无线互联网 Handout 06 DL for MEC 王晟 博士教授博导 2020年秋季无线互联网 1
DL for MEC 王晟 博士 教授 博导 无线互联网 Handout 06 2020年秋季 无线互联网 1
Motivation#1 本课程一直以来讨论的都是传统/经典的资源分配问题 四“通信”资源：信道、功率、传输决策，等等. 但是：无线边缘网络的发展出现了新趋势. 四原本应用层的处理逻辑“下沉”到边缘网络. Mobile Edge Caching/Computation:MEC. 对用户体验来说是好事：就近获取内容；获取处理能力；减少延迟 ◆对骨干网络来说是好事：核心骨干中的流量（重复请求）减少. 对边缘网络来说，却是挑战：如何管控“新资源”：Cache/.Server. 本单元的目的：通过两类具体的论题来感受一下这些新的 资源分配问题 2020年秋季 2/65 无线互联网
Motivation#1 2020年秋季 2 / 65 无线互联网 本课程一直以来讨论的都是传统/经典的资源分配问题. “通信”资源: 信道、功率、传输决策, 等等. 但是: 无线边缘网络的发展出现了新趋势. 原本应用层的处理逻辑“下沉”到边缘网络. Mobile Edge Caching/Computation: MEC. 对用户体验来说是好事: 就近获取内容; 获取处理能力; 减少延迟. 对骨干网络来说是好事: 核心骨干中的流量(重复请求)减少. 对边缘网络来说, 却是挑战: 如何管控“新资源”: Cache/Server. 本单元的目的: 通过两类具体的论题来感受一下这些新的 资源分配问题
Motivation#2 差不多与MEC的兴起同时，深度学习(DL)兴起. 四传统机器学习的几个分支都受到极大影响： 监督学习和非监督学习中特征工程的困难被克服， 强化学习也因为有了更好的函数近似器而接近实用. ①从效果来看，复杂困难的工程问题似乎一夜之间多了一个 通用的解决思路：DL. MEC中的各种复杂资源管控问题适逢其时. ◆IEEE survey&tutorials、Arxiv上一堆各种综述， 本单元的目的：介绍几个案例，展示DL的应用. 2020年秋季 3/65 无线互联网
Motivation#2 2020年秋季 3 / 65 无线互联网 差不多与MEC的兴起同时, 深度学习(DL)兴起. 传统机器学习的几个分支都受到极大影响: 监督学习和非监督学习中特征工程的困难被克服. 强化学习也因为有了更好的函数近似器而接近实用. 从效果来看, 复杂/困难的工程问题似乎一夜之间多了一个 通用的解决思路: DL. MEC中的各种复杂资源管控问题适逢其时. IEEE survey& tutorials、Arxiv上一堆各种综述. 本单元的目的: 介绍几个案例, 展示DL的应用
案例研究 通过几个具体的案例(paper): 四介绍无线边缘网络中新的资源管控问题. ©引入DL来解决/辅助解决相关问题的思路： 案例研究的特点： 挂一漏万：不可能涵盖MEC,DL中的所有论题， 假定有一定的相关基础. 四管中窥豹：希望所选案例具有代表性 》但选择依据只是个人观点，反应的是我的无知 2020年秋季 4/65 无线互联网
案例研究 2020年秋季 4 / 65 无线互联网 通过几个具体的案例(paper): 介绍无线边缘网络中新的资源管控问题. 引入DL来解决/辅助解决相关问题的思路. 案例研究的特点: 挂一漏万: 不可能涵盖MEC, DL中的所有论题. è 假定有一定的相关基础. 管中窥豹: 希望所选案例具有代表性. è但选择依据只是个人观点, 反应的是我的无知
CASE#1 [Rathore2019]Shailendra Rathore,Jung Hyun Ryu,Pradip Kumar Sharma, and Jong Hyuk Park,"DeepCachNet:A Proactive Caching Framework Based on Deep Learning in Cellular Networks",/EEE Network. May/June 2019,pp130-138 Proactive Caching 四预测有可能请求的内容（网页、视频等）； 四缓存于基站旁的服务器上. 本地用户请求内容时，由cache.直接响应：减少延迟， ◆若用户反复请求同一内容（足够流行），Cache可以减少骨干网流量， ?核心问题：如何决定缓存哪些内容？ 2020年秋季 5/65 无线互联网
CASE#1 2020年秋季 5 / 65 无线互联网 [Rathore2019]Shailendra Rathore, Jung Hyun Ryu, Pradip Kumar Sharma, and Jong Hyuk Park, “DeepCachNet: A Proactive Caching Framework Based on Deep Learning in Cellular Networks”, IEEE Network • May/June 2019, pp130-138 Proactive Caching 预测有可能请求的内容(网页、视频等); 缓存于基站旁的服务器上. 本地用户请求内容时, 由cache直接响应: 减少延迟. 若用户反复请求同一内容(足够流行), Cache可以减少骨干网流量. 核心问题: 如何决定缓存哪些内容?