DeepFloat：车联网浮动内容的资源高效动态管理
网络与互联网体系结构
2019-06-18 v1 机器学习
机器学习
摘要
机会通信有望在支持上下文感知车联网服务中发挥关键作用。一种被广泛研究的用于在地理区域中以概率方式存储内容的机会通信范式是浮动内容 (FC)。FC 实际部署中的一个关键问题是如何调谐内容复制与缓存，以在最小化带宽和主机内存使用的同时实现目标性能（就给定空间区域内拥有内容的用户平均比例而言）。完全分布式的基于距离的方法被证明效率极低，且可能无法达到性能目标，而集中式的基于模型的方法在现实的非均匀设置中表现不佳。在这项工作中，我们提出一种数据驱动的集中式方法，用于资源高效、QoS 感知的 FC 动态管理。我们提出了一种深度学习策略，其采用卷积神经网络 (CNN) 来捕捉用户移动性模式、内容扩散与复制模式，以及给定区域内 FC 在资源利用和内容可用性方面的性能之间的关系。数值评估显示了我们的方法在推导有效调制空间上 FC 操作并随时间有效适应移动性模式变化的策略方面的有效性。
引用
@article{arxiv.1906.07098,
title = {DeepFloat: Resource-Efficient Dynamic Management of Vehicular Floating Content},
author = {Gaetano Manzo and Sebastian Otalora and Marco Ajmone Marsan and Torsten Braun and Hung Nguyen and Gianluca Rizzo},
journal= {arXiv preprint arXiv:1906.07098},
year = {2019}
}