抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ユビキタスで個人化されたサービスがますます成長しているので,大規模なモバイル機器によってネットワーク上にますます大量のトラフィックが発生する。その結果,コンテンツキャッシングはネットワークエッジに徐々に拡張し,低待ち時間サービスを提供し,サービス品質を改善し,冗長データトラフィックを低減する。従来のコンテンツ配信ネットワークと比較して,より小さいサイズのエッジネットワークにおけるキャッシュは,通常,より多くのバースト要求を収容しなければならない。本論文では,エッジネットワークにおけるPA-キャッシュと呼ぶ,進化学習ベースコンテンツキャッシングポリシーを提案した。時変コンテンツの人気を適応的に学習し,キャッシュが完全であるとき,どのコンテンツを置き換えるべきかを決定する。高い計算複雑性を有する全訓練データセットを用いて,微調整されたが,おそらく,偏ったあるいは偏った予測モデルを学習する従来の深層ニューラルネットワーク(DNN)と異なり,PA-キャッシュは,より多くの要求が時間とともに到着する時,浅いからより深く多層再帰ニューラルネットワークを訓練する。大規模オンラインビデオオンデマンドサービスプロバイダーb{b{結果」から実世界トレース上の提案PAキャッシュの性能を評価し,PA-キャッシュが既存のポピュラーキャッシングアルゴリズムよりも性能が優れており,キャッシュパーセントが1.0%の時に3.8%の性能ギャップのみを持つ最適アルゴリズムを近似することを示した。また,PA-キャッシュは,従来のDNNベース手法と比較して,計算コストを大幅に削減する。【JST・京大機械翻訳】