DeepCachNet：蜂窩網絡中基於深度學習的主動緩存框架

摘要

在網絡邊緣的內容緩存被認爲是用於增強蜂窩網絡中內容傳遞效率的合適技術，由於存儲限制，在SBS(小型基站)緩存戰略內容至關重要。但是，它需要事先未知的有關受歡迎程度傳播的信息。此外，由於連接到SBSs的每個移動用戶對內容具有不同的偏好，所以內容的受歡迎程度是變化的。因此，用戶所偏愛的內容的性質取決於用戶和內容的特徵。本文提出了一種新型的在蜂窩網絡中的基於深度學習的主動緩存框架，稱爲DeepCachNet，該框架從連接到SBSs的用戶的移動設備中收集了大量數據。將深度學習方法（自動編碼器和堆疊式降噪自動編碼器）應用於所收集的數據，以分別提取用戶和內容的特徵。所提取的特徵用於估計核心網絡處的內容受歡迎程度。基於估計的內容受歡迎程度，將戰略內容緩存在SBS上，以獲得更高的回程卸載和用戶滿意度。爲了驗證所提出框架的有效性，進行了案例研究，其中使用開發的android移動應用程序從連接的移動設備中收集了移動數據，並對所收集的數據進行了所提出框架的仿真。仿真結果表明，該框架解決了冷啓動和數據稀疏性問題，並在回程卸載和用戶滿意度方面取得了顯着改善。通過回傳卸載和用戶滿意度，它分別可分別獲得6.2％和30％的收益。

堆疊式降噪自動編碼器SDA

https://blog.csdn.net/weixin_30298497/article/details/94881029

backhaul offloading ？

冷啓動

https://www.jianshu.com/p/03bf81f9f6d9

介紹

在蜂窩網絡中，網絡邊緣緩存是最令人鼓舞的革命之一。通過記錄更接近用戶的戰略內容，緩存優化了蜂窩網絡不同組件（包括核心網絡和無線電接入網絡）的卸載能力。在網絡邊緣緩存戰略內容時，越來越多地使用user-content交互和end-users的行爲，體現了主動和上下文感知緩存的時代[1,2]。通常，在主動緩存中，網絡邊緣的用戶終端和SBSs主動緩存內容，這在回程卸載和用戶滿意度方面提高了總體網絡性能。主動緩存的現有方法[2，3]的關鍵概念依賴於內容與用戶之間相關性的估計，通常以內容流行度矩陣的形式定義，其中矩陣的每個元素代表針對特定用戶的特定內容的受歡迎程度。採用協作過濾（CF）和有監督的機器學習方法來估計內容流行度矩陣中的缺失元素，以便可以將戰略內容預先存儲在網絡的SBS中。但是，設計有效的主動緩存模型仍然面臨重大挑戰。首先，用於主動緩存的內容受歡迎度矩陣剩餘的部分稀疏且龐大，其中很少元素的rating\value是已知的。在大多數情況下，受歡迎的內容也很少有評價。由於在稀疏的內容流行度矩陣很少元素有rating，因此估計用戶和內容之間的相關性並在網絡邊緣執行有效的主動緩存非常困難。其次，內容流行度矩陣僅反映user-content交互，而忽略了user和負責交互的content之間的隱式關係，這導致CF學習方法的性能較低和效率低下，其中主要的原因就是冷啓動問題和數據稀疏[4]。

上述挑戰降低了主動緩存的效率，因此提出了深度學習（DL）方法[5]。在許多實際應用中構建合適的預測模型時，很難甚至不可能收集並標記大量的訓練數據。而以無監督的方式從可用的原始數據（例如從移動傳感器收集的數據）中提取隱藏特徵，可以基本上消除標記大量訓練數據的需求，並改善預測任務[6]。

主動緩存中的DL通過解決冷啓動和數據稀疏性問題，有助於提高CF方法的性能。 DL用於提取在內容流行度矩陣中的每個用戶和內容隱藏特徵，並創建基於特徵的內容流行度矩陣。基於特徵的設置消除了內容流行度矩陣的稀疏性，這有助於CF方法 估計內容流行度矩陣中的缺失條目，克服數據稀疏性和冷啓動問題，從而進一步提高了網絡邊緣主動緩存的有效性。此外，基於特徵的設置還考慮了用戶的空間屬性，例如物理位置（即用戶的移動路徑）[7]，由於用戶的移動性，幫助在SBSs之間遷移數據的學習過程，並提高緩存效率。這項研究工作的主要貢獻總結如下：

本文提出了一種基於DL的主動緩存框架，用於根據用戶的內容流行度矩陣和存儲約束來逐步提高backhaul的效果。
我們引入了新的DL方法來提取用戶和內容的隱藏特徵。這些特徵被用來開發基於特徵的內容流行度矩陣，該矩陣進一步被用於評估核心網絡處的受歡迎內容，具體通過使用基於特徵的協作過濾來實現。
爲了驗證所提出框架的有效性，我們實現了該框架，並根據用戶滿意度和backhaul load來衡量性能。

協作過濾CF

https://blog.csdn.net/mhtlee/article/details/18278981

基於深度學習的主動緩存框架

在本節中，我們提出一個新的主動緩存框架，該框架可以收集，檢查和主動處理連接到SBS的用戶的移動數據。所提出的框架通過使用DL方法從收集的移動數據中提取用戶特徵和內容特徵。通過使用合適的評估算法在網絡邊緣 主動緩存 戰略內容，提取的特徵用於估計用戶的時空需求。 DL方法和評估算法的計算和執行是在核心站點執行的，而緩存則放置在SBSs上，在該SBSs上主動存儲了需求量大（即非常受歡迎）的內容。圖1顯示了所提出框架的總體架構，其中由深度學習，評估算法和分佈式數據庫組成的學習模型位於核心站點，負責在緩存放置模型中估計用戶對內容的需求，在此模型中，儲存了通過學習模型估算的熱門和戰略性內容。

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-OoDfRmYF-1589331664957)(…\2019-DeepCachNet A Proactive Caching Framework\1588511403674.png)]

爲了說明提議的框架的總體架構，我們假設使用D SBSs網絡

$I_d$ ：small cell d的無線鏈路的容量

$I'_d$ ：small cell d的回程鏈路的容量

在== $I_d > I' _d$ ==的情況下，有限回程容量的情況是被認可的。

在時間段T內，一組用戶從檔案== $H = \{h_1，h_2，…，h_Q\}$ ==中請求的內容總數爲M。

用於傳送 內容h的有限比特率爲== $B(h)$ ==。

存檔中每個內容h的大小爲== $L(h)$ ，且 $L_{min} <L(h)<L_{max}$ ==。

每個SBS都以有限的存儲容量來驅動，並從存檔H中緩存內容子集來卸載 容量有限的backhaul。然而，龐大的用戶和內容量使得提取和處理所需的信息以在SBSs中緩存所有用戶的內容成爲一個頗具挑戰性的方案。這主要是由於缺乏足夠的回程和存儲限制。在這種情況下，兩個要求是

在覈心網絡共同開發基於特徵的內容流行度矩陣 $P$ ，其中

行表示用戶，

列表示內容，

每個條目分別表示內容和用戶特徵的評價/流行度
將內容緩存 放置在特定的SBS上。

假設通過使用近似或貪婪方法來解決繁瑣的緩存放置[12、13]，那麼可以在SBSs上進行稀疏內容的評價/流行度的學習和評價。對於此任務，我們將在以下小節中描述提出框架的所有組件和工作過程。

Backhaul

backhaul可以翻譯成回程,也叫回程線路。在現有的無線通信中,backhaul指的是基站和基站控制器之間的鏈接

(1一般用戶先接入基站,

2基站再與基站控制器通信,

3然後進入核心網)

https://baike.baidu.com/item/Backhaul/9078738

什麼是回程網絡

https://blog.csdn.net/FairyJoyXie/article/details/78419315

原始數據收集

提出框架的第一個主要挑戰是收集和管理 輸入數據。該框架從用戶的移動設備中收集 移動數據。爲了從他們的移動設備收集用戶的數據，有必要開發一個移動應用程序，該應用程序可以識別 用戶的位置和移動設備傳感器的值，並將收集到的數據傳送到緩存系統。

數據預處理

從用戶的移動設備收集的原始數據可能包含一些不適當的，多功能的或干擾數據，因此在它們傳送到下一個處理階段之前需要被清除。數據必須經過適當的結構和處理，以促進高效處理，例如，指定和提取相關特徵。在主動緩存系統中處理數據很複雜，原因有三點：

數據必須實時處理，因爲它們是實時收集的。
收集的數據多樣，由於各式的傳感器數據，多變的用戶偏好，位置數據和用戶-內容關係。
要處理的數據量大，例如，達到TB級。

爲了促進模式匹配和位置查詢，高性能關係數據庫用於有效存儲確定的數據，而分佈式數據庫用於優化簡單查詢數據以實現可擴展性。

特徵提取

特徵提取是所提出框架的關鍵要素。必須從收集的原始數據中提取兩種類型的特徵，其描述如下：

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-RkPADVir-1589331664961)(…\2019-DeepCachNet A Proactive Caching Framework\1588574608816.png)]

User Features

由於不同的用戶可能會喜歡不同的內容，因此主動緩存中內容的流行度可能會在整個用戶羣中波動。用戶的內容偏好可能與他們的特徵相關聯，如圖2a所示。 User Features包括：

用戶的個人特徵，例如人口統計信息（例如性別和年齡），心情或個性。
顯式上下文包括提取顯式上下文，將數據正確描述積累情況（例如，天氣狀況）的數據收集過程。
隱式上下文，涉及從移動傳感器中提取和收集隱藏或潛在上下文模式以表示用戶上下文。

各種類型的用戶特徵的添加導致其維度的擴展，從而導致需要處理大量訓練數據的任務。因此，自動編碼器用於確定各種特徵之間的關係，並以低維表示形式提取它們。通常，用戶特徵提取過程包括三個階段：

原始數據是從可用數據源，例如，WiFi，GPS，麥克風，活動應用程序和加速度計等移動傳感器中累積的。
使用特徵工程從原始數據中提取一組特徵，該特徵工程包括計算統計數據，例如主導值，熵，標準差，平均值等。
一種稱爲自動編碼器的無監督技術被應用於提取特徵，以確定原始數據中的隱藏模式。

自動編碼器是一種無監督學習方法，通過應用反向傳播將目標值設置爲與輸入相等。例如，

$\{a_1, a_2, a_3, , a_i\}$ ：未標記訓練數據集的給定輸入，其中== $a_i \in R^n$ ，自動編碼器的目的是設置 $a_i = \widehat{a} _i$ ==。

爲了提取用戶和隱式上下文的long-term patterns，我們使用了基於現有網絡結構的簡單自動編碼器[6]。圖3a顯示了具有三層網絡的自動編碼器網絡結構：an input layer, a hidden layer, an output layer。

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-OvzOwO3I-1589331664964)(…\2019-DeepCachNet A Proactive Caching Framework\1588580305551.png)]

hidden layer學習函數 $F_{w,b} (a)= \widehat{a}$ ，其中== $w$ 和 $b$ 是將input $a$ 連接到的hidden layer $T_2$ 網絡邊緣的權重。換句話說，通過使用identity function $F$ 訓練每個輸入實例a==，以使輸出類似於輸入a。通過對網絡施加一些約束，例如限制隱藏單元的數量，我們可以確定輸入實例a的各種特徵之間的相關性，並以低維表示法 提取它們[6]。網絡使用sigmoid激活函數作爲identity function，其中，如果函數輸出接近1，則隱藏單元爲“active”，如果函數輸出接近0，則爲“inactive”。

對於給定的用戶數據集 $A = \{a_1,a_2,a_3,…,a_i\}$

其中每個用戶== $a_i$ ==有r維表示，由從原始數據中提取的**r個特徵組成。我們在以下步驟**中描述自動編碼器方法：

數據集 $A$ 中的所有實例需歸一化。在歸一化過程中，所有數值均被歸一化爲{0…1}，並將歸一化後的數值轉換爲一組binary indicators。歸一化後，獲得歸一化的數據集 $A'$ ，其中 $A'$ 中的每個實例都是 $r'$ 維的，並且每個值都在{0…1}範圍內。
歸一化的數據集 $A'$ 被傳遞到自動編碼器，後者通過在歸一化的數據集A’上**使用激活函數F和== $l$ ==個隱藏單元來執行訓練，然後返回經過訓練的**自動編碼器模型。
從訓練過的自動編碼器模型中獲得權重矩陣 $W_{l*r}'$ 。

矩陣中的每項== $w_{ij}$ 表示**從第 $j^{th}$ 個輸入節點到第 $i^{th}$ ==個隱藏節點的連接邊的權重**。
歸一化的數據集 $A'$ 中的每個樣本 $a'$ 與權重矩陣 $W(a'W^T)$ 的轉置 相乘，並且激活函數F應用於所得乘法結果後的每個元素。此步驟提供了輸出數據集Z。最後，數據集Z包含從連接到SBSs的用戶集中提取的== $l$ ==維特徵。

Content Features

由於關於內容的可用輔助信息 有限，因此傳統的協作過濾方法無法確定冷啓動內容的受歡迎程度。爲了解決這個問題，使用了一個稱爲堆疊式降噪自動編碼器（SDAE）的深度神經網絡，其主要目的是能夠從關於內容的輔助信息中自動 提取更高層次和更抽象的特徵，並在較低層次的維度中定義特徵 。在特徵提取過程中，獲取所收集的原始數據中所有內容的輔助內容描述。處理所有內容的原始內容描述，並應用詞袋方法爲所有內容生成向量。然後將所有內容及其關聯矢量提供給SDAE，並獲得內容特徵。在提出的框架中，我們使用了SDAE的現有網絡結構[14]。圖3b顯示了SDAE的圖結構，其中首先通過人工噪聲注入過程將具有所有內容的關聯矢量的原始輸入集 $c_o$ 轉換爲noise-corrupted的輸入 $c_1$ ，以學習SDAE中的更高級別的特徵表示。

the hidden layer $h_1$ 通過函數== $F_{w1,b1}$ ==將the corrupted input $c_1$ 映射到hidden representation $c_2$ 上，其中== $w_1$ 和 $b_1$ ==是將input layer == $X$ ==連接到hidden layer == $h_1$ ==的網絡邊的權重。

通常，隱藏層嘗試使用更高級別的特徵表示來重建接近 輸入== $c_1$ 的輸出 $c_2$ ==，即降噪自動編碼（DAE）。在完成第一個DAE之後，將第一個DAE的hidden representation == $c_2$ ==視爲下一個DAE的輸入，這將決定第二個hidden layer == $h_2$ ==的表示。因此，重複在SDAE中堆疊多個DAE的過程，直到以下優化問題被解決：

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-OcXR8eXm-1589331664969)(…\2019-DeepCachNet A Proactive Caching Framework\1588598612513.png)]

$L$ ：SDAE中layers的數量

$l$ ：SDAE中hidden layers的數量

$c_L$ ：layer L的輸出

$w_l$ ：layer == $l$ ==的weight matrix

$b_l$ ：layer == $l$ ==的bias vector

$\lambda$ ：正則化參數

一旦獲得了SDAE的訓練模型，其隱藏層便會提供所有內容的內容特徵。最後，所有內容都有其特徵的關聯向量。

User-Content Interaction

提供“user-content pairs”的集合，該集合通過使用現有的緩存過程中的標準過程以及[2]來執行得到。 “user-content pairs”定義了特定內容對特定用戶的流行度（評價）。

詞袋模型 the bag of words method

https://www.jianshu.com/p/f8300129b568

降噪自動編碼器DAE

https://blog.csdn.net/satlihui/article/details/81006906

基於特徵的內容流行度矩陣

傳統的協作過濾的內容流行度矩陣僅反映 user-content交互，而無法反映user和負責交互的content之間的關係。我們提出的框架在內容流行度矩陣中爲每個條目（評價） 添加了用戶和內容的功能，該功能描述了在哪種條件下用戶與內容之間發生了交互。所得矩陣稱爲基於特徵的內容流行度矩陣，如圖2b所示：

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-kE96pUyk-1589331664971)(…\2019-DeepCachNet A Proactive Caching Framework\1588603826696.png)]

基於特徵的內容流行度矩陣中單個條目的結構定義爲== $P_{x,h}, (u_1,u_2,…,u_j),(c_1,c_2,…,c_k)$ ==，其中

$P$ 是在用戶特徵集爲 $(u_1,u_2,…,u_j)$ ，內容特徵集爲== $(c_1,c_2,…,c_k)$ ==的情況下，用戶 $x$ ( $x\in X$ )的內容 $h$ ( $h \in H$ )的流行度或評價。

評價算法

這在主動緩存系統中廣泛用於預測 內容流行度矩陣中的未知條目。 協作過濾[4]是估計內容流行度矩陣的最流行方法之一，並且它的一些變體（例如SVDFeature [15]）已在特定的環境中提出。SVDFeature是一種基於特徵的協作過濾方法，旨在估計基於功能的內容受歡迎度矩陣。通過特徵工程 吸收邊帶信息，它可以預測內容流行度矩陣中的未知條目。它可以處理大量訓練數據集，並且能夠進行collaborative ranking和rate prediction，並減少主動緩存所需的工程量。因此，在我們提出的框架中，我們將SVDFeature方法用作一種估計算法。

所提框架的案件分析

爲了驗證所提出框架的有效性，我們提出了一個案例研究。接下來，作爲案例研究，我們首先從連接到SBSs的用戶移動設備中收集了大量原始數據。通過DL方法從原始數據中提取相關特徵，並將提取的特徵用於生成基於特徵的內容受歡迎度矩陣。隨後，將估計算法應用於基於特徵的內容流行度矩陣，以估計內容流行度，這對於爲緩存過程選擇流行內容非常必要。我們的案例研究包括兩個主要部分，分別描述如下。

基於特徵的內容流行度計算

我們的研究是基於核心網絡上內容流行度評價的創新方法。 評價過程從通過SBSs連接到核心網絡的用戶的移動設備中收集原始數據。爲了從這些移動設備獲取原始數據，開發了一個Android應用程序，用於監視用戶的行爲及其內容。該應用程序在用戶的移動設備上顯示內容，從而允許用戶傳遞有關他們的響應。可能的迴應包括“prefer”和“non-prefer”。 “prefer”是內容當前與用戶相關的積極信號，而“non-prefer”是對應的消極信號。對於每個響應，應用程序都會很多記錄移動傳感器（例如WiFi網絡，燈光，麥克風，GPS），以表示有關用戶的特定級別的上下文信息，並且在傳遞有關特定內容或文件的響應時確定situation。該應用程序還記錄有關傳遞響應的用戶的個人特徵（例如性別，年齡等）的信息，以及響應內容的描述。

該應用程序安裝在通過六個SBSs連接到核心網絡的60個用戶的移動設備中。每個用戶都被要求在不同的位置使用該應用程序。我們收集了大約220個內容項的響應。總體上，記錄了12455組響應（一組響應代表所收集的有關在一個位置進行響應的用戶的數據）。每個集合包含userID和contentID，並記錄有關用戶和內容的基本信息。將深度學習方法（如先前部分所述）應用於記錄的數據，並提取用戶的隱藏特徵和內容。

根據記錄的數據和提取的特徵，確定基於特徵的流行度矩陣 $P \in R^{U*C}$ ，其中行和列分別表示用戶和內容。矩陣中的每個條目都表示一個rating或用戶== $k$ 對文件 $c$ ==給出“prefer”響應的次數。通過該rating，每個條目可以定義相應用戶和內容的特徵。

數值結果與討論

基於計算出的基於特徵的內容流行度矩陣，對提出的框架進行仿真以衡量其性能。性能是根據回程負載和用戶滿意度進行衡量的。表1中提供了仿真中使用的參數列表。

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-5zrHgTFv-1589331664976)(…\2019-DeepCachNet A Proactive Caching Framework\1588686865029.png)]

我們在== $T = 120$ 分鐘的內time period對提議的框架進行了仿真，並在此時間段內從收集的數據中收到了 $M = 500$ 個內容請求。由於可用資源有限，我們使用了六個SBS和500個請求。我們從計算出的基於特徵的內容流行度矩陣中獲取所有請求內容的特徵。所有請求都僞隨機分配給 $B = 6$ ==的SBSs中，且平均的分配給存儲容量（回程鏈路和無線small cell鏈路容量）。 SBSs根據traffic arrival過程和具有traffic強度的泊松過程爲用戶提供服務。 == $ZipF(\alpha)$ ==分發用於繪製用戶的內容請求。整個模擬過程包含兩個部分。

Content Popularity Estimation

該部分表示對核心網絡上內容受歡迎程度的估計。整個估計過程應用於構建的基於特徵的內容流行度矩陣。我們在數值設置中驗證了以下估算方法：

Arbitrary Caching[2]：內容緩存以任意方式均勻地執行。
Ground Truth：完整的流行度矩陣== $P$ ==用於確定內容的流行度，並且以貪婪的方式緩存最流行的內容。
Collaborative Filtering [4]：以任意方式均等地選擇存儲在完整流行度矩陣中的40％的ratings，並將其用於估計矩陣== $P$ ==的訓練集。然後，通過使用CF將矩陣P中的其餘ratings用作測試集，並相應地存儲最受歡迎的內容。
Feature-Based Collaborative Filtering：完整流行度矩陣中40％的條目和其各自特徵以任意方式均等地挑選出來，並用作估計 矩陣P的訓練集。然後，將矩陣P中的其餘ratings及其特徵用作測試集，並通過使用SVDFeature進行預測[15]，並相應地存儲最受歡迎的內容。

Caching at the SBS

在這部分中，估計的核心網絡上的流行內容會貪婪地存儲在SBS上，直到沒有空間可用爲止，如[3]所示。所提出框架的性能是根據用戶滿意度和回程負載來衡量的。用戶滿意率描述爲以給定目標速率 提供的內容的比例，而回程負載表示由回程鏈路承載的流量在 通過內容請求的流量的總共可能的數量 中所佔的比例。確定回程負載和滿意度的詳細過程可以在[3]中找到。

關於回程容量，存儲大小和流量強度的回程負載和用戶滿意度的變化如圖4所示，並在下面進行討論：

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-30ji2DDZ-1589331664979)(…\2019-DeepCachNet A Proactive Caching Framework\1588899379792.png)]

Variation in the Backhual Capacity( $I' _d$ )：回程鏈路的總容量( $\sum I' _d$ )小於 無線鏈路的容量( $\sum I _d$ )。在所有情況下，回傳容量的提升顯然會促進滿意度的增長，因爲任何內容都是通過回傳提供的，而SBS的緩存中沒有這些內容。因此，回傳容量的升級消除了內容提供過程中的障礙，從而提高了用戶的滿意度。但是，因爲實驗假定 模擬中的內容受歡迎程度在T時間段內是固定的，因此回傳負載在內容交付期間不會發生變化，並且隨着回傳容量的變化而保持固定。圖4a顯示，與CF相比，基於特徵的CF實現回程卸載和滿意度提高分別高達6.2％和6.9％。

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-eoKlBwJj-1589331664980)(…\2019-DeepCachNet A Proactive Caching Framework\1588899412175.png)]
Variation in the Storage Size：存儲大小是啓用緩存的SBS中的主要參數。通常，在回程卸載和用戶滿意度方面，更大的存儲可產生更好的性能結果。圖4b顯示，在我們的數據設置中，ground truth基準獲得了最大的回程負載減少和最大的滿意率增長。 任意緩存方法可實現最壞情況的性能。由於冷啓動問題，CF方法提供的性能水平可與任意緩存相媲美，而基於特徵的CF的回程卸載和滿意率卻接近於地面真理方法。可以看出，基於功能的CF比CF具有更好的性能，回程卸載和滿意度分別提高了6.2％和20％。[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-J0i85Oyh-1589331664982)(…\2019-DeepCachNet A Proactive Caching Framework\1588899784445.png)]
Variation in the Traffic Intensity( $\alpha$ )：流量強度 代表在給定時隙內到達的請求的平均數量。流量強度的增加會增加網絡中的瓶頸，進而導致滿意度降低。另一方面，回程負載隨流量強度的變化而保持恆定。圖4c顯示，與所有其他方法相比，任意緩存實現了最差的性能，而ground truth方法獲得了最高的性能。但是，基於特徵的CF的性能僅次於理ground truth方法，與CF方法相比，回程卸載和滿意度提高分別高達6.2％和30％。[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-Vf8Vhwbj-1589331664984)(…\2019-DeepCachNet A Proactive Caching Framework\1588900699809.png)]

最後，我們將我們的研究工作與蜂窩網絡上的主動緩存領域的最新研究工作進行了比較。表2從數據訪問方法，冷啓動和數據稀疏性問題，內容分析平臺，內容流行度矩陣，估計算法和隱藏模式分析等方面，對我們現有框架對現有方法進行了定性評估。 我們的框架引入了新穎的DL方法來提取用戶和內容的隱藏模式，從而減輕了冷啓動和數據稀疏的挑戰，從而在網絡邊緣提供了有效的主動緩存。

[外鏈圖片轉存失敗,源站可能有防盜鏈機制,建議將圖片保存下來直接上傳(img-VNpHEcEh-1589331664986)(…\2019-DeepCachNet A Proactive Caching Framework\1588927941140.png)]

總結

在本文中，我們通過處理從連接到SBSs的用戶的移動設備收集的原始數據，並通過對所收集的數據進行深度學習以提取用戶的特徵和內容，從而爲蜂窩網絡提出了一種新穎的主動緩存框架來預測內容在覈心網絡中的受歡迎程度。另外，基於在覈心網絡獲得的預測，我們進行了數值研究，並在回程卸載和特定SBS的緩存用戶滿意度方面獲得了顯着的成效。我們的發現表明，框架中基於特徵的設置可提供有關用戶-內容交互的更多信息，以消除內容流行度矩陣中數據的稀疏性，從而克服了數據稀疏性和冷啓動問題，從而提高了網絡邊緣主動緩存的有效性。

SH 思考

這篇文章主要是關於內容流行度矩陣的討論，可以對提出的框架結合其他好的緩存的算法

DeepCachNet A Proactive Caching Framework Based on Deep Learning in Cellular Networks論文閱讀