Dynamic Placement of VNF Chains for Proactive Caching in Mobile Edge Networks
尽管在过去的几年中，网络功能虚拟化（NFV）架构受到了大量的研究工作，但是当将其视为服务链时，很少关注优化主动缓存。由于流行内容的缓存被设想为新兴5G网络中的关键技术之一，以提高网络效率和整体终端用户感知的服务质量，因此本文明确考虑基于缓存的VNF服务链的相互作用和后续优化。为此，我们详细介绍了一种新的数学规划框架量身定制的VNF缓存链和详细的无标度启发式提供有竞争力的解决方案，为大型网络实例，因为问题本身可以被看作是一个变种的经典NP-硬无容量设施位置（UFL）问题。一组广泛的数值研究，提出了所提出的计划的特点可达到的系统性能。
2018-07-27 cs.NI
Proactive Scheduling and Caching for Wireless VR Viewport Streaming
虚拟现实（VR）应用需要高数据率以获得高质量的沉浸式体验，此外还需要低延迟以避免头晕和晕动病。无线VR的关键挑战之一是提供无缝连接并满足严格的延迟和带宽要求。这项工作提出了一种主动的无线VR系统，利用有关用户的未来方向的信息，主动调度和缓存。这是通过利用深度神经网络来预测在真实数据集上训练的用户方向来实现的。然后使用重叠视口方案来划分360°场景，使得仅流传输被用户的感知视场覆盖的场景的部分。此外，为了最小化回程延迟，基于空间流行性配置文件将流行视口缓存在边缘云处。通过大量的模拟，我们表明，该系统提供了显着的延迟和吞吐量性能的改善，特别是在波动的信道和重负载条件下。通过结合机器学习预测和所提出的视口方案实现的主动调度将平均延迟降低了80%以上，同时实现了接近100%的成功交付率。
2021-10-06 cs.NI
Distributed Deep Learning at the Edge: A Novel Proactive and Cooperative Caching Framework for Mobile Edge Networks
这封信提出了两种新的主动合作缓存方法，使用深度学习（DL）来预测用户在移动边缘缓存网络中的内容需求。在第一种方法中，（中央）内容服务器负责收集网络中所有移动边缘节点（MEN）的信息，然后执行我们提出的深度学习（DL）算法来预测整个网络的内容需求。然而，这样的集中式方法可能会公开私人信息，因为MN必须与内容服务器共享其本地用户的数据。因此，在第二种方法中，我们提出了一种新的基于分布式深度学习（deep learning，缩写为EML）的框架。该模型允许网络中的移动用户进行协作和信息交换，以减少内容需求预测的误差，而不会泄露移动用户的隐私信息。仿真结果表明，与其他机器学习算法相比，本文提出的方法可以将均方根误差（RMSE）降低到33.7%，服务延迟降低36.1%，从而提高了定位精度。
2018-12-13 cs.NI
Value-based Proactive Caching for Sensing Data in Vehicular Networks: An Operator's Perspective
本文从运营商视角研究车联网感知数据的多时隙主动缓存与资源分配，提出融合时空特征的价值模型、Lyapunov在线随机优化及二进制量子粒子群算法，显著改善能耗、时延和缓存命中率。
2025-02-18 cs.NI
Caching Improvement Using Adaptive User Clustering
在本文中，我们将探索使用小型蜂窝网络的5G无线网络最有前途的技术之一，即主动缓存。利用存储技术的增长并通过研究用户行为，可以通过对最有可能被请求的内容进行主动缓存来降低峰值流量。我们提出了一种新的方法，其中，而不是缓存最流行的内容，网络内的用户根据其内容的流行程度进行聚类，并相应地进行缓存。我们还提出了一种方法，用于估计网络内的集群数量的基础上赤池信息准则。我们解析推导出一个封闭形式的表达的命中概率，我们提出了一个优化问题，其中的小基站与集群的关联进行了优化。
2016-05-31 cs.NI
Energy-Efficient Proactive Caching with Multipath Routing
针对移动网络缓存与能效结合不足的问题，提出支持多路径路由的节能缓存方案，通过ILP建模与贪心模拟退火算法，在资源受限下能耗降低达80%。
2022-01-13 cs.NI
Living on the Edge: The Role of Proactive Caching in 5G Wireless Networks
本文探讨了利用小型蜂窝网络部署的超$4$ G无线网络的关键推动因素之一，即主动缓存。由于具备预测能力，并利用存储、上下文感知和社交网络的最新发展，可以通过在基站和用户设备上进行缓存，主动满足可预测的用户需求，从而大幅降低峰值流量需求。为了显示主动缓存的有效性，我们研究了两个案例研究，利用网络的空间和社会结构，其中主动缓存起着至关重要的作用。首先，为了缓解回程拥塞，我们提出了一种机制，使文件主动缓存在非高峰期的需求的基础上，文件的流行度和用户和文件模式之间的相关性。其次，利用社交网络和设备到设备（D2D）的通信，我们提出了一个程序，利用网络的社会结构，预测一组有影响力的用户（主动）缓存战略内容，并通过D2D通信传播给他们的社会关系。利用这种积极的缓存范例，数值结果表明，重要的收益，可以获得每个案例研究，回程节省和满意的用户高达$22\%$和$26\%$，分别较高的比率。通过增加网络边缘的存储能力，可以进一步获得更高的增益。
2014-05-23 cs.IT cs.NI math.IT
Many-to-Many Matching Games for Proactive Social-Caching in Wireless Small Cell Networks
在本文中，我们从博弈论的角度来解决小小区网络中的缓存问题。特别是，我们制定的缓存问题作为一个多对多的匹配游戏之间的小型基站和服务提供商的服务器。服务器存储一组视频，并旨在将这些视频缓存在小型基站处，以减少最终用户所经历的延迟。另一方面，小型基站根据视频在本地的流行度来缓存视频，以减少回程链路上的负载。我们提出了一个新的匹配算法的多对多的问题，并证明它达到了成对稳定的结果。仿真结果表明，在所提出的缓存算法的小基站的满意请求的数量可以达到三倍的随机缓存策略的满意度。此外，所有视频的预期下载时间可以显著减少。
2014-05-21 cs.GT cs.NI
Proactive Video Chunks Caching and Processing for Latency and Cost Minimization in Edge Networks
近来，对诸如视频点播（VoD）的丰富多媒体内容的日益增长的需求使得从内容分发网络（CDN）到终端用户的数据传输具有相当大的挑战性。边缘网络已经被提出作为CDN网络的扩展，以通过缓存来减轻这种过度的数据传输，并将计算任务委托给边缘服务器。为了最大限度地提高边缘网络中的缓存效率，不同的移动边缘计算（MEC）服务器相互帮助，以有效地选择要存储的内容和要处理的适当计算任务。在本文中，我们采用了协同缓存和转码模型的视频点播在MEC网络。然而，与文献中的其他模型不同，同一视频的不同块不会被提取并缓存在同一MEC服务器中。相反，相邻的服务器将合作存储和转码不同的视频块，从而优化有限的资源使用。由于我们正在处理块缓存和处理，我们建议通过研究观众观看模式和设计一个概率模型，其中块流行度进行评估，以最大限度地提高边缘效率。在此模型的基础上，引入了流行度感知策略，即主动缓存策略（PcP）和缓存替换策略（CrP），只缓存最高可能请求的块。除了PcP和CrP之外，还提出了一种在线算法（PCCP）来调度协作缓存和处理。评估结果证明，我们的模型和政策提供了更好的性能比传统的替代政策的方法。在某些情况下，这种改善达到50%。
2018-12-16 cs.MM cs.NI
Big Data Meets Telcos: A Proactive Caching Perspective
移动蜂窝网络的管理正变得越来越复杂，而经典的部署/优化技术和当前的解决方案（即，细胞致密化，获得更多的频谱等）成本效益低，因此被视为权宜之计。这需要开发新的方法，这些方法利用存储/内存、上下文感知、边缘/云计算的最新进展，并落入大数据的框架中。然而，大数据本身是另一个需要处理的复杂现象，并伴随着臭名昭著的4V：速度，贪婪，数量和多样性。在这项工作中，我们通过基站主动缓存的概念来解决5G无线网络优化中的这些问题。特别是，我们调查的收益主动缓存的回程卸载和请求满意度，同时处理大量的可用数据的内容流行度估计。为了估计内容受欢迎程度，我们首先从土耳其电信运营商的几个基站收集用户的移动流量数据，以小时为间隔。然后，在本地大数据平台上进行分析，并通过数值模拟研究基站主动缓存的收益。事实证明，根据可用信息的级别和存储大小，可能会有几个收益。例如，在10%的内容评级和15.4 GB的存储大小（总目录大小的87%）的情况下，主动缓存实现了100%的请求满足率，并在考虑16个基站时卸载了98%的回程。
2016-02-19 cs.IT cs.NI math.IT
Energy-Efficient Wireless Content Delivery with Proactive Caching
我们提出了一种智能的主动内容缓存方案，以减少无线下行链路的能量消耗。我们考虑在线社交网络（OSN）设置，其中新内容随着时间的推移而生成，并且在随机的生命周期内向用户保持\textit{relevant}。内容通过时变无线信道以取决于信道状态和下载的内容的数量的能量成本被下载到用户设备（UE）。用户在随机时刻访问OSN，并消费所有相关内容。为了减少能量消耗，我们提出了\textit{proactive caching}的内容在有利的信道条件下的有限容量的高速缓存存储器。假设信道质量（或等价地，下载数据的成本）是无记忆的时隙，我们表明，最佳的缓存策略，它可以取代内容在缓存中的剩余寿命较短的内容在服务器上，保持相关的时间较长，具有一定的阈值结构相对于信道质量。由于最优策略在实践中计算量很大，我们引入了一个简化的缓存方案，并使用策略搜索优化其参数。我们还提出了两个下界的能量消耗。我们通过数值模拟表明，所提出的缓存方案显着降低了能源消耗相比，传统的反应式缓存工具，并实现了接近最佳性能的各种系统参数。
2017-02-21 cs.IT cs.NI math.IT
Context-Aware Proactive Content Caching with Service Differentiation in Wireless Networks
TU Darmstadt（达姆施塔特工业大学）；University of California Los Angeles（加州大学洛杉矶分校）
在小型基站或无线信息站中的内容缓存被认为是提高无线内容递送效率的合适方法。由于存储限制，将最佳内容放入本地缓存至关重要，但它需要了解内容流行度分布，而这通常无法提前获得。此外，本地内容流行度受到波动的影响，因为具有不同兴趣的移动用户随时间连接到缓存实体。用户偏好哪个内容可以取决于用户的上下文。在本文中，我们提出了一种新的上下文感知的主动缓存算法。该算法通过定期观察连接用户的上下文信息，更新缓存内容并随后观察缓存命中来在线学习特定于上下文的内容流行度。我们推导出一个次线性的遗憾界，它的特点的学习速度，并证明我们的算法收敛到最佳的缓存内容放置策略，最大限度地提高缓存命中的数量。此外，我们的算法支持服务差异化，允许运营商的缓存实体，优先考虑客户群。我们的数值结果证实，我们的算法优于国家的最先进的算法在现实世界中的数据集，增加了至少14%的高速缓存命中的数量。
2016-12-16 cs.LG cs.NI
Privacy Leakage in Proactive VR Streaming: Modeling and Tradeoff
基于瓦片的主动式虚拟现实（VR）视频流采用用户的观点来预测要请求的瓦片，在回放之前渲染并交付预测的瓦片。最近，已经发现，用户的身份和偏好可以推断出从跟踪的观点上传的主动流，这表明，观点泄漏引发隐私泄漏。在本文中，我们努力回答以下问题，在主动VR视频流的视点泄漏。观点什么时候泄露？隐私保护方法（例如，联合或单独训练，使用无需训练的预测器，或本地预测）避免视点泄漏？我们发现，如果预测误差或体验质量（QoE）度量上传自适应流，真实的观点可以推断，即使与隐私保护的方法。然后，我们定义了视点泄漏概率来表征推断视点的准确性，并分别导出了上传预测误差和QoE度量时的概率。我们发现，可以通过牺牲QoE或增加资源来降低视点泄漏概率。在真实数据集上使用最先进的预测器进行的模拟表明，这种权衡不仅存在于极少数情况下。
2022-04-10 cs.MM cs.NI cs.SY
Social Groups Based Content Caching in Wireless Networks
无线移动流量的空前增长，主要是由于在线社交平台上的多媒体流量，已经使移动回程网络中的资源紧张。减少回程负载的一种有前途的方法是在网络边缘主动缓存内容，同时考虑到覆盖的社交网络。已知的缓存方案需要社交图的完整知识，并且主要集中在一对一交互上，放弃了在“朋友”圈子之间共享内容的流行模式。我们提出宾果，一个积极主动的内容缓存计划，利用在线社交网络中的利益集团的存在。移动网络运营商（MNO）可以基于用户简档和收入数字来选择在选定的网络节点（基站、分组核心、数据中心）处增量地部署Bingo。我们使用可用的用户内容请求日志来近似用户的组成员关系，而无需对覆盖的社交图有任何先验知识。Bingo可以迎合在线社交团体和文件流行度分布的不断变化的性质，以做出缓存决策。我们使用综合生成的组结构和模拟用户请求在基站对传统和最近的缓存方案的经验评估。Bingo在最佳基线上实现了高达30%-34%的增益。
2021-10-07 cs.NI
Echo State Networks for Proactive Caching in Cloud-Based Radio Access Networks with Mobile Users
本文研究了云无线接入网中的主动缓存问题。在所研究的模型中，基带单元（BBU）可以预测每个用户的内容请求分布和移动模式，决定哪些内容缓存在远端射频头端和BBU。这个问题被制定为一个优化问题，它联合采用回程和前传负载和内容缓存。针对这一问题，提出了一种将回声状态网络的机器学习框架与次线性算法相结合的算法。使用回声状态网络（ESN），BBU可以预测每个用户的内容请求分布和移动性模式，同时仅具有关于网络和用户状态的有限信息。为了预测每个用户的周期性的移动性模式，以最小的复杂性，相应的ESN的记忆容量推导出一个周期性的输入。这种内存容量被证明是能够记录的最大数量的用户信息的建议ESN模型。然后，提出了一种次线性算法，以确定哪些内容缓存，同时使用有限的内容请求分布样本。使用优酷和北京邮电大学的真实数据进行的仿真结果表明，与随机缓存和随机缓存相比，该方法的总有效容量分别提高了27.8%和30.7%.
2017-03-31 cs.IT cs.NI math.IT
Octopus: A Cooperative Hierarchical Caching Strategy for Cloud Radio Access Networks
最近，在基于云的计算平台上实现无线电接入网络（RAN）功能已经成为一种新兴的解决方案，该解决方案利用云基础设施的许多优点，例如共享计算资源和存储容量，同时降低运营成本。在本文中，我们提出了一种新的缓存框架，旨在充分利用这种基于云的RAN（C-RAN）系统的潜力，通过合作分层缓存，最大限度地减少网络成本的内容交付，提高用户的体验质量（QoE）。特别是，我们认为云处理单元（CPU）中的云缓存是RAN缓存层次结构中的一个新层，弥合了传统的基于边缘和基于核心的缓存方案之间的容量-性能差距。延迟成本模型的特点和制定的缓存布局优化问题，这是NP完全的。为此，提出了一种低复杂度的启发式缓存管理策略，由主动式缓存分配算法和被动式缓存替换算法组成。使用真实世界的YouTube视频请求和合成内容请求进行了大量的数值模拟。结果表明，我们提出的八达通缓存策略显着优于传统的缓存策略的缓存命中率，平均内容访问延迟和回程流量负载。
2016-10-21 cs.NI
Learning from Images: Proactive Caching with Parallel Convolutional Neural Networks
Virginia Tech（弗吉尼亚理工大学）；University College London（伦敦大学学院）
本文提出一种将MILP优化问题转化为灰度图像并用并行CNN预测缓存位置的主动缓存框架，通过两种算法保证解的可行性，在仅增加0.8%性能成本下减少71.6%计算时间。
2022-01-13 cs.AI cs.NI
A Reinforcement-Learning Approach to Proactive Caching in Wireless Networks
Imperial College London（帝国理工学院）
本文提出基于强化学习的主动缓存策略，通过动态缓存或删除内容以降低长期平均能耗，优于传统被动下载方法。
2017-12-19 cs.IT cs.NI cs.SY
Big Data Caching for Networking: Moving from Cloud to Edge
为了应对$5G$无线网络中无情的数据海啸，当前的方法（例如获取新频谱、部署更多基站（BS）和增加移动分组核心网络中的节点）在可扩展性、成本和灵活性方面变得无效。在这方面，具有边缘/云计算和利用\emph{big data}分析的上下文感知$5$ G网络可以为移动运营商带来显著收益。在这篇文章中，主动内容缓存在$5$ G无线网络进行了研究，其中提出了一个大数据使能架构。在该实用架构中，利用大量数据进行内容流行度估计，并且在BS处缓存战略内容以实现更高的用户满意度和回程卸载。为了验证所提出的解决方案，我们考虑了一个真实的案例研究，其中从土耳其的一家主要电信运营商收集了几个小时的移动数据流量，并利用机器学习工具进行了大数据分析。基于可用信息和存储容量，数值研究表明，在用户满意度和回程卸载方面都实现了几个增益。例如，在具有内容评级的$30\%$和存储大小的$13$ G字节（总库大小的$78\%$）的$16$ BS的情况下，主动式高速缓存产生用户满意度的$100\%$并卸载回程的$98\%$。
2016-06-05 cs.NI
A Survey of Deep Learning for Data Caching in Edge Network
King’s College London（伦敦国王学院）；Center for Telecommunications Research（电信研究中心）
本文综述了深度学习在边缘网络数据缓存中的应用，涵盖缓存研究主题分类、各类深度学习算法及最新文献比较，并探讨了未来研究方向。
2020-08-17 cs.LG cs.NI
A Stackelberg Game for Incentive Proactive Caching Mechanisms in Wireless Networks
提出了一种在支持缓存的小小区网络（SCN）中的激励主动缓存机制，以激励内容提供方（CP）参与缓存过程.被认为是由一个单一的移动网络运营商（MNO）和多个CP的网络。MNO旨在定义其向CP收取的价格以使其收益最大化，同时CP竞争以确定它们在MNO的小型基站（SBS）处缓存的文件的数量，以提高它们的用户的服务质量（QoS）。这个问题被公式化为一个Stackelberg游戏，其中一个单一的MNO被认为是领导者和多个CP愿意缓存文件的追随者。将追随者博弈建模为非合作博弈，证明了纳什均衡（NE）的存在性和唯一性。推导了每个CP向MNO请求的存储量对应的NE的封闭表达式。在MNO侧制定优化问题以确定MNO应该向CP收取的最优价格。仿真结果表明，在均衡时，MNO和CP都可以实现一个效用，是高达50%以上的情况下，在价格和存储量的要求任意。
2016-09-08 cs.GT cs.IT cs.NI
Quality of Experience from Cache Hierarchies: Keep your low-bitrate close, and high-bitrate closer
最近对流媒体交付的研究表明，从缓存层次结构（如信息中心网络（ICN））获得的性能增益可能会被动态自适应流（DAS）否定，DAS是检索多媒体内容的实际方法。驱动视频流传输的比特率自适应机制与缓存层次结构发生冲突，从而影响用户的体验质量（QoE）。当消费者动态选择以不同比特率编码的内容时，缓存性能也会降低。在本文中，我们使用证据得出了一个新的见解：在自适应流媒体内容的缓存层次结构中，比特率应该优先于流行度和点击率或与流行度和点击率并列。基于这一见解，我们提出RippleCache作为一系列缓存放置方案，以保护边缘的高比特率内容，并将低比特率内容推送到网络核心。这样做可以减少缓存资源的争用以及网络中的拥塞。为了验证RippleCache的声明，我们构建了两个单独的实现。我们将RippleClassic设计为基准解决方案，通过最大化与QoE高度相关的缓存层次结构来优化内容放置。此外，我们的轻量级Ripplestrike然后重新设计与分布式执行在大规模系统中的应用。RippleCache的性能提升通过NS-3中针对最先进的基线方法进行的评估得到了加强，使用了DASH行业论坛定义的标准QoE指标。测量结果显示，RippleClassic和RippleWide提供的内容受到更少的振荡和重新缓冲，以及最高水平的视频质量，这表明QoE的整体改善。
2019-03-22 cs.NI
On the Performance of Mobility-Aware D2D Caching Networks
对基于频谱的服务的需求的增加形成了无线网络中的瓶颈。设备到设备（D2D）缓存网络通过利用用户行为的可预测性和在它们之间共享数据的可能性来解决这个问题，以减轻网络拥塞。然而，捕获移动性统计数据允许服务提供商（SP）增强其缓存策略。在这项工作中，我们引入了一个移动性感知的D2D缓存网络，SP利用用户的需求和移动性统计数据，通过最佳的缓存策略，以尽量减少所产生的服务成本。我们调查两种缓存方案：集中式和分散式缓存方案。在集中式缓存方案中，SP使缓存决策朝着其成本最小化的方向进行，以增加其收益。然而，最优缓存策略的复杂性随着用户的数量呈指数增长。因此，我们讨论了一个贪婪的缓存算法，具有多项式阶的复杂度。我们还使用这个贪心算法建立上界和下界的主动服务增益所取得的最佳缓存策略。在分散式缓存方案中，用户接管并以受SP定价策略影响的分布式方式做出缓存决策，以使其支付最小化。我们将SP和用户之间的紧张关系表述为Stackelberg博弈。最佳反应分析用于确定用户之间的子博弈完美纳什均衡（SPNE）。该模型的最优解依赖于SP奖励偏好，这会影响用户设备中分配的内存。我们发现了一些奖励值的机制，其中SPNE是非唯一的。采用公平分配缓存策略来选择这些SPNE之一。为了了解用户行为的影响，我们研究了一些特殊情况下，探索用户的移动性统计如何影响他们的缓存决策。
2019-03-24 cs.NI
PLVER: Joint Stable Allocation and Content Replication for Edge-assisted Live Video Delivery
直播服务近年来非常受欢迎。由于实时视频的尖峰流量模式，利用分布式边缘服务器来提高观众的体验质量（QoE）如今已成为一种常见的做法。然而，当前客户端驱动的内容缓存机制不支持从云到边缘的预先缓存，导致直播视频交付中大量缓存丢失。为了解决上述问题，最先进的研究通常会牺牲所传输视频的活跃度。本文结合视频直播和边缘服务器的特点，提出了一种主动的视频直播推送方案PLVER，以解决视频直播中缓存丢失的问题。具体而言，PLVER首先在边缘集群和用户组之间进行一对多的稳定分配，以平衡边缘服务器上的实时流量负载。然后采用主动式视频复制算法来加快边缘服务器之间的视频复制速度。我们进行广泛的跟踪驱动评估，覆盖30万Twitch观众和300多个Twitch频道。结果表明，与基于拍卖的复制方法和按请求时间缓存方法相比，使用PLVER，边缘服务器可以分别多承载28%和82%的流量。
2020-06-12 cs.NI
Proactive Edge Computing in Latency-Constrained Fog Networks
本文研究了延迟和可靠性约束下雾网络中计算任务的分发和主动缓存问题。在所提出的场景中，计算可以在用户设备本地执行，也可以卸载到边缘云。此外，小云通过主动缓存流行的任务计算结果来利用其计算和存储能力，以最小化计算延迟。为此，提出了一种用于对具有相互任务流行度兴趣的空间上接近的用户设备及其服务微云进行分组的聚类方法。然后，cloudlet可以主动缓存其集群成员的流行任务的计算，以最大限度地减少计算延迟。此外，将任务分配到云的问题公式化为匹配博弈，其中在延迟和可靠性约束下最小化计算延迟的成本函数。仿真结果表明，该方案保证了可靠的计算与有限的延迟，并实现了高达91%的计算延迟相比，基线计划减少。
2017-04-26 cs.DC cs.IT cs.NI
Fault Tolerance in SDN Data Plane Considering Network and Application Based Metrics
网络中的故障导致服务中断，这可能导致终端用户的服务质量（QoS）恶化。由于SDN正在成为网络的主流范例，因此为基于SDN的网络实现鲁棒的容错方案至关重要。现有的SDN数据平面容错方法可以被分类为分别可以依赖于或可以不依赖于控制器的反应式和主动式。然而，它们都不符合完整解决方案的资格，只能提供部分补救措施。在这项工作中，我们提出了动态保护与质量的替代路径（DPQoAP），不仅考虑到现有的故障在网络中，但也替代路径的质量。因此，我们可以维持整个网络的QoS恢复后。我们还研究了如何应用程序的参数的影响，链路故障。为此，我们探讨了在不同情况下使用动态自适应流传输HTTP（DASH）的视频流的链路故障所造成的体验质量（QoE）的变化。另一方面，即使DASH被提出作为改善受网络的动态条件影响的QoE的解决方案，它仍然不足以处理示出链路故障的症状的拥塞链路。因此，我们在SDN中应用数据平面容错方法以在拥塞以及故障的情况下改善DASH客户端的QoE。所提出的解决方案的性能进行评估，通过各种实验考虑QoS和QoE参数。据观察，DPQoAP提高了网络操作的效率和应用程序的适应性。
2019-12-26 cs.NI
Improving UE Energy Efficiency through Network-aware Video Streaming over 5G
蜂窝网络上的自适应比特率（ABR）流传输在文献中已经得到了很好的研究;然而，现有的ABR算法主要关注于提高终端用户的体验质量（QoE），而忽略了底层设备的资源消耗方面。因此，主动尝试下载视频数据以维持用户的QoE通常会影响底层设备的电池寿命，除非下载尝试与网络的信道条件同步。在这项工作中，我们开发了EnDASH-5G -一个包装在流行的基于DASH的ABR流算法，它建立了这种同步，利用网络感知的视频数据下载机制。EnDASH-5G通过利用公共可用的5G数据集的基于迁移学习的方法升级现有的吞吐量预测模型，为5G毫米波网络利用了一种新的吞吐量预测机制。然后，它利用深度强化学习来使用预测的吞吐量动态地决定回放缓冲区长度和视频比特率。这确保了数据下载尝试与底层网络条件同步，从而节省了设备的电池电量。从对EnDASH-5G的全面评估中，我们观察到它在最大能耗方面比最先进的Pensieve ABR算法实现了接近$30.5\%$的降低，同时在QoE方面几乎达到了标准。
2023-02-12 cs.NI
A More Refined Mobile Edge Cache Replacement Scheme for Adaptive Video Streaming with Mutual Cooperation in Multi-MEC Servers
本文提出了一种基于移动边缘计算（MEC）的视频片段增强缓存更新策略，该策略综合考虑了客户端的播放状态和传输状态、MEC缓存容量和每个片段的流行度，以提高客户端的体验质量（QoE）和MEC缓存的使用率。在每个缓存更新周期中，不能带来显著QoE改善的片段将被删除，同时替代地将缓存片段的更合适的表示。首先，我们将MEC缓存空间分为三个部分的基础上段流行度和段的重要性水平。此外，不同缓存部分的大小可以相互转换，以进一步利用MEC缓存空间。针对不同的分片，分别制定了相应的删除策略和缓存策略，删除策略结合分片请求次数和客户端的传输能力，缓存策略根据客户端的播放状态计算缓存优先级。此外，我们制定的缓存更新问题，以最大限度地提高客户端的效用函数受MEC缓存大小和传输容量的约束。采用品牌分枝法求最优解。仿真结果表明，与现有算法相比，该算法在提高系统吞吐量和视频段命中率的同时，减少了回放冻结时间和系统回程流量。
2019-11-25 cs.NI eess.IV
Design and Optimization of VoD schemes with Client Caching in Wireless Multicast Networks
随着多媒体业务的爆炸式增长，视频点播（VoD）业务的可扩展性变得越来越重要。通过利用客户端潜在的缓存能力，视频片段预缓存可以提高视频点播组播传输的性能。在本文中，我们解决了客户端缓存启用VoD计划在无线多播网络中的异步请求的性能限制。反应和主动系统进行了研究。具体来说，对于反应式系统，视频按需传输，我们提出了一个联合缓存分配和组播交付计划，以尽量减少平均带宽消耗下的零延迟约束。针对视频周期性广播的主动系统，提出了一种缓存带宽分配算法和分发机制的联合设计，以在总带宽约束下最小化平均等待时间.除了客户端完整地查看视频的完整访问模式之外，我们还进一步考虑了具有随机端点、固定大小间隔和下载需求的访问模式。阐述了不同访问模式对资源分配算法和传递机制的影响。仿真结果验证了分析结果的准确性，也提供了有用的见解，在设计视频点播网络与客户端缓存。
2017-08-10 cs.IT cs.NI math.IT
Cooperative Hierarchical Caching in 5G Cloud Radio Access Networks (C-RANs)
在过去几年中，云无线电接入网络（C-RAN）已经作为5G蜂窝网络的变革性架构而出现，其将云计算的灵活性和敏捷性带到无线通信中。与此同时，无线网络中的内容缓存已经成为降低内容访问延迟和回程流量负载的必要解决方案，这转化为用户体验质量（QoE）的改善和网络成本的降低。在这篇文章中，介绍了一种新的协作分层缓存（CHC）框架中的C-RAN的内容被联合缓存在基带单元（BBU）和无线电远程头（RRH）。与传统方法不同，BBU处的缓存（云缓存）在缓存层次结构中呈现了一个新的层，弥合了传统的基于边缘和基于核心的缓存方案之间的延迟/容量差距。跟踪驱动的模拟表明，CHC产生高达80%的高速缓存命中率的改善，平均内容访问延迟减少21%，回程流量负载减少20%相比，仅边缘缓存方案具有相同的总缓存容量。在结束本文之前，重点介绍了在C-RAN中部署内容缓存的几个挑战和有希望的机会，以实现以内容为中心的移动无线网络。
2017-04-08 cs.IT cs.NI math.IT
Personalized Federated Deep Reinforcement Learning for Heterogeneous Edge Content Caching Networks
本文提出个性化联邦深度强化学习框架PF-DRL-Ca，结合多头DQN和逐层联邦训练，解决异构边缘缓存中动作空间扩大与全局信息适应难题，最大化系统效用并满足缓存约束。
2024-12-17 cs.NI eess.SP
Backhaul-Aware Caching Placement for Wireless Networks
随着移动应用的容量需求不断增加，回程网络正在成为下一代无线网络中支持高质量体验（QoE）的瓶颈。在基站（BS）处的内容缓存是减轻回程负担和减少用户感知延迟的有前途的方法。在本文中，我们考虑一个无线缓存网络，所有的BS连接到一个中央控制器通过回程链路。在这样的网络中，如果数据被预先缓存，则用户可以从候选BS获得所需的数据。否则，需要首先从中央控制器向本地BS检索用户数据，这在回程上引入了额外的延迟。为了减少下载延迟，需要优化缓存放置策略。我们制定这样一个设计问题，最小化的平均下载延迟超过用户请求，受到每个BS的缓存容量约束。与现有的工作不同，我们的模型考虑了基站在无线接入中的合作，并充分了解回程链路上的传播延迟。设计问题是一个混合整数规划问题，是非常复杂的，因此我们放松的问题，并提出了一个低复杂度的算法。仿真结果表明，该算法可以有效地确定接近最优的缓存放置，并提供显着的性能增益比传统的缓存放置策略。
2015-09-02 cs.IT cs.NI math.IT
EcoEdgeTwin: Enhanced 6G Network via Mobile Edge Computing and Digital Twin Integration
本文提出融合MEC与DT的EcoEdgeTwin框架，通过效用优化、任务卸载、服务缓存迁移及优势actor-critic深度强化学习，降低6G边缘网络能耗与时延并提升QoE。
2024-05-10 cs.NI
PCach: The Case for Pre-Caching your Mobile Data
我们提出了PCach，一个基于智能手机的方法，用于缓解蜂窝网络中的拥塞导致的指数增长的移动数据流量。PCach的基本思想很简单：使用WiFi主动缓存智能手机内存中的内容，否则这些内容将通过蜂窝网络传输。然而，它导致了几个具有挑战性的问题，包括有多少移动数据实际上流经蜂窝网络，有多少数据可以预缓存，以及何时预缓存以及预缓存什么。我们通过对专门构建的Android众测应用程序收集的用户数据进行全面分析，逐步解决这些问题，该应用程序自2014年7月以来被45名用户积极使用。我们的分析表明，中等智能手机用户通过蜂窝网络传输15%的数据，其中80%可以通过WiFi预先缓存。为了利用这些结果，我们对测量数据进行了仔细分析，以引入一种算法，该算法可以在现成的智能手机上独立运行，并以良好的准确性预测何时以及预缓存什么。
2018-07-26 cs.NI
QoE-Aware Resource Allocation for Crowdsourced Live Streaming: A Machine Learning Approach
Qatar University（卡塔尔大学）
在个人设备的巨大技术进步和无线移动网络接入的普及的驱动下，世界见证了众包直播流媒体的爆炸式增长。确保更好的观众体验质量（QoE）是最大化观众数量和增加流媒体提供商利润的关键。这可以通过倡导地理分布式云基础设施来实现，以尽可能接近观众分配多媒体资源，以最大限度地减少访问延迟和视频停顿。此外，预先分配确切的所需资源避免了过度供应，过度供应可能导致服务提供商的显著成本。相反，供应不足可能会对观众造成重大延迟。在本文中，我们介绍了一个预测驱动的资源分配框架，以最大限度地提高观众的QoE和最小化的资源分配成本。首先，通过利用我们独特的数据集中可用的观众位置，我们实现了一个机器学习模型来预测每个地理分布的云站点附近的观众数量。其次，基于预测结果显示接近实际值，我们制定了一个优化问题，主动分配资源的观众接近。此外，我们将提出一个折衷之间的视频访问延迟和资源分配的成本。
2019-06-20 cs.DC cs.HC cs.LG
ProCAVE: A Self-Adaptive, Full-Lifecycle Edge Caching Framework for Video Streaming via Predictive Bandwidth Estimation and Preference-Aware Deep Reinforcement Learning
Tarbiat Modares University（塔比尔·莫达雷斯大学）；ICT Research Institute（信息通信技术研究所）
该研究针对现有边缘缓存方法在无线动态环境下响应与协调不足的问题，提出ProCAVE框架，结合轻量Transformer、PPO、DDPG实现预测带宽建模与偏好感知缓存控制，实验表明其在字节命中率、回传负载、QoE上优于FlyCache等基线。
2026-08-05 cs.MM cs.NI eess.IV
Online Edge Caching in Fog-Aided Wireless Network
在雾无线电接入网络（F-RAN）架构中，边缘节点（EN）（诸如基站）配备有有限容量的高速缓存，以及可以支持来自云处理器的给定传输速率的前传链路。F-RAN中的内容递送的现有信息理论分析集中于具有单独的内容放置和递送阶段的离线缓存。相比之下，这项工作认为在线缓存设置，其中一组流行的文件是随时间变化的，缓存补充和内容交付可以发生在每个时隙。该分析集中在长期的归一化传输时间（NDT），它捕获的时间依赖性的编码延迟在多个时隙中的高信噪比制度的表征。在线缓存和交付计划的基础上反应性和主动缓存的研究，其性能进行了比较，以最佳的离线缓存方案分析和通过数值结果。
2017-12-03 cs.IT cs.NI math.IT
Semantic-Aware Caching for Efficient Image Generation in Edge Computing
School of Artificial Intelligence, Beijing Normal University（北京师范大学人工智能学院）；Institute of Artificial Intelligence and Future Networks, Beijing Normal University（北京师范大学人工智能与未来网络研究院）；Shenzhen University of Advanced Technology（深圳先进技术研究院）
CacheGenius通过语义感知缓存和调度算法，在边缘计算中高效生成图像，减少41%的延迟和48%的计算成本。
2025-12-04 cs.NI
Multi-tier Caching Analysis in CDN-based Over-the-top Video Streaming Systems
互联网视频流量一直在快速增长，并预计随着新兴的5G应用（如高清视频、物联网和增强/虚拟现实应用）而进一步增长。随着最终用户以越来越多的方式大量消费视频，内容分发网络（CDN）应该得到有效管理，以提高系统效率。流服务可以包括分布式服务器和边缘路由器处的多个缓存层，并且这些位置处的高效内容管理影响最终用户的体验质量（QoE）。在本文中，我们提出了一个模型的视频流媒体系统，通常由一个集中的源服务器，几个CDN站点，和边缘缓存位于更接近最终用户。我们综合考虑了不同的系统设计因素，包括CDN站点的有限缓存空间，为视频请求分配CDN，从CDN和中央存储选择不同的端口（或路径），带宽分配，边缘缓存容量和缓存策略。我们专注于最小化的性能指标，失速持续时间尾概率（SDTP），并提出了一种新颖的和有效的算法占多个设计灵活性。相对于SDTP度量的理论界也进行了分析和介绍。在Openstack管理的虚拟化云系统上的实现表明，与基线策略相比，所提出的算法可以显着提高SDTP度量。
2019-02-11 cs.MM cs.NI cs.PF
Inter-cluster Cooperation for Wireless D2D Caching Networks
主动无线缓存和设备到设备（D2 D）通信已经成为用于增强用户的服务质量和网络性能的有前景的技术。在本文中，我们提出了一种新的架构D2 D缓存与集群间的合作。我们研究了一个蜂窝网络中，用户缓存流行的文件，并与其他用户在他们附近通过D2 D通信或与远程用户使用蜂窝传输共享它们。我们从排队的角度来描述每个请求的网络平均延迟。具体来说，我们制定的延迟最小化问题，并表明它是NP-难的。此外，我们证明了延迟最小化问题等价于一个非增单调超模函数在均匀划分拟阵约束下的最小化问题。提出了一种计算效率高的贪心算法，它被证明是局部最优的最优的0.63倍内。我们分析了不同缓存方案下的平均单请求吞吐量，并对平均总吞吐量进行了缩放分析。我们展示了如何吞吐量缩放依赖于视频内容的流行度时，文件的数量增长渐近大。仿真结果表明，与没有集群间协作的D2 D缓存系统相比，延迟减少了45%至80%。
2018-07-01 cs.DM cs.NI
Viewport-Aware Deep Reinforcement Learning Approach for 360$^o$ Video Caching
University of Essex（埃塞克斯大学）
360 $^o$视频是VR/AR/MR系统的重要组成部分，为用户提供身临其境的体验。然而，360 $^o$视频与高带宽要求相关联。所需的带宽可以通过利用用户只对观看视频场景的一部分感兴趣并且用户请求彼此重叠的视口的事实来减少。最近的作品，而不是缓存整个360 $^o$视频缓存的优势，在本文中，我们介绍了虚拟视口的概念，具有相同数量的瓷砖与原始视口的发现。形成这些视口的图块是每个视频中最受欢迎的图块，并由用户的请求确定。然后，我们提出了一个主动缓存方案，假设未知的视频和视口的流行度。我们的方案确定哪些视频缓存以及哪个是每个视频的最佳虚拟视口。虚拟视口允许降低缓存优化问题的维度。为了解决这个问题，我们首先将360个$^o$视频在边缘缓存网络中的内容放置公式化为马尔可夫决策过程（MDP），然后使用深度Q网络（DQN）算法确定最佳缓存放置。所提出的解决方案旨在通过以基本质量高速缓存最流行的360 $^o$视频以及以高质量高速缓存虚拟视口来最大化递送给终端用户的360 $^o$视频的整体质量。我们广泛地评估所提出的系统的性能，并将其与已知的系统，如LFU，LRU，FIFO，在合成和真实的360 $^o$视频轨迹。结果显示，在渲染视口的整体质量、缓存命中率和服务成本方面，虚拟视口的主动缓存比原始视口具有很大的优势。
2020-04-10 cs.IT cs.LG cs.MM
Fairness-Aware Caching and Radio Resource Allocation for the Downlink of Multi-Cell OFDMA Systems
互联网内容的空前增长，特别是社交媒体，对蜂窝网络的负载提出了挑战。另外，与服务质量（QoS）相比，用户体验质量（QoE）的需求成为了一个更实际的标准，下载延迟是影响用户体验质量的一个重要因素。为了满足这一需求，本文提出了两种资源分配（RA）算法，分别对社交媒体在基站（BS）缓存中的位置和无线资源（即，发射功率和子载波）。在第一种方案中，网络的总下载延迟被最小化，而在第二种方案中，提出了一种公平性感知的方案，其中最大下载延迟被最小化。我们提出迭代算法来解决每个问题，其中内容放置问题和联合子载波和发射功率分配问题将迭代优化。我们还证明了所提出的方法收敛到一个接近最优的解决方案，以及迭代次数的增加。
2021-06-26 cs.IT cs.NI math.IT
Caching at the Edge: a Green Perspective for 5G Networks
凭借上下文感知和主动功能，在网络边缘本地缓存用户内容能够应对5G无线网络中不断增长的数据流量需求。在这项工作中，我们专注于缓存启用无线蜂窝网络的能源消耗方面，特别是在区域功耗（APC）和能源效率（EE）。我们假设，基站（BS）和移动用户分布根据均匀泊松点过程（PPP），我们引入了一个详细的功率模型，考虑到缓存。我们研究的条件下，区域功耗最小化的BS发射功率，同时确保一定的服务质量（QoS）的覆盖概率。此外，我们提供了最佳的BS发射功率，最大限度地提高每单位总功率消耗的面积频谱效率。本文的主要内容是缓存似乎是一种节能的解决方案。
2015-03-18 cs.IT cs.NI math.IT
TEDGE-Caching: Transformer-based Edge Caching Towards 6G Networks
Concordia University（康考迪亚大学）；Yazd University（亚兹德大学）；University of Toronto（多伦多大学）
由于COVID-19疫情，远程学习╱工作及远程医疗对电讯的需求大幅增加。6 G网络中的移动边缘缓存（MEC）已经发展为通过使多媒体内容更接近用户来满足全球移动数据流量的惊人增长的有效解决方案。尽管MEC网络实现的大规模连接将显著提高通信质量，但未来仍存在几个关键挑战。边缘节点的有限存储、大尺寸的多媒体内容以及时变的用户偏好使得有效地和动态地预测内容的流行度以在被请求之前存储最即将被请求的内容变得至关重要。深度神经网络（DNN）的最新进展已经引起了很多研究关注，以预测主动缓存方案中的内容流行度。然而，现有的DNN模型在这种情况下，遭受长期依赖性，计算复杂性，不适合并行计算。为了应对这些挑战，我们提出了一个边缘缓存框架，该框架与基于注意力的视觉Transformer（ViT）神经网络相结合，称为基于变换器的边缘（TEDGE）缓存，据我们所知，这是第一次研究。此外，TEDGE缓存框架不需要数据预处理和额外的上下文信息。仿真结果证实了所提出的TEDGE缓存框架的有效性相比，它的同行。
2021-12-01 cs.LG cs.NI eess.SP
Cooperative Edge Caching in User-Centric Clustered Mobile Networks
通过将文件主动存储在基站（BS），移动边缘缓存可以实现直接内容交付，而无需远程文件获取，这可以减少端到端延迟，同时减轻回程压力。为了在实践中有效地利用有限的缓存大小，可以利用合作缓存来利用缓存的多样性，通过允许用户在新兴的以用户为中心的网络架构下由多个基站服务。本文探讨了延迟最优的合作边缘缓存在大规模的以用户为中心的移动网络，其中的内容放置和集群大小的基础上优化的随机信息的网络拓扑结构，流量分布，信道质量，和文件的流行度。具体地，提出了一种基于最优带宽分配的贪婪内容放置算法，该算法能够以线性计算复杂性实现（1-1/e）最优性。此外，还研究了以用户为中心的最优簇大小，并给出了一个约束最大簇大小的条件，该条件反映了缓存分集和频谱效率之间的权衡。进行了大量的模拟分析验证和性能评估。数值结果表明，所提出的贪婪内容放置算法可以减少平均文件传输延迟高达50%的非合作和命中率最大计划相比。在此基础上，考虑不同系统参数的影响，讨论了最优聚类问题.
2017-10-24 cs.IT cs.NI math.IT
A Transfer Learning Approach for Cache-Enabled Wireless Networks
在网络边缘本地缓存内容构成了$5$ G无线网络中最具破坏性的方法之一。边缘缓存的好处取决于解决无数的挑战，例如如何，什么以及何时策略性地缓存受存储约束，流量负载，未知时空流量需求和数据稀疏性影响的内容。受此启发，我们提出了一种新颖的基于迁移学习的缓存过程，在每个小小区基站处执行。这是通过利用丰富的上下文信息（即，用户的内容观看历史、社会关系等）从设备到设备（D2D）交互中提取，称为源域。该先验信息被合并在所谓的目标域中，其中目标是根据存储、估计的内容流行度、业务负载和回程容量在小小区处最优地高速缓存战略内容。结果表明，所提出的方法克服了臭名昭著的数据稀疏性和冷启动问题，在用户的体验质量（QoE）和回程卸载方面产生显着的增益，在由四个小小区基站组成的设置中，增益高达$22\%$。
2015-09-29 cs.IT cs.NI math.IT
Mobility-aware Content Preference Learning in Decentralized Caching Networks
Royal Institute of Technology (KTH)（皇家理工学院（KTH））
由于移动通信流量的急剧增加，无线缓存被提出来服务于重复的内容下载请求。为了确定分散式缓存网络的缓存方案，研究了基于移动预测的内容偏好学习问题。我们首先制定的偏好预测作为一个分散的正则化多任务学习（DRMTL）的问题，不考虑移动终端（MT）的移动性。该问题的求解采用基于Jacobian和Gauss-Seidel近似多块交替方向法（ADMM）的混合算法，并证明了该算法以速率$O(1/k)$有条件地收敛到最优解.然后利用\textit{Markov renewal process}工具对移动终端的移动路径和停留时间进行预测，并通过对训练样本进行重新加权和在目标中引入转移惩罚，将移动模式与DRMTL模型相结合。我们解决了这个问题，并证明了所开发的算法具有相同的收敛性，但不同的条件。通过仿真，我们给出了所提出的算法的收敛性分析。实验结果表明，基于移动感知的DRMTL模型能够更准确地预测用户的地理偏好。此外，大多数流行的主动缓存（MPC）策略的命中率与移动性感知DRMTL预测的优先级优于MPC与DRMTL和随机缓存（RC）计划的优先级。
2019-08-22 cs.LG cs.NI stat.ML
Air-Ground Integrated Vehicular Network Slicing with Content Pushing and Caching
提出了一种空地一体化车载网络（AGIVEN）架构，空中高空平台（HAP）通过大面积广播主动向车载推送内容，地面路侧单元（RSU）按需提供高速单播服务。为了有效地管理多维异构资源，引入了面向服务的网络切片方法，将AGIVEN虚拟地划分为多个切片，每个切片支持特定的应用，并保证服务质量（QoS）。具体而言，多资源供应AGIVEN切片的基本问题进行了研究，考虑到典型的车辆应用程序的基于位置的地图和基于流行度的内容服务。对于基于位置的地图服务，相对于HAP广播速率和车辆缓存大小导出HAP车辆主动推送的能力，其中存在指示最优通信缓存资源交易的鞍点。对于共同感兴趣的热门内容，获得平均板载内容命中率，HAP推送新生成的内容以保持板载缓存新鲜。然后，最小RSU传输速率推导出满足平均延迟要求的每个切片。分析结果揭示了RSU传输速率、HAP广播速率和车辆缓存大小之间的服务相关资源配置和交易关系，为实际多资源网络切片提供了指导。仿真结果表明，所提出的AGIVEN网络切片方法匹配多资源跨切片，从而RSU传输速率可以节省40%，而保持相同的QoS。
2018-06-11 cs.IT cs.NI math.IT
Optimized Caching and Spectrum Partitioning for D2D enabled Cellular Systems with Clustered Devices
在移动设备处缓存和利用设备到设备（D2D）通信是支持通过无线网络的大规模内容递送的两种有前景的方法。高速缓存使能的无线网络的分析通常通过假设设备均匀分布来进行，然而，在社交网络中，移动设备本质上被分组为不相交的集群。在这方面，本文提出了一个时空的数学模型，跟踪服务请求的到来，并考虑到集群设备的几何形状。假设两种设备，具体地，内容客户端和内容提供方。假设内容提供方具有剩余存储器，该剩余存储器被利用来遵循随机概率缓存方案主动缓存来自已知库的内容。内容客户端可以从其附近（集群）的最近内容提供方或者作为最后手段的基站（BS）检索所请求的内容。开发的时空模型被用来制定一个联合优化问题的内容缓存和频谱划分，以最大限度地减少平均服务延迟。由于优化问题的高复杂性，缓存和频谱划分问题是解耦的，并使用块坐标下降（BCD）优化技术迭代求解。为此，带宽划分和概率缓存子问题，分别获得了最优和次优的解决方案。数值结果突出了所提出的计划优于传统的缓存计划下平等和优化的带宽分配。特别是，它示出的平均服务延迟减少了近100%和350%，相比，Zipf和均匀的缓存计划下，相等的带宽分配，分别。
2020-03-24 cs.IT cs.NI math.IT
Intelligent Blockage Prediction and Proactive Handover for Seamless Connectivity in Vision-Aided 5G/6G UDNs
University of Glasgow（格拉斯哥大学）
无线设备和实时服务需求的激增迫使移动到更高的频谱。毫米波（mmWave）和太赫兹（THz）频段与波束成形技术相结合，为超密集网络（UDN）提供了显着的性能增强。不幸的是，在较高频谱处经历的小区覆盖范围缩小和严重的穿透损耗使得移动性管理成为UDN中的关键问题，特别是优化波束阻塞和频繁切换（HO）。在城市中心和城市地区，流动性管理的挑战已经变得普遍。为了解决这个问题，我们提出了一种新的机制，利用无线信号和道路上的监控系统，智能地预测可能的堵塞提前执行及时HO。本文采用计算机视觉（CV）来确定障碍物和用户的位置和速度。此外，本研究引入了一个新的HO事件，称为块事件{BLK}，定义的存在的阻挡对象和用户向阻挡区域移动。此外，多元回归技术预测直到用户到达被阻挡区域的剩余时间，从而确定最佳HO决策。仿真结果表明，与无阻塞预测的典型无线网络相比，该算法在保持用户连接性和用户体验质量（QoE）方面提高了40%.
2022-02-21 cs.LG cs.NI eess.SP
Enhancing Reliability in Federated mmWave Networks: A Practical and Scalable Solution using Radar-Aided Dynamic Blockage Recognition
University of Glasgow（格拉斯哥大学）；Al Ain University（艾因大学）；Yarmouk University（雅尔穆克大学）；Khalifa University（哈利法大学）；Carleton University（卡尔顿大学）
针对动态室外mmWave/THz链路易被移动目标遮挡的问题，提出RaDaR联邦学习框架，利用雷达图训练双输出神经网络预测遮挡状态与时间，实现主动切换并将成功率提升至94%。
2023-06-22 cs.LG cs.NI
User Preference Learning-Aided Collaborative Edge Caching for Small Cell Networks
虽然下一代无线通信网络打算利用边缘高速缓存来增强频谱效率、服务质量、端到端延迟、内容共享成本等，要使其成为现实，还需要解决若干方面的问题。启用缓存的网络中的一个基本奥秘是预测缓存什么内容以及在哪里缓存，以便实现高缓存内容可用性。为了简单起见，大多数遗留系统利用基于Zipf分布的静态估计，实际上，这可能不足以捕获内容流行度的动态行为。预测用户的偏好，可以主动分配缓存资源，缓存所需的内容，这是特别重要的动态环境中的实时服务需求。基于此，我们提出了一种基于长短期记忆（LSTM）的序列模型，该模型能够捕获用户对内容库中可用内容的偏好的时间动态。此外，对于更有效的边缘缓存解决方案，邻近的不同节点可以协作以相互帮助。基于预测，非凸优化问题，制定这些节点之间的内容共享成本最小化。此外，一个贪心算法是用来实现一个次优的解决方案。通过数学分析和仿真结果，我们验证了该算法的性能优于其他现有的方案。
2020-09-16 cs.NI cs.SY eess.SY
Revenue Optimization in Video Caching Networks with Privacy-Preserving Demand Predictions
针对视频缓存网络多方隐私问题，提出基于隐私保护FL训练Transformer预测多时隙需求，建模预测误差并构建长期收入优化问题，采用贪心算法求解，验证了方法接近集中式且优于经典CHR准则。
2025-05-28 cs.NI eess.SP
Cellular-Broadcast Service Convergence through Caching for CoMP Cloud RANs
由于市场需求的不同，蜂窝和广播服务传统上被独立对待，从而导致不同的商业模式和正交频率分配。然而，随着廉价内存和智能缓存的出现，这种传统的模式可以融合成一个单一的系统，可以提供这两种服务，在一个有效的方式。本文重点介绍了多媒体传输通过一个综合网络，包括蜂窝（也称为单播或宽带）和广播最后一英里的共享频谱上运行。网络的订户配备有高速缓存，其可以有效地为多媒体递送创建零感知延迟，假设内容已经被主动地和智能地高速缓存。这项工作的主要目标是建立一个直观的成本函数的基础上，分析最佳的内容流行度阈值。换句话说，目的是导出哪些内容应该被广播以及哪些内容应该被单播。为了促进这一点，协作多点（CoMP）联合处理算法被用于单向和广播PHY传输。为了实际实现这一点，假设集成网络控制器能够访问内容流行度方面的业务统计。仿真结果提供评估增益的总频谱效率。一个传统的系统，其中两个网络独立运行，被用作基准。
2015-04-30 cs.IT cs.NI math.IT
