فایل ورد کامل رویکردی مبنی بریادگیری برای ذخیره سازی کنش گرا در شبکه های ارتباط بی سیم

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل رویکردی مبنی بریادگیری برای ذخیره سازی کنش گرا در شبکه های ارتباط بی سیم،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۰ صفحه

چکیده

در شبکه های بی سیم G، کشینگ (کش کردن) کنشگرا به عنوان یک فناوری نویدبخش شناخته شده است. ایستگاههای پایه سلولهای کوچک (SBS) می توانند محتواهای مشهوررا کش نموده و به این طریق به ایستگاه پایه ماکرو کمک کنند، واین گونه تصور شده است که کش کردن کنشگرا با لینک های بک هال SBS مواجه می باشد. با این حال، دستیابی به محتواهای مشهور و انتخاب استراتژی کشینگ بهینه، می تواند چالش برانگیز باشد. در این مقاله، یک شیوه مبتنی بر یاداگیری جدید پیشنهاد شده است، که از فیلترینگ گروهی یا مبتنی بر همکاری (CF) مبتنی بر تجزیه مقدار تکین منظم (RSVD) برای تخمین شهرت محتوا و از یادگیری انتقالی (TL) برای بهبود صحت تخمین استفاده شده است. سپس، با در نظرگرفتن تعامل بین کاربران و SBS، الگوریتم تکراری توزیع شده برای ساخت استراتژی کشینگ با هدف به حداکثر رساندن تعداد کاربرانی که SBS همسایگی به آنها خدمت می کنند، طراحی شده است. در این راستا آزمایشاتی برای ارزیابی عملکرد الگوریتم های پیشنهادی انجام شده و نتایج شبیه سازی اثربخشی شیوه مبتنی بر یادگیری پیشنهادی برای کشینگ کنشگرایانه را تصدیق می کند. 

مقدمه

با توسعه ارتباطات موبایل، تلفن های هوشمند موبایل و شبکه های اجتماعی، از طریق ترمینال های موبایل، تنوع وسیعی از خدمات آنلاین فراهم شده است، که این امر منجر به رشد انفجاری و سریع داده های موبایل می گردد []. در نتیجه، تقاضای زیاد داده ها، منابع طیف محدود انتقال های بی سیم، به ویژه لینک های بی سیم بین ایستگاههای پایه و کاربران، و لینک های بک هال بی سیم بین ایستگاههای پایه و شبکه هسته را تخلیه می کند. یکی از راه حل های نویدبخش و امیدوارکننده برای مواجه شدن با این مشکل، کش کردن محتواهای مشهور و معروف در لبه شبکه های موبایل است. 

نتیجه گیری

در این مقاله، شیوه مبتنی بر یادگیری جدیدی برای کشینگ کنشگرا پیشنهاد می کنیم. در مرحله تخمین، شیوه پیشنهادی، CF سنتی را با RSVD بهینه نموده و از TL برای بهبود صحت تخمین با انتقال اطلاعات پیشین از شبکه های اجتماعی استفاده می کند. سپس، در مرحله تصمیم گیری راجع به کشینگ (کش کردن)، با تعیین تابع مطلوبیت هر SBS، تعامل بین کاربران و SBS را مورد توجه قرار داده و برای ساخت استراتژی کشینگ براساس هدف و به حداکثررساندن تعداد مورد انتظار کاربرانی که SBS های همسایگی می توانند به آنها خدمت کنند، یک الگوریتم تکراری توزیع شده طراحی می شود. بالاخره، برای ارزیابی عملکرد الگوریتم ها، آزمایشاتی انجام شده و نتایج شبیه سازی، اثربخشی شیوه مبتنی بر یادگیری برای کشینگ یا کش کردن کنشگرا را تصدیق می نماید. 

عنوان انگلیسی:A Learning-Based Approach for Proactive Caching in Wireless Communication Networks~~en~~

Abstract

Proactive caching is a promising technology in 5G wireless networks. Small-cell base stations (SBS) can cache popular contents to assist the macro base station, and proactive caching are considered to cope with the weak backhaul links of SBSs. However, obtaining popular contents and making the optimal caching strategy may be challenging. In this paper, a novel learning-based approach is proposed, in which regularized singular value decomposition (RSVD)-based collaborative filtering (CF) is used to estimate the content popularity and transfer learning (TL) is adopted to improve the estimation accuracy. Then considering the interaction between users and SBSs, a distributed iterative algorithm is designed to make a caching strategy with the goal to maximize the number of users who can be served by neighboring SBSs. Experiments have been conducted to evaluate the performance of the proposed algorithms and simulation results demonstrate the effectiveness of our learning-based approach for proactive caching.

I. INTRODUCTION

With the development of mobile communications, mobile smartphones and social networks, a wide variety of online services are provided through mobile terminals, which leads to explosive and rapid growth of mobile data [1]. As a result, the excessive demand for data is draining the limited spectrum resources of wireless transmissions, especially the wireless links between base stations and users, and the wireless backhual links between base stations and the core network. To cope with this problem, a promising solution is to cache popular contents at the edge of mobile networks.

V. CONCLUSION

In this paper, we propose a novel learning-based approach for proactive caching. In the estimating stage, the proposed approach optimize the traditional CF by RSVD and use TL to improve the estimation accuracy by ingeniously transferring the prior information from social networks. Then, in the caching decision-making stage, we consider the interaction between users and SBSs by establishing the utility function of every SBSs, and a distributed iterative algorithm is designed to make a caching strategy based on the purpose to maximize the expected number of users who can be served by neighboring SBSs. Finally, experiments are conducted to evaluate the performance of the algorithms, and simulation results demonstrate the effectiveness of our learning-based approach for proactive caching.

$$en!!