基于深度学习的软件定义缓存策略研究

Caching and software-defined technology as important means supporting the high performance of future network, have broad application prospects in 5G networks, Internet of Vehicles, virtual / augmented reality and other fields. Traditional in-network caching technologies lacks accurate method of content selection and effective inter-node cooperation mechanism, leading to the extensive waste of cache resources. With the help of Deep Learning, the spatio-temporal features of multi-modal data can be mined to achieve accurate identification and high intelligence. This project intends to study in-network caching technology through deep learning and software defined network. Firstly, design the software-defined architecture and key interaction management method which are managed by multi-level and widely distributed cache resources by using the idea of software-defined control separation. Secondly, the deep learning technology is used to mine the spatio-temporal features of datasets in multi-modal correlated cache information, and an efficient prediction algorithm of network content popularity is designed. Thirdly, we study the key elements of cooperation among multiple cache nodes and design a multi-target dynamic content cache strategy to maximize the utilization of cache resources with more accurate content co-location.

内容缓存和软件定义作为下一代网络两个重要的研究方向，在5G网络、车联网、虚拟/增强现实等领域具有广阔应用前景。传统内容中心网络缓存技术缺乏精准的内容选取方法和有效的节点间协作机制，缓存资源浪费严重。利用深度学习挖掘多模态数据的时空特征，具有识别准确、智能性高等优势，利用软件定义网络感知调度全网分布的缓存资源，为缓存研究提供全新的研究思路。本课题拟通过深度学习和软件定义对缓存技术展开深入研究。首先，利用软件定义控制分离的思想，设计多层级广域分布缓存资源管理的软件定义架构及关键交互管理方法。其次，利用深度学习技术对多模态关联缓存信息数据集进行时空特征的挖掘，设计高效的网络内容流行度预测算法。最后，研究多缓存节点协作的关键要素，设计多目标动态内容缓存策略，以更精准的内容联合放置实现缓存资源利用率的最大化。

随着网络通信技术的发展，移动设备日益普及，资源密集型和数据密集型应用喷涌而出，网络流量以每年1.7 倍的趋势爆炸式增长。与此同时，逐渐兴起的下一代移动网络(5th GenerationMobile Networks, 5G) 、海量流媒体分发、虚拟现实/ 增强现实(VirtualReality/Augmented Reality，VR/AR)、车联网(Internet of Vehicles)应用也在传输能力、服务时延等方面对网络提出更高要求，如何实现网络持续高质量服务已然成为一个重要研究课题。内容缓存和软件定义技术作为下一代网络实现低延时、高可靠和高带宽需求的关键技术之一，为应对以上挑战提供了重要的研究方向。近年来缓存领域的研究呈现多学科交叉的趋势，迫切需要引入人工智能技术来实现更加高效的缓存策略。本课题拟研究基于深度学习的软件定义缓存策略，结合深度学习和软件定义技术，提高下一代网络缓存的智能性和认知性。基于此，我们主要对内容缓存和调配、网络流量预测以及多节点任务卸载和缓存部署等方面进行了研究，提出相应算法并建立边缘计算实验平台进行了验证。具体地，研究主要从以下三个方面展开：1）实现了面向多码率视频的边缘缓存和计算策略，我们利用基于学习的人工智能算法，根据实时用户请求和边缘云资源使用情况进行联合优化；2）设计了基于移动流量预测的自适应资源分配算法。我们基于加入了注意力机制的LSTM算法建立了移动网络流量预测模型，并通过远程云上的认知引擎进行智能调度和资源分配，从而提高网络可靠性、降低延迟；3）研究了无人机集群下网络资源协同的多任务卸载策略，并提出了包括提前部署和实时部署的无人机集群动态部署策略。