Cooperative Edge Caching Based on Elastic Federated and Multi-Agent Deep Reinforcement Learning in Next-Generation Network

要約

エッジ キャッシングは、小セル基地局 (SBS) のキャッシング ユニットを強化することで、次世代ネットワークにとって有望なソリューションです。これにより、ユーザー機器 (UE) は、SBS に事前にキャッシュされているユーザーの要求したコンテンツを取得できるようになります。
SBSにとって、ユーザーの個人情報を保護しながら、学習を通じて人気コンテンツを正確に予測することが重要である。
従来のフェデレーテッド ラーニング (FL) はユーザーのプライバシーを保護できますが、UE 間のデータの不一致によりモデルの品質の低下が生じる可能性があります。
したがって、人気のあるコンテンツを正確に予測するには、UEごとにパーソナライズされたローカルモデルをトレーニングする必要があります。
さらに、キャッシュされたコンテンツは、次世代ネットワーク内の隣接する SBS 間で共有できるため、予測された人気コンテンツを異なる SBS にキャッシュすると、コンテンツを取得するコストに影響を与える可能性があります。
したがって、人気のあるコンテンツが連携してキャッシュされる場所を決定することが重要です。
これらの問題に対処するために、ネットワークのコストを最適化するために、柔軟なフェデレーションおよびマルチエージェント深層強化学習 (CEFMR) に基づく協調エッジ キャッシング スキームを提案します。
まず、各 UE のパーソナライズされたモデルをトレーニングするための Elastic FL アルゴリズムを提案します。このアルゴリズムでは、予測精度を向上させるためにトレーニングに敵対的オートエンコーダー (AAE) モデルが採用され、次に、各 UE の人気コンテンツを予測するための {人気のある} コンテンツ予測アルゴリズムが提案されます。
SBS はトレーニングされた AAE モデルに基づいています。
最後に、予測された人気コンテンツを SBS 間で共同してキャッシュする場所を決定する、マルチエージェント深層強化学習 (MADRL) ベースのアルゴリズムを提案します。
私たちの実験結果は、既存のベースライン キャッシュ スキームに対する私たちの提案したスキームの優位性を示しています。

要約(オリジナル)

Edge caching is a promising solution for next-generation networks by empowering caching units in small-cell base stations (SBSs), which allows user equipments (UEs) to fetch users’ requested contents that have been pre-cached in SBSs. It is crucial for SBSs to predict accurate popular contents through learning while protecting users’ personal information. Traditional federated learning (FL) can protect users’ privacy but the data discrepancies among UEs can lead to a degradation in model quality. Therefore, it is necessary to train personalized local models for each UE to predict popular contents accurately. In addition, the cached contents can be shared among adjacent SBSs in next-generation networks, thus caching predicted popular contents in different SBSs may affect the cost to fetch contents. Hence, it is critical to determine where the popular contents are cached cooperatively. To address these issues, we propose a cooperative edge caching scheme based on elastic federated and multi-agent deep reinforcement learning (CEFMR) to optimize the cost in the network. We first propose an elastic FL algorithm to train the personalized model for each UE, where adversarial autoencoder (AAE) model is adopted for training to improve the prediction accuracy, then {a popular} content prediction algorithm is proposed to predict the popular contents for each SBS based on the trained AAE model. Finally, we propose a multi-agent deep reinforcement learning (MADRL) based algorithm to decide where the predicted popular contents are collaboratively cached among SBSs. Our experimental results demonstrate the superiority of our proposed scheme to existing baseline caching schemes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google