مديريت حافظه نهان لبه براي سيستم‌هاي توزيع محتوا در شبكه‌هاي بي‌سيم سلولي هوشمند آينده

دكتري

يكي از مهم‌ترين راهكارهايي كه براي كاهش آثار نامطلوب رشد ترافيك در شبكه‌هاي موبايل مورد استفاده قرار مي‌گيرد، كشينگ محتواست. با كش كردن محتوا در لبه شبكه، بار ترافيك بك‌هال كاهش و كيفيت خدمات كاربران (QoS) افزايش مي‌يابد. توسعه يك الگوريتم كشينگ مؤثر، مستلزم پيش‌بيني دقيق محبوبيت محتوا در آينده است كه يك موضوع چالش‌برانگيز است و نياز به بهره‌برداري از داده‌هاي موجود در شبكه و به‌كارگيري الگوريتم‌هاي خلاقانه براي پيش‌بيني دقيق دارد. در سال‌هاي اخير، مدل‌هاي يادگيري عميق به دليل پيشرفت در دسترسي به داده‌ها و افزايش قدرت محاسباتي، به دقت پيش‌بيني بالايي دست يافته‌اند. در اين تحقيق، يك سازوكار جديد كشينگ محتوا مبتني بر يادگيري عميق با نام سازوكار كشينگ آگاه از اولويت كاربر (UPCS) معرفي مي‌گردد. UPCS شامل سه الگوريتم كليدي است. الگوريتم اول يك روش پيش‌بيني محبوبيت محتواست كه ترجيحات محتوايي آينده كاربران را بر اساس درخواست‌هاي قبلي كاربران پيش‌بيني مي‌كند. براي كشف ترجيحات كاربران در اين الگوريتم، دو مدل يادگيري مبتني بر خودرمزگذار متغير (VAE) به نام‌هاي GRVCF و PVCF طراحي شده است. الگوريتم دوم يك الگوريتم برخط جايگزيني محتواي حافظه نهان است كه با در نظر گرفتن محبوبيت محتواي پيش‌بيني‌شده، تعداد درخواست‌هاي محتوا و زمان آخرين درخواست، فرآيند جايگزيني محتوا را انجام مي‌دهد. الگوريتم سوم يك روش كشينگ همكارانه است كه در آن، اگر محتواي درخواستي كاربر در ايستگاه پايه (BS) موجود نباشد، پيش از ارسال درخواست به سرور راه دور در BS مجاور جستجو مي‌كند. براي اثبات كاربردپذيري روش پيشنهادي، UPCS در بستر دو سناريو توزيع محتواي ويدئويي در شبكه‌هاي موبايل در نظر گرفته شده است كه در آن‌ها، كاربران در لبه شبكه از خدمات چندرسانه‌اي ارائه‌شده توسط تأمين‌كنندگان محتواي ويدئويي راه دور استفاده مي‌كنند. براي ارزيابي سازوكار كشينگ پيشنهادي، آزمايش‌هاي متنوعي براي هردو سناريو طراحي شده است. نتايج نشان مي‌دهند كه الگوريتم پيش‌بيني محبوبيت پيشنهادي به كار گرفته شده در UPCS، از نظر Precision در سناريو اول نسبت به روش‌هاي PopSel و Random به ترتيب 1.375 و 2.056 درصد و در سناريو دوم به ترتيب 1.323 و 1.515 درصد عملكرد بهتري ارائه مي‌دهد. همچنين UPCS از نظر نرخ اصابت در سناريو اول نسبت به الگوريتم‌هاي ECC، NMF، ITBCF، LRU و FIFO به ترتيب 1.189، 1.272، 1.384، 1.668 و 1.727 درصد و در سناريوي دوم به ترتيب 1.127، 1.171، 1.283، 1.735 و 1.844 درصد بهتر عمل مي‌كند. همچنين از نظر تأخير بازيابي محتوا (CRD) نسبت به الگوريتم‌هاي ECC، NMF، ITBCF، LRU و FIFO به ترتيب 1.228، 1.266، 1.322، 1.458 و 1.479 درصد و در سناريوي دوم به ترتيب 1.424، 1.474، 1.549، 1.824 و 1.899 درصد بهتر عمل مي‌كند.

231126

دانشگاه اصفهان

مهندسي كامپيوتر - معماري سيستمهاي كامپيوتر

دكتر كمال جمشيدي , دكتر ندا مقيم