كش شخصي در لبه شبكه: يك رويكرد مبتني سيستم‌هاي توصيه‌گر

Personalized caching at the network edge: A recommender system based approach

با افزايش چشمگير حجم داده‌هاي توليدي توسط كاربران، نياز به بهينه‌سازي شبكه به شدت احساس مي‌شود. يكي از فناوري هايي كه در ساليان همواره براي افزايش كارايي شبكه توسط محققان در حال توسعه بوده، فناوري كش است. رويكردهاي سنتي كش با توجه به رشد بي‌سابقه شبكه و تنوع كاربران، ديگر كافي نيستند. پديده كلان داده و نياز به استخراج الگوهاي قابل درك از حجم عظيم داده‌ها، فراهم‌آوري راهكارهاي جديد را ضروري كرده‌است. اين پژوهش راهكاري مبتني بر يادگيري ماشين ارائه مي‌دهد كه به شناسايي دقيق‌تر درخواست‌هاي آينده كاربران با در نظر گرفتن الگوهاي رفتاري ترتيبي آنها مي‌پردازد. روش پيشنهادي بر پايه سيستم‌‌هاي توصيه‌گر بوده كه در نظرگيري ترجيحات شخصي هر كاربر را ممكن مي‌سازد و با بهره‌گيري از شبكه‌هاي عصبي كانولوشن و مكانيزم توجه چندگانه، قادر است با استخراج الگوهاي مختلف در رفتار كاربران محتواي محبوب كاربر را به صورت شخصي و بدون داشتن دانش قبلي از محتواي محبوب سراسري شناسايي كند. نتايج نشان مي‌دهد كه اين مدل به طور موفقيت‌آميزي الگوهاي ترتيبي و عمومي كاربران را درك مي‌كند و نسبت به رويكردهاي موجود دقيق‌تر بوده و عملكرد بهتري ارائه مي‌دهد.

With the significant increase in the volume of data generated by users, there is a pressing need for network optimization. One of the technologies that has been continuously developed by researchers over the years to enhance network efficiency is caching technology. However, traditional caching approaches are no longer sufficient due to the unprecedented growth of the network and the diversity of users. The emergence of big data and the necessity to extract comprehensible patterns from massive data volumes have made it essential to develop new solutions. This research proposes a machine learning-based solution that more accurately predicts future user requests by considering their sequential behavioral patterns. The proposed method is based on recommender systems, allowing for the consideration of each user s personal preferences. Utilizing convolutional neural networks and multi-head attention mechanisms, it can identify the popular content for each user personally without prior knowledge of globally popular content by extracting various patterns in user behavior. The results demonstrate that this method successfully understands both sequential and general patterns in users behaviors, while being more accurate and providing better performance than existing approaches.