Making content caching policies 'smart' using the deepcache framework
Making content caching policies 'smart' using the deepcache framework
复制标题
DOI：
10.1145/3310165.3310174
复制
发表时间：
2019-01
期刊：
影响因子：
--
通讯作者：
A. Narayanan;Saurabh Verma;Eman Ramadan;Pariya Babaie;Zhi-Li Zhang
中科院分区：
文献类型：
--
作者：
A. Narayanan;Saurabh Verma;Eman Ramadan;Pariya Babaie;Zhi-Li Zhang
在本文中，我们为内容缓存提出了一个新型的框架，可以显着提高缓存性能。我们的框架基于强大的深层复发神经网络模型。它由两个主要组成部分组成：i）对象特征预测因子，它建立在深度LSTM编码器模型的基础上，以预测对象的未来特征（例如对象受欢迎程度） - 据我们所知，我们是第一个提议的人LSTM编码器模型用于内容缓存； ii）一个缓存策略组件，该组件会说明对象的预测信息以做出智能缓存决策。在我们的彻底实验中，我们表明，将DeepCache框架应用于现有的高速缓存策略，例如LRU和K-LRU，大大增加了缓存命中的数量。
In this paper, we present Deepcache a novel Framework for content caching, which can significantly boost cache performance. Our Framework is based on powerful deep recurrent neural network models. It comprises of two main components: i) Object Characteristics Predictor, which builds upon deep LSTM Encoder-Decoder model to predict the future characteristics of an object (such as object popularity) - to the best of our knowledge, we are the first to propose LSTM Encoder-Decoder model for content caching; ii) a caching policy component, which accounts for predicted information of objects to make smart caching decisions. In our thorough experiments, we show that applying Deepcache Framework to existing cache policies, such as LRU and k-LRU, significantly boosts the number of cache hits.