[论文解读] Caching Policy for Cache-enabled D2D Communications by Learning User Preference

Binqiang Chen, Chenyang Yang|arXiv (Cornell University)|Jul 26, 2017

Caching and Content Delivery参考文献 32被引用 5

一句话总结

本文提出了一种用于缓存启用的设备到设备（D2D）通信的缓存策略，该策略利用个体用户的偏好和活跃度水平以最大化卸载增益。通过使用概率潜在语义分析建模用户偏好，并利用期望最大化算法优化缓存，该方法在真实用户行为数据下，相比基于内容受欢迎程度的策略，显著提高了卸载概率。

ABSTRACT

Prior works in designing caching policy do not distinguish content popularity with user preference. In this paper, we illustrate the caching gain by exploiting individual user behavior in sending requests. After showing the connection between the two concepts, we provide a model for synthesizing user preference from content popularity. We then optimize the caching policy with the knowledge of user preference and active level to maximize the offloading probability for cache-enabled device-to-device communications, and develop a low-complexity algorithm to find the solution. In order to learn user preference, we model the user request behavior resorting to probabilistic latent semantic analysis, and learn the model parameters by expectation maximization algorithm. By analyzing a Movielens dataset, we find that the user preferences are less similar, and the active level and topic preference of each user change slowly over time. Based on this observation, we introduce a prior knowledge based learning algorithm for user preference, which can shorten the learning time. Simulation results show remarkable performance gain of the caching policy with user preference over existing policy with content popularity, both with realistic dataset and synthetic data validated by the real dataset.

研究动机与目标

• 解决现有缓存策略仅依赖全局内容受欢迎程度而未考虑个体用户偏好的局限性。
• 通过整合个性化用户行为和活跃度水平，提升缓存启用的D2D网络中的卸载概率。
• 设计一种低复杂度、自适应的缓存算法，能够从请求数据中高效学习用户偏好。
• 使用真实世界的Movielens数据集及由此生成的合成数据验证所提出的策略。

提出的方法

• 使用概率潜在语义分析（PLSA）建模用户请求行为，从请求模式中提取隐藏的用户偏好。
• 采用期望最大化（EM）算法，从历史请求数据中学习PLSA模型参数。
• 提出一种基于先验知识的学习算法，利用用户偏好和活跃度水平随时间缓慢演变的特性，加速收敛。
• 通过贪婪的迭代算法最大化卸载概率来优化缓存策略，该算法具有可证明的收敛性和次优性能保证。
• 将缓存问题重新表述为集合函数优化，以支持对算法最优性的理论分析。
• 采用单调改进框架，确保每次迭代后卸载增益均增加，直至收敛。

实验结果

研究问题

• RQ1 在D2D网络中，建模个体用户偏好是否能带来优于仅依赖全局内容受欢迎程度的缓存性能？
• RQ2 用户活跃度水平和偏好随时间的稳定性如何影响缓存策略的学习效率？
• RQ3 与传统的基于受欢迎程度的策略相比，偏好感知缓存策略的性能增益是多少？
• RQ4 能否设计一种具有理论收敛性和最优性保证的低复杂度算法，以实现实时部署？
• RQ5 关于用户行为缓慢变化的先验知识如何提升偏好建模中的学习速度？

主要发现

• 所提出的用户偏好感知缓存策略在卸载概率方面相比基于内容受欢迎程度的策略表现出显著性能增益，尤其在使用真实Movielens数据时更为明显。
• 仿真结果表明，用户偏好具有异质性且随时间缓慢演变，验证了在学习中使用先验知识的合理性。
• 基于先验知识的学习算法显著减少了学习时间，同时保持了偏好估计的高精度。
• 缓存优化算法的每次迭代均单调提升卸载增益，确保收敛至稳定解。
• 该算法保证获得的解性能至少达到全局最优解的一半，提供了强有力的理论性能边界。
• 通过EM算法学习到的模型参数能有效捕捉潜在用户偏好，从而准确预测未来的请求模式。