CN108153830A - 无线通信网络中基于学习的主动缓存控制方法 - Google Patents
无线通信网络中基于学习的主动缓存控制方法 Download PDFInfo
- Publication number
- CN108153830A CN108153830A CN201711324278.4A CN201711324278A CN108153830A CN 108153830 A CN108153830 A CN 108153830A CN 201711324278 A CN201711324278 A CN 201711324278A CN 108153830 A CN108153830 A CN 108153830A
- Authority
- CN
- China
- Prior art keywords
- base station
- small base
- user
- cache
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/172—Caching, prefetching or hoarding of files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/957—Browsing optimisation, e.g. caching or content distillation
- G06F16/9574—Browsing optimisation, e.g. caching or content distillation of access to content, e.g. by caching
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/56—Provisioning of proxy services
- H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/56—Provisioning of proxy services
- H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
- H04L67/5681—Pre-fetching or pre-delivering data based on network characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种无线通信网络中基于学习的主动缓存控制方法,属于无线通信技术领域。本发明提供的无线通信网络中基于学习的主动缓存方案使用主动缓存技术,通过在网络边缘设备进行缓存来主动地服务可预测的用户需求。在进行预测和估计文件与用户之间的受欢迎度时,针对现实中文件受欢迎度矩阵通常很大并且稀疏的问题,使用协同过滤和迁移学习来获得了更准确的估计结果。在制定小基站的缓存策略时,设计了一个分布式迭代算法更好地探索了缓存的全局最优解。采用我们设计的主动缓存方案可以有效提高用户数据速率并降低回程负载。
Description
技术领域
本发明涉及无线通信技术领域,特别是涉及无线通信网络中基于学习的主动缓存控 制方法。
背景技术
随着移动通信、移动智能终端以及社交网络的发展,我们开始越来越多的通过移动 终端来体验丰富多样的在线服务。用户需求层次的提高带动了大量新兴无线通信业务的 发展,同时也带来了移动互联网的数据量爆炸式增长。为应对当今移动数据量的爆炸式增长,我们传统的方法是提高频谱资源(带宽),频谱效率(调制、编码、MIMO),或者 空间复用(基站密度)。但是在实际应用条件下,这些方法提供的吞吐量增益相当有限,
而且实现成本较高。无线通信网络缓存应运而生。
无线通信网络缓存可以利用网络边缘的各种端设备,如基站、移动终端等来进行内 容的缓存。无线通信网络缓存之所以引起学术界及工业界的广泛关注,一方面是因为近年来缓存设备的价格不断下降,而且移动终端的存储空间越来越大;另一方面,无线网 络缓存可通过提前缓存内容并利用无线网络边缘内部、边缘设备互相之间良好的短距离 协作通信来传输内容,有效降低服务延时,也能减小基站的峰值速率、卸载基站的流量。
对于无线通信网络中的缓存问题,可以利用主动缓存的动态性和5G网络的预测能力, 在网络边缘设备处进行缓存来服务可预测的用户请求。主动网络的“主动性”植根于所有网络节点(即基站以及手持设备和智能电话),利用用户的情境感知,预测用户的需求 并利用其预测能力来实现资源节省,同时保证服务质量要求和成本/能源支出。
在主动缓存时,我们需要预测和估计文件与用户之间的相关度,即文件对于用户的 受欢迎度矩阵。而目前主动缓存使用基于奇异值分解(SVD)的协同过滤(CF)技术估 计文件受欢迎度矩阵,然后贪婪地缓存最受欢迎的文件。而现实中文件受欢迎度矩阵通 常很大并且稀疏,使得CF技术在数据稀疏和冷启动等问题上的表现欠佳,促使我们去 寻求更好的学习方法来提高缓存方案的性能。此外对于小基站的缓存策略,贪心缓存最 受欢迎的文件得到的是局部最优,目前没有一种较好的小基站缓存策略去获得全局最优 解。
发明内容
为了解决上述存在的问题,本发明提供无线通信网络中基于学习的主动缓存控制方法, 使用主动缓存技术,通过在网络边缘设备进行缓存来主动地服务可预测的用户需求。先使用 协同过滤和迁移学习来预测和估计用户对内容的欢迎程度,再基于此预测结果设计一个分布 式迭代算法,得出小基站的最优缓存策略,为达此目的,本发明提供无线通信网络中基于学 习的主动缓存控制方法,具体步骤如下:
(1)先使用协同过滤和迁移学习来预测和估计用户对内容的欢迎程度,
(2)再基于此预测结果设计一个分布式迭代算法,得出小基站的最优缓存策略。
进一步的,所述步骤(1)中使用协同过滤和迁移学习来预测和估计用户对内容的欢迎程 度,具体步骤为:
步骤1.1:设置无线通信网络中的主动缓存问题为目标域,社交网络即用户间端到端(D2D) 通信相关的信息交互为源域。目标域记为S(S),其中用户对内容文件的请求服从Zipf分布, 文件受欢迎度矩阵记为Ptar;源域记为S(T),其中用户选择内容文件的过程用中国餐馆过程 (CRP)模拟,文件受欢迎度矩阵为PD2D;
步骤1.2:在建立源域与目标域之间用户-内容文件的相关性之后,结合源域与目标域的 已知信息来建立优化问题。首先假设源域和目标域都与一个信息系统s∈{S(S),S(T)}相关,该 信息系统中有Ns个用户和Fs个内容文件,令Rs={(i,j,r):r=Ps,ij,Ps,ij≠0}表示s中可知的用 户对内容的评价,接着建立用户因子矩阵和内容文件因子矩阵其中他们 的第i列和第j列分别表示为ni和fj,然后构造受欢迎度矩阵的一个估计为对该 矩阵的估计问题,通过优化如下目标函数来解决:
其中αs为该信息系统的权重,λ为正则化参数,预测值μ+bi+bj为 基准线预测器,μ为总平均评分,bi为用户i的属性相对于平均值μ的偏移,bj为文件j的属性相对于平均值μ的偏移,记真实值与预测值的误差为
步骤1.3:通过迁移学习不断优化目标域中受欢迎度矩阵Ptar的估计,采用随机梯度下降 法对上述目标函数进行优化,目标函数分别对变量bi、bj、ni和fj求偏导,再将这四个变量 向负梯度方向变化,由此可得到四个变量的更新式如下:
bi=bi+αsγ(eij-λbi);
bj=bj+αsγ(eij-λbj);
ni=ni+αsγ(eijfj-λni);
fj=fj+αsγ(eijni-λfj);
通过上述迁移学习的方法得到对目标域中完整受欢迎度矩阵Ptar的估计和预测。
进一步的,所述步骤(2)中小基站的最优缓存策略,设计方法为:
已知用户对内容的欢迎程度矩阵P∈RN×F,定义一个缓存矩阵X∈RF×M,其中元素xfm为 1代表小基站m缓存了内容f否则为0,定义一个服务矩阵Y∈RM×N,其中元素ymn为1代表小基站m能服务用户n否则为0;
每个小基站m的缓存策略Xm就是X的第m列,策略集记为其中 Xm=(x1m,x2m,...,xFm)T,xfm∈{0,1},定义每个小基站m的效用函数为其中代表小基站m能服务的用户集合;
定义最佳策略集(BSS)为给定其他小基站的缓存策略使得小基站m的效用函数值最大的 策略集,此外,定义小基站m的缓存空间全部缓存的策略集为 Fum。
进一步的,所述步骤(2)中设计的分布式迭代算法具体步骤如下:
步骤2.1:初始化,设小基站缓存容量为C,每个小基站缓存前C个文件;
步骤2.2:对于每次迭代,等可能地选择一组互不干扰的小基站,记为H(i),被选到的每 个小基站m∈H(i)计算当前效用函数Um(Xm(i),X-m(i));
步骤2.3:探索新策略:每个小基站m∈H(i)独立地改变他们的策略,m∈H(i)找到他们 的最佳响应策略集合BSSm,如果新策略从策略集合BSSm∩Fum中等可 能地随机选择,否则从策略集合BSSm,Xm(i)中等可能地随机选择;然后每个小基站m∈H(i)计算新的效用函数
步骤2.4:更新策略:每个小基站m∈H(i)更新他们的策略Xm(i);
返回执行步骤2.2直到算法收敛。
本发明提供无线通信网络中基于学习的主动缓存控制方法,该无线通信网络中基于 学习的主动缓存方案使用主动缓存技术,通过在网络边缘设备进行缓存来主动地服务可 预测的用户需求。在进行预测和估计文件与用户之间的受欢迎度时,针对现实中文件受欢迎度矩阵通常很大并且稀疏的问题,使用协同过滤和迁移学习来获得了更准确的估计结果。在制定小基站的缓存策略时,设计了一个分布式迭代算法更好地探索了缓存的全 局最优解。采用我们设计的主动缓存方案可以有效提高用户数据速率并降低回程负载。
附图说明
图1为本发明无线通信网络中基于学习的主动缓存方案的流程图。
图2为本发明基于迁移学习的缓存算法与传统基于SVD的CF算法对文件受欢迎度矩阵 的预测性能对比图,评价指标为估计值与真实值的均方根误差(RMSE)。
图3为本发明基于迁移学习的缓存算法与真实数据缓存以及随机缓存,随基站缓存容量 变化的性能对比图,评级指标为用户满意度。
图4为本发明基于迁移学习的缓存算法与真实数据缓存以及随机缓存,随基站数量变化 的性能对比图,评级指标为用户满意度。
图5为本发明基于迁移学习的缓存算法与真实数据缓存以及随机缓存,随CRP参数变化 的性能对比图,评级指标为用户满意度。
图6为本发明所设计的分布式迭代算法与传统贪心缓存算法,随小基站缓存容量变化的 性能对比图,评级指标为满意用户数。
图7为本发明所设计的分布式迭代算法与传统贪心缓存算法,随小基站数量变化的性能 对比图,评级指标为满意用户数。
图8为本发明所设计的分布式迭代算法与传统贪心缓存算法,随文件受欢迎度参数变化 的性能对比图,评级指标为满意用户数。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述:
本发明提供无线通信网络中基于学习的主动缓存控制方法,使用主动缓存技术,通 过在网络边缘设备进行缓存来主动地服务可预测的用户需求。先使用协同过滤和迁移学 习来预测和估计用户对内容的欢迎程度,再基于此预测结果设计一个分布式迭代算法,得出小基站的最优缓存策略。
作为本发明一种实施例,本发明提供无线通信网络中基于学习的主动缓存控制方法, 具体步骤如下:
步骤1:设置无线通信网络中的主动缓存问题为目标域,社交网络即用户间端到端(D2D)通信相关的信息交互为源域。目标域记为S(S),其中用户对内容文件的请求服从 参数α为1的Zipf分布,文件受欢迎度矩阵记为Ptar,而由于在实际情况下矩阵中大量信 息是未知的、可知信息是相当稀疏的,为了仿真,由Zipf分布随机生成理想中完整的文 件受欢迎度矩阵,再从在其中随机提取5%的元素作为已知信息,从而得到目标域训练矩 阵Ptar;源域记为S(T),其中用户选择内容文件的过程用中国餐馆过程(CRP)模拟,文 件受欢迎度矩阵为PD2D,同样为了仿真,由CRP过程实现源域中完整的文件受欢迎度矩 阵的生成,再从在其中随机提取10%元素作为已知信息,从而得到源域信息矩阵PD2D。 仿真时将用户数、文件数都设置为128。
步骤2:在建立源域与目标域之间用户-内容文件的相关性之后,结合源域与目标域 的已知信息来建立优化问题。首先假设源域和目标域都与一个信息系统s∈{S(S),S(T)}相关,该信息系统中有128个用户和128个内容文件,令Rs={(i,j,r):r=Ps,ij,Ps,ij≠0} 表示s中可知的用户对内容的评价,Ps由Ptar和PD2D构成。接着建立用户因子矩阵 和内容文件因子矩阵参数k=16,其中他们的第i列和第j列分别 表示为ni和fj,然后构造受欢迎度矩阵的一个估计为对该矩阵的估计问题, 通过优化如下目标函数来解决:
其中αs为该信息系统的权重设置为1,λ为正则化参数设置为0.15,预测值μ+bi+bj为基准线预测器,μ为总平均评分,bi为用户i的属性相对于平均值μ的偏移,bj为文件j的属性相对于平均值μ的偏移。记真实值与预测值的误差为
步骤3:通过迁移学习不断优化目标域中受欢迎度矩阵Ptar的估计,采用随机梯度下降法对上述目标函数进行优化。目标函数分别对变量bi、bj、ni和fj求偏导,再将这 四个变量向负梯度方向变化,由此可得到四个变量的更新式如下:
bi=bi+αsγ(eij-λbi);
bj=bj+αsγ(eij-λbj);
ni=ni+αsγ(eijfj-λni);
fj=fj+αsγ(eijni-λfj);
参数γ设置为0.1,通过上述迁移学习的方法得到对目标域中完整受欢迎度矩阵Ptar的估计和预测。由于上述的基于迁移学习的内容缓存算法和传统的基于SVD的 CF算法功能都是实现由稀疏的Ptar到所有真实值的预测,我们比较两个算法的输出矩 阵,即算法得出的用户-内容受欢迎度矩阵的估计值。我们通过仿真,得到了两个算 法最终评估指标RMSE对比如图2所示。RMSE反映了传统的基于SVD的CF算法 和基于迁移学习的内容缓存算法所得出的估计矩阵与真实值的偏差。由图2可知,随 着用户、文件规模的逐渐变大,算法的RMSE都会越来越小,即算法所得出的估计 矩阵越来越接近真实值。同时也可以很明显地看出,我们基于迁移学习的内容缓存算 法得到的估计值要更接近于真实值,即基于迁移学习的内容缓存算法具有更好的性能。
表1 仿真参数意义及取值(1)
然后我们将提出的基于迁移学习的内容缓存算法(使用完整Ptar5%的数据和完整PD2D 10%的数据进行迁移学习然后缓存最受欢迎的内容)与真实数据缓存(给定完 整受欢迎度矩阵Ptar并缓存最受欢迎的内容)以及随机缓存(内容被均匀随机缓存) 进行比较,我们给出了用户满意度随缓存容量大小、小基站数量、和源域分布参数变 化的仿真性能图如图3、图4、图5所示。
从图3中我们可以看到,最好的用户满意度都是理想中的真实数据缓存即已知完整 的受欢迎度矩阵实现的,随机缓存性能是最差的。而基于迁移学习的缓存算法的性能远高于随机缓存,已经接近于真实数据缓存。随着缓存容量的增加,基于迁移学习的缓存 算法性能越来越优于随机缓存。由图4可以看到基站数量越多用户越容易从基站获取内 容文件,用户满足度越高。几个算法中基于迁移学习的缓存算法要明显优于随机缓存, 接近与真实数据缓存。而基站的数量越多,我们基于迁移学习的缓存算法的性能优越性 越明显。由图5可见随着CRP参数的增大,基于迁移学习的缓存算法的性能逐渐降低, 此时需要更高的存储容量来提升性能。同时,基于迁移学习的缓存算法的用户满意度的 性能在所有情况下要高于随机缓存,在合理的CRP参数时接近于真实数据缓存。
步骤4:我们考虑一个(1000m×1000m)的区域,其中小基站和用户都以均匀概率随机、独立地分布在区域中,假设每个小基站的覆盖范围半径300m。设置移动蜂窝网络 小基站数量M默认为10,用户数量N为100,用户请求的文件总数F为10。内容文 件的受欢迎程度由Zipf分布描述,Zipf参数α默认为0.6。小基站缓存容量C默认设 置为4。
步骤5:初始化,初始时每个小基站缓存前C个文件。
步骤6:对于每次迭代,等可能地随机选择一组互不干扰的小基站,记为H(i), 被选到的每个小基站m∈H(i)计算当前效用函数Um(Xm(i),X-m(i))。
步骤7:探索新策略:每个小基站m∈H(i)独立地改变他们的策略,m∈H(i)找到 他们的最佳响应策略集合BSSm,如果新策略从策略集合 BSSm∩Fum中等可能地随机选择,否则从策略集合BSSm,Xm(i)中等可能地随机 选择;然后每个小基站m∈H(i)计算新的效用函数
步骤8:更新策略。每个小基站m∈H(i)更新他们的策略Xm(i)。
返回执行步骤6直到算法收敛。算法结束后,我们将分布式迭代算法与传统的贪心缓存最受欢迎文件的方法进行对比,比较他们效用函数即满意的用户数随缓存容量、小 基站数以及文件受欢迎度分布参数α的变化关系如图6、图7、图8所示。
表2 仿真参数意义及取值(2)
由图6可以看出所有算法中可以由小基站服务的用户的数量随着缓存容量的增加而增加。在所有的缓存容量情况下,我们提出的分布式迭代算法性能都要比贪心缓 存性能好。由图7可以看出所有算法中可以由小基站服务的用户的数量随着小基站数 量的增加而增加,并且因为小基站的部署越来越密集导致曲线性能提升越来越缓慢, 曲线趋向于平坦。我们提出的分布式迭代算法性能要比贪心缓存性能好,并且随着小 基站的数量的增加,相对的性能提升会越来越明显,因为随着小基站数量的增加,贪 心缓存中距离相近小基站会缓存更多重复的文件,这导致了总体缓存容量的浪费,从 而其性能是较差的。而分布式迭代算法由于小基站数的增加,相近的基站会交换信息 来提升缓存性能,整体的性能会明显地提高。由图8可以看出分布式迭代算法性能要 一直优于贪心缓存算法,通常情况α在0.5~0.6,而在这个条件下我们的分布式迭代 缓存算法的性能更好。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作任何其他形式的限制, 而依据本发明的技术实质所作的任何修改或等同变化,仍属于本发明所要求保护的范围。
Claims (4)
1.无线通信网络中基于学习的主动缓存控制方法,具体步骤如下,其特征在于:
(1)先使用协同过滤和迁移学习来预测和估计用户对内容的欢迎程度,
(2)再基于此预测结果设计一个分布式迭代算法,得出小基站的最优缓存策略。
2.根据权利要求1所述的无线通信网络中基于学习的主动缓存控制方法,其特征在于:所述步骤(1)中使用协同过滤和迁移学习来预测和估计用户对内容的欢迎程度,具体步骤为:
步骤1.1:设置无线通信网络中的主动缓存问题为目标域,社交网络即用户间端到端(D2D)通信相关的信息交互为源域。目标域记为S(S),其中用户对内容文件的请求服从Zipf分布,文件受欢迎度矩阵记为Ptar;源域记为S(T),其中用户选择内容文件的过程用中国餐馆过程(CRP)模拟,文件受欢迎度矩阵为PD2D;
步骤1.2:在建立源域与目标域之间用户-内容文件的相关性之后,结合源域与目标域的已知信息来建立优化问题。首先假设源域和目标域都与一个信息系统s∈{S(S),S(T)}相关,该信息系统中有Ns个用户和Fs个内容文件,令Rs={(i,j,r):r=Ps,ij,Ps,ij≠0}表示s中可知的用户对内容的评价,接着建立用户因子矩阵和内容文件因子矩阵其中他们的第i列和第j列分别表示为ni和fj,然后构造受欢迎度矩阵的一个估计为对该矩阵的估计问题,通过优化如下目标函数来解决:
其中αs为该信息系统的权重,λ为正则化参数,预测值μ+bi+bj为基准线预测器,μ为总平均评分,bi为用户i的属性相对于平均值μ的偏移,bj为文件j的属性相对于平均值μ的偏移,记真实值与预测值的误差为
步骤1.3:通过迁移学习不断优化目标域中受欢迎度矩阵Ptar的估计,采用随机梯度下降法对上述目标函数进行优化,目标函数分别对变量bi、bj、ni和fj求偏导,再将这四个变量向负梯度方向变化,由此可得到四个变量的更新式如下:
bi=bi+αsγ(eij-λbi);
bj=bj+αsγ(eij-λbj);
ni=ni+αsγ(eijfj-λni);
fj=fj+αsγ(eijni-λfj);
通过上述迁移学习的方法得到对目标域中完整受欢迎度矩阵Ptar的估计和预测。
3.根据权利要求1所述的无线通信网络中基于学习的主动缓存控制方法,其特征在于:所述步骤(2)中小基站的最优缓存策略,设计方法为:
已知用户对内容的欢迎程度矩阵P∈RN×F,定义一个缓存矩阵X∈RF×M,其中元素xfm为1代表小基站m缓存了内容f否则为0,定义一个服务矩阵Y∈RM×N,其中元素ymn为1代表小基站m能服务用户n否则为0;
每个小基站m的缓存策略Xm就是X的第m列,策略集记为Xm={Xm},其中Xm=(x1m,x2m,...,xFm)T,xfm∈{0,1},定义每个小基站m的效用函数为其中Lm代表小基站m能服务的用户集合;
定义最佳策略集(BSS)为给定其他小基站的缓存策略使得小基站m的效用函数值最大的策略集,此外,定义小基站m的缓存空间全部缓存的策略集为Fum。
4.根据权利要求1所述的无线通信网络中基于学习的主动缓存控制方法,其特征在于:所述步骤(2)中设计的分布式迭代算法具体步骤如下:
步骤2.1:初始化,设小基站缓存容量为C,每个小基站缓存前C个文件;
步骤2.2:对于每次迭代,等可能地选择一组互不干扰的小基站,记为H(i),被选到的每个小基站m∈H(i)计算当前效用函数Um(Xm(i),X-m(i));
步骤2.3:探索新策略:每个小基站m∈H(i)独立地改变他们的策略,m∈H(i)找到他们的最佳响应策略集合BSSm,如果新策略从策略集合BSSm∩Fum中等可能地随机选择,否则从策略集合BSSm,Xm(i)中等可能地随机选择;然后每个小基站m∈H(i)计算新的效用函数
步骤2.4:更新策略:每个小基站m∈H(i)更新他们的策略Xm(i);
返回执行步骤2.2直到算法收敛。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711324278.4A CN108153830A (zh) | 2017-12-13 | 2017-12-13 | 无线通信网络中基于学习的主动缓存控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711324278.4A CN108153830A (zh) | 2017-12-13 | 2017-12-13 | 无线通信网络中基于学习的主动缓存控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108153830A true CN108153830A (zh) | 2018-06-12 |
Family
ID=62466182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711324278.4A Pending CN108153830A (zh) | 2017-12-13 | 2017-12-13 | 无线通信网络中基于学习的主动缓存控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108153830A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109831801A (zh) * | 2019-01-04 | 2019-05-31 | 东南大学 | 基于深度学习神经网络的用户行为预测的基站缓存算法 |
CN110247953A (zh) * | 2019-05-13 | 2019-09-17 | 电子科技大学 | 一种基于超级帕累托原则的多目标在线学习的无线缓存方法 |
CN110290507A (zh) * | 2019-05-28 | 2019-09-27 | 南京邮电大学 | 一种d2d通信辅助边缘缓存系统的缓存策略及频谱分配方法 |
CN110312212A (zh) * | 2019-08-01 | 2019-10-08 | 郑州师范学院 | 一种d2d分组通信方法、系统及相关组件 |
CN111552886A (zh) * | 2020-05-19 | 2020-08-18 | 北京邮电大学 | 一种无线网络中的缓存方法、系统及装置 |
CN112261628A (zh) * | 2020-10-26 | 2021-01-22 | 杭州梦视网络科技有限公司 | 一种应用于d2d设备的内容边缘缓存架构方法 |
CN113271631A (zh) * | 2020-10-19 | 2021-08-17 | 南京爱而赢科技有限公司 | 基于用户请求可能性与时空特性的新型内容缓存部署方案 |
-
2017
- 2017-12-13 CN CN201711324278.4A patent/CN108153830A/zh active Pending
Non-Patent Citations (1)
Title |
---|
YUYANG WANG等: "A Learning-Based Approach for Proactive Caching in Wireless Communication Networks", 《IEEE》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109831801A (zh) * | 2019-01-04 | 2019-05-31 | 东南大学 | 基于深度学习神经网络的用户行为预测的基站缓存算法 |
CN109831801B (zh) * | 2019-01-04 | 2021-09-28 | 东南大学 | 基于深度学习神经网络的用户行为预测的基站缓存方法 |
CN110247953A (zh) * | 2019-05-13 | 2019-09-17 | 电子科技大学 | 一种基于超级帕累托原则的多目标在线学习的无线缓存方法 |
CN110247953B (zh) * | 2019-05-13 | 2022-03-15 | 电子科技大学 | 一种基于超级帕累托原则的多目标在线学习的无线缓存方法 |
CN110290507B (zh) * | 2019-05-28 | 2022-07-26 | 南京邮电大学 | 一种d2d通信辅助边缘缓存系统的缓存策略及频谱分配方法 |
CN110290507A (zh) * | 2019-05-28 | 2019-09-27 | 南京邮电大学 | 一种d2d通信辅助边缘缓存系统的缓存策略及频谱分配方法 |
CN110312212A (zh) * | 2019-08-01 | 2019-10-08 | 郑州师范学院 | 一种d2d分组通信方法、系统及相关组件 |
CN111552886A (zh) * | 2020-05-19 | 2020-08-18 | 北京邮电大学 | 一种无线网络中的缓存方法、系统及装置 |
CN111552886B (zh) * | 2020-05-19 | 2023-12-22 | 北京邮电大学 | 一种无线网络中的缓存方法、系统及装置 |
CN113271631A (zh) * | 2020-10-19 | 2021-08-17 | 南京爱而赢科技有限公司 | 基于用户请求可能性与时空特性的新型内容缓存部署方案 |
CN113271631B (zh) * | 2020-10-19 | 2024-02-27 | 南京爱而赢科技有限公司 | 基于用户请求可能性与时空特性的新型内容缓存部署方案 |
CN112261628B (zh) * | 2020-10-26 | 2022-07-08 | 杭州梦视网络科技有限公司 | 一种应用于d2d设备的内容边缘缓存架构方法 |
CN112261628A (zh) * | 2020-10-26 | 2021-01-22 | 杭州梦视网络科技有限公司 | 一种应用于d2d设备的内容边缘缓存架构方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108153830A (zh) | 无线通信网络中基于学习的主动缓存控制方法 | |
Fadlullah et al. | HCP: Heterogeneous computing platform for federated learning based collaborative content caching towards 6G networks | |
Li et al. | Optimization and analysis of probabilistic caching in $ N $-tier heterogeneous networks | |
CN109474980B (zh) | 一种基于深度增强学习的无线网络资源分配方法 | |
CN105791391B (zh) | 基于文件流行度的d2d融合网络最优协作距离的计算方法 | |
Zhao et al. | Caching D2D connections in small-cell networks | |
Yan et al. | An evolutionary game for user access mode selection in fog radio access networks | |
CN108834080B (zh) | 异构网络中基于多播技术的分布式缓存和用户关联方法 | |
CN106331083B (zh) | 一种考虑内容分发能耗的异构网络选择方法 | |
CN108093435B (zh) | 基于缓存流行内容的蜂窝下行链路网络能效优化系统及方法 | |
CN105120468A (zh) | 一种基于演化博弈论的动态无线网络选择方法 | |
He et al. | Resource allocation based on graph neural networks in vehicular communications | |
CN107135469B (zh) | 一种分布式用户接入方法 | |
CN108282822B (zh) | 用户关联与功率控制在异构蜂窝网络中的协同优化算法 | |
CN107623720A (zh) | 一种基于合作缓存的数据选择性缓存方法 | |
CN108541025A (zh) | 一种面向无线异构网络的基站与d2d共同缓存方法 | |
CN108521640B (zh) | 一种蜂窝网络中的内容分发方法 | |
CN108322352B (zh) | 一种基于组间协作的蜂窝异构缓存方法 | |
CN109068356A (zh) | 一种用于认知无线电网络中的无线缓存分配方法 | |
CN114615730B (zh) | 回程受限密集无线网络面向内容覆盖的功率分配方法 | |
Li et al. | Collaborative optimization of edge-cloud computation offloading in internet of vehicles | |
CN106304307B (zh) | 一种异构网络融合下的资源分配方法 | |
CN108882269A (zh) | 结合缓存技术的超密集网络小站开关方法 | |
Cai et al. | Game theory-based device-to-device network access algorithm for heterogeneous networks | |
CN108668288B (zh) | 用于优化无线缓存网络中小基站位置的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180612 |
|
RJ01 | Rejection of invention patent application after publication |