从图像中学习：基于并行卷积神经网络的主动缓存
网络与互联网体系结构
2023-11-15 v2 人工智能
摘要
随着数据爆炸的持续趋势，从数据服务器向终端用户传输数据包给移动网络的前传与回传流量带来了日益增长的负担。为缓解此问题，将热门内容缓存至更靠近终端用户的位置已成为降低网络拥塞、改善用户体验的有效方法。为寻找内容缓存的最优位置，许多传统方法构建了各类混合整数线性规划(MILP)模型。然而，此类方法因维度灾难的固有特性可能难以支持在线决策。本文提出一种新颖的主动缓存框架。该框架通过将优化问题转化为灰度图像，将基于模型的优化与数据驱动技术相融合。出于并行训练与简洁设计目的，所提 MILP 模型首先被分解为若干子问题，随后训练卷积神经网络(CNNs)预测这些子问题的内容缓存位置。此外，由于 MILP 模型分解忽略了子问题间的内部影响，CNNs 的输出存在成为不可行解的风险。因此，我们提供两种算法：第一种将 CNNs 的预测作为额外约束以减少决策变量数量；第二种利用 CNNs 的输出加速局部搜索。数值结果表明，与 MILP 解相比，所提方案可减少 71.6% 计算时间且仅增加 0.8% 性能代价，从而提供实时的高质量决策。
引用
@article{arxiv.2108.06817,
title = {Learning from Images: Proactive Caching with Parallel Convolutional Neural Networks},
author = {Yantong Wang and Ye Hu and Zhaohui Yang and Walid Saad and Kai-Kit Wong and Vasilis Friderikos},
journal= {arXiv preprint arXiv:2108.06817},
year = {2023}
}
备注
30 pages, 6 tables, 8 figures; typos corrected