去中心化缓存网络中基于移动性感知的内容偏好学习

由于移动流量的急剧增长，无线缓存被提出用于服务重复的内容下载请求。为了确定去中心化缓存网络的缓存方案，我们研究了基于移动性预测的内容偏好学习问题。我们首先在不考虑移动终端（MT）移动性的情况下，将偏好预测形式化为一个去中心化正则化多任务学习（DRMTL）问题。该问题通过一种基于混合 Jacobian 和 Gauss-Seidel 近端多块交替方向乘子法（ADMM）的算法求解，并证明该算法有条件地以速率 $O(1/k)$ 收敛到最优解。然后，我们使用马尔可夫更新过程的工具来预测 MT 的移动路径和驻留时间，并通过在目标函数中对训练样本重新加权并引入迁移惩罚项，将移动模式与 DRMTL 模型相结合。我们求解了该问题，并证明所开发的算法具有相同的收敛性质，但条件不同。通过仿真，我们展示了所提算法的收敛性分析。我们的真实轨迹驱动实验表明，移动性感知的 DRMTL 模型能够比 DRMTL 模型提供更准确的地理偏好预测。此外，由移动性感知 DRMTL 预测的偏好所驱动的最流行主动缓存（MPC）策略实现的命中率，优于由 DRMTL 偏好驱动的 MPC 和随机缓存（RC）方案。