鸡尾酒边缘缓存：基于集成学习把握内容流行度的动态趋势
网络与互联网体系结构
2021-01-18 v1 机器学习
摘要
边缘缓存将在推动新兴的富内容应用中发挥关键作用。然而，它面临许多新挑战，特别是高度动态的内容流行度与异构的缓存配置。本文提出 Cocktail Edge Caching（CEC），通过集成学习应对动态流行度与异构性。我们并非试图为所有缓存场景寻找单一主导的缓存策略，而是采用一组基缓存策略的集成，并自适应地选择性能最优的策略来控制缓存。为此，我们首先通过形式化分析与实验表明，LFU 与 LRU 策略的不同变体在不同缓存场景中具有互补的性能。我们进一步开发了一种新颖的缓存算法，利用基于深度循环神经网络（LSTM）的时间序列分析增强 LFU/LRU。最后，我们开发了一个深度强化学习智能体，根据其于并行虚拟缓存上的虚拟命中率自适应地组合基缓存策略。通过由来自两个大型视频流平台的真实内容请求驱动的大量实验，我们证明 CEC 不仅始终优于所有单一策略，还提升了它们的鲁棒性。CEC 可良好泛化至不同缓存场景，且部署的计算开销低。
引用
@article{arxiv.2101.05885,
title = {Cocktail Edge Caching: Ride Dynamic Trends of Content Popularity with Ensemble Learning},
author = {Tongyu Zong and Chen Li and Yuanyuan Lei and Guangyu Li and Houwei Cao and Yong Liu},
journal= {arXiv preprint arXiv:2101.05885},
year = {2021}
}
备注
INFOCOM 2021