The ever-continuing explosive growth of on-demand content requests has imposed great pressure on mobile/wireless network infrastructures. To ease congestion in the network and increase perceived user experience, caching popular content closer to the end-users can play a significant role and as such this issue received significant attention over the last few years. Additionally, energy efficiency is treated as a fundamental requirement in the design of next-generation mobile networks. However, there has been little attention to the overlapping area between energy efficiency and network caching especially when considering multipath routing. To this end, this paper proposes an energy-efficient caching with multipath routing support. The proposed scheme provides a joint anchoring of popular content into a set of potential caching nodes with optimized multi-path support whilst ensuring a balance between transmission and caching energy cost. The proposed model also considers different content delivery modes, such as multicast and unicast. Two separated Integer-Linear Programming (ILP) models are formulated for each delivery mode. To tackle the curse of dimensionality we then provide a greedy simulated annealing algorithm, which not only reduces the time complexity but also provides a competitive performance as ILP models. A wide set of numerical investigations has shown that the proposed scheme is more energy-efficient compared with other widely used approaches in caching under the premise of network resource limitation.


翻译:需求内容请求的连续爆炸性增长对移动/无线网络基础设施造成了巨大压力。为了缓解网络拥堵,增加用户的感知经验,在过去几年里将大众内容紧贴最终用户,可以发挥重要作用,因此这个问题在过去几年中受到极大关注。此外,能源效率被视为设计下一代移动网络的基本要求。然而,对于能源效率和网络缓冲之间的重叠领域,特别是在考虑多路线路时,很少注意。为此,本文件提议以多路线路支持的方式,以节能缓冲的方式缓冲。拟议办法将大众内容联合固定在一套潜在的缓冲节点,以优化多路支持,同时确保传输和缓冲能源成本之间的平衡。拟议模式还考虑到不同的内容交付模式,如多播和单播。为每一种交付模式制定了两种分离的Integer-Linear规划模式。为了消除这种程度的诅咒,我们随后提供了一种贪婪的模拟一条多路路路路路路路。拟议办法将大众内容联合固定在一套潜在的潜在缓冲节点中,同时确保传播和缓冲能源成本之间的平衡。拟议的模式不仅能够广泛减少使用,而且根据A系统进行更具有竞争性的业绩。在A项上也展示了较有竞争力的方法。

0
下载
关闭预览

相关内容

归纳逻辑程序设计(ILP)是机器学习的一个分支,它依赖于逻辑程序作为一种统一的表示语言来表达例子、背景知识和假设。基于一阶逻辑的ILP具有很强的表示形式,为多关系学习和数据挖掘提供了一种很好的方法。International Conference on Inductive Logic Programming系列始于1991年,是学习结构化或半结构化关系数据的首要国际论坛。最初专注于逻辑程序的归纳,多年来,它大大扩展了研究范围,并欢迎在逻辑学习、多关系数据挖掘、统计关系学习、图形和树挖掘等各个方面作出贡献,学习其他(非命题)基于逻辑的知识表示框架,探索统计学习和其他概率方法的交叉点。官网链接:https://ilp2019.org/
如何构建你的推荐系统?这份21页ppt教程为你讲解
专知会员服务
64+阅读 · 2021年2月12日
专知会员服务
60+阅读 · 2020年3月19日
【新书】Python编程基础,669页pdf
专知会员服务
193+阅读 · 2019年10月10日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
GAN新书《生成式深度学习》,Generative Deep Learning,379页pdf
专知会员服务
202+阅读 · 2019年9月30日
RoBERTa中文预训练模型:RoBERTa for Chinese
PaperWeekly
57+阅读 · 2019年9月16日
BERT/Transformer/迁移学习NLP资源大列表
专知
19+阅读 · 2019年6月9日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
Call for Participation: Shared Tasks in NLPCC 2019
中国计算机学会
5+阅读 · 2019年3月22日
分布式TensorFlow入门指南
机器学习研究会
4+阅读 · 2017年11月28日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年6月18日
Arxiv
0+阅读 · 2021年6月16日
VIP会员
Top
微信扫码咨询专知VIP会员