移动边缘计算中基于内容流行度的深度强化学习缓存机制

• 作者: 王朝炜 石玉君 于小飞 王卫东
• 来源期刊: 无线电通信技术
• 学科: 工学
• 关键词: 移动边缘计算 混合现实 内容缓存 深度强化学习
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 专题:面向B5G/6G的智能边缘计算网络技术|Special Topic: Intelligent Edge Computing Network Technology for B5G/6G
• 页码范围: 68-73
• 页数: 6页
• 分类号: TN927+.2
• 语种: 中文
• DOI: 10.3969/j.issn.1003-3114.2022.01.008

摘要

随着5G商用的推进,涌现出大量依赖高速率、低时延的新应用,混合现实(Mixed Reality,MR)就是其中之一.考虑到从中心云传输服务内容到MR设备会带来很大时延和能耗问题,引入移动边缘计算(Mobile Edge Compu?ting,MEC)技术,通过在MEC服务器上缓存用户的预渲染环境帧,以减少延迟和能耗.针对MEC服务器上有限的缓存资源,提出了一种基于内容流行度的深度强化学习(Deep Reinforcement Learning,DRL)方法来做缓存决策,并构造一个新的效用函数来衡量缓存方案的性能;仿真结果表明基于所提算法得到的缓存决策能使目标效用函数达到最大值.