科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着互联网社交平台的崛起和移动智能终端设备的普及，自媒体短视频、直播等视频业务蓬勃发展，人们对高质量视频服务的需求也急剧上升。与此同时，连接到核心网络的大量智能设备增加了回程链路的负载，传统的云计算难以满足用户对视频服务的低延迟要求。移动边缘计算(MEC)通过在网络边缘部署具有计算和存储能力的边缘节点，通过在更靠近用户的边缘侧提高计算和存储服务，降低了数据传输时延进而缓解了网络阻塞。因此，基于MEC架构，该文充分利用网络边缘资源，提出了基于联邦学习的视频请求预测和视频协作缓存策略。通过利用多个边缘节点对提出的深度请求预测模型(DRPN)视频请求预测模型进行联邦训练，预测视频未来的请求情况，然后量化缓存内容所带来的时延收益并协作地以最大化该时延收益为目的进行缓存决策。该文分析了真实数据集MovieLens，模拟了视频请求缓存场景并进行实验。仿真结果表明，相比于其他策略，所提策略不仅能有效降低用户等待时延，在有限的缓存空间中提高内容多样性，从而提高缓存命中率，降低缓存成本，还能降低整个系统的通信成本。
- 单位
