5G超密集网络中移动内容传递的细粒度时空分布预测
摘要：5G网络极大地促进了移动用户和新型应用的增长，并且随着用户对大量流行内容的需求不断增加，相应的内容传递服务（CDS）给移动服务提供商带来了沉重的负担。作为智能网络管理的关键任务，了解和预测CDS的分布对于现代网络服务的许多任务（如资源配置和内容传递网络的主动缓存）都有益处。然而，由超密集网络（UDN）引发的新型无处不在的网络架构的革命使得该任务极具挑战性。具体而言，传统方法面临着空间精度不足、缺乏泛化能力、用户请求的复杂多特征依赖性等挑战，使得它们在5G UDN下的CDS预测中的有效性不可靠。在本文中，我们提出采用一系列编码和采样方法来在定制的细粒度水平上对已知和未知区域的CDS进行建模。此外，我们设计了一个时空社交多特征提取框架来预测CDS的热点区域，其中提出了一种新颖的边增强图卷积块，用于基于社交关系和空间特征进行动态CDS网络编码。此外，我们引入了长-短期记忆（LSTM）来进一步捕捉时间依赖性。通过在两个移动内容应用中收集的真实测量数据进行广泛的性能评估，证明了我们提出的解决方案的有效性，在76m的空间粒度下，与现有技术方案相比，可将曲线下面积（AUC）提高40.5％，未知区域可达80％。
作者：Shaoyuan Huang, Heng Zhang, Xiaofei Wang, Min Chen, Jianxin Li, and Victor C. M. Leung
论文ID：2308.12322
分类：Networking and Internet Architecture
分类简称：cs.NI
提交时间：2023-08-25