基于深度学习的移动感知预缓存策略研究

发布时间：2022-02-13 11:14

　　为了应对移动数据流量的爆炸性增长,5G网络中超密集部署的小基站采用了毫米波通信技术,以低成本低功耗的方式极大地增加了网络的带宽。但是毫米波较短的通信距离导致移动用户更容易在小基站之间频繁切换并不得不重建与远程服务器之间的连接,这将严重地降低用户的体验质量（QoE）,尤其是对于时延敏感类的应用。为了解决这些问题,本文采取了在小基站网络中部署预缓存的方案,提前在移动用户即将接入的基站中缓存部分用户正在请求的内容。当用户移动到新的基站后就能够直接从基站缓存空间获取内容而不必经由回传网络从远程服务器下载。因此用户可以体验到无缝的移动切换以及更低的时延和更快的下载速率。尽管如此,在没有任何先验知识的情况下,仍然难以准确感知用户的移动规律并在合适的基站部署适量内容。本文的主要贡献包括三个部分。第一,通过调研深度学习的最新进展,本文提出了分别基于条件变分自动编码器和长短期记忆网络的两种无模型的移动性预测方案,能够从用户的历史轨迹中推断出包含用户移动规律的隐藏信息。在没有任何先验知识的情况下,本文所提出的方案在真实的GPS轨迹数据集上预测用户移动性时达到了 81.3%的准确率。第二,本文提出了分别基于... 

【文章来源】：中国科学技术大学安徽省211工程院校985工程院校

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

图２．３?ＮＦＶ标准结构??力的通用服务器组成，根据侧重点将这些服务器分别称为计算节点和存储节点

?第２章技术基础???隐藏变量??／＊?、?（?、??输入?？编码器??？??？解码器??？输出??＾?ｙ?Ｖ?＞??（ａ）自动编码器??均值??输入—？编码器＾?＾＿＿?随机采样??—ｊｘ??Ｔ??ｆ??方差??？解码器??？输出??＞－?－ｊ??隐藏变量??（ｂ）变分自动编码器??图２．６自动编码器与变分自动编码器??的ＫＬ散度。从而当训练完成后，从己知的先验概率分布采样就能得到类似编码??器的输出，然后通过解码器就可以生成符合数据集分布规律的数据。??３．基于流的生成模型??基于流的生成模型最早由Ｌａｕｒｅｎｔ?Ｄｉｎｈ等人［２９］于２０１４年提出，但直到??Ｄｉｅｄｅｒｉｋ?Ｐ．?Ｋｉｎｇｍａ等人于２０１８年在此基础上提出Ｇｌｏｗ模型［３Ｇ］后这类模型??才引起了学界的广泛关注。其核心思想是直接找到一个可逆函数／将数据集分??布映射到简单已知的概率分布，然后利用逆变换／―１由己知分布的采样生成新??的数据。通过／可以将数据集的分布；＾用己知分布；＾表示为：??Ｐｘ（ｘ）?￣?Ｐｈ（／（ｘ））＼?ｄｅｔ＾＾｜?（２．３）??ａｘ??关键在于找到逆变换容易表示且雅各比行列式容易求的变换／。??此类模型通过链接多个耦合层来表示变换／。单个耦合层的结构如图２．７所??不，输入ｘ和输出＿ｙ均为Ｚ）维向量，／丨表不前ｄ维，／２表不后Ｄ－ｄ维。那么??ｙ可以表示为：??々＝？?（２．４）??ｙｈ?＝?Ｘ１２＾ｍ＾ＸＩｘ）??１３??

图２．９决策树结构??某个数据特征相关的问题，通常是某个特征是否大于某个值，根据当前输入数据??


本文编号：3623087