在基于蜂窝通信演进形成的车用无线通信技术(Cellular-Vehicle to everything,C-V2X)场景下,基站作为多接入边缘计算(Multi-access Edge Computing,MEC)边缘缓存节点可提高用户获取数据的效率,但其缓存容量有限.因此,C-V2X中如何准确预...在基于蜂窝通信演进形成的车用无线通信技术(Cellular-Vehicle to everything,C-V2X)场景下,基站作为多接入边缘计算(Multi-access Edge Computing,MEC)边缘缓存节点可提高用户获取数据的效率,但其缓存容量有限.因此,C-V2X中如何准确预测缓存请求内容成为待解决的重要问题.本文从文件请求的时变性出发,针对实际的城市场景,采用Simulation of Urban MObility(SUMO)对交通流进行建模;其次,通过采集实际网站分时分类的点击量数据,并根据各路段交通流规律进行预处理,构建用户请求模型;最后,利用Long Short-Term Memory(LSTM)深度学习模型进行训练,预测各基站的文件请求.仿真结果表明,在网易新闻流行度分布和请求间隔分布形成的文件请求下,vanillaLSTM模型对娱乐类型数据集预测时的均方根误差在1.3左右.展开更多
组播在支持日益增长的多媒体应用方面具有广阔的应用前景,面向组播的虚拟网络功能放置是网络功能虚拟化中不可避免的研究趋势.然而,对于该问题的大多数研究都聚焦于静态网络环境,难以应对网络中的各种资源随着时间动态变化,组播服务功能...组播在支持日益增长的多媒体应用方面具有广阔的应用前景,面向组播的虚拟网络功能放置是网络功能虚拟化中不可避免的研究趋势.然而,对于该问题的大多数研究都聚焦于静态网络环境,难以应对网络中的各种资源随着时间动态变化,组播服务功能链(Service Function Chaining,SFC)请求动态到达的真实场景.本文提出一种基于组播SFC请求预测的足球联赛竞争算法,以Informer模型为基础,预测即将到达的组播SFC请求.基于足球联赛竞争的组播虚拟网络功能放置算法,设计多维个体编码策略,一次性求解所有活动组播组的SFC映射方案,提前部署预测的请求.针对预测结果与真实结果不一致的情况,提出一种由正向搜索与反向搜索组成的快速修复策略以完成对请求的快速响应.仿真结果表明,对比其它两种预测模型,Informer在组播SFC请求预测上取得了更低的均方误差与平均绝对误差.此外,与七种经典的启发式算法和深度强化学习算法相比,提出的算法在端到端时延和计算资源消耗方面达到更优性能的同时,取得了更低的组播SFC请求响应时间.展开更多
文摘在基于蜂窝通信演进形成的车用无线通信技术(Cellular-Vehicle to everything,C-V2X)场景下,基站作为多接入边缘计算(Multi-access Edge Computing,MEC)边缘缓存节点可提高用户获取数据的效率,但其缓存容量有限.因此,C-V2X中如何准确预测缓存请求内容成为待解决的重要问题.本文从文件请求的时变性出发,针对实际的城市场景,采用Simulation of Urban MObility(SUMO)对交通流进行建模;其次,通过采集实际网站分时分类的点击量数据,并根据各路段交通流规律进行预处理,构建用户请求模型;最后,利用Long Short-Term Memory(LSTM)深度学习模型进行训练,预测各基站的文件请求.仿真结果表明,在网易新闻流行度分布和请求间隔分布形成的文件请求下,vanillaLSTM模型对娱乐类型数据集预测时的均方根误差在1.3左右.
文摘组播在支持日益增长的多媒体应用方面具有广阔的应用前景,面向组播的虚拟网络功能放置是网络功能虚拟化中不可避免的研究趋势.然而,对于该问题的大多数研究都聚焦于静态网络环境,难以应对网络中的各种资源随着时间动态变化,组播服务功能链(Service Function Chaining,SFC)请求动态到达的真实场景.本文提出一种基于组播SFC请求预测的足球联赛竞争算法,以Informer模型为基础,预测即将到达的组播SFC请求.基于足球联赛竞争的组播虚拟网络功能放置算法,设计多维个体编码策略,一次性求解所有活动组播组的SFC映射方案,提前部署预测的请求.针对预测结果与真实结果不一致的情况,提出一种由正向搜索与反向搜索组成的快速修复策略以完成对请求的快速响应.仿真结果表明,对比其它两种预测模型,Informer在组播SFC请求预测上取得了更低的均方误差与平均绝对误差.此外,与七种经典的启发式算法和深度强化学习算法相比,提出的算法在端到端时延和计算资源消耗方面达到更优性能的同时,取得了更低的组播SFC请求响应时间.
