基于用户中心点访问上下文的边缘缓存应用研究

我们毕业啦 其实是答辩的标题地方,答辩人,指导老师,日 期,1,基于用户中心点访问上下文的 边缘缓存应用研究,CONTENTS,2,研究背景与意义,用户中心点特征构造与有效性分析,1,2,用户相关的群体偏好上下文构造,3,实验结果与分析,5,工作总结及展望,6,结合上下文的在线探索缓存算法设计,4,3,研究背景与意义,核心网,接入网,接入网,接入网,eNodeB,回程链路负载大,内容服务商,架构：移动边缘计算MEC,策略：边缘缓存算法设计,将内容投递移动到网络边缘，做到请求本地产生本地消费,将受欢迎的内容缓存在离用户较近的网络边缘,策略：边缘缓存算法设计,解决方案,4,缓存架构对比,MEC,低延迟 14ms,传统的 缓存位置,部署位置：核心网网元或核心网边缘 特点：距离用户远，回程链路消耗大；缓存空间较大，对用户时空移动不敏感,部署位置：网络边缘 特点：距离用户近，回程链路消耗小；缓存空间较小，对用户时空移动敏感,5,边缘缓存研究现状,静态边缘缓存策略,基于最小时延或最小带宽 基于基站间协作关系 基于分层协作关系,与内容的时域局部性不符,内容流行度是非时变的,假设,MPC、FIFO、LFU 改进型策略LFUDA,基于生存期 基于传播理论 基于时间序列预测,动态边缘缓存策略,基于统计规律,用户无关,(a) 不同内容生命期不同，生命期内请求是时变的 (b) 内容请求多样性,真实,LRU等算法未预测未来的内容流行度 忽略了用户上下文 无法兼顾内容请求的多样性,基于用户中心点上下文的在线边缘缓存策略OCUC,OCUC 方法框架,用户时空 中心点提取,用户中心点特征构造,群体偏好 上下文构造,在线探索算法,缓存 决策,群体偏好 上下文构造,用户中心点特征构造,控制中心,缓存实体,在线探索 算法,获取用户信息,用户中心点 特征构造,群体偏好 上下文构造,结合上下文的在线探索,缓存决策,用户时空访问行为,内容偏好由群体行为决定,兼顾内容请求多样性,用户上下文,内容请求多样性,在线探索,用户时空访问行为,简单 有效,探索 在线,OCUC,CONTENTS,7,研究背景及意义,用户中心点特征构造与有效性分析,1,2,用户相关的群体偏好上下文构造,3,实验结果与分析,5,工作总结及展望,6,结合上下文的在线探索缓存算法设计,4,8,(a) 用户访问可预测性,时空上下文可减少用户访问的不确定度 用户时间访问具有阵发性，集中于少数时段 用户访问空间受限，集中在少数几个地点,(b) 用户访问时间特性,(c) 用户访问空间特性,用户访问时空特性分析,最大熵：用户内容访问的最大不确定性,非相关熵：用户内容访问的不确定性,条件熵：特定条件下用户内容访问的不确定性,用户访问阵发性：,9,用户访问时间特性,用户访问空间特性,受中心点支配,Motivation1,10,中心点增益（CIG）：中心点相对其他时空点的相对强度值,空间中心点影响：,时间中心点影响：,用户中心点特征集与访问兴趣相关性更高,用户中心点特征构造,11,用户特征,群体偏好上下文,内容偏好,边缘缓存,边缘缓存问题=内容推荐问题？ 内容请求由群体偏好决定,问题： 用户个数不统一情况下同维群体偏好上下文表达 如何评判群体偏好上下文的有效性,Motivation2,CONTENTS,12,研究背景及意义,用户中心点特征构造与有效性分析,1,2,用户相关的群体偏好上下文构造,3,实验结果与分析,5,工作总结及展望,6,结合上下文的在线探索缓存算法设计,4,13,同维的群体上下文表达 多目标分类准确率作为评价标准,用户特征间无关联，故卷积核大小选择1*m_cols,步长为1 池化层为了保留全局信息，选择均匀池化 池化层输出维度只和卷积核个数有关 全连接层输出为我们需要的群体偏好上下文 Sigmoid层实现多目标分类,1,2,基于CNN的群体偏好上下文构造方法GCNN,14,用户中心点个数达到4时，用户中心点特征携带信息趋向饱和； 卷积核个数超过50时，预测准确率提升不显著； 全连接层输出维度达到10时，能很好得表达群体偏好上下文,网络超参数对GCNN输出影响,(a) 用户中心点个数,(b) 卷积核个数,(c) 全连接层维度,82.69%的用户基站数少于5 超过1/4的用户仅在一个常在地点访问移动互联网,15,结合上下文的 在线探索算法,上下文多臂算法 （强化学习）,内容流行度多样性,历史最受欢迎,短期热点,探索？,开发？,dilemma,上下文,Motivation3,问题： 边缘缓存中内容集合大，易造成过量探索 上下文无关的多臂算法没有利用上下文信息 用户年龄、职业等上下文信息难以获取,补充： 基于zipf分布的探索约束项 结合用户中心点特征的群体偏好上下文,CONTENTS,16,研究背景及意义,用户中心点特征构造与有效性分析,1,2,用户相关的群体偏好上下文构造,3,实验结果与分析,5,工作总结及展望,6,结合上下文的在线探索缓存算法设计,4,10,30,50,100,300,500,#特征1,#特征2,接收到此时连接的群体偏好上下文,根据 选择 所在的子空间,（1）获取探索内容集合； （2）计算子空间 中的内容置信值，决定内容缓存； （3）更新计数；,子空间分裂,子空间查找,探索与决策,子空间分裂,1,2,3,Side Infomation,剪枝策略,热点上下文缩放,上下文缩放缓存策略,基于UCB的探索项,CONTENTS,18,研究背景及意义,用户中心点特征构造与有效性分析,1,2,用户相关的群体偏好上下文构造,3,实验结果与分析,5,工作总结及展望,6,结合上下文的在线探索缓存算法设计,4,19,性能指标,对比算法,实验设置,20,OCUC vs popCaching，用户上下文的有效性 OCUC vs MCUCB ，上下文的有效性 m_Greedy_05 & m_UCB1，过量探索 OCUC vs LRU，上下文探索识别短连续性,OCUC & LRU，24小时稳定 popCaching & MCUCB&m_Greedy_01，48小时后稳定 m_Greedy_05 & m_UCB1，过量探索，性能下降,缓存击中率对比,(a) 随缓存容量变化,(b) 随时间变化,21,各个时段上OCUC策略分布更集中 各个时段上OCUC策略中位数更稳定,(a),(b),算法稳定性对比（capacity=30）,OCUC & popCaching，上下文相关，说明上下文的学习能有效利用历史经验中的相似信息 OCUC vs popCaching，用户上下文更能实现基站间经验的共享,22,（为探索系数、z2为上下文分裂阈值）,适量探索的重要性 z2取值越大越难以维护细粒度的收益关系 探索能力可以弥补粗粒度收益关系导致的性能损失,参数对OCUC缓存击中率的影响（capacity=30）,1,2,3,23,(为探索系数、z2为上下文分裂阈值),分裂阈值小，高级别子空间缓存击中率高，分布偏态性强 分裂阈值大，子空间的缓存击中率低，偏向正态分布,参数对OCUC缓存击中率的影响,24,参数对OCUC缓存击中率的影响,分裂阈值小，细粒度收益关系，性能损失少 分裂阈值大，粗粒度收益关系，性能损失大,25,OCUC总消耗略高于MPC，不容易造成系统过载。,环境：64位windows操作系统的PC主机，4核4线程，CPU型号Intel i5-4590，每个核的主频均为3.30GHz。所有算法均使用python实现。,运行效率对比（capacity=30）,CONTENTS,26,研究背景及意义,用户中心点特征构造与有效性分析,1,2,用户相关的群体偏好上下文构造,3,实验结果与分析,5,工作总结及展望,6,结合上下文的在线探索缓存算法设计,4,本文工作和创新点,基于用户访问中心点效应，构造简单有效的用户特征,提出了一种用户相关的群体偏好上下文构造方法,结合上下文和探索算法，提出上下文缩放缓存算法,1,2,3,未来工作展望,结合用户群体移动轨迹等信息构造群体偏好上下文,OCUC并行化,1,2,研究生期间发表的论文,HUANG Guohao, JIANG Hao, XIE Jing, ZENG Yuanyuan, YI Shuwen. Online Learning Framework based on User Central Access B