雾无线接入网中基于联邦深度强化学习的编码缓存
信息论
2022-06-24 v2 math.IT
摘要
本文研究了雾无线接入网 (F-RANs) 中编码缓存的放置策略设计。通过考虑时变内容流行度，利用联邦深度强化学习来学习我们编码缓存方案的放置策略。首先，将放置问题建模为马尔可夫决策过程 (MDP)，以捕捉流行度变化并最小化长期内容访问延迟。这个重新表述的序列决策问题通过 dueling 双深度 Q 学习 (dueling DDQL) 来解决。然后，应用联邦学习来学习相对低维的本地决策模型并聚合全局决策模型，这减轻了带宽资源的过度消耗，并避免了直接学习具有高维状态空间的复杂编码缓存决策模型。仿真结果表明，我们提出的方案在减少内容访问延迟、保持性能稳定以及在本地缓存增益和全局多播增益之间进行权衡方面优于基准方案。
引用
@article{arxiv.2206.09406,
title = {Coded Caching via Federated Deep Reinforcement Learning in Fog Radio Access Networks},
author = {Yingqi Chen and Yanxiang Jiang and Fu-Chun Zheng and Mehdi Bennis and Xiaohu You},
journal= {arXiv preprint arXiv:2206.09406},
year = {2022}
}
备注
This paper has been accepted by IEEE ICC 2022