Resumen

Este artículo propone una política de actualización de contenido de caché basada en DRL en la red habilitada para caché para mejorar la proporción de aciertos en la caché y reducir la latencia promedio. En contraste con las políticas existentes, en este trabajo se considera un escenario de caché más práctico, en el que las solicitudes de contenido varían tanto en el tiempo como en la ubicación. Considerando la limitación de la capacidad de caché, el problema de actualización de contenido dinámico se modela como un proceso de decisión de Markov (MDP, por sus siglas en inglés). Además, se utiliza el algoritmo de red neuronal de aprendizaje profundo (DQN) para resolver el problema MDP. Específicamente, la red neuronal se optimiza para aproximar el valor donde los datos de entrenamiento se eligen de la memoria de repetición de experiencia. El agente DQN deriva la política óptima para la decisión de caché. En comparación con las políticas existentes, los resultados de la simulación muestran que nuestra política propuesta mejora en un 56

• Materias:Redes de radio Sistemas de información Comunicaciones inalámbricas Cifrado de bloques
• Subjects:Radio Networks Information systems Wireless communications Block ciphers
• Palabras claves:Propone; Basado en DRL; Política de actualización de contenido de caché; Ratio de aciertos de caché; Latencia promedio; Red de aprendizaje profundo Q-learning
• Keywords:Proposes; DRL-based; Cache content update policy; Cache hit ratio; Average latency; Deep Q-learning network