STARS处缓存：下一代边缘缓存
系统与控制
2023-08-02 v1 信息论
系统与控制
math.IT
摘要
提出了一种由同时透射反射面（STARS）赋能的边缘缓存系统，用于降低回程流量并保证服务质量。提出了一种新颖的Caching-at-STARS结构，其中在STARS处安装了专用智能控制器与缓存存储器，以更少跳数和期望信道条件满足用户需求。随后，为最小化网络功耗，构建了联合缓存替换与以信息为中心的混合波束成形优化问题。作为长期决策过程，基于Caching-at-STARS独立与耦合相移模型的优化问题同时包含连续与离散决策变量，适合用深度强化学习（DRL）算法求解。对于独立相移Caching-at-STARS模型，我们开发了基于频率感知的双延迟深度确定性策略梯度（FA-TD3）算法，该算法利用用户历史请求信息将高维缓存替换决策变量序列化。对于耦合相移Caching-at-STARS模型，我们构想了一种由FA-TD3与DQN智能体构成的协作TD3与深度Q网络（TD3-DQN）算法，通过观测网络外部与内部环境分别决定连续与离散变量。数值结果表明：1）启用Caching-at-STARS的边缘缓存系统优于传统边缘缓存，尤其在Zipf偏斜因子或缓存容量较大场景中；2）Caching-at-STARS优于RIS辅助的边缘缓存系统；3）所提FA-TD3与协作TD3-DQN算法在降低网络功耗方面优于常规TD3。
引用
@article{arxiv.2308.00562,
title = {Caching-at-STARS: the Next Generation Edge Caching},
author = {Zhaoming Hu and Ruikang Zhong and Chao Fang and Yuanwei Liu},
journal= {arXiv preprint arXiv:2308.00562},
year = {2023}
}