陳正勇,楊崇旭,姚 振,楊 堅(jiān)

(中國(guó)科學(xué)技術(shù)大學(xué) 未來(lái)網(wǎng)絡(luò)實(shí)驗(yàn)室, 合肥 230022)

1 引 言

思科預(yù)測(cè)全球移動(dòng)數(shù)據(jù)流量將在2016年和2021年之間增長(zhǎng)七倍,并且到2021年每月全球移動(dòng)數(shù)據(jù)流量將達(dá)到49艾字節(jié)[1].為了滿(mǎn)足移動(dòng)無(wú)線(xiàn)網(wǎng)絡(luò)用戶(hù)不斷增長(zhǎng)的需求,網(wǎng)絡(luò)運(yùn)營(yíng)商引入了由密集部署的小基站組成的小基站網(wǎng)絡(luò)[2].在網(wǎng)絡(luò)中利用好緩存能力一般能夠較大地提升網(wǎng)絡(luò)性能[3,4].因此本文考慮使用具有存儲(chǔ)能力的小基站使內(nèi)容更接近終端用戶(hù).與從遠(yuǎn)程服務(wù)器獲取內(nèi)容相比,用戶(hù)從小基站的本地緩存中獲取內(nèi)容將體驗(yàn)到更低的延遲和更快的下載速度.小基站網(wǎng)絡(luò)和有線(xiàn)網(wǎng)絡(luò)之間最重要的區(qū)別在于前者的用戶(hù)是移動(dòng)的,一個(gè)用戶(hù)在下載一個(gè)文件的期間可能會(huì)經(jīng)過(guò)多個(gè)小基站.為了有效利用小基站的緩存能力,必須考慮到用戶(hù)的移動(dòng)性.

考慮到一些流行的內(nèi)容通常被不同的用戶(hù)多次請(qǐng)求,許多相關(guān)工作以最大化復(fù)用緩存的內(nèi)容為目標(biāo)來(lái)利用基站的存儲(chǔ)資源.文獻(xiàn)[5]在已知用戶(hù)對(duì)內(nèi)容的偏好以及移動(dòng)模式的前提下,提出了一個(gè)最大化緩存效用的緩存策略.文獻(xiàn)[6]將用戶(hù)的移動(dòng)建模為一個(gè)馬爾科夫鏈,以盡可能降低宏基站負(fù)載為目的提出了針對(duì)小基站內(nèi)容緩存的優(yōu)化策略.文獻(xiàn)[7]在用戶(hù)逗留時(shí)間服從指數(shù)分布的假設(shè)下,提出了文件在小基站上的分布策略.當(dāng)小基站中存有部分流行內(nèi)容時(shí),請(qǐng)求這些文件的用戶(hù)會(huì)獲得更高的QoE.但是請(qǐng)求其他文件的用戶(hù)并不能獲得任何QoE上的提高.

為了提高所有用戶(hù)的QoE,本文考慮在用戶(hù)從當(dāng)前基站下載所請(qǐng)求的文件時(shí),在用戶(hù)接下來(lái)有可能接入的基站中預(yù)先緩存部分請(qǐng)求文件.所以當(dāng)用戶(hù)真的接入到某個(gè)預(yù)先緩存有部分文件的基站時(shí)就能體驗(yàn)到更低的時(shí)延以及更快的下載速度.文獻(xiàn)[8]首次提出了一個(gè)稱(chēng)為數(shù)據(jù)預(yù)取的概念用以將流量從移動(dòng)網(wǎng)絡(luò)分流到WiFi熱點(diǎn).文獻(xiàn)[9]在假設(shè)用戶(hù)移動(dòng)信息已知的前提下介紹了一個(gè)分布式的主動(dòng)緩存方案來(lái)支持用戶(hù)的無(wú)縫移動(dòng).盡管很多相關(guān)工作注意到在小基站網(wǎng)絡(luò)中用戶(hù)移動(dòng)模式的重要性,但是它們要么假設(shè)用戶(hù)移動(dòng)模式已知[5,9],要么用過(guò)于簡(jiǎn)單的模型例如馬爾科夫鏈[6,10]預(yù)測(cè)用戶(hù)的移動(dòng).然而,在真實(shí)的環(huán)境中,用戶(hù)不會(huì)提供諸如將在一個(gè)基站停留多久以及將會(huì)接入哪個(gè)基站這樣的信息.顯然對(duì)用戶(hù)移動(dòng)預(yù)測(cè)的準(zhǔn)確性會(huì)極大地影響到緩存策略的性能.在本文的實(shí)驗(yàn)中,馬爾科夫鏈模型只能達(dá)到21.4%的準(zhǔn)確率.所以選擇一個(gè)合適的模型從歷史軌跡中學(xué)習(xí)到用戶(hù)移動(dòng)模式是至關(guān)重要的.

深度學(xué)習(xí)在圖像處理領(lǐng)域取得的巨大成功使其在近些年得到進(jìn)一步的發(fā)展.本文采用變分自動(dòng)編碼器[11]的一個(gè)變式來(lái)進(jìn)行軌跡預(yù)測(cè).變分自動(dòng)編碼器是一個(gè)應(yīng)用在潛在變量模型上的生成模型,目前已經(jīng)成為無(wú)監(jiān)督學(xué)習(xí)復(fù)雜分布的最流行的方法之一.用戶(hù)的移動(dòng)取決于他的習(xí)慣和環(huán)境,這些因素是一條軌跡的潛在變量.因此,可以認(rèn)為用戶(hù)移動(dòng)模式是一個(gè)潛在變量模型,本文實(shí)際上使用條件變分自動(dòng)編碼器[12],基于用戶(hù)已經(jīng)過(guò)的N1個(gè)基站來(lái)估計(jì)即將到達(dá)的下一個(gè)基站的概率分布.根據(jù)調(diào)研,本文是第一個(gè)使用生成模型來(lái)預(yù)測(cè)用戶(hù)軌跡的.在真實(shí)的GPS軌跡數(shù)據(jù)上,本文所提方案的預(yù)測(cè)準(zhǔn)確率能達(dá)到79.7%.

本文采用編碼緩存來(lái)更好地利用緩存資源.Raptor碼[13]能夠?qū)⒁粋€(gè)由k個(gè)符號(hào)組成的文件編碼不斷產(chǎn)生新的符號(hào),用戶(hù)只要獲得略大于k個(gè)新的符號(hào)就能夠還原出原始文件.使用編碼緩存能夠保證緩存下來(lái)的內(nèi)容對(duì)于用戶(hù)總是有效的.本文將緩存效用定義為預(yù)先緩存內(nèi)容中被用戶(hù)消費(fèi)的部分帶來(lái)的收益減去預(yù)先緩存內(nèi)容中被浪費(fèi)的部分帶來(lái)的懲罰,并設(shè)計(jì)了一個(gè)緩存策略來(lái)最大化緩存效用.

2 系統(tǒng)模型及問(wèn)題定義

本文考慮由密集部署的小基站組成的小基站網(wǎng)絡(luò).圖1給出了一個(gè)網(wǎng)絡(luò)布局和用戶(hù)軌跡的例子,每個(gè)正六邊形表示相應(yīng)小基站的覆蓋范圍.本文通過(guò)從歷史軌跡數(shù)據(jù)中學(xué)習(xí)到的用戶(hù)移動(dòng)模型,預(yù)測(cè)用戶(hù)即將到達(dá)的小基站.在用戶(hù)從當(dāng)前基站下載文件的同時(shí),預(yù)測(cè)的小基站緩存部分用戶(hù)所請(qǐng)求的文件.當(dāng)用戶(hù)接入預(yù)測(cè)到的基站時(shí),能以快得多的速度下載文件,從而提高用戶(hù)的QoE.當(dāng)用戶(hù)從基站的本地存儲(chǔ)中下載內(nèi)容時(shí)產(chǎn)生收益,當(dāng)用戶(hù)錯(cuò)過(guò)了預(yù)測(cè)到的基站或者基站緩存了過(guò)多內(nèi)容導(dǎo)致用戶(hù)在逗留期間沒(méi)有下載完時(shí)產(chǎn)生懲罰.在這部分中,本文首先做出一些假設(shè),然后描述系統(tǒng)結(jié)構(gòu),最后給出問(wèn)題定義.軌跡預(yù)測(cè)方法將在下一部分介紹.

圖1 網(wǎng)絡(luò)布局和用戶(hù)軌跡示例Fig.1 An Example of network layout and user trajectory

2.1 假設(shè)

1)為了更好地利用小基站的緩存容量,本文使用raptor碼編碼被請(qǐng)求的文件.當(dāng)用戶(hù)下載的編碼數(shù)據(jù)略大于原文件大小時(shí)就能夠恢復(fù)出原文件.

2)所有被請(qǐng)求的文件大小一樣,表示為fMb.用戶(hù)從基站本地緩存下載速度表示為RMbps,從原服務(wù)器下載速度表示為rMbps.因?yàn)樾』颈仍?wù)器離用戶(hù)更近,所以有R>r.小基站預(yù)緩存文件的速度為rMbps.

3)當(dāng)用戶(hù)下載完預(yù)緩存的內(nèi)容或者錯(cuò)過(guò)了緩存文件的基站時(shí),這些緩存內(nèi)容都可以從基站刪除.并且每個(gè)基站只為相鄰基站里的用戶(hù)緩存一小部分文件.所以本文認(rèn)為基站的緩存空間足夠.

2.2 系統(tǒng)結(jié)構(gòu)

為了使本文的系統(tǒng)正常運(yùn)行,需要一個(gè)控制器來(lái)收集用戶(hù)的軌跡信息和請(qǐng)求信息,同時(shí)對(duì)預(yù)測(cè)到的小基站下達(dá)預(yù)緩存指令.每個(gè)用戶(hù)需要進(jìn)行注冊(cè),并且配有獨(dú)一無(wú)二的UID.系統(tǒng)結(jié)構(gòu)如圖2所示.控制器與小基站之間有三種類(lèi)型的信息交互.

圖2 系統(tǒng)結(jié)構(gòu)Fig.2 System architecture

1)軌跡記錄:控制器使用哈希表記錄系統(tǒng)中所有用戶(hù)的近期軌跡.當(dāng)一個(gè)用戶(hù)接入一個(gè)新的小基站時(shí),小基站將UID和接入的時(shí)間戳發(fā)送給控制器.然后控制器將小基站的id和時(shí)間戳接入U(xiǎn)ID所對(duì)應(yīng)的表項(xiàng),如果表項(xiàng)長(zhǎng)度達(dá)到設(shè)置的閾值,就刪除最早的記錄.

2)請(qǐng)求處理:當(dāng)用戶(hù)需要一個(gè)文件時(shí),他向當(dāng)前接入的小基站發(fā)送一個(gè)請(qǐng)求,并且在他下載的過(guò)程中,每接入一個(gè)新的小基站就發(fā)送一次請(qǐng)求.當(dāng)一個(gè)小基站接到一個(gè)請(qǐng)求時(shí),首先向控制器發(fā)送UID和請(qǐng)求的文件名以及時(shí)間戳,然后檢查本地緩存,看是否為該用戶(hù)緩存部分內(nèi)容.如果有,小基站就從本地緩存向用戶(hù)發(fā)送內(nèi)容,否則經(jīng)過(guò)骨干網(wǎng)從原服務(wù)器下載內(nèi)容.當(dāng)控制器接收到請(qǐng)求信息時(shí),根據(jù)該用戶(hù)的近期軌跡預(yù)測(cè)用戶(hù)可能進(jìn)入的下一個(gè)基站.然后控制器對(duì)預(yù)測(cè)可能性較大的基站下達(dá)預(yù)緩存指令.

3)預(yù)緩存:當(dāng)一個(gè)小基站接收到預(yù)緩存指令時(shí),記錄相應(yīng)的UID和文件名,然后從原服務(wù)器下載部分內(nèi)容.

2.3 問(wèn)題定義

(1)

(2)

(3)

(4)

3 緩存策略

(5)

(6)

(7)

(8)

(9)

公式(9)說(shuō)明為了最大化E[Ui,s],應(yīng)該在使其偏導(dǎo)大于0的基站j上緩存內(nèi)容,即基站j應(yīng)滿(mǎn)足:

(10)

3.1 軌跡預(yù)測(cè)

本文用l1,l2,…,lN表示一個(gè)用戶(hù)依次經(jīng)過(guò)的N個(gè)連續(xù)的基站,需要在給定前N-1個(gè)基站的條件下預(yù)測(cè)第N個(gè)基站的位置,即估計(jì)概率分布P(lN|l1,l2,…,lN-1).數(shù)據(jù)集中的每一個(gè)數(shù)據(jù)都表示為一個(gè)向量:

(11)

這些向量是由用戶(hù)的習(xí)慣和環(huán)境所產(chǎn)生的,因此可以將用戶(hù)習(xí)慣和環(huán)境看作隱藏變量.將X的前N-1個(gè)基站也表示為一個(gè)向量:

(12)

本文的目的是估計(jì)P(X|Y).使用條件變分自動(dòng)編碼器,能找到一個(gè)分布P(X|Y,z;θ)來(lái)逼近一個(gè)未知分布P(X|Y),其中z通常是從高斯分布采樣的隱藏變量,θ是學(xué)習(xí)到的神經(jīng)網(wǎng)絡(luò)的參數(shù).可以將P(X|Y)表示為:

(13)

通過(guò)最大化(13)式,在給定Y的情況下神經(jīng)網(wǎng)絡(luò)就能輸出準(zhǔn)確的結(jié)果.為了計(jì)算(13)式,需要對(duì)z進(jìn)行采樣.但是大部分的z值并不能產(chǎn)生有效的X,所以應(yīng)該尋找z的分布Q(z|X,Y),使服從該分布的z有很大概率會(huì)產(chǎn)生相應(yīng)的X.這里,Q(z|X,Y)是P(z|X,Y)的一個(gè)估計(jì),將輸入的X編碼為隱變量z,即編碼器;相應(yīng)的P(X|Y,z)為譯碼器.Q(z|X,Y)和P(z|X,Y)的KL散度為:

D[Q(z|X,Y)‖P(z|X,Y)]=Ez～Q(·|X,Y)

[logQ(z|X,Y)-logP(z|X,Y)]

(14)

logP(X|Y)-D[Q(z|X,Y)‖P(z|X,Y)]=Ez～Q(·|X,Y)[logP(X|Y,z)]-D[Q(z|X,Y)‖P(z|Y)]

(15)

如果Q的復(fù)雜度足夠高,那么(15)式左邊第二項(xiàng)會(huì)趨近于0.同時(shí)假設(shè)P(z|Y)為標(biāo)準(zhǔn)正態(tài)分布,因?yàn)橹灰o出合適的系數(shù)和偏移,可以由標(biāo)準(zhǔn)正態(tài)分布得到任何復(fù)雜的分布,具體參數(shù)由神經(jīng)網(wǎng)絡(luò)和相應(yīng)Y決定.為了最大化P(X|Y),只需要最大化(15)式的右邊.通常將Q(z|X,Y)取為:

(16)

并且限制∑為一個(gè)對(duì)角矩陣,這樣就能很容易地計(jì)算出(15)式右邊第二項(xiàng).編碼器Q(z|X,Y)和譯碼器P(X|Y,z)都由神經(jīng)網(wǎng)絡(luò)表示,可以利用從Q(z|X,Y)采樣得到的z估計(jì)(15)式右邊第一項(xiàng).為了避免網(wǎng)絡(luò)中出現(xiàn)采樣層以使反向傳播算法能夠起作用,這里采用了再參數(shù)化的技巧采樣.即首先采樣ε～N(0,I),然后計(jì)算:

(17)

圖3 CVAE的訓(xùn)練結(jié)構(gòu)(虛線(xiàn)框內(nèi)為損失函數(shù))Fig.3 Training architecture of CVAE(dotted boxes show loss functions)

圖3和圖4分別畫(huà)出條件變分編碼器(CVAE)的訓(xùn)練和應(yīng)用過(guò)程.給定Y和從標(biāo)準(zhǔn)正態(tài)分布采樣的z,本文訓(xùn)練好的譯碼器能夠產(chǎn)生近似于從P(X|Y)采樣得到的X.當(dāng)已知用戶(hù)當(dāng)前所在基站和此前經(jīng)過(guò)的(N-2)個(gè)基站時(shí),能夠通過(guò)對(duì)z進(jìn)行足夠多的采樣然后通過(guò)譯碼器得到用戶(hù)下一到達(dá)基站的概率分布.

圖4 訓(xùn)練好的CVAE的應(yīng)用Fig.4 Application of a trained CVAE

3.2 緩存策略

用戶(hù)在需要某文件時(shí)發(fā)出請(qǐng)求,然后每次移動(dòng)到新的基站時(shí)發(fā)送一次請(qǐng)求直到下載完成.用戶(hù)的每次請(qǐng)求都會(huì)觸發(fā)一次預(yù)緩存調(diào)度.本文算法1描述了對(duì)第i個(gè)請(qǐng)求的第s次預(yù)緩存調(diào)度的過(guò)程.前4行的信息很容易通過(guò)查詢(xún)控制器記錄的信息得到,其中mSojourn是一個(gè)數(shù)組,mSojourn[k]表示第k個(gè)基站地平均逗留時(shí)間.第5行得到用戶(hù)在當(dāng)前基站的平均逗留時(shí)間.第6行通過(guò)軌跡預(yù)測(cè)模型計(jì)算出用戶(hù)下一個(gè)連接基站的概率分布,第7到10行根據(jù)此概率分布選擇進(jìn)行預(yù)緩存的基站.第11到15行估計(jì)用戶(hù)能夠在當(dāng)前基站下載的內(nèi)容大小.第16到18行計(jì)算選中的基站應(yīng)該緩存多少內(nèi)容.

算法1.對(duì)第i個(gè)請(qǐng)求的第s次預(yù)緩存調(diào)度1:計(jì)算還需要下載的文件大小fleft2:當(dāng)前基站緩存內(nèi)容大小為cachedSize3:用戶(hù)軌跡Y=[l1l2…lN-1]4:在每個(gè)基站統(tǒng)計(jì)的平均逗留時(shí)間mSojourn5:Ti,scur←mSojourn[lN-1]6:Psi←cvaeTrajectoryPrediction(Y)7:Sf←?8:for allj such that psi,j>βα+βdo9: Sf←Sf∪{j}10:end for11:if cachedSize>R·Ti,scurthen12: f si←R·Ti,scur13:else14: fsi←cachedSize+(Ti,scur-cachedSizeR)·r15:end if 16:for all j such that j∈sfdo17: csi,j←min {fleft-fsi,mSojourn[j]·R}18:end for

4 性能評(píng)估

4.1 用戶(hù)移動(dòng)模型

本文使用Geolife[14]項(xiàng)目從182位用戶(hù)收集的總共17621條軌跡的GPS軌跡數(shù)據(jù)集.這些軌跡大部分是在中國(guó)北京產(chǎn)生的,本文選取其中軌跡最密集的區(qū)域?yàn)檠芯繀^(qū)域,即經(jīng)度116.3到116.35和緯度39.97到40.02.研究區(qū)域如圖1分為85個(gè)正六邊形,每個(gè)正六邊形表示一個(gè)基站的覆蓋范圍.移除幾乎沒(méi)有用戶(hù)經(jīng)過(guò)的范圍后,得到77個(gè)有效基站.一方面,用戶(hù)可能到達(dá)家里或工作地點(diǎn),所以有些軌跡中包含逗留時(shí)間相當(dāng)長(zhǎng)的點(diǎn);另一方面,用戶(hù)可能在相鄰基站的邊界徘徊,造成軌跡中出現(xiàn)抖動(dòng)現(xiàn)象.這兩種異常點(diǎn)會(huì)對(duì)實(shí)驗(yàn)造成影響,所以在這些點(diǎn)處將原軌跡一分為二.得到的數(shù)據(jù)就可以做模型訓(xùn)練了.

在進(jìn)行軌跡預(yù)測(cè)時(shí),本文將N設(shè)置為5,即在已知軌跡中前4個(gè)點(diǎn)的條件下預(yù)測(cè)第5個(gè)點(diǎn).每個(gè)基站位置表示為一個(gè)獨(dú)熱向量.隱藏變量z的維度設(shè)置為60.訓(xùn)練集和測(cè)試集分別有15634和3181條長(zhǎng)度為5的GPS軌跡.對(duì)于測(cè)試期間的每個(gè)Y(即已知的用戶(hù)經(jīng)過(guò)的前四個(gè)基站位置),本文將z從正態(tài)分布中采樣200次以獲得下一基站的概率分布.

表1是本文所用軌跡預(yù)測(cè)模型的準(zhǔn)確率.第一列表示概率范圍,第二列表示預(yù)測(cè)出的最大概率落于相應(yīng)范圍的預(yù)測(cè)數(shù),第三列表示最大概率落在相應(yīng)范圍的預(yù)測(cè)的準(zhǔn)確率.總體預(yù)測(cè)準(zhǔn)確率為79.7%,有58%的預(yù)測(cè)其最大概率在0.98到1.0之間,這部分的預(yù)測(cè)準(zhǔn)確率可以達(dá)到91.3%.

4.2 實(shí)驗(yàn)

本文緩存策略的核心部分是軌跡預(yù)測(cè)模型.很多相關(guān)工作使用馬爾可夫鏈[10]或隨機(jī)運(yùn)動(dòng)模型[15]建模用戶(hù)移動(dòng)模型.因此本文對(duì)比以下三種策略的性能:

表1 CVAE的軌跡預(yù)測(cè)準(zhǔn)確率
Table 1 Trace prediction accuracy of CVAE

概率范圍次數(shù)準(zhǔn)確率0.98～1.0183491.3%0.96～0.9827983.9%0.94～0.9622180.1%0.92～0.949269.6%0.0～1.0318179.7%

1)基于條件變分編碼器的緩存策略(CBS):如算法1所示.

2)基于馬爾可夫鏈的緩存策略(MBS):整體緩存策略如算法1所示,差別是先用訓(xùn)練集算出概率轉(zhuǎn)移矩陣,然后用該矩陣估計(jì)用戶(hù)下一接入基站的概率分布,從而部署預(yù)緩存.

3)基于隨機(jī)運(yùn)動(dòng)模型的緩存策略(RBS):整體緩存策略如算法1所示.這種模型假設(shè)用戶(hù)是自由隨機(jī)地移動(dòng)的,所以每次隨機(jī)選擇與用戶(hù)當(dāng)前所在基站相鄰的基站進(jìn)行預(yù)緩存.

本文假設(shè)在所考慮時(shí)間段內(nèi),系統(tǒng)一共服務(wù)了300條請(qǐng)求(K=300),每一條請(qǐng)求對(duì)應(yīng)于測(cè)試集里一條完整軌跡.用戶(hù)從基站緩存中下載速度為2MB/s,即R=2MB/s;用戶(hù)從原服務(wù)器下載速度為1MB/s,即r=1MB/s.在接下來(lái)的實(shí)驗(yàn)中,本文將被用戶(hù)消費(fèi)的單位預(yù)緩存內(nèi)容的效用設(shè)置為1,即令α=1.

圖5 文件大小的影響Fig.5 Influence of file size

在第一組實(shí)驗(yàn)中,本文將浪費(fèi)的單位預(yù)緩存內(nèi)容的懲罰設(shè)置為1,即令β=1,然后將所請(qǐng)求文件大小由50MB變化到350MB.圖5(a)是三種策略的平均下載速度.當(dāng)文件較小時(shí),用戶(hù)很可能在一個(gè)基站就能完成下載,因此預(yù)緩存不能帶來(lái)明顯的提升.三種策略的平均下載速度都隨著文件大小增大而提升,這是因?yàn)橛脩?hù)在下載過(guò)程中經(jīng)過(guò)更多基站,從而獲得更多的預(yù)緩存內(nèi)容,并且本文提出的策略總是具有最高的平均下載速度.本文將緩存命中率定義為被用戶(hù)消費(fèi)的預(yù)緩存內(nèi)容占總的預(yù)緩存內(nèi)容的比值.圖5(b)是三種策略的緩存命中率.RBS的緩存命中率一直比較低,因?yàn)椴荒軠?zhǔn)確預(yù)測(cè)用戶(hù)軌跡.CBS和MBS的緩存命中率隨著文件增大而降低,因?yàn)殡S著用戶(hù)經(jīng)歷更多基站,浪費(fèi)的預(yù)緩存內(nèi)容也一直在累加.本文用call表示所有的緩存內(nèi)容,用cused表示所有被用戶(hù)消費(fèi)的緩存內(nèi)容,那么效用可表示為[α·cused-β·(call-cused)]/(K·f).圖5(c)是三種策略的緩存效用.CBS由于可以準(zhǔn)確預(yù)測(cè)用戶(hù)軌跡,因此比RBS和MBS有高得多的效用.

圖6 β的影響Fig.6 Influence of β

在第二組實(shí)驗(yàn)中,本文將文件大小f設(shè)置為250MB,將β從0.4變化到1.4.根據(jù)算法1,是否在一個(gè)基站進(jìn)行預(yù)緩存取決于用戶(hù)接入該基站的概率是否大于p=β/(α+β).該閾值隨β增大而上升.圖6(a)、(b)和(c)分別表示三種緩存策略的平均下載速度、緩存命中率和緩存效用.如表1所示,在大部分情況下CBS預(yù)測(cè)的結(jié)果中只有一個(gè)基站具有很大的接入概率.所以改變?chǔ)碌闹祹缀醪挥绊慍BS的平均下載速度和緩存命中率.MBS的平均下載速度隨β增大而減小,這是因?yàn)殡S著閾值升高,MBS滿(mǎn)足預(yù)緩存要求的基站越少,從而用戶(hù)從緩存中獲取的內(nèi)容越少.對(duì)于RBS,平均下載速度和緩存命中率都很低,這是因?yàn)槠漕A(yù)測(cè)準(zhǔn)確率過(guò)低.因?yàn)棣略龃笠馕吨鴮?duì)于浪費(fèi)了的緩存內(nèi)容的懲罰加大,所以所有策略的緩存效用都隨著β增大而減小,但是CBS一直具有最高的緩存效用.

5 結(jié) 論

本文提出了一個(gè)基于深度學(xué)習(xí)的具有移動(dòng)感知能力的預(yù)緩存策略,通過(guò)在預(yù)測(cè)出的小基站上預(yù)緩存用戶(hù)請(qǐng)求的部分文件來(lái)提高用戶(hù)體驗(yàn).首先根據(jù)用戶(hù)消費(fèi)緩存內(nèi)容所產(chǎn)生的收益及浪費(fèi)掉的緩存內(nèi)容所產(chǎn)生的懲罰,給出了緩存效用的概念.然后本文將所考慮的問(wèn)題公式化為一個(gè)最大化緩存效用的最優(yōu)化問(wèn)題.接下來(lái)本文第一個(gè)提出了使用條件變分自動(dòng)編碼器進(jìn)行軌跡預(yù)測(cè),并給出了具體緩存策略.本文使用了真實(shí)的GPS軌跡數(shù)據(jù)評(píng)估所提出的緩存策略的性能,結(jié)果顯示所提出的緩存策略比其他基于現(xiàn)有移動(dòng)模型預(yù)測(cè)軌跡的緩存策略具有更高的平均下載速度和緩存效用.