基于深度强化学习的无线网络边缘缓存技术综述

边缘缓存能够有效降低服务时延、缓解回程链路流量压力以及提升用户体验质量,可用于解决现有移动通信网络架构难以支撑的数据流量极速增长,满足用户对高质量网络服务的需求。但是复杂的网络状况和未知内容流行度给边缘缓存策略研究带来很大挑战。首先从边缘缓存的优势挑战、应用场景、核心要素等方面介绍边缘缓存网络的基础架构和流程,对研究现状进行分析总结。随后简述深度强化学习技术和DQN算法,分类介绍基于不同缓存系统架构和基于不同深度强化学习方法的边缘缓存策略。最后重点对基于深度强化学习的缓存模型进行解析,提出下一步研究方向。     

采用Transformer架构的长跨度视频压缩感知重构方法

深度学习的快速发展给视频压缩感知重构提供了新思路。受网络模型限制,现有的基于深度学习的压缩感知重构方法不能充分利用视频的空时特征,且对于超过16帧的视频段重构效果不够理想。采用Transformer网络构建压缩感知重构网络,利用Transformer网络在序列信号处理方面的优势构建空时注意力提取模块,学习视频帧间的空时注意力特征,更好地实现对视频连续帧的建模,从而解决长跨度视频段压缩感知重构问题。实验结果表明：所提方法在处理32张视频帧的视频分段时,能达到30 dB以上的重构精度,在处理96张视频帧的视频分段时,仍能达到27 dB以上的良好性能。