基于用户位置预测的移动边缘缓存算法

物联网和5G技术的发展带来了移动流量的大量增长,这极大加重了回程链路的负担。移动边缘缓存技术可以将一部分文件缓存在基站中,避免了回程链路上内容的重复传输,有效缓解了回程链路的负担。为了提升运营商的缓存收益,本文提出了一种基于用户位置预测的多基站缓存算法。该算法采用LSTM(Long Short-Term Memory)模型,通过大量真实数据对模型进行训练,对每一位用户的位置进行预测,进而得到每一时刻基站服务范围内的用户群体。基于预测得到的信息,结合用户偏好信息,预测得到文件请求分布。在基站缓存容量有限的约束下,结合文件请求分布,构建了运营商收益最大化问题,通过动态规划算法求得全局最优缓存策略。仿真结果表明,本文算法可以有效降低回程链路开销,提高运营商的缓存收益。

面向5G/Beyond 5G的移动边缘缓存优化技术综述

随着移动设备和新兴移动应用的广泛使用,移动网络中流量的指数级增长所引发的网络拥塞、时延较大、用户体验质量差等问题无法满足移动用户的需求。边缘缓存技术通过对网络热点内容的复用,能极大缓解无线网络的传输压力;同时,该技术减少用户请求的网络时延,进而改善用户的网络体验,已经成为面向5G/Beyond 5G的移动边缘计算(MEC)中的关键性技术之一。围绕移动边缘缓存技术,首先介绍了移动边缘缓存的应用场景、主要特性、执行过程和评价指标;其次,对以低时延高能效、低时延高命中率及最大化收益为优化目标的边缘缓存策略进行了分析和对比,并总结出各自的关键研究点;然后,阐述了支持5G的MEC服务器的部署,并在此基础上分析了5G网络中的绿色移动感知缓存策略和5G异构蜂窝网络中的缓存策略;最后,从安全、移动感知缓存、基于强化学习的边缘缓存、基于联邦学习的边缘缓存以及Beyond 5G/6G网络的边缘缓存等几个方面讨论了边缘缓存策略的研究挑战和未来发展方向。

移动大数据赋能的移动边缘缓存技术研究

移动边缘缓存技术以“存储换带宽”的思路,通过将业务内容预先性地由核心网云端向边缘网络进行“下沉”至由蜂窝基站或者小蜂窝基站组成的边缘网络,可以有效缓解业务忙时造成的网络拥塞,缩短用户的获取信息内容的时延,并且减少网络中冗余数据的重复传输,减轻骨干网的传输压力。具体地,提出了大数据赋能的移动边缘缓存方案。首先,通过数据爬虫技术收集用户社交关系大数据,建立用户的社交网络拓扑图。其次,建立了内容流行度的演化微分方程,通过求解演化微分方程的稳定解,预测业务内容流行度。基于移动大数据赋能的内容流行度预测方法,为移动边缘缓存策略的优化提供智能化的可能。

基于PSO的联合任务卸载与缓存算法研究

随着各类计算敏感(Computation-Sensitive, CS)型和高数据率(High-Rate, HR)服务的不断涌现,诸如移动游戏、认知辅助和虚拟/增强现实服务等,移动终端(Mobile Terminal, MT)对存储和计算资源的需求越来越大。为满足移动边缘计算(Mobile Edge Computing, MEC)网络中MT对CS和HR服务的通信需求,联合任务卸载、缓存与资源分配算法的研究被广为关注。现有研究鲜有涉及多蜂窝无线回程网络,不利于现实应用与低网络成本部署。针对支持CS和HR服务的多蜂窝无线回程网络,以MT所需资源占其服务基站的所有MT所需资源的比例分配频谱、计算与缓存资源。在该资源分配方式下,提出了最小化MT平均时延的问题,涉及MT关联指示的优化,其中MT关联兼顾基站的选择、计算和缓存模式的选择。为处理该问题,开发了基于粒子群优化(Particle Swarm Optimization, PSO)的MT关联与资源分配(PSO-based MT Association and Resource Allocation, PMARA)算法。仿真结果表明,在上述资源分配方式下,同其他现有算法相比,所设计的算法通常可以获得更低的MT时延。

基于边缘缓存的大数据安全终端架构仿真分析

网络终端架构的大量数据传输与下载易造成网络通信堵塞、网络延迟严重问题。因此,缓存技术作为一种能显著降低服务器访问压力的方法逐渐被广泛应用。提出一种大数据安全终端架构移动边缘缓存技术。建立边缘缓存计算模型,判断用户请求信息的最快传输路径类型,利用大数据爬虫技术分析用户社交网络结构,包含安全终端用户兴趣内容以及每个用户的共享行为意愿。基于此,研究信息流行度演变过程、用户所涉及的关联用户等因素,得出终端用户对相关信息的缓存概率,从而预测信息偏好传播情况,实现大数据安全终端架构移动边缘缓存。实验所得结果验证,当网络终端用户数量不断增多以及用户终端缓存空间的增大时,研究方法应用下,大数据的缓存时延均低于1.8ms。实验证明所研究技术可有效减少网络拥堵情况,减少网络传输时延,缓存效果较好。

车联网中基于信息年龄价值的边缘缓存策略

随着第五代移动通信(5G)技术的快速发展,车联网(Internet of Vehicles,IoV)已成为5G的重要应用场景之一.针对IoV应用对即时性内容缓存的迫切需求,本文研究了支持动态内容缓存的移动边缘缓存方案以确保动态内容的时效性,该方案允许车辆从边缘缓存接入点(Caching-enabled Access Point,CAP)获得具有新鲜度约束的缓存内容.此外,本文基于协作缓存,利用概率论建立了CAP缓存刷新和交付的随机模型.同时,以基于信息年龄(Age of Information,AoI)的缓存命中率为IoV缓存的服务质量(Quality of Service,QoS)指标,建立了系统缓存命中的价值模型.为确保缓存内容的有效性,本文在分层切片框架中考虑了两种具有不同AoI要求的车辆内容请求.最后,本文提出了一个基于协作内容放置的系统内容缓存命中价值最大化的优化问题,这是一个NP-hard多目标多维多选择背包问题.因此,本文将其划分为若干个相互独立的优化问题并设计了一种基于内容年龄价值的最大增量算法进行求解.仿真结果表明,本文采用的CAP协作内容放置策略的性能优于其他传统方法.

基于深度学习的智能移动边缘网络缓存

针对移动边缘网络缓存问题,提出把计算资源推送到网络边缘,使边缘接入热点能有数据分析能力,构建基于深度学习的深度缓存策略,进一步提升缓存效率。在边缘接入热点处构建基于长短期记忆神经网络模型的缓存内容文件流行度预测系统,通过分析本地数据给出内容文件流行度预测。把内容文件流行度预测系统整合到移动边缘网络缓存系统中最大化缓存命中率,提出深度缓存策略,大大提升移动边缘网络缓存性能。在真实视频数据集上进行测试,实验结果表明:提出的内容流行度预测系统的准确度高于现有最优方法;提出的深度缓存策略与传统的缓存算法相比,在相同的缓存命中率指标下大约仅需一半的缓存存储空间。

无人机应急通信网络中的动态资源分配算法

为了向灾区用户提供高速内容分发服务,基于无人机辅助蜂窝网络,提出了无人机位置移动和内容请求变化的动态场景的缓存放置与资源分配算法.构造了以长期内容传输时延最小化为目标的优化问题,以联合优化动态网络中内容缓存阶段的缓存放置和内容传输阶段的无线资源分配.为了求解所提动态优化问题,将其转化为马尔可夫决策过程,并提出了一种基于Q学习的缓存放置和资源分配联合优化算法.仿真结果表明,与传统网络相比,基于移动边缘缓存与非正交多址技术的无人机应急通信网络可以有效减小内容传输时延,且提出的算法性能比基准算法有显著提升.