Joint Optimization of Preference-Aware Caching and Content Migration in Cost-Efficient Mobile Edge Networks
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
Current mobile networks are facing dramatic growth in wireless traffics due to the prosperity of streaming media services. Cooperative edge caching, enabling multiple edge nodes to cache and share contents by exploiting the spatial/temporal user request differentiation, is regarded as a promising method to enhance Quality of Experience (QoE). However, frequent content sharing between BSs consumes operation cost such as the usage of cross-edge bandwidth and energy consumption. Therefore, new challenges incurred by performance-cost trade-off arise. In this paper, we propose a user preference-aware content caching and migration (PACM) scheme for video content delivery in a cost-efficient edge network. In this scheme, the dynamic user request preference and the long-term content migration cost budget are considered for content placement and delivery. To navigate a good performance-cost trade-off, we formulate the content caching and migration to be a long-term optimization problem. Then, the Lyapunov optimization method is used to decompose the problem into a series of real-time optimizations. As the decomposed problem is NP-hard, we design a novel collective reinforcement learning (CRL) algorithm that can realize online efficient decision-making by interacting with training experience. Simulation results show that the CRL algorithm has a high convergence rate and the proposed scheme can achieve quasi-optimal performance in terms of user-perceived latency, cache hit rate, and video stalling rate.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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