Content caching is a widely studied technique aimed to reduce the network load imposed by data transmission during peak time while ensuring users' quality of experience. It has been shown that when there is a common link between caches and the server, delivering contents via the coded caching scheme can significantly improve performance over conventional caching. However, finding the optimal content placement is a challenge in the case of heterogeneous users' behaviours. In this paper we consider heterogeneous number of demands and non-uniform content popularity distribution in the case of homogeneous and heterogeneous user preferences. We propose a hybrid coded-uncoded caching scheme to trade-off between popularity and diversity. We derive explicit closed-form expressions of the server load for the proposed hybrid scheme and formulate the corresponding optimization problem. Results show that the proposed hybrid caching scheme can reduce the server load significantly and outperforms the baseline pure coded and pure uncoded and previous works in the literature for both homogeneous and heterogeneous user preferences.


翻译:内容缓存是一种广泛研究的技术,旨在减少高峰期数据传输带来的网络负荷,同时确保用户的经验质量;已经表明,当缓存和服务器之间有共同的联系时,通过编码缓存方案传送内容可以大大改善常规缓存的性能;然而,找到最佳内容放置是不同用户行为中的一项挑战;在本文件中,我们考虑了在单一和不同用户偏好的情况下,不同数量的需求和非统一内容的流行性分布;我们提出了一个混合编码-未编码缓存方案,以在受欢迎性和多样性之间进行权衡;我们为拟议混合计划获取明确的服务器负载封闭式表达方式,并制定相应的优化问题;结果显示,拟议的混合缓存方案可以显著减少服务器的负载量,并比标准纯纯编码和纯编码以及文献中以往的作品更符合统一和多样化用户偏好。

0
下载
关闭预览

相关内容

专知会员服务
31+阅读 · 2021年6月12日
【USTC】对话推荐系统的进展和挑战:综述论文,30页pdf
专知会员服务
21+阅读 · 2021年1月27日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
78+阅读 · 2020年7月26日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
逆强化学习-学习人先验的动机
CreateAMind
15+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
CCF B类期刊IPM专刊截稿信息1条
Call4Papers
3+阅读 · 2018年10月11日
已删除
将门创投
5+阅读 · 2018年6月7日
计算机类 | 期刊专刊截稿信息9条
Call4Papers
4+阅读 · 2018年1月26日
【推荐】深度学习时序处理文献列表
机器学习研究会
7+阅读 · 2017年11月29日
Graph-Based Recommendation System
Arxiv
4+阅读 · 2018年7月31日
Arxiv
3+阅读 · 2018年1月31日
VIP会员
相关资讯
Top
微信扫码咨询专知VIP会员