[论文解读] Coding for Caches in the Plane

Eitan Altman, Konstantin Avrachenkov+1 more|arXiv (Cornell University)|Sep 3, 2013

Cooperative Communication and Network Coding参考文献 23被引用 26

一句话总结

本文提出了一种基于随机线性网络编码的空间缓存框架，以最小化在按一般点过程（特别是泊松过程）分布的无线网络缓存中的数据检索成本。该研究严格证明了，与非编码策略相比，编码缓存通过使客户端能够访问更近的缓存，从而降低了预期检索成本；其分析结果已通过真实基站部署数据得到验证。

ABSTRACT

We consider wireless caches located in the plane according to general point process and specialize the results for the homogeneous Poisson process. A large data file is stored at the caches, which have limited storage capabilities. Hence, they can only store parts of the data. Clients can contact the caches to retrieve the data. We compare the expected cost of obtaining the complete data under uncoded as well as coded data allocation strategies. It is shown that for the general class of cost measures where the cost of retrieving data is increasing with the distance between client and caches, coded allocation outperforms uncoded allocation. The improvement offered by coding is quantified for two more specific classes of performance measures. Finally, our results are validated by computing the costs of the allocation strategies for the case that caches coincide with currently deployed mobile base stations.

研究动机与目标

• 分析并比较平面中分布的无线缓存中非编码与编码数据分配策略。
• 在检索成本随距离增加的一般成本模型下，量化编码缓存相对于非编码缓存的性能增益。
• 使用随机几何与点过程理论，评估两种策略下的预期总成本和命中率。
• 使用真实移动基站部署数据，验证理论发现。
• 建立首个基于随机几何的连续几何约束下空间缓存的分析框架。

提出的方法

• 将缓存建模为一般点过程，特别关注齐次泊松过程，以表示真实无线基础设施。
• 提出两种策略：非编码（每个缓存存储一个数据片段）和编码（每个缓存存储数据片段的随机线性组合）。
• 使用随机几何计算预期检索成本，定义为所需缓存距离之和，且成本随距离增加。
• 应用不完全伽马函数及其性质，推导两种策略下的预期成本的精确表达式。
• 利用不完全伽马函数的上、下部分的分部积分和递推恒等式，推导出解析结果。
• 通过计算缓存对应真实移动基站的情况，使用真实部署数据验证理论结果。

实验结果

研究问题

• RQ1 当缓存在平面上空间分布时，编码缓存是否相比非编码缓存能降低预期检索成本？
• RQ2 编码带来的性能增益如何依赖于缓存的空间分布以及成本函数对距离的依赖关系？
• RQ3 在一般成本模型下，使用编码与非编码分配策略检索完整数据文件的预期总成本是多少？
• RQ4 命中率——客户端能够从可用缓存中检索到数据的概率——在编码与非编码策略之间如何比较？
• RQ5 能否使用随机几何和特殊函数，为两种策略推导出预期检索成本的解析表达式？

主要发现

• 对于所有检索成本随距离增加的成本函数，编码缓存均优于非编码缓存，原因在于客户端可访问更近的缓存。
• 在基站作为缓存的具体情况下，编码策略相比非编码策略可将预期检索成本降低最多30%，具体取决于部署密度。
• 编码策略的预期总成本被推导为 $ W^{c}_{\text{min}} = \frac{\gamma(k+1+\frac{a}{2},d)+d^{a/2+1}\Gamma(k,d)}{(\lambda\pi)^{a/2}(\frac{a}{2}+1)\Gamma(k)} + \left(\frac{d}{\lambda\pi}\right)^{a/2}\frac{\Gamma(k+1,d)-d\Gamma(k,d)}{\Gamma(k)} $，并给出了非编码情况的精确表达式。
• 命中率在编码策略下更高，因为任意两个具有独立线性组合的缓存通常能构成满秩系统，从而以高概率实现数据恢复。
• 通过不完全伽马函数及其递推性质，对编码带来的改进进行了分析量化，实现了无需仿真即可精确计算。
• 结果在不同成本模型下均具有鲁棒性，包括基于发射功率、延迟或失败概率的成本模型，只要成本随距离增加即可。