[论文解读] User Preference Learning Based Edge Caching for Fog-RAN.

Yanxiang Jiang, Miaoli Ma+3 more|arXiv (Cornell University)|Jan 9, 2018

Caching and Content Delivery被引用 1

一句话总结

本文提出了一种基于在线用户偏好学习的Fog-RAN边缘缓存策略，通过内容特征和用户偏好联合预测内容在时间和空间上的流行度。通过利用在线梯度下降（Online Gradient Descent）和FTRL-Proximal方法，该方法在计算复杂度较低的情况下实现了高缓存命中率，并在仿真中渐近逼近最优性能。

ABSTRACT

In this paper, the edge caching problem in fog radio access networks (F-RAN) is investigated. By maximizing the overall cache hit rate, the edge caching optimization problem is formulated to find the optimal edge caching policy. We consider content popularity in terms of time and space from the perspective of regional users. Taking into account that users request the contents they are interested in, we propose an online content popularity prediction algorithm by leveraging the content features and user preferences, and an offline user preference learning algorithm by using the Online Gradient Descent (OGD) method and the Follow The (Proximally) Regularized Leader (FTRL-Proximal) method. Our proposed edge caching policy not only can promptly predict the future content popularity in an online fashion with low computational complexity, but it also can track the content popularity with spatial and temporal popularity dynamics in time without delay. We theoretically derive the upper bound of the popularity prediction error, the lower bound of the cache hit rate, and the regret bound of the overall cache hit rate of our proposed edge caching policy. Furthermore, to implement our proposed edge caching policy, we design two learning based edge caching architectures for F-RAN, which have the capability of flexibly setting the monitoring cycle and is effective in various edge caching scenarios. Simulation results show that the overall cache hit rate of our proposed policy is superior to those of the traditional policies and asymptotically approaches the optimal performance.

研究动机与目标

• 为解决由于用户需求在时空上的变化导致的雾无线电接入网络（F-RAN）中内容流行度动态变化的挑战。
• 通过实时建模用户偏好和内容特征，提升边缘缓存性能。
• 设计一种低复杂度、自适应的缓存策略，能够无延迟地跟踪不断演变的流行度模式。
• 理论上界定预测误差、缓存命中率和遗憾（regret）的边界，以确保性能保障。
• 开发适用于多样化F-RAN部署场景的灵活、基于学习的缓存架构。

提出的方法

• 提出一种基于内容特征和用户偏好的在线内容流行度预测算法，用于估计未来需求。
• 采用FTRL-Proximal方法进行离线用户偏好学习，以建模用户随时间的行为。
• 集成在线梯度下降（OGD）方法，通过新数据增量式更新偏好模型。
• 设计两种基于学习的边缘缓存架构，支持可配置的监控周期以实现实时适应性。
• 推导理论边界：内容流行度预测误差的上界、缓存命中率的下界，以及整体性能的遗憾边界。
• 优化边缘缓存策略，在动态时空流行度条件下最大化整体缓存命中率。

实验结果

研究问题

• RQ1 如何利用用户偏好和内容特征，在计算成本较低的前提下预测F-RAN中未来的内容流行度？
• RQ2 内容流行度的时间与空间动态变化对边缘缓存性能有何影响？
• RQ3 基于在线学习的缓存策略是否能够实现接近最优的缓存命中率，同时适应用户行为的变化？
• RQ4 在此类系统中，可以为预测准确率和缓存命中率推导出哪些理论性能保证？
• RQ5 所提出的缓存架构如何在多样化的F-RAN部署场景中支持灵活性与适应性？

主要发现

• 所提出的边缘缓存策略在仿真中实现的缓存命中率渐近逼近最优性能。
• 在动态内容流行度下，该策略相比传统缓存策略展现出更优的整体缓存命中率。
• 理论分析证实了预测误差的上界和缓存命中率的下界，确保了系统的鲁棒性。
• 推导出整体缓存命中率的遗憾边界，证明了该策略在长期性能上的稳定性。
• 所提出的两种缓存架构支持灵活的监控周期配置，并可在多种边缘缓存环境中有效部署。
• 该方法在实时跟踪时空流行度动态的同时，保持了低计算复杂度，且无延迟。