.png){kind=icon}
返回
User Mobility-Aware Proactive Video Caching Migration in Mobile Edge Computing
.png){kind=icon}
OA
AI
DOI：10.3390/electronics15194368.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，短视频平台的快速发展导致由移动设备产生的网络流量激增。用户位置的频繁变化对视频内容服务的连续性和流畅性构成了重大挑战。为解决用户移动性导致的服务质量下降问题，本文在云边协同框架内提出了一种感知用户移动性的缓存迁移策略。首先，构建了考虑缓存迁移效益与成本的缓存迁移模型。然后，基于历史位置序列开发了Transformer–LSTM神经网络模型，用于预测用户的下一位置。最后，结合预测结果与迁移成本，设计了基于迁移收益的缓存迁移算法MGCM，以主动迁移用户感兴趣的内容，确保视频服务的连续性和低延迟。在评估设置下的仿真实验表明，Transformer–LSTM模型优于其他对比预测模型，在选定轨迹上达到最高88%的预测精度。与基线迁移策略相比，MGCM算法在评估场景中将缓存命中率提高了最高13.5个百分点。所提出的策略提升了用户体验，并为移动边缘计算场景提供了可行的缓存迁移解决方案。
Keyword:
edge computing
cache migration
user experience
user mobility awareness
Transformer–LSTM
期刊
IF:
2.6
论文数:
1.0W
被引数:
4.7W
机构
引用论文
.png){kind=icon}
Deep Reinforcement Learning Approaches for Content Caching in Cache-Enabled D2D Networks支持缓存的D2D网络中内容缓存的深度强化学习方法
OAAI
OAAI分享收藏Proactive selective neighbor caching for enhancing mobility support in information-centric networksOAAI
OAAI分享收藏分享收藏
查看更多内容