【标题】A Deep Reinforcement Learning-Based Caching Strategy for IoT Networks with Transient Data

【作者团队】Hongda Wu, Ali Nasehzadeh, Ping Wang

【发表日期】2022.3.16

【论文链接】https://arxiv.org/pdf/2203.12674.pdf

【推荐理由】物联网（IoT）在过去几年不断崛起，其潜力现在更加明显。然而，瞬态数据生成和有限的能源资源是这些网络的主要瓶颈。此外，最小延迟和其他常规服务质量测量仍然是需要满足的有效要求。高效的缓存策略可以帮助满足标准的服务质量要求，同时绕过物联网网络的特定限制。采用深度强化学习 (DRL) 算法使可以开发有效的缓存方案，而无需任何先验知识或上下文信息。本文提出了一种基于 DRL 的缓存方案，可以提高缓存命中率并降低物联网网络的能耗，同时，考虑到物联网数据的数据新鲜度和有限的生命周期。为了更好地捕捉区域​​不同的流行度分布，其提出了一种分层架构来在物联网网络中部署边缘缓存节点。综合实验结果表明，该方法在物联网网络的缓存命中率和能耗方面优于众所周知的传统缓存策略和现有的基于 DRL 的解决方案。

内容中包含的图片若涉及版权问题，请及时与我们联系删除