Caching in fog radio access networks : modeling, analysis and optimization
Syed, Tamoor-Ul-Hassan (2024-12-02)
© University of Oulu, 2024. This publication is copyrighted. You may download, display and print it for your own personal use. Commercial use is prohibited. © Oulun yliopisto, 2024. Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
https://rightsstatements.org/vocab/InC/1.0/
https://urn.fi/URN:NBN:fi:oulu-202411086661
Kuvaus
Tiivistelmä
Edge caching in Fog Radio Access Networks (FRAN) has been an area of key research over the past few years. Although a large number of research works have been carried out, the need for designing and scaling latency-constrained cache-enabled cloud-aided wireless networks requires rethinking of learning-based methodologies focusing on ultra-dense networks. In this regard, the motivation of this thesis is to propose different methodologies to jointly solve the problem of content caching and resource allocation in cloud-aided wireless networks under latency constraints.
Within this work, edge caching for wireless networks is mainly investigated under three cases: a theoretical analysis of content caching problem with storage-bandwidth trade off in Small Cell Networks (SCNs), a learning-based caching in cloud-aided wireless networks, and a latency-aware radio resource optimization in learning-based cloud-aided wireless networks. Optimizing caching strategy of edge nodes, especially for a large number of contents and ultra-dense networks, is extremely challenging due to the spatio-temporal variation of user requests, fronthaul limitations, latency constraints and severe interference. Moreover, due to the absence of inter-base station communications, intelligent learning aided techniques are required to choose optimal caching strategies, resource allocation and user scheduling in a distributed manner. To overcome these challenges in this work, numerous techniques are developed by combining the tools from stochastic geometry, machine learning and Lyapunov optimization.
Extensive sets of simulations were carried out to validate the performance of the proposed methods compared to conventional models that fail to account for the limitations due to network scale, dynamics of queue and channel states, fronthaul capacity, latency constraints and the lack of coordination between network elements. The results show that the proposed methods yield significant gains in terms of delay minimization and rate improvements compared to the conventional models studied in the existing literature.
Edge-välimuisti Fog Radio Access Networkissa (FRAN) on ollut keskeinen tutkimusalue muutaman viime vuoden aikana. Vaikka tutkimustöitä on tehty paljon, latenssirajoitteisten välimuistiin perustuvien langattomien verkkojen suunnittelun ja skaalauksen tarve edellyttää oppimiseen perustuvien metodologioiden uudelleen miettimistä ultratiheisiin verkkoihin keskittyen. Tässä suhteessa tämän opinnäytetyön motiivina on ehdottaa erilaisia menetelmiä sisällön välimuistin ja resurssien allokoinnin ongelman ratkaisemiseksi yhdessä pilviavusteisissa langattomissa verkoissa latenssirajoitteissa.
Tässä työssä langattomien verkkojen reunavälimuistia tutkitaan pääasiassa kolmessa tapauksessa: sisällön välimuistiongelman teoreettinen analyysi tallennustilan kaistanleveyden kompromissin kanssa Small Cell Networkissa (SCN), oppimiseen perustuva välimuisti pilviavusteisessa välimuistissa langattomissa verkoissa ja latenssitietoinen radioresurssien optimointi oppimiseen perustuvissa pilviavusteisissa langattomissa verkoissa. Reunasolmujen välimuististrategian optimointi, erityisesti suurelle määrälle sisältöjä ja erittäin tiheitä verkkoja, on äärimmäisen haastavaa käyttäjien pyyntöjen tila-ajallisen vaihtelun, fronthaul-rajoitusten, latenssirajoitusten ja vakavien häiriöiden vuoksi. Lisäksi tukiasemien välisen viestinnän puuttumisen vuoksi tarvitaan älykkäitä oppimista tukevia tekniikoita optimaalisten välimuististrategioiden, resurssien allokoinnin ja käyttäjien ajoituksen valitsemiseksi hajautetusti. Näiden haasteiden voittamiseksi tässä työssä kehitetään lukuisia tekniikoita yhdistämällä työkalut stokastisesta geometriasta, koneoppimisesta ja Ljapunov-optimoinnista.
Laajoja simulaatiosarjoja on tehty ehdotettujen menetelmien suorituskyvyn validoimiseksi verrattuna perinteisiin malleihin, jotka eivät ota huomioon verkon mittakaavasta, jonon ja kanavan tilojen dynamiikasta, etuliikenteen kapasiteetista, latenssirajoitteista ja koordinaation puutteesta johtuvia rajoituksia verkon elementtien välillä. Tulokset osoittavat, että ehdotetut menetelmät tuottavat merkittäviä etuja viiveen minimoinnissa ja nopeuden parannuksissa verrattuna olemassa olevassa kirjallisuudessa tutkittuihin perinteisiin malleihin.
Original papers
-
Tamoor-ul-Hassan, S., Samarakoon, S., Bennis, M., & Latva-aho, M. (2024). Latency-aware radio resource optimization in learning-based cloud-aided small cell wireless networks. IEEE Transactions on Green Communications and Networking, 8(1), 542–558. https://doi.org/10.1109/TGCN.2023.3317128 https://doi.org/10.1109/TGCN.2023.3317128
-
Tamoor-ul-Hassan, S., Samarakoon, S., Bennis, M., Latva-aho, M., & Hong, C. S. (2018). Learning-based caching in cloud-aided wireless networks. IEEE Communications Letters, 22(1), 137–140. https://doi.org/10.1109/LCOMM.2017.2759270 https://doi.org/10.1109/LCOMM.2017.2759270
-
Tamoor-ul-Hassan, S., Bennis, M., Nardelli, P. H. J., & Latva-aho, M. (2016). Caching in wireless small cell networks: A storage-bandwidth tradeoff. IEEE Communications Letters, 20(6), 1175–1178. https://doi.org/10.1109/LCOMM.2016.2543698 https://doi.org/10.1109/LCOMM.2016.2543698
-
Tamoor-ul-Hassan, S., Bennis, M., Nardelli, P. H. J., & Latva-Aho, M. (2015). Modeling and analysis of content caching in wireless small cell networks. 2015 International Symposium on Wireless Communication Systems (ISWCS), 765–769. https://doi.org/10.1109/ISWCS.2015.7454454 https://doi.org/10.1109/ISWCS.2015.7454454
Osajulkaisut
-
Tamoor-ul-Hassan, S., Samarakoon, S., Bennis, M., & Latva-aho, M. (2024). Latency-aware radio resource optimization in learning-based cloud-aided small cell wireless networks. IEEE Transactions on Green Communications and Networking, 8(1), 542–558. https://doi.org/10.1109/TGCN.2023.3317128 https://doi.org/10.1109/TGCN.2023.3317128
-
Tamoor-ul-Hassan, S., Samarakoon, S., Bennis, M., Latva-aho, M., & Hong, C. S. (2018). Learning-based caching in cloud-aided wireless networks. IEEE Communications Letters, 22(1), 137–140. https://doi.org/10.1109/LCOMM.2017.2759270 https://doi.org/10.1109/LCOMM.2017.2759270
-
Tamoor-ul-Hassan, S., Bennis, M., Nardelli, P. H. J., & Latva-aho, M. (2016). Caching in wireless small cell networks: A storage-bandwidth tradeoff. IEEE Communications Letters, 20(6), 1175–1178. https://doi.org/10.1109/LCOMM.2016.2543698 https://doi.org/10.1109/LCOMM.2016.2543698
-
Tamoor-ul-Hassan, S., Bennis, M., Nardelli, P. H. J., & Latva-Aho, M. (2015). Modeling and analysis of content caching in wireless small cell networks. 2015 International Symposium on Wireless Communication Systems (ISWCS), 765–769. https://doi.org/10.1109/ISWCS.2015.7454454 https://doi.org/10.1109/ISWCS.2015.7454454
Kokoelmat
- Avoin saatavuus [38865]