文献

J-GLOBAL ID：202002276710121054   整理番号：20A1955763

ヒット比保証によるアクティブコンテンツ人気学習とキャッシング最適化【JST・京大機械翻訳】

Active Content Popularity Learning and Caching Optimization With Hit Ratio Guarantees

著者 (4件)： Bommaraveni Srikanth (Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg, Luxembourg City, Luxembourg) ,  Vu Thang X. (Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg, Luxembourg City, Luxembourg) ,  Chatzinotas Symeon (Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg, Luxembourg City, Luxembourg) ,  Ottersten Bjorn (Interdisciplinary Centre for Security, Reliability and Trust (SnT), University of Luxembourg, Luxembourg City, Luxembourg)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 151350-151359  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： エッジキャッシングは,エンドユーザに近接するコンテンツにより配信待ち時間とネットワーク輻輳を低減するための効果的な解決策である。コンテンツ人気の深い理解とコンテンツ要求シーケンスの根底にある原理は,キャッシュを効果的に利用するために必要とされる。ほとんどの既存の研究は,個人の選好を反映する個々のコンテンツ要求の非常に限られた考慮で,グローバルなコンテンツ要求に基づくキャッシングポリシーを設計している。本論文では,最適キャッシング戦略を可能にするために,コンテンツポピュラリティを学習し,正確なコンテンツ要求予測モデルをデザインするためのアクティブ学習(AL)手法を提案した。需要マトリックスとしてユーザ端末からコンテンツ要求をモデル化し,次に,将来の欠落要求を予測するために,ALベースクエリバイコミット(QBC)行列完了を採用した。QBCの主な原理は,需要行列の最も有益な欠落エントリを質問することである。QBCによって提供される予測に基づいて,著者らは,操作キャッシュヒット比率要求を保証する間,できるだけ早く人気を学ぶための適応最適化キャッシングフレームワークを提案した。提案フレームワークはモデルフリーであり,従って,基礎となるトラヒック要求に関する統計的知識を必要としない。コンテンツポピュラリティの固定および時変性質の両方を考察した。既存の方法に対する提案学習キャッシングポリシーの有効性を,シミュレートしたデータセット上の二乗平均平方根誤差,キャッシュヒット比,およびキャッシュサイズに関して実証した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *最適化 ,  *学習 ,  キャッシュメモリ ,  情報配布 ,  待ち時間 ,  有効性 ,  *コンテンツ ,  予測モデル
準シソーラス用語： 能動学習 ,  エンドユーザ ,  *キャッシング ,  ネットワーク輻輳 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 保証 ,  コンテンツ ,  学習 ,  キャッシング ,  最適化