Adaptive Caching in the YouTube Content Distribution Network: A Revealed Preference Game-Theoretic Learning Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Cognitive systems are dynamical systems that adapt their behavior to achieve sophisticated outcomes in nonstationary environments. This paper considers two cognitive aspects regarding the problem of distributed caching with limited capacity in a content distribution network that serves YouTube users with multiple edge servers: first, the theory of revealed preference from microeconomics is used to estimate human utility maximization behavior. In particular, a nonparametric learning algorithm is provided to estimate the request probability of YouTube videos from past user behavior. Second, using these estimated request probabilities, the adaptive caching problem is formulated as a noncooperative repeated game in which servers autonomously decide, which videos to cache. The utility function tradesoff the placement cost for caching videos locally with the latency cost associated with delivering the video to the users from a neighboring server. The game is nonstationary as the preferences of users in each region evolve over time. We then propose an adaptive popularity-based video caching algorithm that has two timescales: The slow timescale corresponds to learning user preferences, whereas the fast timescale is a regret-matching algorithm that provides individual servers with caching prescriptions. It is shown that, if all servers follow simple regret minimization for caching, their global behavior is sophisticated—the network achieves a correlated equilibrium, which means that servers can coordinate their caching strategies in a distributed fashion as if there exists a centralized coordinating device that they all trust to follow. In the numerical examples, we use real data from YouTube to illustrate the results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle