[论文解读] Echo State Networks for Proactive Caching in Cloud-Based Radio Access Networks with Mobile Users

Mingzhe Chen, Walid Saad+2 more|arXiv (Cornell University)|Jul 4, 2016

Neural Networks and Reservoir Computing参考文献 32被引用 5

一句话总结

本文提出了一种基于回声状态网络（ESN）的主动缓存框架，用于云无线电接入网络（CRANs），以在有限状态信息下预测用户移动性和内容请求模式。通过利用ESN实现低复杂度预测，并采用次线性算法进行缓存放置，该方法相比随机缓存将总有效容量提升了高达30.7%，在回传和前传资源受限的动态移动环境中展现出显著性能增益。

ABSTRACT

In this paper, the problem of proactive caching is studied for cloud radio access networks (CRANs). In the studied model, the baseband units (BBUs) can predict the content request distribution and mobility pattern of each user, determine which content to cache at remote radio heads and BBUs. This problem is formulated as an optimization problem which jointly incorporates backhaul and fronthaul loads and content caching. To solve this problem, an algorithm that combines the machine learning framework of echo state networks with sublinear algorithms is proposed. Using echo state networks (ESNs), the BBUs can predict each user's content request distribution and mobility pattern while having only limited information on the network's and user's state. In order to predict each user's periodic mobility pattern with minimal complexity, the memory capacity of the corresponding ESN is derived for a periodic input. This memory capacity is shown to be able to record the maximum amount of user information for the proposed ESN model. Then, a sublinear algorithm is proposed to determine which content to cache while using limited content request distribution samples. Simulation results using real data from Youku and the Beijing University of Posts and Telecommunications show that the proposed approach yields significant gains, in terms of sum effective capacity, that reach up to 27.8% and 30.7%, respectively, compared to random caching with clustering and random caching without clustering algorithm.

研究动机与目标

• 通过实现主动内容缓存，解决云无线电接入网络（CRANs）中回传与前传容量受限的挑战。
• 利用回声状态网络（ESNs）在仅使用部分网络与用户状态信息的情况下，预测用户移动性模式与内容请求分布。
• 联合优化基带单元（BBUs）与远端射频头（RRHs）的缓存放置，同时最小化前传与回传负载。
• 开发一种低复杂度的次线性算法，利用采样请求分布实现高效的缓存决策。
• 基于优酷和北京邮电大学的真实数据评估所提框架，验证其相对于基线方法的性能增益。

提出的方法

• 采用回声状态网络（ESNs）建模并预测用户移动性与内容请求模式，仅依赖部分网络与用户状态信息。
• 推导ESN在周期性输入下的记忆容量，以确保在最小复杂度下充分捕获移动性预测所需的信息。
• 提出一种次线性算法，基于有限数量的内容请求分布采样，确定最优内容缓存，降低计算开销。
• 通过最大化用户有效容量（建模为传输模式（按需、缓存等）的函数）来优化RRHs与BBUs的缓存放置。
• 使用T个时隙的时间平均有效容量度量评估长期性能，将预测结果整合进联合优化框架。
• 应用命题1调度来自云缓存与RRHs的传输，实现高效的资源分配与性能评估。

实验结果

研究问题

• RQ1 在状态信息有限的情况下，回声状态网络能否有效预测CRANs中的用户移动性与内容请求模式？
• RQ2 在移动CRAN环境中，ESN的最优记忆容量是多少，才能有效捕获周期性用户移动模式？
• RQ3 在仅使用采样请求分布的前提下，如何在回传与前传容量约束下优化内容缓存？
• RQ4 与随机缓存或聚类策略相比，基于ESN预测的主动缓存能实现多大的性能增益？
• RQ5 所提出的次线性算法能否在显著降低计算复杂度的同时实现接近最优的缓存决策？

主要发现

• 所提出的基于ESN的预测框架在优酷数据上相比随机缓存（聚类方法）实现了高达27.8%的总有效容量增益。
• 在北京邮电大学的真实数据上，该方法在不使用聚类的情况下，相比随机缓存实现了高达30.7%的总有效容量增益。
• 推导出的ESN记忆容量可确保对周期性移动模式的最优捕获，从而在低复杂度下实现准确的长期预测。
• 次线性缓存算法能有效利用仅采样的请求分布确定最优内容放置，显著降低计算负载。
• 该框架联合优化了RRHs与BBUs的缓存策略，在平衡前传与回传流量的同时最大化用户服务质量。
• 仿真结果证实，所提方法在多个真实数据集上均优于基线的随机缓存与聚类缓存策略。