将缓存视为基于深度卷积神经网络的图像表征问题
网络与互联网体系结构
2023-11-15 v2 机器学习
社会与信息网络
摘要
将热门内容缓存至更靠近移动用户的位置，可在拥塞事件发生时通过缓解骨干网段拥堵而显著提升整体用户体验与网络效率。为寻找最优缓存位置，许多传统方法依赖求解复杂优化问题，受维数灾难所困，可能难以支撑在线决策。本文提出一种框架，将基于模型的优化与数据驱动技术相融合：把优化问题转化为灰度图像，并训练卷积神经网络（CNN）以预测最优缓存位置策略。该建模思路源于 CNN 在灰度图像特征提取上的优越性，其在图像识别问题中已达人类水平表现。CNN 以最优解训练，数值研究表明其性能相较强力随机贪婪算法可提升逾 400%。就此而言，所提技术似为资源编排中圣杯般实时高质量决策这一难题的前进良途。
引用
@article{arxiv.1907.07263,
title = {Caching as an Image Characterization Problem using Deep Convolutional Neural Networks},
author = {Yantong Wang and Vasilis Friderikos},
journal= {arXiv preprint arXiv:1907.07263},
year = {2023}
}
备注
7 pages, 5 figures