論文の概要: Applying Machine Learning Techniques for Caching in Edge Networks: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2006.16864v4
• Date: Tue, 3 Nov 2020 18:05:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 12:41:45.415844
• Title: Applying Machine Learning Techniques for Caching in Edge Networks: A Comprehensive Survey
• Title（参考訳）: エッジネットワークのキャッシングに機械学習技術を適用する - 包括的調査
• Authors: Junaid Shuja, Kashif Bilal, Waleed Alasmary, Hassan Sinky, Eisa Alanazi
• Abstract要約: 機械学習技術は、ユーザの好みに基づいてコンテンツの人気を予測するために応用できる。 これらの機械学習の応用は、エッジネットワークの関連コンテンツを特定するのに役立つ。 本稿では,エッジネットワークにおけるネットワーク内キャッシュに対する機械学習手法の適用について検討する。
• 参考スコア（独自算出の注目度）: 3.985352415162327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Edge networking is a complex and dynamic computing paradigm that aims to push cloud resources closer to the end user improving responsiveness and reducing backhaul traffic. User mobility, preferences, and content popularity are the dominant dynamic features of edge networks. Temporal and social features of content, such as the number of views and likes are leveraged to estimate the popularity of content from a global perspective. However, such estimates should not be mapped to an edge network with particular social and geographic characteristics. In next generation edge networks, i.e., 5G and beyond 5G, machine learning techniques can be applied to predict content popularity based on user preferences, cluster users based on similar content interests, and optimize cache placement and replacement strategies provided a set of constraints and predictions about the state of the network. These applications of machine learning can help identify relevant content for an edge network. This article investigates the application of machine learning techniques for in-network caching in edge networks. We survey recent state-of-the-art literature and formulate a comprehensive taxonomy based on (a) machine learning technique (method, objective, and features), (b) caching strategy (policy, location, and replacement), and (c) edge network (type and delivery strategy). A comparative analysis of the state-of-the-art literature is presented with respect to the parameters identified in the taxonomy. Moreover, we debate research challenges and future directions for optimal caching decisions and the application of machine learning in edge networks.
• Abstract（参考訳）: エッジネットワーキングは複雑な動的コンピューティングパラダイムであり、クラウドリソースをエンドユーザに近づけて応答性を改善し、バックホールトラフィックを減らすことを目的としている。 ユーザモビリティ、好み、コンテンツの人気は、エッジネットワークの主要な動的機能である。 コンテンツの時間的および社会的特徴、例えばビューの数やいいね!は、グローバルな視点からコンテンツの人気を推定するために利用される。 しかし、そのような推定は、特定の社会的・地理的特徴を持つエッジネットワークにマッピングするべきではない。 次世代のエッジネットワーク、すなわち5gおよび5g以降では、機械学習技術を使用して、ユーザの好みに基づくコンテンツ人気予測、類似したコンテンツ関心に基づくクラスタユーザ、キャッシュ配置と置換戦略の最適化、ネットワークの状態に関する制約と予測を提供することができる。 これらの機械学習の応用は、エッジネットワークの関連コンテンツを特定するのに役立つ。 本稿では,エッジネットワークにおけるネットワーク内キャッシュに対する機械学習手法の適用について検討する。 我々は最新の文献を調査し,包括的分類法を定式化する。 (a)機械学習技術(方法論、目的、特徴) (b)キャッシング戦略(政治、位置、交換)及び (c)エッジネットワーク(型とデリバリ戦略)。 分類学で同定されたパラメータに関して,最先端の文献の比較分析を行った。 さらに、最適なキャッシュ決定のための研究課題と今後の方向性、エッジネットワークにおける機械学習の適用について論じる。

関連論文リスト

• Link Prediction for Social Networks using Representation Learning and Heuristic-based Features [1.279952601030681]
  ソーシャルネットワークのリンク不足を効率的に予測することは、現代の様々なビジネスアプリケーションに役立つ。 本稿では,ソーシャルネットワークにおけるノードとエッジの表現を生成するための様々な特徴抽出手法について検討する。
  論文  参考訳（メタデータ） (2024-03-13T15:23:55Z)
• Visualization Of Class Activation Maps To Explain AI Classification Of Network Packet Captures [0.0]
  ネットワーク内のコネクションの数と新しいアプリケーションの追加は、大量のログデータを引き起こします。 ディープラーニング手法は、特徴抽出と単一システムにおけるデータからの分類の両方を提供する。 本稿では、ネットワークデータの分類と説明技法を組み合わせて、専門家、アルゴリズム、データ間のインターフェースを形成する視覚対話型ツールを提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:34:43Z)
• Learning with Capsules: A Survey [73.31150426300198]
  カプセルネットワークは、オブジェクト中心の表現を学習するための畳み込みニューラルネットワーク(CNN)に代わるアプローチとして提案された。 CNNとは異なり、カプセルネットワークは部分的に階層的な関係を明示的にモデル化するように設計されている。
  論文  参考訳（メタデータ） (2022-06-06T15:05:36Z)
• TEDGE-Caching: Transformer-based Edge Caching Towards 6G Networks [30.160404936777947]
  6Gネットワークにおけるモバイルエッジキャッシュ(MEC)は,グローバルなモバイルデータトラフィックの驚くべき成長に対応するための効率的なソリューションとして進化してきた。 近年のディープニューラルネットワーク(DNN)の進歩は、プロアクティブキャッシュ方式におけるコンテンツ人気を予測するために、多くの研究が注目されている。 本稿では,注目に基づく視覚変換(ViT)ニューラルネットワークを組み込んだエッジキャッシュフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-01T16:38:18Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• A Survey on Reinforcement Learning-Aided Caching in Mobile Edge Networks [12.470038211838363]
  モバイルネットワークは、データ量とユーザ密度が大幅に増加している。 この問題を軽減する効率的な手法は、エッジネットワークノードのキャッシュを利用してデータをユーザに近づけることである。 機械学習とワイヤレスネットワークの融合は、ネットワーク最適化に有効な手段を提供する。
  論文  参考訳（メタデータ） (2021-05-12T10:30:56Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• A Survey of Deep Learning for Data Caching in Edge Network [1.9798034349981157]
  本稿では,エッジネットワークにおけるデータキャッシングにおけるディープラーニングの利用について要約する。 まず、コンテンツキャッシングにおける典型的な研究トピックを概説し、ネットワーク階層構造に基づく分類を定式化する。 次に、教師なし学習から教師なし学習、強化学習まで、多くの重要なディープラーニングアルゴリズムが提示される。
  論文  参考訳（メタデータ） (2020-08-17T12:02:32Z)
• Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
  グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
  論文  参考訳（メタデータ） (2020-06-23T04:13:23Z)
• Incentive Mechanism Design for Resource Sharing in Collaborative Edge Learning [106.51930957941433]
  5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。 これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
  論文  参考訳（メタデータ） (2020-05-31T12:45:06Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。