 효율적으로 학습할 수 있는 저복잡도이자 적응형 캐싱 알고리즘을 개발하기 위해.
• 실제 Movielens 데이터셋과 이를 기반으로 생성한 합성 데이터를 사용하여 제안된 정책의 유효성을 검증하기 위해.

제안 방법

• 요청 패턴에서 은닉된 사용자 선호도를 추출하기 위해 사용자 요청 행동을 확률적 잠재의미분석(PLSA)으로 모델링한다.
• 이력 요청 데이터로부터 PLSA 모델의 파라미터를 학습하기 위해 기대치 최대화(EM) 알고리즘을 적용한다.
• 사용자 선호도와 활동 수준의 천천간 시간적 변화를 고려하여 수렴 속도를 향상시키기 위해 사전 지식 기반 학습 알고리즘을 도입한다.
• 탐욕적 반복 알고리즘을 사용하여 오프로딩 확률을 최대화함으로써 캐싱 정책을 최적화하며, 수학적으로 증명된 수렴성과 부분 최적 성능 보장을 갖는다.
• 알고리즘의 최적성에 대한 이론적 분석을 가능하게 하기 위해 캐싱 문제를 집합 함수 최적화 문제로 재구성한다.
• 매 반복 단계에서 오프로딩 성능 향상이 보장되는 단조적 향상 프레임워크를 사용하여 수렴에 이르기까지 성능 향상이 지속되도록 보장한다.

실험 결과

연구 질문

• RQ1 개별 사용자 선호도를 모델링하는 것이 D2D 네트워크에서 전반적인 콘텐츠 인기 기반 정책에 비해 더 나은 캐싱 성능을 달성할 수 있는가?
• RQ2 사용자 활동 수준과 선호도의 시간에 따른 안정성은 캐싱 정책의 학습 효율성에 어떤 영향을 미치는가?
• RQ3 전통적인 인기 기반 정책에 비해 선호도 인식 캐싱 정책은 어떤 성능 향상을 제공하는가?
• RQ4 실시간 구현에 적합한 이론적 수렴성과 최적성 보장을 갖춘 저복잡도 알고리즘을 설계할 수 있는가?
• RQ5 느리게 변화하는 사용자 행동에 대한 사전 지식은 선호도 모델링에서 학습 속도를 어떻게 향상시키는가?

주요 결과

• 제안된 사용자 선호도 인식 캐싱 정책은 특히 실제 Movielens 데이터를 사용할 경우 콘텐츠 인기 기반 정책에 비해 오프로딩 확률에서 뚜렷한 성능 향상을 보였다.
• 시뮬레이션 결과는 사용자 선호도가 이질적이며 시간이 지남에 따라 천천간 변화함을 확인하였으며, 이는 사전 지식을 활용한 학습의 타당성을 뒷받침한다.
• 사전 지식 기반 학습 알고리즘이 선호도 추정의 정확도를 유지하면서도 학습 시간을 크게 단축시켰다.
• 캐싱 최적화 알고리즘의 각 반복 단계에서 오프로딩 성능 향상이 단조롭게 증가하여 안정된 해에 수렴함을 보였다.
• 알고리즘이 전역 최적해의 최소 50퍼센트 성능을 보장하므로 강력한 이론적 성능 한계를 확보하였다.
• EM 알고리즘을 통해 학습된 모델 파라미터는 잠재된 사용자 선호도를 효과적으로 포착하여 향후 요청 패턴을 정확하게 예측할 수 있었다.