边缘缓存网络中基于特征的内容流行度贝叶斯预测方法
信号处理
2019-05-27 v1
摘要
边缘缓存被公认为未来无线蜂窝网络中提升网络容量与用户感知体验质量的一项高效技术。由于内容请求的随机性与缓存容量的有限性，设计高效的缓存策略是一项挑战。为提升缓存系统性能，精确的内容请求预测算法至关重要。在此，我们针对平稳环境中的内容请求分布引入一种灵活的模型——基于高斯过程的泊松回归器。我们所提模型可将内容特征作为辅助信息以增进预测。为学习得出泊松率（亦即内容流行度）的模型参数，我们采用对过拟合极具鲁棒性的贝叶斯方法。然而，贝叶斯公式中的后验分布在分析上难以计算。为解决此问题，我们应用蒙特卡洛马尔可夫链（MCMC）方法来近似后验分布。针对已有内容的请求与新添加内容的请求，给出了两类预测分布。最后，仿真结果证实了所开发内容流行度学习方法的正确性。
引用
@article{arxiv.1905.09824,
title = {A Feature-Based Bayesian Method for Content Popularity Prediction in Edge-Caching Networks},
author = {Sajad Mehrizi and Anestis Tsakmalis and Symeon Chatzinotas and Bjorn Ottersten},
journal= {arXiv preprint arXiv:1905.09824},
year = {2019}
}
备注
arXiv admin note: substantial text overlap with arXiv:1903.03065