DeepCachNet：蜂窝网络中基于深度学习的主动缓存框架

摘要

在网络边缘的内容缓存被认为是用于增强蜂窝网络中内容传递效率的合适技术，由于存储限制，在SBS(小型基站)缓存战略内容至关重要。但是，它需要事先未知的有关受欢迎程度传播的信息。此外，由于连接到SBSs的每个移动用户对内容具有不同的偏好，所以内容的受欢迎程度是变化的。因此，用户所偏爱的内容的性质取决于用户和内容的特征。本文提出了一种新型的在蜂窝网络中的基于深度学习的主动缓存框架，称为DeepCachNet，该框架从连接到SBSs的用户的移动设备中收集了大量数据。将深度学习方法（自动编码器和堆叠式降噪自动编码器）应用于所收集的数据，以分别提取用户和内容的特征。所提取的特征用于估计核心网络处的内容受欢迎程度。基于估计的内容受欢迎程度，将战略内容缓存在SBS上，以获得更高的回程卸载和用户满意度。为了验证所提出框架的有效性，进行了案例研究，其中使用开发的android移动应用程序从连接的移动设备中收集了移动数据，并对所收集的数据进行了所提出框架的仿真。仿真结果表明，该框架解决了冷启动和数据稀疏性问题，并在回程卸载和用户满意度方面取得了显着改善。通过回传卸载和用户满意度，它分别可分别获得6.2％和30％的收益。

堆叠式降噪自动编码器SDA

https://blog.csdn.net/weixin_30298497/article/details/94881029

backhaul offloading ？

冷启动

https://www.jianshu.com/p/03bf81f9f6d9

介绍

在蜂窝网络中，网络边缘缓存是最令人鼓舞的革命之一。通过记录更接近用户的战略内容，缓存优化了蜂窝网络不同组件（包括核心网络和无线电接入网络）的卸载能力。在网络边缘缓存战略内容时，越来越多地使用user-content交互和end-users的行为，体现了主动和上下文感知缓存的时代[1,2]。通常，在主动缓存中，网络边缘的用户终端和SBSs主动缓存内容，这在回程卸载和用户满意度方面提高了总体网络性能。主动缓存的现有方法[2，3]的关键概念依赖于内容与用户之间相关性的估计，通常以内容流行度矩阵的形式定义，其中矩阵的每个元素代表针对特定用户的特定内容的受欢迎程度。采用协作过滤（CF）和有监督的机器学习方法来估计内容流行度矩阵中的缺失元素，以便可以将战略内容预先存储在网络的SBS中。但是，设计有效的主动缓存模型仍然面临重大挑战。首先，用于主动缓存的内容受欢迎度矩阵剩余的部分稀疏且庞大，其中很少元素的rating\value是已知的。在大多数情况下，受欢迎的内容也很少有评价。由于在稀疏的内容流行度矩阵很少元素有rating，因此估计用户和内容之间的相关性并在网络边缘执行有效的主动缓存非常困难。其次，内容流行度矩阵仅反映user-content交互，而忽略了user和负责交互的content之间的隐式关系，这导致CF学习方法的性能较低和效率低下，其中主要的原因就是冷启动问题和数据稀疏[4]。

上述挑战降低了主动缓存的效率，因此提出了深度学习（DL）方法[5]。在许多实际应用中构建合适的预测模型时，很难甚至不可能收集并标记大量的训练数据。而以无监督的方式从可用的原始数据（例如从移动传感器收集的数据）中提取隐藏特征，可以基本上消除标记大量训练数据的需求，并改善预测任务[6]。

主动缓存中的DL通过解决冷启动和数据稀疏性问题，有助于提高CF方法的性能。 DL用于提取在内容流行度矩阵中的每个用户和内容隐藏特征，并创建基于特征的内容流行度矩阵。基于特征的设置消除了内容流行度矩阵的稀疏性，这有助于CF方法 估计内容流行度矩阵中的缺失条目，克服数据稀疏性和冷启动问题，从而进一步提高了网络边缘主动缓存的有效性。此外，基于特征的设置还考虑了用户的空间属性，例如物理位置（即用户的移动路径）[7]，由于用户的移动性，帮助在SBSs之间迁移数据的学习过程，并提高缓存效率。这项研究工作的主要贡献总结如下：

本文提出了一种基于DL的主动缓存框架，用于根据用户的内容流行度矩阵和存储约束来逐步提高backhaul的效果。
我们引入了新的DL方法来提取用户和内容的隐藏特征。这些特征被用来开发基于特征的内容流行度矩阵，该矩阵进一步被用于评估核心网络处的受欢迎内容，具体通过使用基于特征的协作过滤来实现。
为了验证所提出框架的有效性，我们实现了该框架，并根据用户满意度和backhaul load来衡量性能。

协作过滤CF

https://blog.csdn.net/mhtlee/article/details/18278981

基于深度学习的主动缓存框架

在本节中，我们提出一个新的主动缓存框架，该框架可以收集，检查和主动处理连接到SBS的用户的移动数据。所提出的框架通过使用DL方法从收集的移动数据中提取用户特征和内容特征。通过使用合适的评估算法在网络边缘 主动缓存 战略内容，提取的特征用于估计用户的时空需求。 DL方法和评估算法的计算和执行是在核心站点执行的，而缓存则放置在SBSs上，在该SBSs上主动存储了需求量大（即非常受欢迎）的内容。图1显示了所提出框架的总体架构，其中由深度学习，评估算法和分布式数据库组成的学习模型位于核心站点，负责在缓存放置模型中估计用户对内容的需求，在此模型中，储存了通过学习模型估算的热门和战略性内容。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-OoDfRmYF-1589331664957)(…\2019-DeepCachNet A Proactive Caching Framework\1588511403674.png)]

为了说明提议的框架的总体架构，我们假设使用D SBSs网络

$I_d$ ：small cell d的无线链路的容量

$I'_d$ ：small cell d的回程链路的容量

在== $I_d > I' _d$ ==的情况下，有限回程容量的情况是被认可的。

在时间段T内，一组用户从档案== $H = \{h_1，h_2，…，h_Q\}$ ==中请求的内容总数为M。

用于传送 内容h的有限比特率为== $B(h)$ ==。

存档中每个内容h的大小为== $L(h)$ ，且 $L_{min} <L(h)<L_{max}$ ==。

每个SBS都以有限的存储容量来驱动，并从存档H中缓存内容子集来卸载 容量有限的backhaul。然而，庞大的用户和内容量使得提取和处理所需的信息以在SBSs中缓存所有用户的内容成为一个颇具挑战性的方案。这主要是由于缺乏足够的回程和存储限制。在这种情况下，两个要求是

在核心网络共同开发基于特征的内容流行度矩阵 $P$ ，其中

行表示用户，

列表示内容，

每个条目分别表示内容和用户特征的评价/流行度
将内容缓存 放置在特定的SBS上。

假设通过使用近似或贪婪方法来解决繁琐的缓存放置[12、13]，那么可以在SBSs上进行稀疏内容的评价/流行度的学习和评价。对于此任务，我们将在以下小节中描述提出框架的所有组件和工作过程。

Backhaul

backhaul可以翻译成回程,也叫回程线路。在现有的无线通信中,backhaul指的是基站和基站控制器之间的链接

(1一般用户先接入基站,

2基站再与基站控制器通信,

3然后进入核心网)

https://baike.baidu.com/item/Backhaul/9078738

什么是回程网络

https://blog.csdn.net/FairyJoyXie/article/details/78419315

原始数据收集

提出框架的第一个主要挑战是收集和管理 输入数据。该框架从用户的移动设备中收集 移动数据。为了从他们的移动设备收集用户的数据，有必要开发一个移动应用程序，该应用程序可以识别 用户的位置和移动设备传感器的值，并将收集到的数据传送到缓存系统。

数据预处理

从用户的移动设备收集的原始数据可能包含一些不适当的，多功能的或干扰数据，因此在它们传送到下一个处理阶段之前需要被清除。数据必须经过适当的结构和处理，以促进高效处理，例如，指定和提取相关特征。在主动缓存系统中处理数据很复杂，原因有三点：

数据必须实时处理，因为它们是实时收集的。
收集的数据多样，由于各式的传感器数据，多变的用户偏好，位置数据和用户-内容关系。
要处理的数据量大，例如，达到TB级。

为了促进模式匹配和位置查询，高性能关系数据库用于有效存储确定的数据，而分布式数据库用于优化简单查询数据以实现可扩展性。

特征提取

特征提取是所提出框架的关键要素。必须从收集的原始数据中提取两种类型的特征，其描述如下：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RkPADVir-1589331664961)(…\2019-DeepCachNet A Proactive Caching Framework\1588574608816.png)]

User Features

由于不同的用户可能会喜欢不同的内容，因此主动缓存中内容的流行度可能会在整个用户群中波动。用户的内容偏好可能与他们的特征相关联，如图2a所示。 User Features包括：

用户的个人特征，例如人口统计信息（例如性别和年龄），心情或个性。
显式上下文包括提取显式上下文，将数据正确描述积累情况（例如，天气状况）的数据收集过程。
隐式上下文，涉及从移动传感器中提取和收集隐藏或潜在上下文模式以表示用户上下文。

各种类型的用户特征的添加导致其维度的扩展，从而导致需要处理大量训练数据的任务。因此，自动编码器用于确定各种特征之间的关系，并以低维表示形式提取它们。通常，用户特征提取过程包括三个阶段：

原始数据是从可用数据源，例如，WiFi，GPS，麦克风，活动应用程序和加速度计等移动传感器中累积的。
使用特征工程从原始数据中提取一组特征，该特征工程包括计算统计数据，例如主导值，熵，标准差，平均值等。
一种称为自动编码器的无监督技术被应用于提取特征，以确定原始数据中的隐藏模式。

自动编码器是一种无监督学习方法，通过应用反向传播将目标值设置为与输入相等。例如，

$\{a_1, a_2, a_3, , a_i\}$ ：未标记训练数据集的给定输入，其中== $a_i \in R^n$ ，自动编码器的目的是设置 $a_i = \widehat{a} _i$ ==。

为了提取用户和隐式上下文的long-term patterns，我们使用了基于现有网络结构的简单自动编码器[6]。图3a显示了具有三层网络的自动编码器网络结构：an input layer, a hidden layer, an output layer。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-OvzOwO3I-1589331664964)(…\2019-DeepCachNet A Proactive Caching Framework\1588580305551.png)]

hidden layer学习函数 $F_{w,b} (a)= \widehat{a}$ ，其中== $w$ 和 $b$ 是将input $a$ 连接到的hidden layer $T_2$ 网络边缘的权重。换句话说，通过使用identity function $F$ 训练每个输入实例a==，以使输出类似于输入a。通过对网络施加一些约束，例如限制隐藏单元的数量，我们可以确定输入实例a的各种特征之间的相关性，并以低维表示法 提取它们[6]。网络使用sigmoid激活函数作为identity function，其中，如果函数输出接近1，则隐藏单元为“active”，如果函数输出接近0，则为“inactive”。

对于给定的用户数据集 $A = \{a_1,a_2,a_3,…,a_i\}$

其中每个用户== $a_i$ ==有r维表示，由从原始数据中提取的**r个特征组成。我们在以下步骤**中描述自动编码器方法：

数据集 $A$ 中的所有实例需归一化。在归一化过程中，所有数值均被归一化为{0…1}，并将归一化后的数值转换为一组binary indicators。归一化后，获得归一化的数据集 $A'$ ，其中 $A'$ 中的每个实例都是 $r'$ 维的，并且每个值都在{0…1}范围内。
归一化的数据集 $A'$ 被传递到自动编码器，后者通过在归一化的数据集A’上**使用激活函数F和== $l$ ==个隐藏单元来执行训练，然后返回经过训练的**自动编码器模型。
从训练过的自动编码器模型中获得权重矩阵 $W_{l*r}'$ 。

矩阵中的每项== $w_{ij}$ 表示**从第 $j^{th}$ 个输入节点到第 $i^{th}$ ==个隐藏节点的连接边的权重**。
归一化的数据集 $A'$ 中的每个样本 $a'$ 与权重矩阵 $W(a'W^T)$ 的转置 相乘，并且激活函数F应用于所得乘法结果后的每个元素。此步骤提供了输出数据集Z。最后，数据集Z包含从连接到SBSs的用户集中提取的== $l$ ==维特征。

Content Features

由于关于内容的可用辅助信息 有限，因此传统的协作过滤方法无法确定冷启动内容的受欢迎程度。为了解决这个问题，使用了一个称为堆叠式降噪自动编码器（SDAE）的深度神经网络，其主要目的是能够从关于内容的辅助信息中自动 提取更高层次和更抽象的特征，并在较低层次的维度中定义特征 。在特征提取过程中，获取所收集的原始数据中所有内容的辅助内容描述。处理所有内容的原始内容描述，并应用词袋方法为所有内容生成向量。然后将所有内容及其关联矢量提供给SDAE，并获得内容特征。在提出的框架中，我们使用了SDAE的现有网络结构[14]。图3b显示了SDAE的图结构，其中首先通过人工噪声注入过程将具有所有内容的关联矢量的原始输入集 $c_o$ 转换为noise-corrupted的输入 $c_1$ ，以学习SDAE中的更高级别的特征表示。

the hidden layer $h_1$ 通过函数== $F_{w1,b1}$ ==将the corrupted input $c_1$ 映射到hidden representation $c_2$ 上，其中== $w_1$ 和 $b_1$ ==是将input layer == $X$ ==连接到hidden layer == $h_1$ ==的网络边的权重。

通常，隐藏层尝试使用更高级别的特征表示来重建接近 输入== $c_1$ 的输出 $c_2$ ==，即降噪自动编码（DAE）。在完成第一个DAE之后，将第一个DAE的hidden representation == $c_2$ ==视为下一个DAE的输入，这将决定第二个hidden layer == $h_2$ ==的表示。因此，重复在SDAE中堆叠多个DAE的过程，直到以下优化问题被解决：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-OcXR8eXm-1589331664969)(…\2019-DeepCachNet A Proactive Caching Framework\1588598612513.png)]

$L$ ：SDAE中layers的数量

$l$ ：SDAE中hidden layers的数量

$c_L$ ：layer L的输出

$w_l$ ：layer == $l$ ==的weight matrix

$b_l$ ：layer == $l$ ==的bias vector

$\lambda$ ：正则化参数

一旦获得了SDAE的训练模型，其隐藏层便会提供所有内容的内容特征。最后，所有内容都有其特征的关联向量。

User-Content Interaction

提供“user-content pairs”的集合，该集合通过使用现有的缓存过程中的标准过程以及[2]来执行得到。 “user-content pairs”定义了特定内容对特定用户的流行度（评价）。

词袋模型 the bag of words method

https://www.jianshu.com/p/f8300129b568

降噪自动编码器DAE

https://blog.csdn.net/satlihui/article/details/81006906

基于特征的内容流行度矩阵

传统的协作过滤的内容流行度矩阵仅反映 user-content交互，而无法反映user和负责交互的content之间的关系。我们提出的框架在内容流行度矩阵中为每个条目（评价） 添加了用户和内容的功能，该功能描述了在哪种条件下用户与内容之间发生了交互。所得矩阵称为基于特征的内容流行度矩阵，如图2b所示：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kE96pUyk-1589331664971)(…\2019-DeepCachNet A Proactive Caching Framework\1588603826696.png)]

基于特征的内容流行度矩阵中单个条目的结构定义为== $P_{x,h}, (u_1,u_2,…,u_j),(c_1,c_2,…,c_k)$ ==，其中

$P$ 是在用户特征集为 $(u_1,u_2,…,u_j)$ ，内容特征集为== $(c_1,c_2,…,c_k)$ ==的情况下，用户 $x$ ( $x\in X$ )的内容 $h$ ( $h \in H$ )的流行度或评价。

评价算法

这在主动缓存系统中广泛用于预测 内容流行度矩阵中的未知条目。 协作过滤[4]是估计内容流行度矩阵的最流行方法之一，并且它的一些变体（例如SVDFeature [15]）已在特定的环境中提出。SVDFeature是一种基于特征的协作过滤方法，旨在估计基于功能的内容受欢迎度矩阵。通过特征工程 吸收边带信息，它可以预测内容流行度矩阵中的未知条目。它可以处理大量训练数据集，并且能够进行collaborative ranking和rate prediction，并减少主动缓存所需的工程量。因此，在我们提出的框架中，我们将SVDFeature方法用作一种估计算法。

所提框架的案件分析

为了验证所提出框架的有效性，我们提出了一个案例研究。接下来，作为案例研究，我们首先从连接到SBSs的用户移动设备中收集了大量原始数据。通过DL方法从原始数据中提取相关特征，并将提取的特征用于生成基于特征的内容受欢迎度矩阵。随后，将估计算法应用于基于特征的内容流行度矩阵，以估计内容流行度，这对于为缓存过程选择流行内容非常必要。我们的案例研究包括两个主要部分，分别描述如下。

基于特征的内容流行度计算

我们的研究是基于核心网络上内容流行度评价的创新方法。 评价过程从通过SBSs连接到核心网络的用户的移动设备中收集原始数据。为了从这些移动设备获取原始数据，开发了一个Android应用程序，用于监视用户的行为及其内容。该应用程序在用户的移动设备上显示内容，从而允许用户传递有关他们的响应。可能的回应包括“prefer”和“non-prefer”。 “prefer”是内容当前与用户相关的积极信号，而“non-prefer”是对应的消极信号。对于每个响应，应用程序都会很多记录移动传感器（例如WiFi网络，灯光，麦克风，GPS），以表示有关用户的特定级别的上下文信息，并且在传递有关特定内容或文件的响应时确定situation。该应用程序还记录有关传递响应的用户的个人特征（例如性别，年龄等）的信息，以及响应内容的描述。

该应用程序安装在通过六个SBSs连接到核心网络的60个用户的移动设备中。每个用户都被要求在不同的位置使用该应用程序。我们收集了大约220个内容项的响应。总体上，记录了12455组响应（一组响应代表所收集的有关在一个位置进行响应的用户的数据）。每个集合包含userID和contentID，并记录有关用户和内容的基本信息。将深度学习方法（如先前部分所述）应用于记录的数据，并提取用户的隐藏特征和内容。

根据记录的数据和提取的特征，确定基于特征的流行度矩阵 $P \in R^{U*C}$ ，其中行和列分别表示用户和内容。矩阵中的每个条目都表示一个rating或用户== $k$ 对文件 $c$ ==给出“prefer”响应的次数。通过该rating，每个条目可以定义相应用户和内容的特征。

数值结果与讨论

基于计算出的基于特征的内容流行度矩阵，对提出的框架进行仿真以衡量其性能。性能是根据回程负载和用户满意度进行衡量的。表1中提供了仿真中使用的参数列表。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-5zrHgTFv-1589331664976)(…\2019-DeepCachNet A Proactive Caching Framework\1588686865029.png)]

我们在== $T = 120$ 分钟的内time period对提议的框架进行了仿真，并在此时间段内从收集的数据中收到了 $M = 500$ 个内容请求。由于可用资源有限，我们使用了六个SBS和500个请求。我们从计算出的基于特征的内容流行度矩阵中获取所有请求内容的特征。所有请求都伪随机分配给 $B = 6$ ==的SBSs中，且平均的分配给存储容量（回程链路和无线small cell链路容量）。 SBSs根据traffic arrival过程和具有traffic强度的泊松过程为用户提供服务。 == $ZipF(\alpha)$ ==分发用于绘制用户的内容请求。整个模拟过程包含两个部分。

Content Popularity Estimation

该部分表示对核心网络上内容受欢迎程度的估计。整个估计过程应用于构建的基于特征的内容流行度矩阵。我们在数值设置中验证了以下估算方法：

Arbitrary Caching[2]：内容缓存以任意方式均匀地执行。
Ground Truth：完整的流行度矩阵== $P$ ==用于确定内容的流行度，并且以贪婪的方式缓存最流行的内容。
Collaborative Filtering [4]：以任意方式均等地选择存储在完整流行度矩阵中的40％的ratings，并将其用于估计矩阵== $P$ ==的训练集。然后，通过使用CF将矩阵P中的其余ratings用作测试集，并相应地存储最受欢迎的内容。
Feature-Based Collaborative Filtering：完整流行度矩阵中40％的条目和其各自特征以任意方式均等地挑选出来，并用作估计 矩阵P的训练集。然后，将矩阵P中的其余ratings及其特征用作测试集，并通过使用SVDFeature进行预测[15]，并相应地存储最受欢迎的内容。

Caching at the SBS

在这部分中，估计的核心网络上的流行内容会贪婪地存储在SBS上，直到没有空间可用为止，如[3]所示。所提出框架的性能是根据用户满意度和回程负载来衡量的。用户满意率描述为以给定目标速率 提供的内容的比例，而回程负载表示由回程链路承载的流量在 通过内容请求的流量的总共可能的数量 中所占的比例。确定回程负载和满意度的详细过程可以在[3]中找到。

关于回程容量，存储大小和流量强度的回程负载和用户满意度的变化如图4所示，并在下面进行讨论：

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-30ji2DDZ-1589331664979)(…\2019-DeepCachNet A Proactive Caching Framework\1588899379792.png)]

Variation in the Backhual Capacity( $I' _d$ )：回程链路的总容量( $\sum I' _d$ )小于 无线链路的容量( $\sum I _d$ )。在所有情况下，回传容量的提升显然会促进满意度的增长，因为任何内容都是通过回传提供的，而SBS的缓存中没有这些内容。因此，回传容量的升级消除了内容提供过程中的障碍，从而提高了用户的满意度。但是，因为实验假定 模拟中的内容受欢迎程度在T时间段内是固定的，因此回传负载在内容交付期间不会发生变化，并且随着回传容量的变化而保持固定。图4a显示，与CF相比，基于特征的CF实现回程卸载和满意度提高分别高达6.2％和6.9％。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-eoKlBwJj-1589331664980)(…\2019-DeepCachNet A Proactive Caching Framework\1588899412175.png)]
Variation in the Storage Size：存储大小是启用缓存的SBS中的主要参数。通常，在回程卸载和用户满意度方面，更大的存储可产生更好的性能结果。图4b显示，在我们的数据设置中，ground truth基准获得了最大的回程负载减少和最大的满意率增长。 任意缓存方法可实现最坏情况的性能。由于冷启动问题，CF方法提供的性能水平可与任意缓存相媲美，而基于特征的CF的回程卸载和满意率却接近于地面真理方法。可以看出，基于功能的CF比CF具有更好的性能，回程卸载和满意度分别提高了6.2％和20％。[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-J0i85Oyh-1589331664982)(…\2019-DeepCachNet A Proactive Caching Framework\1588899784445.png)]
Variation in the Traffic Intensity( $\alpha$ )：流量强度 代表在给定时隙内到达的请求的平均数量。流量强度的增加会增加网络中的瓶颈，进而导致满意度降低。另一方面，回程负载随流量强度的变化而保持恒定。图4c显示，与所有其他方法相比，任意缓存实现了最差的性能，而ground truth方法获得了最高的性能。但是，基于特征的CF的性能仅次于理ground truth方法，与CF方法相比，回程卸载和满意度提高分别高达6.2％和30％。[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Vf8Vhwbj-1589331664984)(…\2019-DeepCachNet A Proactive Caching Framework\1588900699809.png)]

最后，我们将我们的研究工作与蜂窝网络上的主动缓存领域的最新研究工作进行了比较。表2从数据访问方法，冷启动和数据稀疏性问题，内容分析平台，内容流行度矩阵，估计算法和隐藏模式分析等方面，对我们现有框架对现有方法进行了定性评估。 我们的框架引入了新颖的DL方法来提取用户和内容的隐藏模式，从而减轻了冷启动和数据稀疏的挑战，从而在网络边缘提供了有效的主动缓存。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-VNpHEcEh-1589331664986)(…\2019-DeepCachNet A Proactive Caching Framework\1588927941140.png)]

总结

在本文中，我们通过处理从连接到SBSs的用户的移动设备收集的原始数据，并通过对所收集的数据进行深度学习以提取用户的特征和内容，从而为蜂窝网络提出了一种新颖的主动缓存框架来预测内容在核心网络中的受欢迎程度。另外，基于在核心网络获得的预测，我们进行了数值研究，并在回程卸载和特定SBS的缓存用户满意度方面获得了显着的成效。我们的发现表明，框架中基于特征的设置可提供有关用户-内容交互的更多信息，以消除内容流行度矩阵中数据的稀疏性，从而克服了数据稀疏性和冷启动问题，从而提高了网络边缘主动缓存的有效性。

SH 思考

这篇文章主要是关于内容流行度矩阵的讨论，可以对提出的框架结合其他好的缓存的算法

DeepCachNet A Proactive Caching Framework Based on Deep Learning in Cellular Networks论文阅读