基于深度强化学习的含车辆节点边缘内容分发网络内容迁移
网络与互联网体系结构
2023-07-19 v1
摘要
随着数据的爆发式需求，内容分发网络在满足终端用户服务质量体验要求（尤其在时延方面）上面临日益严峻的挑战。内容可从代理服务器迁移至更靠近终端用户的本地缓存以应对时延挑战。遗憾的是，这些本地缓存容量有限，当其占满时，有时需移除其中较低优先级内容以容纳较高优先级内容；另一些时候，可能需将先前移除的内容放回本地缓存。从代理服务器下载该内容就网络使用而言代价高昂，并可能在时延上损害终端用户 QoE。本文考虑一种含车辆节点的边缘内容分发网络，并提出一种内容迁移策略：本地缓存尽可能将其内容卸载至邻近边缘缓存，而非在占满时移除内容。该过程确保更多内容保留在终端用户附近。然而，选择迁移哪些内容以及迁移至哪个邻近缓存是一个复杂问题。本文提出一种深度强化学习方法来最小化代价。我们的仿真场景相较有无内容迁移的传统策略，实现了内容访问时延代价最高 70% 的降低。
引用
@article{arxiv.2307.08905,
title = {Deep Reinforcement Learning-based Content Migration for Edge Content Delivery Networks with Vehicular Nodes},
author = {Sepideh Malektaji and Amin Ebrahimzadeh and Halima Elbiaze and Roch Glitho and Somayeh Kianpishe},
journal= {arXiv preprint arXiv:2307.08905},
year = {2023}
}