Dynamic Regret of Randomized Online Service Caching in Edge Computing
本文研究了一个在线服务缓存问题，在边缘服务器，配备了一个预测窗口，未来的服务请求到达，需要决定哪些服务本地托管有限的存储容量。边缘服务器旨在最小化请求转发成本（即，将请求转发到远程数据中心进行处理的成本）和服务实例化成本（即，即检索和建立服务）。考虑到实际应用中请求模式的非平稳性，采用动态遗憾度来衡量边缘服务器的性能，并将总代价与动态最优离线解的总代价进行比较。为了解决这个问题，我们提出了一个低复杂度的随机在线算法，并从理论上推导出其预期动态后悔的上界。仿真结果表明，我们的算法显着优于其他国家的最先进的政策方面的运行时间和预期的总成本。
2023-01-10 cs.NI
Asymptotically-Optimal Incentive-Based En-Route Caching Scheme
在中间结点处的内容缓存是优化计算机网络的操作的非常有效的方式，使得可以在不返回内容的起源的情况下服务未来的请求。自从这个概念出现以来，已经提出了几种缓存技术，包括需要对Internet架构进行重大更改的技术，如内容中心网络。这些技术中很少考虑为节点提供缓存激励或为内容所有者提供服务质量保证。在这项工作中，我们提出了一个低复杂性，分布式，在线算法，使缓存的决定，根据内容的流行程度，同时考虑到上述问题。我们的算法执行途中缓存。因此，它可以与当前的TCP/IP模型集成。为了衡量任何在线缓存算法的性能，我们将竞争比定义为在线算法在流量节省方面的性能与具有完整未来知识的最佳离线算法的性能之比。我们表明，在我们的设置下，没有在线算法可以实现更好的竞争比$Ω(\log n)$，其中$n$是网络中的节点数。此外，我们表明，在现实的情况下，我们的算法有一个渐近最优的竞争比在网络中的节点数。我们还研究了基本算法的扩展，并通过大量的模拟显示其有效性。
2014-08-26 cs.NI
A Mobility-Aware Vehicular Caching Scheme in Content Centric Networks: Model and Optimization
边缘缓存技术是一种通过将计算功能与蜂窝基站分离来减轻蜂窝网络负担的有前途的技术。然而，现有的缓存方案的服务能力受到固定的边缘基础设施，当面对用户的请求和位置的不确定性。利用移动车辆作为缓存载体的车载缓存被认为是解决上述问题的有效方法。本文研究了车辆缓存方案在内容为中心的网络中的有效性，通过开发优化模型，对网络能耗最小化。特别是，我们的缓存车辆和移动用户之间的相互作用建模为2-D马尔可夫过程，以表征移动用户的网络可用性。基于该模型，我们提出了一种在线车辆缓存设计，通过优化网络能源效率。具体来说，缓存决策问题首先制定为分数优化模型，朝着最佳的能源效率。利用非线性分式规划技术和李雅普诺夫优化理论，我们得到了优化模型的理论解。在此基础上，提出了一种实现最优车载缓存的在线缓存算法。最后，进行了大量的模拟，以检查我们的建议的性能。通过比较，我们的在线缓存方案优于现有的计划在能源效率，命中率，缓存利用率和系统增益。
2019-02-19 cs.NI
Online Caching with Optimistic Learning
Delft University of Technology（代尔夫特理工大学）；Trinity College Dublin（都柏林圣三一学院）
设计有效的在线缓存策略对于内容分发网络、在线社交网络和边缘计算服务等领域来说是一个越来越重要的问题。本文提出了一种新的算法工具箱，通过乐观的在线学习的镜头来解决这个问题。我们建立在以下的正规化领导者（FTRL）的框架，这是进一步发展，包括预测的文件请求，我们设计的二分网络与固定大小的缓存或弹性租赁缓存的时间平均预算约束的在线缓存算法。预测由影响用户观看活动的内容推荐系统提供，因此可以自然地减少缓存网络对未来请求的不确定性。我们证明了所提出的乐观学习缓存策略可以实现完美预测的零以下性能损失（遗憾），并保持最佳可实现的遗憾界$O(\sqrt T)$，即使是任意坏的预测。所提出的算法的性能进行评估详细的跟踪驱动的数值测试。
2022-04-20 cs.LG cs.NI
Online Caching with no Regret: Optimistic Learning via Recommendations
Delft University of Technology（代尔夫特理工大学）；Trinity College Dublin（都柏林圣三一学院）
设计有效的在线缓存策略对于内容分发网络、在线社交网络和边缘计算服务等领域来说是一个越来越重要的问题。本文提出了一种新的算法工具箱，通过\emph{optimistic}在线学习的镜头来解决这个问题。我们建立在跟随正规化领导者（FTRL）框架，这是进一步发展，包括预测的文件请求，我们设计的二分网络的在线缓存算法与预留或动态存储的时间平均预算约束。预测由内容推荐系统提供，该内容推荐系统影响用户的观看活动，因此可以自然地减少缓存网络对未来请求的不确定性。我们还扩展了框架，以学习和利用最好的请求预测器，在许多情况下。我们证明了建议的{乐观}学习缓存策略可以实现\emph{sub-zero}性能损失（遗憾）完美的预测，并保持次线性遗憾界$O(\sqrt T)$，这是最好的可实现的政策，不使用预测，即使是任意坏的预测。所提出的算法的性能进行评估详细的跟踪驱动的数值测试。
2022-10-20 cs.LG cs.NI
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
Online User-AP Association with Predictive Scheduling in Wireless Caching Networks
对于无线高速缓存网络，在面对以下权衡时，用于内容递送的方案设计是不平凡的。一方面，为了优化整体吞吐量，用户可以将其附近的AP与大的信道容量相关联;然而，这可能导致AP上的不稳定队列积压并延长请求延迟。另一方面，为了确保队列稳定性，一些用户可能不得不将AP与较差的信道状态相关联，这将导致吞吐量损失。此外，对于这样的系统，如何进行预测调度，以减少延迟和其好处的基本限制仍然没有探索。在本文中，我们制定了一个随机网络优化问题的在线用户AP关联和资源分配的内容交付与预测调度下的固定内容放置。通过利用其独特的结构，我们把问题转化为一系列的模块化极大化子问题与拟阵约束。然后，我们设计了PUARA，预测用户AP关联和资源分配计划，实现了可证明的接近最优的吞吐量与队列稳定性。我们的理论分析和仿真结果表明，PUARA不仅可以执行吞吐量最大化和队列稳定性之间的可调控制，但也引起了显着的延迟减少与预测信息。
2020-08-01 cs.NI
Joint Optimization of Data Sponsoring and Edge Caching for Mobile Video Delivery
在这项工作中，我们研究了边缘缓存和数据赞助的视频内容提供方（CP）的联合优化，旨在降低内容交付成本，增加CP的收入。具体来说，我们制定的联合优化问题作为一个两阶段的决策问题的CP。在阶段I中，CP确定边缘高速缓存策略（在相对长的时间段内）。在阶段II中，CP为该时段内的每个内容请求决定实时数据赞助策略。我们首先在第二阶段提出了一个基于Lyapunov的在线赞助策略，达到了离线最大性能（基准）的90%。然后，我们解决了边缘缓存问题，在第一阶段提出的在线赞助策略的基础上，在第二阶段，并表明，最佳的缓存策略取决于聚合用户请求的每个内容在每个位置。仿真结果表明，与单纯的数据赞助相比，这种联合优化可以使CP的收益提高30%~ 100%，没有边缘缓存）。
2016-11-01 cs.NI
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
PackCache: An Online Cost-driven Data Caching Algorithm in the Cloud
在本文中，我们研究了云环境中的数据缓存问题，其中多个经常共同使用的数据项可以打包为一个单一的项目被转移，以服务于一系列的数据请求动态降低成本。为此，我们提出了一个在线算法相对于一个同质的成本模型，称为PackCache，可以利用FP树技术挖掘那些经常共同使用的数据项进行包装，从而传入的请求可以具有成本效益的在线服务，利用预期的缓存的概念。我们证明了该算法是2α竞争的，在所研究的缓存问题上达到了任何确定性在线算法的竞争比的下限，并且在时间和空间上都有效地服务于请求。最后，我们通过实验研究来评估算法的性能，以显示其实际的成本效益和可扩展性。
2022-08-05 cs.DC cs.DS cs.NI
Content Popularity Prediction Towards Location-Aware Mobile Edge Caching
移动边缘缓存使得能够在无线电接入网络内进行内容递送，这有效地减轻了回程负担并减少了响应时间。为了充分利用边缘存储资源，应该识别和缓存最流行的内容。针对用户在不同位置对特定内容的需求差异较大的特点，设计了位置定制的缓存方案，以最大化总的内容命中率。具体地，使用线性模型来估计未来内容命中率。针对模型噪声为零均值的情况，提出了一种基于岭回归的正扰动在线算法。遗憾分析表明，该算法在长期内渐近接近最优缓存策略。在噪声结构未知的情况下，通过设定阈值，提出了一种基于$H_{\infty}$滤波器的在线算法，保证了在最坏情况下的预测精度。这两种在线算法都不需要训练阶段，因此对随时间变化的用户需求具有鲁棒性。数值分析了两种算法估计误差的根本原因。在真实数据集上进行了大量的实验，验证了所提算法的适用性。结果表明，这些算法可以应用于不同的噪声功能的情况下，并能够作出自适应缓存决策，实现内容命中率，是通过事后诸葛亮最优策略相媲美。
2018-09-01 cs.NI
Online Digital Twin-Empowered Content Resale Mechanism in Age of Information-Aware Edge Caching Networks
针对内容流行度未知且时变的AoI感知边缘缓存场景，提出数字孪生赋能的双时间尺度内容转售机制及DT-OCA算法，通过分解问题与DT预测求解NP难优化问题，性能优于基准算法。
2024-03-12 cs.IT cs.NI math.IT
A Collaborative Framework for In-network Video Caching in Mobile Networks
由于移动无线网络中在线视频内容的爆炸式增长，网内缓存对于改善终端用户体验和降低移动网络运营商的互联网接入成本变得越来越重要。然而，缓存是一个困难的问题，由于非常大量的在线视频和视频请求，有限的容量的缓存节点，和有限的带宽的网络链接。依赖于静态配置和平均请求到达率的现有解决方案不足以有效地处理动态请求模式。在本文中，我们提出了一个动态的协同视频缓存框架部署在移动网络中。我们将缓存问题分解为内容放置子问题和源选择子问题。然后，我们开发SRS（系统容量预留策略）来解决内容放置子问题，和LinkShare，一个自适应的流量感知算法来解决源选择子问题。我们的框架支持拥塞避免，并允许合并多个请求为同一个视频到一个请求。我们进行了广泛的模拟，以验证所提出的计划。仿真结果表明，我们的SRS算法实现的性能在1-3%的最优值和LinkShare显着优于现有的解决方案。
2014-04-03 cs.NI
Learning to Cooperate in D2D Caching Networks
我们考虑一个无线设备到设备（D2D）的合作网络，其中内存赋予节点存储和交换内容。每个节点在未知的并且可能是任意的时空过程之后生成随机文件请求，并且基站（BS）以更高的成本为代价递送在其邻居的缓存中未找到的任何文件。我们设计了一个在线学习算法，它通过帮助每个节点决定哪些文件缓存和哪些文件从BS和其他设备获取，以最大限度地减少总交付成本。我们的政策依赖于在线梯度下降算法，是服从分布式执行，并实现渐近最优性能的任何请求模式，没有先验信息。
2019-05-04 cs.NI
Regret-Optimal Online Caching for Adversarial and Stochastic Arrivals
我们认为在线缓存的缓存大小有限的问题。在时隙系统中，用户从每个时隙中的大目录中请求一个文件。如果请求的文件被缓存，则策略接收单位奖励，否则接收零奖励。我们表明，基于跟随扰动领导者（FTPL）的随时缓存策略对于对抗和i.i.d.都是同时后悔最优的。随机到达此外，在设置中，有一个与切换缓存的内容相关的成本，我们提出了一个变体的FTPL，这是顺序最优的时间方面的对抗性和随机到达，并有一个显着更好的性能相比，FTPL的切换成本随机到达。我们还表明，这些结果可以推广到设置有约束的频率与缓存内容可以改变。最后，我们验证了各种合成以及现实世界的痕迹上得到的结果。
2022-11-29 cs.NI cs.PF
Joint Optimization of DNN Model Caching and Request Routing in Mobile Edge Computing
School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；Department of Computer Science and Engineering, The Chinese University of Hong Kong（香港中文大学计算机科学与工程系）
本文研究移动边缘计算网络中DNN模型缓存与请求路由的联合优化问题，提出CoCaR算法提升用户请求推理精度，CoCaR-OL在动态场景下进一步提升用户体验质量。
2026-05-12 cs.NI
Learning to Cache With No Regrets
本文介绍了一种新的缓存分析，与以前的工作相反，没有建模假设的文件请求序列。我们投的缓存问题的在线线性优化（OLO）的框架，并介绍了一类最小的遗憾缓存政策，最大限度地减少损失的最佳静态配置在事后的请求模型是未知的。这些策略是非常重要的，因为它们对流行度偏差是鲁棒的，在这个意义上，当流行度模型改变时，它们学会调整它们的缓存决策。我们首先证明了一个新的下限的遗憾，任何缓存政策，改善现有的OLO界限，我们的设置。然后，我们证明了在线梯度上升（OGA）的政策保证了一个遗憾，符合下限，因此它是普遍最优的。最后，我们将注意力转移到一个网络的缓存安排，以形成一个二分图，并表明，二分次梯度算法（BSA）没有遗憾
2019-04-22 cs.NI
An Online Gradient-Based Caching Policy with Logarithmic Complexity and Regret Guarantees
University of Verona（维罗纳大学）；Inria（法国国家信息与自动化研究所）
针对具有遗憾保证的在线缓存策略计算复杂度过高的问题，本文提出一种相对目录规模为对数复杂度的基于梯度的新变体，并在百万级请求与项目的真实轨迹上验证其实用收益。
2024-06-17 cs.LG cs.NI cs.OS
Online Coded Caching
我们考虑一个基本的内容分发的情况下，由一个单一的源服务器通过共享瓶颈链接连接到一些用户，每个配备了一个有限的内存缓存。用户从一组流行文件中发出一系列内容请求，目标是操作缓存和服务器，以便通过共享链接发送的最小位数满足这些请求。假设一个基本的马尔可夫模型更新的一组流行的文件，我们近似的最佳长期平均速率的共享链接的特征。我们进一步证明，最佳的在线方案具有近似相同的性能作为最佳的离线方案，其中缓存内容可以更新的基础上，在每个新的请求之前的整个流行的文件集。为了支持这些理论结果，我们提出了一种在线编码缓存方案，称为编码最近发送（LRS），并模拟它的需求时间序列来自Netflix的Netflix奖提供的数据集。对于这个时间序列，我们表明，建议的编码LRS算法显着优于流行的最近最少使用（LRU）缓存算法。
2013-11-14 cs.IT cs.NI math.IT
Online Edge Caching and Wireless Delivery in Fog-Aided Networks with Dynamic Content Popularity
雾无线电接入网络（F-RAN）架构可以利用云处理和边缘缓存来向用户提供内容。为此，F-RAN利用边缘节点（EN）处的缓存和将云处理器连接到EN的前传链路。假设时不变的内容流行度，F-RAN中内容交付的现有信息理论分析依赖于具有单独内容放置和交付阶段的离线缓存。相比之下，这项工作的重点是场景中的一组流行的内容是随时间变化的，因此有必要在线补充的EN的高速缓存随着所请求的文件的交付。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。在线边缘缓存和交付计划的串行和流水线传输模式的前传和边缘段。分析结果表明，在内容流行度随时间变化的情况下，前传链路的速率对F-RAN系统的长期无损检测设置了根本限制。分析结果进一步验证了数值模拟，产生重要的设计见解。
2018-04-22 cs.IT cs.NI math.IT
No-Regret Caching via Online Mirror Descent
Inria（法国国家信息与自动化研究所）；Université Côte d’Azur（蔚蓝海岸大学）；Northeastern University（东北大学）
针对可分批更新且支持文件分片存储的在线缓存问题，本文基于 OMD 设计无遗憾策略，利用请求多样性比率刻画遗憾界与最优性，并提出保留遗憾保证且计算高效的随机舍入方案。
2023-06-06 cs.LG cs.NI cs.PF
Efficient and Optimal No-Regret Caching under Partial Observation
Avignon University（阿维尼翁大学）；ENS Lyon（里昂高等师范学院）；Inria（法国国家信息与自动化研究所）
针对部分观测下的缓存问题，基于 FPL 算法提出一种随机化缓存策略，首次实现渐近最优遗憾界限与常数摊销时间复杂度，并在合成与真实轨迹上验证了有效性。
2025-03-04 cs.LG cs.NI
Online Adaptive Computation Reuse in Collaborative Edge Computing: A Two-Timescale Approach
Fudan University（复旦大学）；Singapore University of Technology and Design（新加坡科技设计大学）；Nanjing University of Posts and Telecommunications（南京邮电大学）；Yonsei Frontier Lab, Yonsei University（延世大学前沿实验室）
针对协同边缘计算中重复计算与缓存更新成本问题，本文提出双时间尺度计算复用算法，联合优化加权响应时间与缓存更新成本，经数值验证性能优于基准方案。
2026-10-09 cs.NI
User Preference Learning Based Edge Caching for Fog Radio Access Network
研究了雾天无线接入网（F-RAN）中的边缘缓存问题。通过最大化整体缓存命中率，边缘缓存优化问题，制定找到最佳的政策。从区域用户的角度考虑内容在时间和空间上的受欢迎程度。提出了一种利用内容特征和用户偏好的在线内容流行度预测算法，以及一种利用{在线梯度下降}（OGD）方法和{跟随（邻近）正则化领导者}（FTRL-Proximal）方法的离线用户偏好学习算法。我们提出的边缘缓存策略不仅可以以低复杂度的在线方式及时预测未来的内容流行度，{而且}可以跟踪内容流行度的空间和时间流行度动态的时间没有延迟。此外，我们设计了两个基于学习的边缘缓存架构。此外，我们从理论上推导出流行度预测误差的上限，缓存命中率的下限，以及我们提出的边缘缓存策略的整体缓存命中率的遗憾界。仿真结果表明，我们提出的策略的整体缓存命中率优于传统的策略，并渐近接近最优性能。
2019-02-27 cs.IT cs.NI math.IT
Optimal Geographical Caching in Heterogeneous Cellular Networks
我们研究异构蜂窝网络中的最佳地理缓存，不同类型的基站（BS）有不同的缓存容量。工具集库包含具有不同流行度的文件。性能指标是总命中概率。在所有BS中最优地联合放置内容的问题通常不是凸的。然而，我们表明，当BS根据齐次Poisson点过程（PPP）部署时，对于每种类型独立地，我们可以将该问题表示为凸问题。我们给出了PPP部署的联合问题的最优解。对于一般情况下，我们提供了一个分布式的局部优化算法（LOA），发现不同类型的BS的最佳布局策略。我们发现的最佳布局策略的小基站（SBS）取决于宏基站（MBS）的布局策略。我们发现，存储最流行的内容在MBS几乎是最佳的，如果SBS使用最佳的放置策略。此外，对于SBS，不能使用这种启发式方法;最佳放置明显优于存储最受欢迎的内容。最后，我们数值验证了LOA给出了相同的命中概率作为PPP模型的联合最优解。
2019-01-04 cs.NI
Association and Caching in Relay-Assisted mmWave Networks: From A Stochastic Geometry Perspective
有限的回程带宽和阻塞效应是限制毫米波（mmWave）网络实际部署的两个主要因素。为了解决这些问题，我们研究了中继的可行性，以及在毫米波网络缓存。考虑到基站和中继节点共存所引起的空间相关性，提出了一种同时依赖于缓存状态和最大偏置接收功率的用户关联和中继（UAR）准则.联合UAR和缓存放置问题，然后制定最大限度地减少回程流量。利用随机几何工具，通过分析UAR概率和缓存放置概率之间的关系，将UAR和缓存放置问题解耦。然后，我们优化转换的缓存放置问题的基础上polyblock外近似利用单调性在一般情况下，并利用凸优化在噪声限制的情况下。因此，我们提出了一种BS和RN选择算法，其中BS处的缓存状态和最大偏置接收功率被共同考虑。实验结果表明，使用所提出的算法的回程卸载的显着增强，并表明部署更多的RN和增加缓存大小的毫米波网络是一个更具有成本效益的替代方案比增加BS密度，以实现类似的回程卸载性能。
2020-08-18 cs.NI
Asynchronous Coded Caching with Uncoded Prefetching
编码缓存是一种技术，它承诺大大减少内容分发网络中的网络流量。然而，最初的表述和该领域的几个后续贡献假设来自用户的文件请求是同步的，即，它们同时到达服务器。在这项工作中，我们制定和研究的编码缓存问题时，从用户的文件请求到达不同的时间。我们假设每个用户也有一个规定的截止日期，他们希望他们的请求被完成。在离线的情况下，我们假设服务器在开始传输之前知道到达时间，而在在线的情况下，用户请求随着时间的推移被透露给服务器。我们提出了一个线性规划公式的离线情况下，最大限度地减少了总利率的约束，每个用户满足他/她的最后期限。虽然在线的情况下是更难，我们介绍了一种新的启发式的在线情况下，并表明，在一定的条件下，每个用户的请求可以满足她/他的最后期限的概率很高。我们的模拟结果表明，在存在轻度缓存的情况下，编码缓存的大部分好处仍然可以利用。
2020-06-18 cs.IT cs.NI math.IT
Cooperative Caching based on File Popularity Ranking in Delay Tolerant Networks
移动设备不断增加的存储容量和WiFi/蓝牙功能使其成为机会性内容共享的良好平台。在这项工作中，我们提出了一个网络模型来研究这一设置有两个特点：1。延迟容忍; 2.缺乏基础设施。移动用户生成请求，并通过蓝牙或WiFi从他们遇到的其他用户那里伺机下载。不同Web内容的受欢迎程度的差异导致非均匀的请求分布，其通常是齐普夫定律分布。我们评估不同的缓存方案的性能，并得出最佳方案，使用凸优化技术。最佳解决方案是有效地使用二分搜索方法。结果表明，随着网络移动性的增加，最优方案的性能远远超过传统的缓存方案。据我们所知，我们的工作是第一个考虑流行性排名的性能评估。
2014-09-24 cs.NI
Adapting Caching to Audience Retention Rate: Which Video Chunk to Store?
用户很少完全观看在线内容。我们研究如何考虑到这一点，以提高性能的缓存系统的视频点播和视频共享平台的核心网络上的流量减少。我们利用主流在线内容平台引入的"观众留存率"概念，衡量同一视频内容不同部分的受欢迎程度。我们首先表征的性能限制的缓存能够存储部分视频，当流行度和观众的留存率的每个视频的缓存管理器。然后，我们放宽了已知的流行程度的假设，我们提出了一个LRU（最近最少使用）缓存替换策略，操作每个视频的第一块。我们的特点，其性能扩展著名的车的近似这种情况下。我们证明，通过细化块的粒度，块LRU政策提高了其性能。数值结果表明，即使对于少量的块（N = 20），块LRU的收益仍然是显着的，相比标准的LRU策略，缓存整个文件，他们几乎是最佳的。
2015-12-10 cs.NI
Optimization of Caching Devices with Geometric Constraints
最近已经提倡，在大型通信系统中，将内容存储得更靠近用户对于用户和对于整个网络都是有益的。这种方法的一个特定实现是将高速缓存与无线基站共同定位。在本文中，我们研究了地理上分布式缓存的一个固定的文件集合。我们的缓存放置模型的帮助下，随机几何和优化文件之间的存储容量的分配，以尽量减少缓存未命中概率。我们认为每个缓存容量的限制，以及平均容量的限制，所有的缓存。每个缓存容量约束的情况下，可以有效地解决使用动态规划，而平均约束的情况下，导致凸优化问题。我们证明，平均约束导致显着较小的缓存未命中概率。最后，我们提出了一个简单的LRU为基础的政策，地理分布的缓存，并表明其性能接近最优。
2017-01-06 cs.NI
Learning to Cache and Caching to Learn: Regret Analysis of Caching Algorithms
缓存算法的关键性能指标包括其快速准确地了解请求的流行度分布的能力。然而，大部分的工作分析性能分析的重点是命中概率后，一个渐进的大的时间已经过去了。我们认为一个在线学习的观点，并描述了“遗憾”的候选人缓存算法实现的命中之间的有限时间差方面的天才辅助计划，最流行的项目在缓存中。我们首先考虑完全观察机制，其中所有请求都被缓存看到。我们表明，最不频繁使用（LFU）算法是能够实现订单最佳遗憾，这是匹配的一个有效的计数算法设计，我们称之为LFU-建兴。然后，我们考虑部分观察制度，其中只有请求的项目目前缓存的缓存，使其类似于一个在线学习问题的多臂强盗问题。我们将展示如何接近这个“缓存强盗”使用传统的方法产生高复杂性或遗憾，但一个简单的算法设计，利用结构的分布可以确保秩序最佳遗憾。最后，我们用数值模拟来说明我们的见解。
2020-04-01 cs.NI cs.SY eess.SY
Joint Service Caching and Computing Resource Allocation for Edge Computing-Enabled Networks
在本文中，我们考虑了服务缓存和计算资源分配在边缘计算（EC）使能网络。本文提出了一种随机服务缓存设计方案，该方案考虑了多种延迟敏感服务和基站的服务缓存存储。然后，我们得到一个成功的服务概率（SSP）。我们还制定了一个SSP最大化问题的服务缓存分布和计算资源分配。然后，我们证明了优化问题是非凸的，并通过采用并行逐次凸逼近（SCA），开发了一种新的算法来获得SSP最大化问题的稳定点。此外，为了进一步降低算法的计算复杂性，本文还提出了一种低复杂度的算法，该算法能够在高计算能力区域内获得SSP最大化问题的近优解。最后，从数值模拟，我们表明，建议的解决方案实现更高的SSP比基线计划。此外，我们表明，近最佳的解决方案实现可靠的性能在高计算能力的区域。我们还探讨了目标延迟，BS的服务缓存大小，和EC服务器上的SSP的计算能力的影响。
2023-01-19 cs.NI
Dynamic Mobile Edge Caching with Location Differentiation
移动边缘缓存使内容能够直接在无线电接入网络内交付，这有效地减轻了回程负担并减少了往返延迟。为了充分利用边缘资源，应该识别和缓存最流行的内容。针对内容流行度在不同位置差异较大的特点，提出一种在线学习算法，动态预测内容的点击率，并根据位置差异进行缓存决策，以最大化本地点击率。具体而言，使用线性模型来估计未来命中率。考虑到用户需求的变化，将扰动添加到估计以考虑不确定性。所提出的学习算法不需要训练阶段，因此适应于时变的内容流行度简档。理论分析表明，该算法在长期内渐近地逼近最优策略。基于真实世界的大量仿真结果表明，与其他方案相比，该算法具有更高的命中率和更好的内容流行度波动适应性。
2017-09-15 cs.NI
Optimistic No-regret Algorithms for Discrete Caching
Delft University of Technology（代尔夫特理工大学）；Tata Institute of Fundamental Research（塔塔基础研究所）；Amazon（亚马逊）
我们系统地研究了在乐观学习的上下文中将整个文件存储在具有有限容量的高速缓存中的问题，其中高速缓存策略可以访问预测预言（例如，a神经网络）。假设连续的文件请求是由对手生成的，并且没有对预言的准确性进行假设。在这种情况下，我们提供了一个普遍的预测辅助在线缓存的下限，并继续设计一套政策的范围内的性能复杂性权衡。所有建议的政策提供次线性的遗憾范围相称的预言的准确性。我们的研究结果大大改善后，所有最近提出的在线缓存政策，无法利用预言，只提供$O(\sqrt{T})$遗憾。在这种追求中，我们设计，尽我们所知，第一个全面的乐观跟随扰动的领导者的政策，概括超越缓存问题。我们还研究了不同大小文件的缓存问题和二分网络缓存问题。最后，我们通过大量的数值实验，使用真实世界的痕迹，评估所提出的政策的有效性。
2022-11-09 cs.DS cs.LG cs.NI
Joint Communication, Computation, Caching, and Control in Big Data Multi-access Edge Computing
最近引入了多路访问边缘计算（MEC）的概念，以通过将MEC服务器部署到网络边缘来补充云计算，从而减少网络延迟并减轻云数据中心的负载。然而，与资源丰富的云相比，MEC服务器的资源有限。当每个MEC服务器独立运行时，它无法处理来自用户设备的所有计算和大数据需求。因此，MEC服务器由于用户设备和远程云之间的数据交换而不能在开销减少方面提供显著的增益。因此，大数据应用迫切需要在边缘与MEC服务器协作的联合计算，缓存，通信和控制（4C）。为了应对这些挑战，本文将大数据MEC中的联合4C问题转化为一个优化问题，其目标是在满足用户设备本地计算能力、计算截止时间和MEC资源约束的前提下，最大限度地节省带宽，同时最小化延迟.然而，制定的问题是非凸的。为了使这个问题是凸的，提出了一个近似的上界问题，保证下降到原来的问题。为了解决近似上界问题，采用块连续上界最小化（BSUM）方法。仿真结果表明，该方法在满足计算截止期的前提下，节省了带宽，最小化了延迟。
2018-03-30 cs.NI
RetroRenting: An Online Policy for Service Caching at the Edge
共享边缘计算平台的快速增长使应用服务提供商能够部署具有严格延迟和高带宽要求的各种服务。这些平台的一个关键优势是，它们通过短期合同向客户收取与其资源使用量成比例的费用，从而提供了现收现付的灵活性。这为客户端提供了显著的成本节约机会，通过动态决定何时在平台上托管其服务，这取决于不断变化的请求强度。我们设置的自然策略是生存时间（TTL）策略。我们表明，TTL在对抗性到达设置中表现不佳，即，在竞争比方面，对于i.i.d.具有低到达率的随机到达，与TTL定时器的值无关。我们提出了一个在线政策称为RetroRenting（RR），并表明，在确定性的在线政策类，RR是订单最优的竞争比。此外，我们还为RR for i.i.d.提供性能保证。随机到达过程加上负相关的租金成本序列，并证明它比较好的最优在线策略。此外，我们使用合成和真实世界的痕迹进行模拟，比较性能的RR与最佳的离线和在线政策。仿真结果表明，RR的性能是接近最佳的所有考虑的设置。我们的结果说明了RR的普遍性。
2021-05-17 cs.NI cs.SY eess.SY
Optimal and Scalable Caching for 5G Using Reinforcement Learning of Space-time Popularities
配备缓存单元的小型基站（SB）有可能处理异构网络中前所未有的需求增长。通过与骨干网的低速率回程连接，SB可以在非高峰流量时段预取流行文件，并在高峰时段将其服务于边缘。为了智能地预取，每个SB必须学习缓存什么以及何时缓存，同时考虑SB存储器限制、大量可用内容、未知流行度简档以及用户文件请求的时空流行度动态。在这项工作中，本地和全球马尔可夫过程模型的用户请求，并提出了一个强化学习（RL）的框架，以寻找最佳的缓存策略时，所涉及的转移概率是未知的。全局和局部流行度需求以及缓存刷新成本的联合考虑允许简单而实用的异步缓存方法。新颖的基于RL的高速缓存依赖于Q-学习算法来以在线方式实现最优策略，从而使得SB处的高速缓存控制单元能够学习、跟踪并且可能适应底层动态。为了赋予算法的可扩展性，线性函数近似的建议Q学习计划，提供更快的收敛速度，以及降低复杂性和内存需求。数值试验证实了所提出的方法在各种现实环境中的优点。
2017-11-18 cs.NI
Decentralized Collaborative Video Caching in 5G Small-Cell Base Station Cellular Networks
我们考虑了一组通过高容量短延迟回程链路相互连接并通过长延迟连接连接到远程服务器的5G小小区基站（SBS）的视频缓存问题。即使最小化整体视频传输延迟的问题是NP难的，我们提出的协作缓存算法（CCA）可以有效地计算出接近最优的解决方案，其中次优的程度取决于最坏情况下的视频缓存大小比。该算法自然适合于分布式实现，其需要SBS之间的零显式协调，并且以$O(N + K \log K)$时间运行，其中$N$是SBS（高速缓存）的数量，而$K$是视频的最大数量。我们将CCA扩展到在线设置，其中视频流行度不是先验已知的，而是通过SBS之间的有限数量的定期信息共享随着时间的推移进行估计。我们证明，我们的算法接近最佳的整体缓存解决方案的缓存大小的增加。此外，通过对真实视频访问轨迹进行模拟，我们表明，我们的算法有效地使用SBS缓存，以减少视频传输延迟和节省远程服务器的带宽，它优于其他两个参考缓存方法适应我们的系统设置。
2021-09-01 cs.NI
Energy-efficient Caching and Task offloading for Timely Status Updates in UAV-assisted VANETs
智能边缘网络正在成熟，以实现智能和高效的交通系统。在这封信中，我们考虑无人机（UAV）辅助车载网络，无人机提供缓存和计算服务，与基站（BS）的补充。一个主要的挑战是车辆需要通过协调无处不在的缓存和计算资源来获得及时的态势感知。请注意，用于车辆感知任务的缓存数据包含时变上下文信息，因此应结合任务执行来考虑缓存数据的新鲜度，以保证获得的状态更新的及时性。为此，我们提出了一个两阶段的性能指标来量化的影响，缓存刷新和计算卸载的决定年龄的状态更新。我们制定了能源最小化问题，共同考虑缓存刷新，计算卸载和老化的状态更新。为了方便在线决策，我们提出了一个深度确定性策略梯度（DDPG）为基础的解决方案的过程，并结合差异化的经验重放机制，以加速收敛。仿真结果表明，所提出的解决方案的性能是有竞争力的能源消耗获得新鲜的状态更新。
2022-05-04 cs.NI
Joint Caching and Resource Allocation in D2D-Assisted Wireless HetNet
5G网络需要提供非常快速和可靠的通信，同时应对用户流量的增加。在设备到设备（D2D）通信辅助的异构网络（HetNet）中，业务可以被卸载到小型基站或用户以提高网络的成功数据递送速率。在本文中，我们的目标是最大限度地提高成功交付给用户的文件的平均数量，通过共同优化缓存的位置和通道分配在缓存启用D2D辅助HetNet。首先，推导出平均内容传输延迟的解析上界。然后，制定联合优化问题。缓解了问题的非凸性，并确定了最优解。针对求解的高时间复杂度问题，提出了一种低复杂度的次优方法。数值结果说明了所提出的解决方案的有效性，并将其与传统的方法进行比较。最后，通过研究关键参数的影响，例如功率、缓存容量、QoS要求等，获得了设计这些网络的准则。
2019-04-11 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
cRVR: A Stackelberg Game Approach for Joint Privacy-Aware Video Requesting and Edge Caching
School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院）；School of Computing, Faculty of Science and Engineering, Macquarie University（麦考瑞大学科学与工程学部计算学院）
本文提出cRVR算法，通过Stackelberg博弈方法在保护视频请求隐私的同时，最小化对边缘缓存性能的影响。
2024-12-03 cs.NI
Transmission Delay Minimization via Joint Power Control and Caching in Wireless HetNets
无线异构网络（HetNet）中的基本挑战是在存在增加的部署密度和回程容量约束的情况下有效地利用有限的传输和存储资源。为了缓解瓶颈和减少资源消耗，我们设计了多跳无线HetNet的最佳缓存和功率控制算法。我们制定了一个联合优化框架，以最大限度地减少平均传输延迟的缓存变量的函数和信号干扰噪声比（SINR），这是由传输功率确定的，同时明确占回程连接成本和功率约束。使用凸松弛和舍入，我们得到了一个降低复杂性的制定（RCF）的联合优化问题，它可以提供一个常数因子近似的全局最优解。然后，我们以两种方式解决RCF：1）通过利用双凸性交替优化功率和缓存变量，以及2）功率控制和缓存的联合优化。我们刻画了RCF最优解的必要（KKT）条件，并利用严格拟凸性证明了RCF的KKT点是Pareto最优的。然后，我们设计了一个次梯度投影算法，共同更新的缓存和电源变量，并表明，在适当的条件下，该算法以线性速度收敛到局部极小的RCF，在一般的SINR条件下。我们支持我们的分析结果与广泛的数值实验的结果。
2021-05-29 cs.IT cs.NI math.IT
Joint Compute-Caching-Communication Control for Online Data-Intensive Service Delivery
新兴的Metaverse应用程序旨在提供高度互动和沉浸式体验，无缝融合物理现实和数字虚拟，正在加速对具有前所未有的存储，计算和通信要求的分布式计算平台的需求。为此，下一代网络的集成演进（例如，5G及以后）和分布式云技术（例如，雾和移动边缘计算），已经成为解决Metaverse应用程序的交互和资源密集型性质的有前途的范例。在本文中，我们专注于下一代分布式云网络中的计算，缓存和通信（3C）资源的联合编排的控制策略的设计，以有效地交付Metaverse应用程序，需要实时聚合，处理和分发多个实时媒体流和预存储的数字资产。我们通过有向非循环图描述元宇宙应用程序，该图能够对实时流处理和内容分发管道的组合进行建模。我们设计了第一个吞吐量-最优控制策略，该策略协调围绕（i）实时数据流的路由路径和处理位置以及（ii）相关数据对象的缓存选择和分发路径的联合决策。然后，我们提出的解决方案，包括一个最大吞吐量的数据库布局政策和两个有效的替换政策。此外，我们描述了所有研究方案的网络稳定区域。数值结果表明，通过新的多管道流量控制和3C资源编排机制的建议的政策，获得了优越的性能相比，缺乏完整的3C集成控制的最先进的算法。
2022-05-04 cs.NI cs.SY eess.SY
Optimizing Video Caching at the Edge: A Hybrid Multi-Point Process Approach
在互联网上传输大量的视频一直是一个具有挑战性的问题。为了满足高带宽和严格的播放需求，一种可行的解决方案是基于预测的视频流行度将视频内容缓存在边缘服务器上。传统的高速缓存算法（例如，LRU、LFU）过于简单，无法捕捉视频流行的动态，尤其是长尾视频。最近的学习驱动的缓存算法（例如，DeepCache）表现出良好的性能，然而，这种黑盒方法缺乏可解释性和可解释性。此外，参数调整需要大量的历史记录，这对于低人气的视频来说很难获得。在本文中，我们使用白盒方法在边缘优化视频缓存，这种方法效率很高，也完全可以解释。为了准确地捕捉视频流行度的演变过程，我们建立了一个称为\emph{HRS}模型的数学模型，该模型是多点过程的组合，包括Hawkes的自激、反应和自校正过程。HRS模型的主要优点是其可解释性，以及模型参数的数量少得多。此外，它的所有模型参数可以通过最大化的对数似然函数构建的过去的视频请求事件自动学习。接下来，我们进一步设计了一种基于HRS的在线视频缓存算法。为了验证其有效性，我们使用从中国最大的在线视频提供商之一腾讯视频收集的真实视频痕迹进行了一系列实验。实验结果表明，该算法的缓存命中率在实际环境下平均提高了12.3%，优于现有算法.
2021-02-01 cs.MM cs.NI
Reactive Video Caching via long-short-term fusion approach
视频缓存已经成为当今网络架构中的基本网络功能。虽然最近已经提出了大量的缓存替换算法，但这些方法都受到一个关键的限制：由于其不成熟的规则，不准确的特征工程或响应迟钝的模型更新，它们不能在长期历史和短期突发事件之间取得平衡。为了解决这个问题，我们提出了LA-E2，一种长短期融合缓存替换方法，它是基于学习辅助的探索-利用过程。具体而言，通过\emph{top-k}方法将基于深度神经网络（DNN）的预测与在线开发-探索过程有效结合，LA-E2既可以利用历史信息，又可以响应地适应不断变化的流行度。通过在两个真实世界数据集上的大量实验，我们表明LA-E2可以达到最先进的性能和推广良好。特别是当缓存容量较小时，我们的方法可以在总命中率上比基线高出17.5%~ 68.7%。
2019-05-16 cs.MM cs.NI
Cross-Layer Optimization of Fast Video Delivery in Cache-Enabled Relaying Networks
本文研究了跨层优化的快速视频传输和缓存的最小化的整体视频传输时间在两跳中继网络。半双工中继节点配备有缓存和缓冲器，这有利于联合调度的获取和交付，以利用信道的多样性，提高整体交付性能。快速交货控制被制定为一个两阶段的功能非凸优化问题。通过利用潜在的凸和拟凸结构，该问题可以准确和有效地解决了算法。仿真结果表明，显着的缓存和缓冲增益可以实现与建议的框架，这转化为减少整体视频传输时间。此外，缓存和缓冲增益之间的权衡被揭开。
2015-11-17 cs.IT cs.NI math.IT
A rolling-horizon dynamic programming approach for collaborative caching
本文从网络经济学的角度研究了在线协作内容缓存问题。该网络由具有有限缓存容量的小小区基站（SCBS）和宏小区基站（MCBS）组成。SCBS通过高速链路与其相邻的SCBS连接，并协作决定缓存哪些数据。内容在非高峰时段“免费”放置在SCBS上，并在考虑网络使用成本的情况下根据内容需求在白天进行更新。我们首先建模的缓存优化作为一个有限的地平线马尔可夫决策过程，采用自回归模型来预测内容需求的演变。该问题是NP-难的，并且只能针对少量的基站和内容找到最优解。为了让推导出接近最优的解决方案，为较大的网络，我们提出了滚动时域方法，它近似未来的网络使用成本，考虑一个小的决策范围。结果表明，滚动时域方法明显优于比较方案。最后，我们研究了两个简化的问题，以加快解决方案的速度：（a）我们限制网络中的内容副本的数量和（b）我们限制允许的内容替换。结果表明，滚动时域方案可以减少超过84%的通信成本相比，运行最近最少使用（LRU）更新离线计划。结果还揭示了缓存策略的效率和运行在线算法所需的时间之间的权衡。
2019-07-31 cs.IT cs.NI math.IT
Capacity-Aware Edge Caching in Fog Computing Networks
研究了雾计算网络中的边缘缓存问题，提出了一种容量感知的边缘缓存框架，该框架综合考虑了雾缓存容量的有限性和基站的连通性。通过允许雾节点和云数据中心之间的合作，平均下载时间（ADT）最小化问题被公式化为多类处理器排队过程。我们证明了制定的问题的凸性，并提出了一种基于交替方向乘法（ADMM）的算法，可以实现最小ADT和收敛速度比现有的算法。仿真结果表明，雾缓存容量和BS的连接能力的分配需要根据网络状态进行平衡。虽然通过利用所有可用的雾缓存容量来最大化边缘缓存命中率（ECHR）在BS连接能力充足时是有帮助的，但是优选的是，当BS连接能力不足时，保持较低的ECHR并向云分配更多的流量。
2020-02-06 cs.NI eess.SP
FairCache: Introducing Fairness to ICN Caching - Technical Report
以信息为中心的网络广泛使用通用网内缓存。然而，开发一个有效的和公平的自私的缓存协同缓存算法仍然是一个悬而未决的问题。此外，由协作引起的通信开销在诸如现实ISP和自治系统网络之类的一般网络设置中尤其知之甚少。在本文中，我们解决这两个问题，通过建模的网络缓存问题作为一个纳什讨价还价的游戏。我们证明了该博弈是一个凸优化问题，并进一步推导出相应的分布式算法。我们分析研究一般图形拓扑结构的协作开销，并从理论上表明，由于其成本呈指数增长，协作必须限制在一个小的邻域内。我们提出的算法实现了至少16%的性能增益超过其竞争对手在不同的网络拓扑结构的评估，并保证可证明的收敛性，帕累托效率和比例公平。
2017-05-02 cs.DC cs.GT cs.NI
Hypergraph-Based Analysis of Clustered Cooperative Beamforming with Application to Edge Caching
蜂窝网络中分簇协作波束形成的性能评估通常需要求解复杂的非凸优化问题。在这封信中，提出了一个基于超图形式主义的框架，使派生的性能表征的集群合作波束形成的每用户自由度（DoF）通过有效的解决方案的着色问题。一个新兴的场景，其中集群的合作基站（BS）的出现是由蜂窝网络与边缘缓存。事实上，共享相同的所请求的文件的BS的集群可以联合地对对应的编码信号进行波束成形。基于这一观察，所提出的框架被应用于获得定量的见解，在具有边缘缓存的蜂窝系统中的缓存和回程资源的最佳使用。数值例子来说明所提出的框架的优点。
2015-10-21 cs.IT cs.NI math.IT
PopNetCod: A Popularity-based Caching Policy for Network Coding enabled Named Data Networking
在本文中，我们提出了PopNetCod，一个流行的基于网络编码启用命名数据网络的缓存策略。PopNetCod是一种分布式缓存策略，其中每个路由器通过分析其接收的请求来测量内容对象的本地流行度。然后，它使用此信息来决定哪些数据包要缓存或从其内容存储中驱逐。由于使用网络编码，因此支持内容对象的部分缓存，这便于内容存储的管理。当路由器接收到对数据包的请求时，路由器决定它们以在线方式缓存或驱逐的数据包。这允许最流行的数据包被缓存在更靠近网络边缘的地方。PopNetCod的评估表明，与广泛使用的Leave Copy Everywhere放置策略和Least Recently Used驱逐策略相比，它提高了缓存命中率。改进的缓存命中率有助于客户端实现更高的有效吞吐量，同时也减少了源服务器上的负载。
2019-01-04 cs.IT cs.NI math.IT
No-Regret Caching with Noisy Request Estimates
Inria（法国国家信息与自动化研究所）；Université Côte d’Azur（蔚蓝海岸大学）
本文提出噪声-跟随-扰动-领导者（NFPL）算法，在请求估计有噪声时实现次线性遗憾，并在合成与真实轨迹上验证优于经典缓存策略。
2023-09-05 cs.LG cs.NI cs.PF
Optimal Energy Consumption with Communication, Computation, Caching and QoI-Guarantee
能量效率是现代数据通信系统的基本要求，并且其重要性反映在最近关于系统能量消耗的性能分析的许多工作中。然而，大多数作品只关注通信和计算成本，但不考虑缓存成本。鉴于对缓存网络的兴趣日益增加，这是一个严重的缺陷。{In本文考虑了在通信网络中具有信息质量（QoI）保证的数据通信、压缩和缓存（C $3$）中的能量消耗问题。{Our目标是确定网络上的最佳数据压缩速率和数据放置，以最小化网络中的总能耗。}该问题是一个具有非凸函数的\emph{Mixed Integer Non-Linear Programming}（MINLP）问题，一般是NP-困难的. {我们}提出了一种空间分支定界算法（V-SBB）的变体，它可以{提供}{我们的问题}的$ε$ -全局最优解。{We数值计算表明，与通信和计算或缓存之间的任何C2优化相比，我们的C3优化框架可以将能量效率提高高达88%。此外，对于我们的能量消耗问题，V-SBB {提供了比其他MINLP求解器更好的解决方案。
2019-01-26 cs.NI cs.PF
