基于深度强化学习的内容缓存框架
信息论
2017-12-22 v1 math.IT
摘要
在边缘节点进行内容缓存是减少下一代无线网络中数据流量的一种有前景的技术。受深度强化学习（DRL）在解决复杂控制问题方面成功的启发，本工作提出一个基于 DRL 且采用 Wolpertinger 架构的基站内容缓存框架。所提框架旨在最大化长期缓存命中率，且不需要内容流行度分布的知识。为评估该框架，我们将其性能与其他缓存算法比较，包括最近最少使用（LRU）、最不经常使用（LFU）和先进先出（FIFO）缓存策略。同时，由于 Wolpertinger 架构可有效限制动作空间大小，我们还与 Deep Q-Network 比较性能，以识别丢弃部分动作的影响。我们的结果表明，与 LRU、LFU 和 FIFO 方案相比，所提框架可实现改进的短期缓存命中率和改进且稳定的长期缓存命中率。此外，与 Deep Q-learning 相比性能具有竞争力，而所提框架可显著节省运行时间。
引用
@article{arxiv.1712.08132,
title = {A Deep Reinforcement Learning-Based Framework for Content Caching},
author = {Chen Zhong and M. Cenk Gursoy and Senem Velipasalar},
journal= {arXiv preprint arXiv:1712.08132},
year = {2017}
}
备注
6 pages, 3 figures