面向视频缓存网络的隐私保护需求预测下的收入优化

视频流媒体性能占据无线通信流量的绝大部分，通过在无线边缘缓存流行视频可显著提升性能。因此，确定优化性能（以收入函数为定义）的缓存内容，是一个重要任务，基于过往历史记录预测未来需求可使此过程更高效。然而，实际视频缓存网络涉及多方（如用户、ISP和CSP），各方不愿互相透露过往历史信息，因此需要隐私保护解决方案。为此，我们提出一种基于用户隐私保护多时段未来需求预测的主动缓存方法——这些预测通过训练得到的Transformer模型获得。具体而言，我们首先使用隐私保护联邦学习算法训练Transformer以预测用户的多时段未来需求。然而，预测准确率并非完美，随着预测时间的推移会降低。我们基于文件流行度建模预测误差的影响，据此制定长期系统收入优化，以做出缓存布局决策。由于所制定的问题为NP难题，我们采用贪婪算法高效获得近似解。仿真结果验证了：（i）联邦学习解决方案实现的成绩接近集中式（非隐私保护）解决方案；（ii）收入优化可能提供不同于经典缓存换件（cache hit ratio）标准的解决方案。