A Learning-Based Caching Mechanism for Edge Content Delivery

随着5G网络的出现和物联网（IoT）的兴起，内容分发网络（CDN）越来越延伸到网络边缘。这种转变带来了独特的挑战，特别是由于边缘的有限缓存存储和多样化的请求模式。这些边缘环境可以托管由不同的对象大小分布和对象访问模式特征的流量类别。这种复杂性使得传统的缓存策略难以有效地工作，这些策略通常依赖于请求频率或时间间隔等指标。尽管存在这些复杂性，但优化边缘缓存至关重要。边缘缓存的改进不仅可以减轻网络骨干的负担，还可以最小化运营成本并加快内容传递给终端用户的速度。 在本文中，我们介绍了HR-Cache，这是一个基于危险率（HR）排序原则的综合学习缓存框架，该原则最初是为了计算缓存性能的上限而制定的。HR-Cache利用这个规则来指导未来的对象驱逐决策。它采用了一个轻量级的机器学习模型，从基于HR排序的缓存决策中学习，随后预测即将到来的请求的“缓存友好度”。被认为是“不适合缓存”的对象被放置在缓存中作为优先驱逐候选对象。通过广泛的实验，我们证明了HR-Cache不仅与现有的最先进方法相比始终提高了字节命中率，而且在预测开销最小的情况下实现了这一点。 我们的实验结果使用三个真实世界的跟踪和一个合成跟踪，表明HR-Cache始终比LRU实现2.2-14.6%的更大的WAN流量节省。它不仅优于启发式缓存策略，而且优于最先进的基于学习的算法。

本论文旨在解决CDN边缘缓存的优化问题，提出HR-Cache框架，以提高字节命中率并降低网络负载和运营成本。

HR-Cache框架基于Hazard Rate（HR）排序原理和轻量级机器学习模型，通过学习缓存决策并预测请求的“缓存友好度”，以指导未来的对象驱逐决策。

HR-Cache框架在三个真实世界跟踪和一个合成跟踪上进行了广泛的实验，并表明与现有最先进的方法相比，HR-Cache不仅始终提高了字节命中率，而且在预测开销最小的情况下实现了这一点。

在相关研究方面，最近的一些研究包括：《A Survey of Edge Caching Techniques for Content Delivery Networks》、《A Survey of Machine Learning for Networking: Challenges and Opportunities》、《Deep Reinforcement Learning for Online Service Caching in Vehicular Networks》等。