基于大数据分析的缓存与无线传输资源管理

Big data analysis makes the prediction of human behavior becoming possible. Exploiting the user behavior-related information predicted with wireless big data provides a revolutionary way to manage resources in and dramatically improve performance of wireless networks. The human behavior information closely related to wireless network resource management includes application level, network level, and user level information. This project strives to reveal the performance potential of optimally using radio transmission and caching resources by predicting different levels of information with the help of big data analytics. The impact of the uncertainty of predicting various levels of information on the performance of wireless networks will be analyzed. The information will be predicted in off-line or on-line manner using the machine learning tools such as reinforcement learning, with which the low complexity radio and caching resource management policies will be proposed. The results will provide theoretical foundation on supporting the big data traffic with low cost by effectively exploiting computing and caching resources. We first study the proactive resource management with perfect prediction information, including the caching resource management with given transmission mode, the transmission resource management with given caching policy, and joint caching and transmission resource management. We then study the proactive resource management with imperfectly predicted information, including analyzing the impact of the prediction uncertainty on wireless access and caching performance, and optimizing the transmission and caching policies with the imperfect prediction information. Finally, we study the user behavior related information prediction and the proactive resource management based on big data analytics, including proactive caching and transmission policies based on prediction, and semi-proactive caching and transmission based on the on-line learning.

大数据分析使预测人类行为成为可能，利用无线大数据预测的用户行为信息有望为大幅度提升无线网络性能、革命性地改变无线资源管理方式开辟崭新的途径。与无线网络资源管理密切相关的人类行为信息包括应用级、网络级和用户级信息。本项目基于大数据分析的预测能力，揭示通过预测各级信息优化无线传输和缓存资源的性能潜力，分析不同信息的预测不确定性对无线网络性能的影响，提出利用强化学习等机器学习理论对各级信息进行预测并进行低复杂度传输与存储资源管理的方法，为有效利用计算和存储资源以低成本无线传输大数据业务能力奠定理论基础。首先研究基于理想预测信息的主动资源管理，包括给定传输方式的存储资源管理、给定存储方式的传输资源管理、及存储与传输资源的联合管理。其次，研究基于非理想预测信息的主动资源管理，包括缓存和传输性能对信息预测不准确程度的敏感程度、及预测信息非理想时的缓存和传输策略优化。最后，研究基于大数据分析的人类行为信息获取与主动资源管理，包括基于预测的主动存储与传输方法、以及基于在线学习信息的半主动存储与传输方法。

大数据分析表明与用户行为有关的情境信息是可预测的。本项目旨在揭示通过预测多级情境信息分配传输和缓存资源来提升无线网络性能和用户体验的性能潜力，分析预测不确定性及其对网络性能的影响，提出利用机器学习预测文件流行度、用户喜好和活跃度、秒级分辨率的网络流量/移动轨迹/平均信道和平均数据率等信息的方法，提出低复杂度的主动缓存和预测资源分配策略，为有效利用无线边缘资源奠定理论基础。..我们探索了利用网络和用户级情境信息提前分配传输资源、利用应用级情境信息主动缓存内容的机制，优化了主动缓存和预测资源分配策略。研究发现，辅助节点密度与缓存容量之间存在折中，基站缓存异构网能以三分之一的微基站密度达到与回传受限传统异构网相同的区域频谱效率；缓存辅助D2D网络能以较少的用户能耗带来较大的分流增益；预测干扰协调策略在预测窗较长时明显优于非预测资源分配；联合优化的随机调度和概率缓存策略相对于独立优化具有明显的分流增益。..我们分析了内容流行度、车辆轨迹、网络流量和平均数据率预测的不确定性，及其对主动缓存和传输性能的影响。研究发现，流行度预测存在加性误差、虚警和漏警三种不确定性，在不同的数据集上对主动缓存性能的影响不同；主动缓存策略和预测资源分配的性能受预测误差影响不大。..我们基于实测数据分析了用户行为的统计特性，提出了基于离线训练和在线学习的主动资源管理策略。研究发现，基于用户喜好和活跃度优化缓存策略可以大幅度提升网络性能与用户公平性；无线边缘多播的机会非常有限、分流内容分发业务的增益不大，基站主动缓存在分流回传流量方面的潜力取决于流行度的预测性能；提出了基于强化学习的群推荐提升缓存效率，提出了基于联邦学习的主动缓存解决用户隐私问题，提出了基于多代理强化学习的分布式干扰协调策略。..我们的研究结果揭示了利用行为信息提前分配无线边缘缓存和传输资源的潜力，对如何针对主动资源管理设计预测器提供了指导，探索了实现主动缓存和预测资源分配的关键技术。