用于无线边缘缓存中内容流行度预测的在线学习模型
信息论
2019-01-23 v1 math.IT
摘要
提前缓存流行内容是未来无线通信中满足低时延要求并降低回传成本的重要技术。考虑到基站分布服从泊松点过程（PPP）的网络，我们推导了已知流行度分布的最优内容放置缓存概率，而在实际中该分布是未知的。在本文中，基于流行度预测模型（PPM）和 Grassmann 预测模型（GPM），提出了在线预测（OP）和在线学习（OL）方法，用于预测时变流行度下未来时隙的内容分布。在 OP 中，寻找系数的问题被建模为约束非负最小二乘（NNLS）问题，并使用改进的 NNLS 算法求解。此外，将这两个模型与对数请求预测模型（RPM）、信息预测模型（IPM）和基于平均成功概率（ASP）的模型进行了比较。接下来，在针对时变情形的 OL 方法中，最小化累积均方误差（MSE）并分析了每个模型的 MSE 遗憾。此外，对于流行度按块变化的准时变情形，修改了 KWIK（know what it knows）学习方法以适用于这些模型，从而改善预测 MSE 和 ASP 性能。仿真结果表明，对于 OP，PPM 和 GPM 在这些模型中提供了最佳的 ASP，这表明基于最小均方误差的模型不一定会产生最优的 ASP。基于 OL 的模型产生了近似的 ASP 和 MSE，而对于准时间变化情形，KWIK 方法提供了更好的性能，这一点已通过 MovieLens 数据集得到验证。
引用
@article{arxiv.1901.06476,
title = {Online Learning Models for Content Popularity Prediction In Wireless Edge Caching},
author = {Navneet Garg and Vimal Bhatia and B. N. Bharath and Mathini Sellathurai and Tharmalingam Ratnarajah},
journal= {arXiv preprint arXiv:1901.06476},
year = {2019}
}
备注
9 figure, 29 pages