[논문 리뷰] Deep Learning Based Caching for Self-Driving Car in Multi-access Edge Computing

Anselme Ndikumana, Nguyen H. Tran외 1명|arXiv (Cornell University)|2018. 10. 03.

Caching and Content Delivery참고 문헌 37인용 수 17

한 줄 요약

이 논문은 다중접근 엣지 컴퓨팅(MEC) 환경에서 자율주행 차량을 위한 딥러닝 기반 캐싱 프레임워크를 제안한다. CNN을 사용해 승객의 특징(연령, 정서, 성별)을 예측하고, MLP를 통해 콘텐츠 인기도를 예측함으로써 지능적이고 저지연의 인포테인먼트 캐싱을 가능하게 한다. 이 방법은 총 97.82%의 예측 정확도를 달성하며, 콘텐츠 전달 및 캐싱 결정의 공동 최적화를 통해 백홀 대역폭을 61% 감소시킨다.

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.

연구 동기 및 목표

• 자율주행 차량의 인포테인먼트 콘텐츠 전달에서 높은 종단 간 지연을 해결하기 위해 사용자 근처에서 사전 캐싱을 가능하게 하기 위해.
• 실시간 승객 특징(예: 연령, 정서, 성별)을 기반으로 인포테인먼트 콘텐츠 캐싱을 개인화하기 위해.
• MEC 서버(RSU)와 차량 내부 저장소에 인기 콘텐츠를 캐싱하여 백홀 대역폭 소비를 줄이기 위해.
• 딥러닝 예측과 캐싱 결정을 통합한 최적화 모델을 통해 콘텐츠 다운로드 지연을 최소화하기 위해.
• 고속 이동성과 동적인 자율주행 차량 환경에서 저지연, 개인화된 인포테인먼트 서비스를 제공하기 위해.

제안 방법

• 데이터 센터에서 다층퍼셉트론(MLP)을 훈련하여 특정 지리적 지역에서의 콘텐츠 요청 확률을 예측하고, 이를 근처 MEC 서버에 배포한다.
• 자율주행 차량에서 실시간 입력 데이터로부터 승객 특징(연령, 정서, 성별)을 추론하기 위해 컨volutional 신경망(CNN)을 사용한다.
• 자율주행 차량은 MLP 예측(콘텐츠 인기도)과 CNN 출력(승객 특징)을 k-means 클러스터링 및 이진 분류를 통해 조합하여 적절한 콘텐츠를 캐싱 대상으로 선정한다.
• 통합 예측 기반으로 MEC 서버(RSU)로부터 추천 콘텐츠를 검색하기 위한 통신 모델을 설계한다.
• 선택된 콘텐츠를 RSU와 자율주행 차량 양쪽에 저장하는 캐싱 모델을 구현하며, 수요에 따라 동적 품질/포맷 적응을 수행한다.
• 전체 콘텐츠 다운로드 지연을 최소화하기 위한 최적화 문제를 수립하고, 서브스티튜트 함수와 다중 선택 규칙(Cyclic, Gauss-Southwell, Randomized)을 활용한 블록 연속 최대화-최소화 기법으로 해결한다.

실험 결과

연구 질문

• RQ1 딥러닝을 어떻게 활용하여 자율주행 차량의 개인화된 인포테인먼트 캐싱을 위한 콘텐츠 인기도와 승객 선호도를 예측할 수 있는가?
• RQ2 승객 특징 예측(연령, 정서, 성별)과 콘텐츠 인기도 예측을 통합할 경우 캐싱 효율성에 어떤 영향을 미치는가?
• RQ3 RSU와 차량 내부 저장소에 있는 엣지 캐싱은 자율주행 차량 네트워크에서 백홀 트래픽과 종단 간 지연을 어떻게 줄이는가?
• RQ4 동적인 고속 이동 환경에서 전송 지연과 계산 지연을 효과적으로 균형 잡는 최적화 기법은 무엇인가?
• RQ5 다양한 선택 규칙(Cyclic, Gauss-Southwell, Randomized)은 최적화 과정의 수렴성과 계산 처리량에 어떤 영향을 미치는가?

주요 결과

• 제안된 Deep3C 프레임워크는 RSU와 자율주행 차량에 캐시할 콘텐츠를 결정하는 데 있어 97.82%의 콘텐츠 예측 정확도를 달성한다.
• RSU와 자율주행 차량의 캐시 히트율이 총 콘텐츠 수요의 61%에 이르며, 이는 먼 데이터 센터에 대한 의존도를 크게 감소시킨다.
• 최적화 문제의 서브스티튜트 함수는 정적 점으로 수렴하여 총 지연 시간 최소화의 안정적이고 효과적인 구현을 보여준다.
• Cyclic 선택 규칙는 Gauss-Southwell 및 Randomized 규칙보다 더 높은 계산 자원을 요구하며, 최적화 효율성의 상충 관계를 시사한다.
• Zipf 파ameter가 증가할수록(a = 2.0), 일부 콘텐츠의 인기가 높아져 캐시 히트율이 상승함을 확인하였으며, 인기 콘텐츠 캐싱의 효과성을 입증한다.
• 프레임워크는 백홀 트래픽을 61% 감소시켜 엣지 및 차량 수준의 협업 캐싱을 통해 상당한 대역폭 절감 효과를 보였다.