[论文解读] Caching as an Image Characterization Problem using Deep Convolutional Neural Networks

Yantong Wang, Vasilis Friderikos|arXiv (Cornell University)|Jul 16, 2019

Caching and Content Delivery参考文献 23被引用 4

一句话总结

本文提出了一种新颖的深度学习框架，将主动缓存优化问题转化为灰度图像分类问题，利用卷积神经网络（CNN）预测最优边缘缓存位置。通过在MILP生成的最优解上进行训练，CNN实现了实时决策，性能较随机贪心启发式方法提升400%以上，在速度和精度方面显著优于传统方法，同时保持了高可行性和精确度。

ABSTRACT

Caching of popular content closer to the mobile user can significantly increase overall user experience as well as network efficiency by decongesting backbone network segments in the case of congestion episodes. In order to find the optimal caching locations, many conventional approaches rely on solving a complex optimization problem that suffers from the curse of dimensionality, which may fail to support online decision making. In this paper we propose a framework to amalgamate model based optimization with data driven techniques by transforming an optimization problem to a grayscale image and train a convolutional neural network (CNN) to predict optimal caching location policies. The rationale for the proposed modelling comes from CNN's superiority to capture features in grayscale images reaching human level performance in image recognition problems. The CNN is trained with optimal solutions and numerical investigations reveal that the performance can increase by more than 400% compared to powerful randomized greedy algorithms. To this end, the proposed technique seems as a promising way forward to the holy grail aspect in resource orchestration which is providing high quality decision making in real time.

研究动机与目标

• 为5G及未来网络中的主动缓存实时决策问题提供解决方案。
• 克服NP难MILP公式在内容放置优化中面临的维度灾难问题。
• 利用深度学习的特征提取能力，建模缓存网络中的空间请求模式。
• 通过在最优解上进行端到端训练，实现快速、高精度且可行的缓存决策。
• 证明基于CNN的推理可匹配或超越MILP性能，同时将计算时间大幅降低。

提出的方法

• 将原始混合整数线性规划（MILP）缓存优化问题映射为边缘云上请求模式的灰度图像表示。
• 训练深度卷积神经网络（CNN）直接从这些灰度图像中预测最优缓存策略。
• 使用离线求解MILP生成的最优解进行CNN训练，从而实现实时推理。
• 图像表示中的空间特征捕捉用户与边缘云之间的拓扑关系和需求关系。
• 网络架构利用权重重用和分层特征学习，类似于图像识别，以在不同网络配置间实现泛化。
• 通过均总成本、精确度、可行率以及与最优解的最大成本偏差等指标评估性能。

实验结果

研究问题

• RQ1 能否通过将优化问题视为图像识别任务，有效训练深度CNN以预测最优缓存位置？
• RQ2 在不同网络规模下，CNN在成本、精确度和可行性方面与传统贪心启发式方法相比表现如何？
• RQ3 CNN在保持高精度的前提下，能在多大程度上泛化于不同网络拓扑和请求模式？
• RQ4 用学习的CNN策略替代MILP时，计算效率与解质量之间的权衡如何？
• RQ5 CNN输出对输入请求模式的小幅变化是否敏感，是否表现出对抗鲁棒性？

主要发现

• 对于10个请求，CNN的均总成本为25.07，仅比MILP解（10.83）高1.76%，同时将计算时间从80.96秒降低至0.51秒。
• 对于15个请求，CNN的均成本为55.59，比RGC启发式方法（98.72）低40.5%，性能提升超过400%。
• 在15个请求场景下，CNN保持了94.8%的可行率和65.4%的精确度，优于RGC的89.8%可行率和26.4%精确度。
• 在20个请求场景中，CNN的均成本（124.66）不足RGC（156.36）的一半，精确度达51.9%，而RGC仅为21.1%。
• CNN与MILP之间的最大成本偏差在15个请求时为106.6，显著低于RGC的463.9，表明其具有一致性。
• 对于20个请求，CNN在2.2秒内即达到近最优性能，而MILP耗时超过2.4小时，展现出强大的实时应用可扩展性。