MEC 网络中基于多模型 Transformer 的多内容时间序列流行度预测
机器学习
2022-10-13 v1 网络与互联网体系结构
信号处理
摘要
移动边缘缓存（MEC）中的编码/非编码内容放置已成为满足全球移动数据流量显著增长的一种高效方案，其通过提升缓存节点存储中的内容多样性来实现。为应对多媒体内容历史请求模式的动态特性，近期研究重点已转向开发数据驱动与实时的缓存方案。在此背景下，并假设用户偏好在短期内保持不变，Top-K 流行内容被识别为学习模型的输出。然而，现有大多数数据驱动的流行度预测模型并不适用于编码/非编码内容放置框架。一方面，在编码/非编码内容放置中，除将内容分类为流行与非流行两组外，还需内容请求概率以识别哪些内容应被部分/完全存储，而现有数据驱动流行度预测模型未提供此信息。另一方面，用户偏好在短期内不变的假设仅对具有平滑请求模式的内容成立。为应对这些挑战，我们开发了具有更高泛化能力的多模型（混合）基于 Transformer 的边缘缓存（MTEC）框架，其适用于具有不同时变行为的各类内容，并可适配编码/非编码内容放置框架。仿真结果证实了所提 MTEC 缓存框架在缓存命中率、分类准确率与传输字节量方面相较同类方法的有效性。
引用
@article{arxiv.2210.05874,
title = {Multi-Content Time-Series Popularity Prediction with Multiple-Model Transformers in MEC Networks},
author = {Zohreh HajiAkhondi-Meybodi and Arash Mohammadi and Ming Hou and Elahe Rahimian and Shahin Heidarian and Jamshid Abouei and Konstantinos N. Plataniotis},
journal= {arXiv preprint arXiv:2210.05874},
year = {2022}
}