雾无线接入网中基于强化学习的分布式边缘缓存
机器学习
2019-02-28 v1 网络与互联网体系结构
机器学习
摘要
本文研究了雾无线接入网（F-RANs）中的分布式边缘缓存问题。通过考虑未知的空间-时间内容流行度与用户偏好，提出了一种基于隐马尔可夫过程的用户请求模型来刻画 F-RANs 中波动的空间-时间流量需求。接着，提出了基于强化学习（RL）框架的 Q-learning 方法，以分布式方式寻求最优缓存策略，使雾接入点（F-APs）能够学习和跟踪潜在的动态过程而无需额外通信开销。此外，我们提出了一种更高效的带值函数近似的 Q-learning 方法（Q-VFA-learning）以降低复杂度并加速收敛。仿真结果表明，我们所提方法的性能优于传统方法。
引用
@article{arxiv.1902.10574,
title = {Distributed Edge Caching via Reinforcement Learning in Fog Radio Access Networks},
author = {Liuyang Lu and Yanxiang Jiang and Mehdi Bennis and Zhiguo Ding and Fu-Chun Zheng and Xiaohu You},
journal= {arXiv preprint arXiv:1902.10574},
year = {2019}
}
备注
6 pages, 6 figures, this work has been accepted by IEEE VTC 2019 Spring