异构网络中基于MADDPG的协作边缘缓存策略研究
由于大量用户和设备共存,移动网络经历了数据量和用户密度的巨大增长.在宏基站(macro base station,MBS)覆盖区域内部署小蜂窝基站(small basic station,SBS),并提前在SBS缓存热门内容,是下一代移动通信网络提供高速、低时延服务的有效手段.针对异构网络环境不稳定以及难以找到精确的数学模型进行优化的问题,提出一种基于传输时延最小的异构网络协作边缘缓存算法.首先以 Markov移动预测模型为基础,考虑用户社交关系对于用户移动性的影响,给出了新的用户移动位置预测方法;其次,采用多智能体深度确定性策略梯度(multi-agent deep deterministic policy gradient,MADDPG)算法,通过用户关联、延迟控制和缓存设计来减少内容传输时延并提高缓存命中率.仿真结果表明,同传统DDPG和Greedy算法相比,MADDPG算法缓存命中率分别提高17.89%和42.71%,内容传输时延分别降低9.07%和12.86%,能够有效地解决异构网络中的资源分配和缓存设计问题.
异构网络、边缘缓存、资源分配、深度强化学习
43
TN929.5
国家自然科学基金;江苏省基础研究计划;江苏省双创博士人才项目;南京信息工程大学滨江学院科研启动项目
2024-02-27(万方平台首次上网日期,不代表论文的发表时间)
共10页
60-69