基于实测数据集预测用户请求行为对主动边缘缓存的影响
摘要：由于无线边缘节点的缓存空间很小,在流行度已知时主动缓存策略的性能远优于被动缓存。最近,业界开始研究在文件流行度等用户请求行为未知、需要进行预测时的主动边缘缓存,发现主动缓存依然优于被动缓存。然而,大多数工作基于合成的数据集或者在推荐系统等领域采集的开源数据集,难以反映无线用户的请求行为。本文采用一个在局部区域每秒记录用户请求视频次数的实测数据集、利用神经网络预测用户在未来短期内的个体和群体行为,基于预测的用户行为信息在宏基站或微基站进行主动缓存。研究结果表明,当采用实测数据集时,由于用户请求行为具有很强的时间局部性、甚至是猝发性,所造成的虚警、漏警和加性误差使被动缓存优于主动缓存、且在宏基站缓存时增益更大;一旦采用合成的静态数据集,主动缓存明显优于被动缓存。这意味着不能仅用加性误差刻画预测流行度的不确定性,要实现主动边缘缓存的性能增益,更重要的是降低虚警和漏警。
注: 保护知识产权,如需阅读全文请联系信号处理杂志社
相关推荐
更多
