[논문 리뷰] User Preference Learning Based Edge Caching for Fog-RAN.

Yanxiang Jiang, Miaoli Ma외 3명|arXiv (Cornell University)|2018. 01. 09.

Caching and Content Delivery인용 수 1

한 줄 요약

이 논문은 콘텐츠 특성과 사용자 선호도를 활용하여 시간적·공간적으로 콘텐츠 인기도를 공동 예측하는 온라인 사용자 선호도 학습 기반 엣지 캐싱 정책을 제안한다. 온라인 경사 하강법과 FTRL-Proximal 방법을 활용함으로써, 낮은 계산 복잡도로 높은 캐시 히트율을 달성하며 시뮬레이션에서 최적 성능에 점차 수렴한다.

ABSTRACT

In this paper, the edge caching problem in fog radio access networks (F-RAN) is investigated. By maximizing the overall cache hit rate, the edge caching optimization problem is formulated to find the optimal edge caching policy. We consider content popularity in terms of time and space from the perspective of regional users. Taking into account that users request the contents they are interested in, we propose an online content popularity prediction algorithm by leveraging the content features and user preferences, and an offline user preference learning algorithm by using the Online Gradient Descent (OGD) method and the Follow The (Proximally) Regularized Leader (FTRL-Proximal) method. Our proposed edge caching policy not only can promptly predict the future content popularity in an online fashion with low computational complexity, but it also can track the content popularity with spatial and temporal popularity dynamics in time without delay. We theoretically derive the upper bound of the popularity prediction error, the lower bound of the cache hit rate, and the regret bound of the overall cache hit rate of our proposed edge caching policy. Furthermore, to implement our proposed edge caching policy, we design two learning based edge caching architectures for F-RAN, which have the capability of flexibly setting the monitoring cycle and is effective in various edge caching scenarios. Simulation results show that the overall cache hit rate of our proposed policy is superior to those of the traditional policies and asymptotically approaches the optimal performance.

연구 동기 및 목표

• 스пат리오토포럴적 사용자 수요 변화로 인한 포그 라디오 액세스 네트워크(F-RAN)에서의 동적 콘텐츠 인기도 문제를 해결하기 위해.
• 실시간으로 사용자 선호도와 콘텐츠 특성을 모델링하여 엣지 캐싱 성능을 향상시키기 위해.
• 지연 없이 변화하는 인기 패턴을 추적할 수 있는 저복잡도, 적응형 캐싱 정책을 설계하기 위해.
• 예측 오차, 캐시 히트율, 회귀를 이론적으로 경계하여 성능 보장을 확보하기 위해.
• 다양한 F-RAN 구현 시나리오에 적합한 유연한, 학습 기반 캐싱 아키텍처를 개발하기 위해.

제안 방법

• 콘텐츠 특성과 사용자 선호도를 사용하여 향후 수요를 추정하는 온라인 콘텐츠 인기도 예측 알고리즘을 제안한다.
• 사용자 행동을 시간에 따라 모델링하기 위해 오프라인 사용자 선호도 학습을 위해 FTRL-Proximal 방법을 활용한다.
• 새로운 데이터로 선호도 모델을 점진적으로 업데이트하기 위해 온라인 경사 하강법(OGD)을 통합한다.
• 실시간 적응성을 지원하는 구성 가능한 모니터링 주기를 갖춘 두 가지 학습 기반 엣지 캐싱 아키텍처를 설계한다.
• 이론적 경계 유도: 인기도 예측 오차의 상한, 캐시 히트율의 하한, 전체 성능에 대한 회귀 경계.
• 동적 스파ati오토포럴 인기도 조건 하에서 총 캐시 히트율을 최대화하도록 엣지 캐싱 정책을 최적화한다.

실험 결과

연구 질문

• RQ1 사용자 선호도와 콘텐츠 특성을 어떻게 활용하여 계산 비용을 낮추면서 F-RAN에서 향후 콘텐츠 인기도를 예측할 수 있는가?
• RQ2 콘텐츠 인기도의 시간적·공간적 동적 변화가 엣지 캐싱 성능에 미치는 영향은 무엇인가?
• RQ3 온라인 학습 기반 캐싱 정책은 변화하는 사용자 행동에 적응하면서 최적에 가까운 캐시 히트율을 달성할 수 있는가?
• RQ4 이러한 시스템에서 예측 정확도와 캐시 히트율에 대해 이론적으로 유도할 수 있는 성능 보장은 무엇인가?
• RQ5 제안된 캐싱 아키텍처는 다양한 F-RAN 구현 시나리오에서 어떻게 민첩성과 적응성을 지원하는가?

주요 결과

• 제안된 엣지 캐싱 정책은 시뮬레이션에서 최적 성능에 점차 수렴하는 캐시 히트율을 달성한다.
• 동적 콘텐츠 인기도 조건 하에서 전통적인 캐싱 전략에 비해 뛰어난 총 캐시 히트율을 보여준다.
• 이론적 분석을 통해 예측 오차의 상한과 캐시 히트율의 하한을 확인하여 강건성을 입증한다.
• 전체 캐시 히트율에 대한 회귀 경계가 도출되어 정책의 장기적 성능 안정성을 입증한다.
• 제안된 두 가지 캐싱 아키텍처는 민감한 모니터링 주기 설정과 다양한 엣지 캐싱 환경에서의 효과적인 구현을 가능하게 한다.
• 지연 없이 스파티오토포럴 인기도 동적 변화를 실시간으로 추적하면서도 낮은 계산 복잡도를 유지한다.