异构网络中的内容级选择性卸载：多臂老虎机优化与遗憾界
信息论
2014-07-24 v1 机器学习
math.IT
摘要
我们考虑将蜂窝下行链路流量进行内容级选择性卸载到无线信息站终端，该终端在其缓存内存中存储高数据速率内容。信息站附近的蜂窝用户可以直接通过宽带连接（例如 WiFi）从信息站下载存储的内容，从而减少蜂窝网络的延迟和负载。信息站缓存控制器（CC）的目标是将最受欢迎的内容存储在缓存内存中，以便将最大量的流量卸载到信息站。在实践中，CC 并不知道文件的热度分布，只能观察到缓存中那些内容的瞬时需求。因此，缓存内容放置是基于需求历史以及将每个内容放入缓存的相关成本进行优化的。通过定期刷新缓存内容，CC 逐渐学习热度分布，同时尽可能最佳地利用有限的缓存容量。这被表述为一个带有切换成本的多臂老虎机（MAB）问题。提出了几种算法来决定随时间变化的缓存内容。性能以缓存效率来衡量，定义为卸载到信息站的净流量量。除了理论遗憾界外，还通过数值模拟对提出的算法进行了分析。特别是，数值研究了系统参数（如文件数量、用户数量、缓存大小和热度分布的偏度）对性能的影响。结果表明，所提出的算法能够在广泛的系统参数范围内快速学习热度分布。
引用
@article{arxiv.1407.6154,
title = {Content-Level Selective Offloading in Heterogeneous Networks: Multi-armed Bandit Optimization and Regret Bounds},
author = {Pol Blasco and Deniz Gündüz},
journal= {arXiv preprint arXiv:1407.6154},
year = {2014}
}
备注
submitted for publication. arXiv admin note: text overlap with arXiv:1402.3247