[論文レビュー] User Preference Learning Based Edge Caching for Fog-RAN.

Yanxiang Jiang, Miaoli Ma+3 more|arXiv (Cornell University)|Jan 9, 2018

Caching and Content Delivery被引用数 1

ひとこと要約

本稿では、コンテンツ特徴とユーザの好みを用いて時間的・空間的コンテンツ人気を共同で予測する、オンラインユーザ好み学習に基づくエッジキャッシュポリシーをFog-RANに提案する。オンライン勾配降下法とFTRL-Proximal手法を活用することで、計算量が低く抑えられ、シミュレーションにおいて最適性能に漸近的に近づく高いキャッシュヒットレートを達成する。

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.

研究の動機と目的

• 空間的・時間的変動するユーザ需要に起因する、フォグ無線アクセスネットワーク（F-RAN）における動的なコンテンツ人気の問題に対処すること。
• リアルタイムでのユーザ好みとコンテンツ特徴のモデリングを通じて、エッジキャッシュ性能を向上させること。
• 遅延なく変化する人気パターンを追跡できる、低複雑性かつ適応可能なキャッシュポリシーを設計すること。
• 予測誤差、キャッシュヒットレート、リグレットの理論的バウンディングを導出し、パフォーマンス保証を確立すること。
• 多様なF-RAN展開シナリオに適した柔軟な学習ベースのキャッシュアーキテクチャの開発

提案手法

• コンテンツ特徴とユーザ好みを用いて、将来の需要を推定するオンラインコンテンツ人気予測アルゴリズムを提案する。
• ユーザ行動の時間的変化をモデリングするため、オフラインでのユーザ好み学習にFTRL-Proximal手法を採用する。
• 新規データを段階的に統合できるように、オンライン勾配降下（OGD）を用いて好みモデルを更新する。
• リアルタイムの適応性を実現するため、設定可能な監視サイクルをサポートする2つの学習ベースのエッジキャッシュアーキテクチャを設計する。
• 理論的バウンディングを導出：人気予測誤差の上界、キャッシュヒットレートの下界、および全体パフォーマンスのリグレットバウンディング。
• 動的な空間的・時間的人気変動を考慮した条件下で、全体のキャッシュヒットレートを最大化するエッジキャッシュポリシーを最適化する。

実験結果

リサーチクエスチョン

• RQ1 計算コストを低く抑えながら、F-RANにおけるユーザ好みとコンテンツ特徴を活用して、将来の人気を予測する方法は何か？
• RQ2 コンテンツ人気の時間的・空間的ダイナミクスが、エッジキャッシュパフォーマンスに与える影響は何か？
• RQ3 オンライン学習ベースのキャッシュポリシーは、変化するユーザ行動に適応しながら、近似的に最適なキャッシュヒットレートを達成できるか？
• RQ4 このようなシステムにおいて、予測精度とキャッシュヒットレートの理論的パフォーマンス保証はどのように導出できるか？
• RQ5 提案されたキャッシュアーキテクチャは、多様なF-RAN展開シナリオにおいて、どのように柔軟性と適応性を実現するか？

主な発見

• 提案されたエッジキャッシュポリシーは、シミュレーションにおいて最適性能に漸近的に近づくキャッシュヒットレートを達成する。
• 動的なコンテンツ人気の下で、従来のキャッシュ戦略に比べて優れた全体のキャッシュヒットレートを示す。
• 理論的解析により、予測誤差の上界とキャッシュヒットレートの下界が確認され、強固な性能が保証される。
• 全体のキャッシュヒットレートのリグレットバウンディングが導出され、ポリシーの長期的パフォーマンス安定性が証明される。
• 提案された2つのキャッシュアーキテクチャは、柔軟な監視サイクル設定を可能にし、多様なエッジキャッシュ環境への効果的な展開を可能にする。
• 遅延なく、空間的・時間的人気動態をリアルタイムで追跡しながら、計算量を低く抑えている。