[论文解读] CABaRet: Leveraging Recommendation Systems for Mobile Edge Caching

Savvas Kastanakis, Pavlos Sermpezis+2 more|arXiv (Cornell University)|Jun 7, 2018

Caching and Content Delivery参考文献 8被引用 8

一句话总结

该论文提出CABaRet系统，可在无需网络运营商与内容提供商协作的前提下，实现移动边缘网络中的缓存感知视频推荐。通过利用公开的YouTube API数据推断视频关联关系，CABaRet引导推荐优先选择已缓存内容，使缓存命中率最高提升10倍，并通过贪心缓存优化实现额外2倍的增益。

ABSTRACT

Joint caching and recommendation has been recently proposed for increasing the efficiency of mobile edge caching. While previous works assume collaboration between mobile network operators and content providers (who control the recommendation systems), this might be challenging in today's economic ecosystem, with existing protocols and architectures. In this paper, we propose an approach that enables cache-aware recommendations without requiring a network and content provider collaboration. We leverage information provided publicly by the recommendation system, and build a system that provides cache-friendly and high-quality recommendations. We apply our approach to the YouTube service, and conduct measurements on YouTube video recommendations and experiments with video requests, to evaluate the potential gains in the cache hit ratio. Finally, we analytically study the problem of caching optimization under our approach. Our results show that significant caching gains can be achieved in practice; 8 to 10 times increase in the cache hit ratio from cache-aware recommendations, and an extra 2 times increase from caching optimization.

研究动机与目标

• 解决由于缓存容量有限和用户需求动态变化导致的移动边缘缓存命中率低下的挑战。
• 克服网络运营商与内容提供商之间需要紧密协作才能实现联合缓存与推荐的现实障碍。
• 使网络运营商仅使用公开的推荐系统数据即可提升缓存效率，而无需修改协议或访问私有用户数据。
• 证明即使在真实世界中非协作的网络环境中，缓存感知推荐也能显著提高缓存命中率。
• 提出并评估一种贪心缓存优化算法，进一步提升CABaRet推荐框架下的缓存效率。

提出的方法

• 利用YouTube API提取视频关联关系（如相关视频），构建扩展的推荐图。
• 构建基于图的视频内容表示，其中节点为视频，边表示来自YouTube API的推荐链接。
• 设计一种推荐算法（CABaRet），通过分析视频在视频关联图中的位置和连通性，优先推荐已缓存的视频。
• 应用一种基于潜在提升缓存命中率的贪心缓存算法，使用子模函数作为目标函数。
• 使用BFS遍历计算候选视频集合的预期缓存命中率（CHR），基于用户沿推荐链传播的可能性。
• 将缓存优化问题建模为在基数约束下的子模最大化问题，并采用具有(1−1/e)性能保证的贪心近似算法。

实验结果

研究问题

• RQ1 在无需网络运营商与内容提供商协作的情况下，能否有效实现缓存感知推荐？
• RQ2 公开的推荐系统数据能在多大程度上提升移动边缘缓存中的命中率？
• RQ3 视频推荐图的结构如何影响缓存感知推荐的有效性？
• RQ4 在缓存感知推荐框架下，联合优化缓存与推荐策略能带来多大额外增益？
• RQ5 轻量级、非侵入式系统能否在真实世界的移动边缘缓存场景中实现显著性能提升？

主要发现

• CABaRet相较于标准YouTube推荐，使缓存命中率提升了8至10倍，即使在协作程度最低的情况下亦成立。
• 贪心缓存优化算法相较于基线的top-k缓存策略，使缓存命中率额外提升了2倍。
• 实验表明，仅10%至30%的贪心算法所选缓存视频属于最热门的50部视频，表明非热门但连接度高的视频显著提升了缓存效率。
• 贪心缓存算法的性能保证在最优解的(1−1/e) ≈ 63%以内，且实际表现接近最优。
• 该方法可推广至其他提供类似公开API或可通过离线爬取分析的视频与音频服务（如Netflix、Spotify）。
• 即使采用均匀视频选择策略，贪心缓存方法仍比top-k缓存高出2倍性能，证明了图感知缓存的价值。