基于信息年龄的时间注意力图神经网络用于流行度预测与内容缓存
机器学习
2022-08-19 v1
摘要
随着网络技术的快速发展和网络设备的大量增长，数据吞吐量急剧增加。为应对蜂窝网络中的回程瓶颈问题并满足人们的时延需求，诸如信息中心网络（ICN）之类的网络架构倾向于基于预测结果主动将有限的流行内容缓存在网络边缘。同时，内容（如深度神经网络模型、类维基百科知识库）与用户之间的交互可视为动态二部图。本文为最大化缓存命中率，利用有效的动态图神经网络（DGNN）联合学习二部图中嵌入的结构与时间模式。此外，为深入洞察演化图内的动态特性，我们提出基于信息年龄（AoI）的注意力机制，以提取有价值的历史信息并避免消息陈旧问题。结合上述预测模型，我们还开发了缓存选择算法，依据预测结果做出缓存决策。大量结果表明，我们的模型在两个真实数据集上比其它最先进方案获得更高的预测精度；命中率结果进一步验证了基于所提模型的缓存策略优于其它传统方式。
引用
@article{arxiv.2208.08606,
title = {AoI-based Temporal Attention Graph Neural Network for Popularity Prediction and Content Caching},
author = {Jianhang Zhu and Rongpeng Li and Guoru Ding and Chan Wang and Jianjun Wu and Zhifeng Zhao and Honggang Zhang},
journal= {arXiv preprint arXiv:2208.08606},
year = {2022}
}