Метод інтелектуального управління контентом у мережах мобільного зв’язку

DOI: 10.31673/2412-4338.2020.031526

Анотація

З появою мереж мобільного зв’язку 5G, користувачі очікують абсолютно нових послуг з багатим мультимедійним контентом. Забезпечення таких вимог в рамках фізичних обмежень доступності інфраструктури та радіочастотного ресурсу є складним завданням, яке заважає операторам правильно масштабувати свої послуги. На сьогодні, оператори мобільного зв’язку змушені інвестувати значні суми у свою інфраструктуру, щоб максимізувати пропускну здатність за рахунок ущільнення мережної інфраструктури та більшого коефіцієнту повторного використання частот. Проте, це призводить до зростання вартості управління мережею для оператора, і відповідно, вищій вартості послуг для кінцевих користувачів. На сьогоднішній час, із розвитком штучного інтелекту, хмарних та крайових обчислень, мережа стає більш гнучкою, що відкриває багато можливостей операторам для підвищення продуктивності та якості функціонування мережі. В даній статті запропоновано новий підхід до управління контентом у мережі мобільного зв’язку за допомогою прогнозованого кешування громіздкого мультимедійного контенту на граничних серверах. Запропонований метод базується на прогнозуванні популярності контенту за допомогою рекурентних нейронних мереж. Це дає змогу гарантувати доставку необхідного контенту у безпосередній близькості до цільового користувача до того часу, коли він буде необхідний. Результати моделювання показують, що запропонована модель забезпечує точність понад 90% як в межах доби, так і протягом кількох діб. Крім того, розроблено метод персоналізованого кешування контенту з використанням апаратних ресурсів пристроїв користувачів, який працює на основі аналізу вподобань користувача та забезпечує проактивну доставку контенту. Таким чином, підхід до управління контентом, запропонований у статті дає змогу підвищити загальну продуктивність мережі за допомогою попереднього кешування контенту в періоди низького завантаження мережі. Додатковою перевагою є те, що проактивне кешування дає змогу завантажувати контент у найкращій якості, незалежно від перевантажень та вузьких місць у мережі.

Ключові слова: 5G, кешування контенту, граничні обчислення, хмарні обчислення рекурентні нейронні мережі.

Список використаної літератури
1. Zhang Z. 6G Wireless Networks: Vision, Requirements, Architecture, and Key Technologies/ Zhang Z., Xiao Y., Ma Z., Xiao M., Ding Z., Lei X., Karagiannidis G., Fa P.// IEEE Vehicular Technology Magazine, Sep. 2019. – vol. 14 – №3 – P. 28-41.
2. Zhang L. 6G Visions: Mobile ultra-broadband, super internet-of-things, and artificial intelligence/ Zhang L., Liang Y., Niyato D. // China Communications, 2019 – vol. 16 – № 8 – P. 1-14.
3. Wang X., Chen M., Taleb T., Ksentini A., Leung V. Cache in the air: exploiting content caching and delivery techniques for 5G systems/Wang X., Chen M., Taleb T., Ksentini A., Leung V.// IEEE Communications Magazine, 2014 – vol. 52, № 2 – P. 131-139.
4. Tandon R. Harnessing cloud and edge synergies: toward an information theory of fog radio access networks / Tandon R. Simeone O.// IEEE Communications Magazine, 2016. – vol. 54 – № 8 – P.44-50.
5. Han W. PHY-caching in 5G wireless networks: design and analysis/ Han W., Liu A., Lau V. //IEEE Communications Magazine, 2016. – vol. 54 – № 8 – P. 30-36.
6. Wang X. Tag-assisted social-aware opportunistic device-to-device sharing for traffic offloading in mobile social networks / Wang X., Sheng Z., Yang S. Leung V //IEEE Wireless Communications, 2016, – vol. 23 – № 4 – P. 60-67.
7. Zhang X. Information Caching Strategy for Cyber Social Computing Based Wireless Networks/ Zhang X., Li Y., Zhang Y., Zhang J., Li H., Wang S., Wang D.// IEEE Transactions on Emerging Topics in Computing, 2017 – vol. 5 – № 3 – P. 391-402.
8. Hajimirsadeghi M. Joint Caching and Pricing Strategies for Popular Content in Information Centric Networks/ Hajimirsadeghi M., Mandayam N., Reznik A. // IEEE Journal on Selected Areas in Communications, 2017 – vol. 35 – № 3 – P. 654-667.
9. Ma L. An SDN/NFV based framework for management and deployment of service based 5G core network/ Ma L., Wen X., Wang L., Lu Z., Knopp R. // China Communications, Oct. 2018 – vol. 15 – №10 – P. 86-98.
10. Wang X. Cloud-assisted adaptive video streaming and social-aware video prefetching for mobile users / Wang X., Kwon T., Choi Y., Wang H., Liu J. // IEEE Wireless Communications, 2013. – vol. 20 – № 3 – P. 72-79.
11. Mahmood A. Mobility-aware edge caching for connected cars / Mahmood A., Casetti C., Chiasserini C., Giaccone P., Harri J.//12th Annual Conference on Wireless On-demand Network Systems and Services (WONS), (Cortina d'Ampezzo, 2016) – P. 1-8.
12. Jo M. Device-to-device-based heterogeneous radio access network architecture for mobile cloud computing / Jo M., Maksymyuk T., Strykhalyuk B., Cho C. //IEEE Wireless Communications, 2015. – vol. 22 – №. 3 – P. 50-58.
13. Letaief K. The Roadmap to 6G: AI Empowered Wireless Networks/ Letaief K., Chen W., Shi Y., Zhang J., Zhang Y.// IEEE Communications Magazine, 2019 – vol. 57 – № 8 – P. 84-90.
14. Song S. Clustered Virtualized Network Functions Resource Allocation based on Context- Aware Grouping in 5G Edge Networks / Song S., Lee C., Cho H., Lim G., Chung J.// IEEE Transactions on Mobile Computing, 2020. – vol. 19 – № 5 – P. 1072-1083.
15. Shubyn B. Intelligent Handover Management in 5G Mobile Networks based on Recurrent Neural Networks/ Shubyn B., Maksymyuk T.// 3rd IEEE International Conference on Advanced Information and Communications Technologies (AICT), (Lviv, Ukraine, July 2019), P. 348-351.