文献

J-GLOBAL ID：202202228177617819   整理番号：22A1004252

移動エッジ計算におけるコンテンツポピュレーションに基づく深さ強化学習キャッシュ機構【JST・京大機械翻訳】

A Content Popularity Based Caching Scheme with Deep Reinforcement Learning for Mobile Edge Computing

著者 (4件)： Wang Chaowei (北京郵電大学 電子工程学院,北京100876;通信网信息伝輸与分発技術重点実験室,河北 石家庄050081) ,  Shi Yujun (北京郵電大学 電子工程学院,北京100876) ,  Yu Xiaofei (北京郵電大学 電子工程学院,北京100876) ,  Wang Weidong (北京郵電大学 電子工程学院,北京100876)
資料名： Wuxiandian Tongxin Jishu  (Wuxiandian Tongxin Jishu)
巻： 48  号： 1  ページ： 68-73  発行年： 2022年 
JST資料番号： C3334A  ISSN： 1003-3114  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 5G商用の推進に伴い、大量依存高率、低遅延の新たな応用が現れ、混合現実(MixedReality,MR)はその中の1つである。中心クラウド転送サービスコンテンツからMRデバイスへの大きな時間遅れとエネルギー消費問題を考慮して,移動エッジ計算(MobileEdgeCompu?)を導入した。ting、MEC)技術は、MECサーバ上でユーザーのプレレンダリング環境フレームをキャッシュすることで、遅延とエネルギー消費を減らす。MECサーバの限られたキャッシュ資源に対して、コンテンツの流行度に基づく深さ強化学習(DeepReinforcementLearning、DRL)方法を提案し、キャッシュの意思決定を行い、新たな効用関数を構築し、キャッシュプランの性能を測定した。シミュレーション結果は,提案したアルゴリズムに基づくキャッシュ意思決定が目標効用関数を最大にすることができることを示した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  シミュレーション ,  性能 ,  意思決定 ,  技術 ,  *ピュレー ,  環境 ,  *キャッシュメモリ ,  効用関数 ,  機構 ,  エネルギー消費 ,  *強化学習 ,  *コンテンツ
準シソーラス用語： 低遅延 ,  第5世代移動通信システム , 【Automatic Indexing@JST】

分類 (1件)： 計算機網  (JC03000K)

タイトルに関連する用語 (5件)： エッジ ,  計算 ,  コンテンツ ,  強化学習 ,  キャッシュ