[论文解读] Deep Learning Based Caching for Self-Driving Car in Multi-access Edge Computing

Anselme Ndikumana, Nguyen H. Tran+1 more|arXiv (Cornell University)|Oct 3, 2018

Caching and Content Delivery参考文献 37被引用 17

一句话总结

该论文提出了一种基于深度学习的缓存框架，用于多接入边缘计算（MEC）环境下的自动驾驶汽车，利用卷积神经网络（CNN）预测乘客特征（年龄、情绪、性别），并使用多层感知机（MLP）预测内容受欢迎程度，从而实现智能、低延迟的娱乐内容缓存。该方法通过联合优化内容分发与缓存决策，实现了97.82%的预测准确率，并将回传链路流量减少了61%。

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.

研究动机与目标

• 为解决自动驾驶汽车在娱乐内容分发中端到端延迟过高的问题，通过在用户附近主动缓存内容来实现。
• 根据乘客的实时特征（如年龄、情绪、性别）实现个性化娱乐内容缓存。
• 通过在MEC服务器（RSU）和车载存储中缓存热门内容，降低回传链路带宽消耗。
• 通过结合深度学习预测与缓存决策的集成优化模型，最小化内容下载延迟。
• 在高移动性、动态的自动驾驶汽车环境中，实现低延迟、个性化的娱乐服务。

提出的方法

• 在数据中心训练一个多层感知机（MLP），以预测特定地理区域内内容请求的概率，其输出结果部署至附近的MEC服务器。
• 在自动驾驶汽车中使用卷积神经网络（CNN）从实时输入数据中推断乘客特征（年龄、情绪、性别）。
• 自动驾驶汽车将MLP的预测结果（内容受欢迎程度）与CNN的输出结果（乘客特征）结合，通过k-means聚类和二分类方法，选择适合缓存的内容。
• 设计一种通信模型，根据综合预测结果从MEC服务器（RSU）检索推荐内容。
• 设计一种缓存模型，将选定内容同时存储在RSU和自动驾驶汽车中，并根据需求动态调整内容质量/格式。
• 构建一个优化问题以最小化总内容下载延迟，采用块逐次主要化-最小化技术求解，使用代理函数和多种选择规则（循环、高斯-索尔特韦尔、随机化）。

实验结果

研究问题

• RQ1 如何利用深度学习预测内容受欢迎程度与乘客偏好，以实现在自动驾驶汽车中个性化娱乐内容缓存？
• RQ2 将乘客特征预测（年龄、情绪、性别）与内容受欢迎程度预测相结合，对缓存效率有何影响？
• RQ3 在自动驾驶汽车网络中，RSU处的边缘缓存与车载存储如何降低回传链路流量与端到端延迟？
• RQ4 何种优化技术能有效平衡动态、高移动性环境中的传输延迟与计算延迟？
• RQ5 不同选择规则（循环、高斯-索尔特韦尔、随机化）在优化过程中的收敛性与计算吞吐量有何影响？

主要发现

• 所提出的Deep3C框架在确定应在RSU和自动驾驶汽车中缓存哪些娱乐内容方面，实现了97.82%的内容预测准确率。
• RSU与自动驾驶汽车的联合缓存命中率达到总内容请求量的61%，显著降低了对远距离数据中心的依赖。
• 优化问题中的代理函数收敛至驻点，表明总延迟的最小化过程稳定且高效。
• 循环选择规则所需的计算资源高于高斯-索尔特韦尔与随机化规则，表明优化效率存在权衡。
• 当Zipf参数增大（a = 2.0）时，缓存命中率上升，因为少数内容的受欢迎程度更高，证实了缓存热门内容的有效性。
• 该框架将回传链路流量减少了61%，通过边缘与车辆层级的协同缓存，显著节省了带宽。