基于實測數據集預測用戶請求行為對主動邊緣緩存的影響
摘要：由于無線邊緣節點的緩存空間很小,在流行度已知時主動緩存策略的性能遠優于被動緩存。最近,業界開始研究在文件流行度等用戶請求行為未知、需要進行預測時的主動邊緣緩存,發現主動緩存依然優于被動緩存。然而,大多數工作基于合成的數據集或者在推薦系統等領域采集的開源數據集,難以反映無線用戶的請求行為。本文采用一個在局部區域每秒記錄用戶請求視頻次數的實測數據集、利用神經網絡預測用戶在未來短期內的個體和群體行為,基于預測的用戶行為信息在宏基站或微基站進行主動緩存。研究結果表明,當采用實測數據集時,由于用戶請求行為具有很強的時間局部性、甚至是猝發性,所造成的虛警、漏警和加性誤差使被動緩存優于主動緩存、且在宏基站緩存時增益更大;一旦采用合成的靜態數據集,主動緩存明顯優于被動緩存。這意味著不能僅用加性誤差刻畫預測流行度的不確定性,要實現主動邊緣緩存的性能增益,更重要的是降低虛警和漏警。
注: 保護知識產權,如需閱讀全文請聯系信號處理雜志社
相關推薦
更多
