Predictive Caching in Non-Stationary Environments: A Time Series Prediction and Survival Analysis Approach
Notice bibliographique
Résumé
This paper introduces an innovative predictive caching strategy tailored to a real-world dataset, specifically the Facebook video dataset. Making caching decisions for the dataset is challenging due to its dynamic nature, where users’ content requests vary over time without fitting into any known models. Traditional caching strategies, which often rely on a constant pool of files, do not suit this dataset as content is requested by users, and then its popularity fades over time; furthermore, the list of available content changes. We propose a two-stage predictive caching strategy. Initially, it forecasts the number of user requests using content features and historical request data, achieved through training a long short-term memory (LSTM) network. Then, we employ our proposed extended Cox proportional hazard (E-CPH) model to predict the survival probability of content. This facilitates proactive content caching. Caching new content is made possible by the timely eviction of content unlikely to be requested again. To incorporate the predicted content popularity and its life cycle into the caching decision, we introduce a partially observable Markov decision process (POMDP)-based caching strategy. Here, the survival probability of content contributes to the belief state of the associated content which leads to our believed predicted reward - a cache hit. The caching algorithm then stores the files based on their predicted believed reward taking into account both the popularity and survival probability predictions. Simulation results validate the efficacy of our proposed predictive caching method in enhancing the cache hit rate compared to conventional recurrent neural network (RNN)-based caching and policy-based caching approaches, such as least frequently used caching and its variants.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».