[论文解读] Optimizing Caching Policy at Base Stations by Exploiting User Preference and Spatial Locality.

Dong Liu, Chenyang Yang|arXiv (Cornell University)|Oct 27, 2017

Caching and Content Delivery参考文献 38被引用 5

一句话总结

本文提出了一种新型的基站缓存策略优化框架，通过联合利用用户偏好、活跃度和空间局部性，以最小化网络整体下载延迟并最大化用户公平性。通过建模异构用户行为和内容需求模式，该方法在性能和公平性方面均取得显著提升，尤其在偏好异质性高、空间局部性强及活跃度偏态显著的情况下表现更优。

ABSTRACT

Most prior works of proactive caching at wireless edge optimize caching policies under the following assumptions: the preference of each user is identical to content popularity, all users request contents with the same active level and at uniformly-distributed locations. In this paper, we investigate what happens without these assumptions. To this end, we establish a framework to optimize caching policy at base stations exploiting user preference, active level, and spatial locality. We obtain optimal caching policy to minimize the weighted sum of the file download time averaged over all file requests and user locations in the network (reflecting network performance) and the maximal weighted download time averaged over possible file requests and locations of each user (reflecting user fairness). To investigate how user preference similarity and active level skewness affect the optimal caching policy, we then provide a method to synthesize user preference for given content popularity and user active level. The analysis and simulation results show that exploiting user preference can improve both network performance and user fairness remarkably compared with priori works. The gain of exploiting user preference increases with user preference heterogeneity, user spatial locality, and skewness of user active level.

研究动机与目标

• 为解决先前主动缓存方案的局限性，这些方案假设用户偏好和活跃度均匀。
• 在缓存策略设计中建模并利用用户偏好的异质性、空间局部性和活跃度偏态。
• 最小化所有用户和位置的加权平均文件下载时间（网络性能）与每位用户的最大加权下载时间（用户公平性）的复合指标。
• 基于内容流行度和活跃度分布，构建合成用户偏好模型，以实现真实场景下的评估。
• 量化用户行为异质性对缓存效率与公平性的影响。

提出的方法

• 构建一个联合优化问题，以最小化平均下载时间（网络性能）与最坏情况下载时间（用户公平性）的复合度量。
• 提出一种用户偏好模型，基于行为异质性将内容流行度映射为个体用户偏好。
• 通过将用户请求模式建模为围绕基站的位置相关分布，引入空间局部性。
• 将用户活跃度建模为偏态分布，以反映现实中的用户参与模式。
• 采用合成用户偏好生成方法，从给定的流行度和活跃度数据中模拟多样化的用户行为。
• 利用结构化框架求解缓存优化问题，在真实用户行为假设下实现性能与公平性的平衡。

实验结果

研究问题

• RQ1 用户偏好异质性如何影响最优缓存策略与网络性能？
• RQ2 空间局部性对主动缓存策略有效性有何影响？
• RQ3 用户活跃度的偏态如何影响网络性能与用户公平性之间的权衡？
• RQ4 与传统方法相比，联合建模偏好、活跃度与位置能在多大程度上提升缓存效率？
• RQ5 在不同用户行为特征下，所提方法如何在公平性与性能之间实现平衡？

主要发现

• 与假设偏好均匀的先前工作相比，利用用户偏好可显著提升网络性能与用户公平性。
• 在用户偏好异质性更高的情况下，引入用户偏好的性能增益进一步增大。
• 用户移动的空间局部性越强，所提缓存策略的有效性越显著。
• 用户活跃度偏态程度越高，所提方法带来的增益也越明显。
• 通过将缓存放置与实际用户行为模式对齐，该框架显著降低了平均与最大下载时间。
• 合成用户偏好模型成功捕捉了真实的用户多样性，并支持了准确的性能评估。