針對移動邊緣網(wǎng)絡(luò)緩存問題,提出把計算資源推送到網(wǎng)絡(luò)邊緣,使邊緣接入熱點能有數(shù)據(jù)分析能力,構(gòu)建基于深度學習的深度緩存策略,進一步提升緩存效率。在邊緣接入熱點處構(gòu)建基于長短期記憶神經(jīng)網(wǎng)絡(luò)模型的緩存內(nèi)容文件流行度預測系統(tǒng),通過分析本地數(shù)據(jù)給出內(nèi)容文件流行度預測。把內(nèi)容文件流行度預測系統(tǒng)整合到移動邊緣網(wǎng)絡(luò)緩存系統(tǒng)中最大化緩存命中率,提出深度緩存策略,大大提升移動邊緣網(wǎng)絡(luò)緩存性能。在真實視頻數(shù)據(jù)集上進行測試,實驗結(jié)果表明:提出的內(nèi)容流行度預測系統(tǒng)的準確度高于現(xiàn)有最優(yōu)方法;提出的深度緩存策略與傳統(tǒng)的緩存算法相比,在相同的緩存命中率指標下大約僅需一半的緩存存儲空間。

【文章頁數(shù)】：8 頁

【文章目錄】：
1 系統(tǒng)模型與問題分析
    1.1 移動邊緣網(wǎng)絡(luò)緩存框架
    1.2 問題分析
2 基于深度學習的內(nèi)容文件流行度預測
    2.1 長短期記憶神經(jīng)網(wǎng)絡(luò)
    2.2 內(nèi)容文件流行度預測模型
3 仿真實驗
    3.1 仿真設(shè)置
    3.2 性能比較
4 結(jié)論



本文編號：3870299