The unprecedented growth of wireless mobile traffic, mainly due to multimedia traffic over online social platforms has strained the resources in the mobile backhaul network. A promising approach to reduce the backhaul load is to proactively cache content at the network edge, taking into account the overlaid social network. Known caching schemes require complete knowledge of the social graph and mainly focus on one-to-one interactions forgoing the prevalent mode of content sharing among circles of 'friends'. We propose Bingo, a proactive content caching scheme that leverages the presence of interest groups in online social networks. The mobile network operator (MNO) can choose to incrementally deploy Bingo at select network nodes (base stations, packet core, data center) based on user profiles and revenue numbers. We approximate the group memberships of users using the available user-content request logs without any prior knowledge of the overlaid social graph. Bingo can cater to the evolving nature of online social groups and file popularity distribution for making caching decisions. We use synthetically generated group structures and simulate user requests at the base station for empirical evaluation against traditional and recent caching schemes. Bingo achieves up to 30%-34% gain over the best baseline.


翻译:无线移动交通史无前例的增长,主要由于网上社交平台的多媒体交通,使得移动回路网络的资源紧张。减少回路负荷的一个有希望的方法是主动地在网络边缘缓存内容,同时考虑到覆盖的社会网络。已知的缓冲计划需要完全了解社会图,并主要侧重于一对一的互动,以打破“朋友”圈间共享内容的流行模式。我们建议宾果,一个主动的内容缓存计划,利用在线社交网络中利益群体的存在。移动网络运营商(MNO)可以选择在基于用户概况和收入数字的选定网络节点(基地站、包芯、数据中心)逐步部署“Rigon”。我们使用现有的用户-连线请求日志来接近用户群体成员,而事先不了解过封路社会图的任何知识。宾果可以满足在线社会群体不断变化的性质变化,为做出缓存决定提供文件版面分布。我们使用合成组结构和模拟用户在基地站对传统和最近缓存计划进行实证性评估的请求,可以达到30%-34%的最高基线。

0
下载
关闭预览

相关内容

Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
【IJCAJ 2020】多通道神经网络 Multi-Channel Graph Neural Networks
专知会员服务
25+阅读 · 2020年7月19日
【快讯】KDD2020论文出炉,216篇上榜, 你的paper中了吗?
专知会员服务
50+阅读 · 2020年5月16日
专知会员服务
60+阅读 · 2020年3月19日
FlowQA: Grasping Flow in History for Conversational Machine Comprehension
专知会员服务
28+阅读 · 2019年10月18日
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
LibRec 精选:位置感知的长序列会话推荐
LibRec智能推荐
3+阅读 · 2019年5月17日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
学术会议 | 知识图谱顶会 ISWC 征稿:Poster/Demo
开放知识图谱
5+阅读 · 2019年4月16日
LibRec 精选:推荐系统的常用数据集
LibRec智能推荐
17+阅读 · 2019年2月15日
LibRec 精选:CCF TPCI 的推荐系统专刊征稿
LibRec智能推荐
4+阅读 · 2019年1月12日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
CCF B类期刊IPM专刊截稿信息1条
Call4Papers
3+阅读 · 2018年10月11日
LibRec 精选:连通知识图谱与推荐系统
LibRec智能推荐
3+阅读 · 2018年8月9日
Arxiv
15+阅读 · 2021年6月27日
Arxiv
10+阅读 · 2019年2月19日
Arxiv
14+阅读 · 2018年4月18日
VIP会员
相关资讯
LibRec 精选:AutoML for Contextual Bandits
LibRec智能推荐
7+阅读 · 2019年9月19日
LibRec 精选:位置感知的长序列会话推荐
LibRec智能推荐
3+阅读 · 2019年5月17日
CCF A类 | 顶级会议RTSS 2019诚邀稿件
Call4Papers
10+阅读 · 2019年4月17日
学术会议 | 知识图谱顶会 ISWC 征稿:Poster/Demo
开放知识图谱
5+阅读 · 2019年4月16日
LibRec 精选:推荐系统的常用数据集
LibRec智能推荐
17+阅读 · 2019年2月15日
LibRec 精选:CCF TPCI 的推荐系统专刊征稿
LibRec智能推荐
4+阅读 · 2019年1月12日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
CCF B类期刊IPM专刊截稿信息1条
Call4Papers
3+阅读 · 2018年10月11日
LibRec 精选:连通知识图谱与推荐系统
LibRec智能推荐
3+阅读 · 2018年8月9日
Top
微信扫码咨询专知VIP会员