[论文解读] On the Average Performance of Caching and Coded Multicasting with Random Demands

Mingyue Ji, Antonia M. Tulino+2 more|arXiv (Cornell University)|Feb 19, 2014

Caching and Content Delivery参考文献 17被引用 22

一句话总结

该论文提出了一种新颖的去中心化随机缓存放置与编码多播方案，适用于具有随机、Zipf 分布用户请求的缓存内容分发网络。通过根据文件流行度自适应缓存放置并实现全集编码多播，该方案实现了阶最优性能，在现实流量条件下显著优于 LFU 和分组编码等先前方案。

ABSTRACT

For a network with one sender, $n$ receivers (users) and $m$ possible messages (files), caching side information at the users allows to satisfy arbitrary simultaneous demands by sending a common (multicast) coded message. In the worst-case demand setting, explicit deterministic and random caching strategies and explicit linear coding schemes have been shown to be order optimal. In this work, we consider the same scenario where the user demands are random i.i.d., according to a Zipf popularity distribution. In this case, we pose the problem in terms of the minimum average number of equivalent message transmissions. We present a novel decentralized random caching placement and a coded delivery scheme which are shown to achieve order-optimal performance. As a matter of fact, this is the first order-optimal result for the caching and coded multicasting problem in the case of random demands.

研究动机与目标

• 解决在现实随机用户请求下缓存与编码多播的平均情况性能分析空白。
• 设计一种无需集中协调即可根据文件流行度自适应的去中心化缓存策略。
• 开发一种编码传输方案，最大化所有请求数据包的多播增益，而不仅限于文件组内。
• 建立预期速率的理论界，并在 Zipf 流行度分布下证明阶最优性。
• 在实际场景中展示相对于现有方案（如 LFU 和分组编码）的显著性能提升。

提出的方法

• 提出 RAndom Popularity-based (RAP) 方案，通过基于流行度自适应的缓存分布，根据文件流行度将内容随机放置于用户之间。
• 采用图染色数索引编码进行数据传输，通过在全部请求数据包集合上利用编码多播，实现高效的多播传输。
• 提出 Random Least-Frequently-Used (Random LFU) 方案作为 RAP 的简化分布式近似，通过随机方式缓存最热门文件中的数据包，推广经典 LFU 方案。
• 利用由用户请求和缓存内容诱导的随机图的期望染色数，推导出预期速率的上界。
• 通过一维搜索优化需缓存的文件数 ($\tilde{m}$)，以最小化预期速率的上界。
• 采用参数为 $\alpha$ 的 Zipf 流行度分布来建模现实世界的内容访问模式，支持在不同 $n$、$m$ 和 $M$ 的参数范围内分析尺度律。

实验结果

研究问题

• RQ1 在随机、独立同分布的用户请求下，去中心化且流行度感知的缓存策略能否实现阶最优性能？
• RQ2 当请求服从 Zipf 分布而非最坏情况设置时，编码多播的性能如何扩展？
• RQ3 缓存更多热门文件的数据包对多播效率和预期传输速率有何影响？
• RQ4 所提方案与经典 LFU 和分组编码方案相比，在预期速率和可扩展性方面表现如何？
• RQ5 在何种条件下该方案会收敛至 LFU 或均匀缓存？这又如何影响性能扩展？

主要发现

• 所提出的 RAndom Popularity-based (RAP) 和 Random LFU 方案在随机、Zipf 分布请求下，对缓存与编码多播问题实现了阶最优性能。
• 当 $\alpha > 1$，且 $n = o(m^{\alpha-1})$，$M$ 较大时，预期速率呈 $\Theta(n^{1/\alpha})$、$\Theta(n^{1/\alpha}/M^{1-1/\alpha})$ 到 $\Theta(n/M^\alpha)$ 的尺度，表明缓存增益从次线性到超线性吞吐量扩展逐步增强。
• 当 $n = \omega(m^{\alpha-1})$ 时，预期速率从 $\Theta(n^{1/\alpha})$ 变化至 $\Theta(m/M)$，表明随着 $M$ 增大，缓存增益变为与 $M$ 线性相关。
• 在 $\alpha = 1.6$、$m = 500$、$n = 5000$ 的仿真中，所提方案在 $M = 20$（即库大小的 4%）时，相比参考的分组编码方案提升 5 倍，相比 LFU 提升 8 倍。
• 该方案在所有测试场景中均优于 LFU 和参考的分组编码方案，尤其在 $\alpha$ 和 $n$ 较大时优势更明显，归因于全集编码和对缓存增益的更好利用。
• 性能增益主要归因于三个关键因素：(1) 缓存更多热门文件的数据包，(2) 每个文件的集体缓存不同数据包数量最大化，(3) 实现所有请求数据包之间的编码，而非仅在子集内。