Stage 1: Content Placement
Small-cell BS caches M contents from a library of N files (M<N)
Stage 2: Content Delivery Each user downloads its intended content from the small-cell BS if it is cached
본 과제는 위 그림과 같은 스몰셀 무선 캐싱 모델을 연구한다. 먼저 Stage 1에서 스몰셀 기지국에 속한 캐시 서버는 컨텐츠 선호도에 따라 캐싱을 수 행한 후 Stage 2에서 사용자들이 컨텐츠들을 요청하면 서비스하는 방식이다. 기존 연구는 시불변 컨텐츠 선호도 분포를 가정하였으며, 이러한 시불변 확률 분포에 기반하여 캐싱이 이루어졌다.
하지만 Netflix와 Facebook의 캐싱 기술에서 확인 할 수 있듯이, 상용 캐싱 기술들은 캐시 서버를 주기적으로 업데이트하여 새로운 컨텐츠나 컨텐츠의 선호도 변화에 대응할 수 있도록 설계되어 있다. 따라서 본 연구는 이러한 상용 프레임에 적용 가능한 캐싱 기법에 대해 연구하고자 하며 기본 아이디어 다음과 같다.
(그림 5-2-9) DVD 및 스트리밍 순위(좌)와 월별 다운로드 순위(위)
위 그림 중 왼쪽 그림은 특정 시점에서의 DVD 및 스트리밍의 다운로 드 순위이다. 최상위 순위에 오른 대부분의 DVD 및 스트리밍이 최신 컨텐츠들로 이루어져 있다. 오른쪽 그림은 영화 컨텐츠 샘플들의 월간 다운로드 횟수 그래프 이다. 샘플들에서 알 수 있듯이 대체적으로 컨텐츠 생성 시점에서 다운로드 순위
가 증가하다가 시간이 경과하면서 다시 순위가 낮아지는 경향성을 보인다. 본 과 제는 이러한 컨텐츠 선호도 분포 함수의 시변특성을 추정, 예측하여 이에 기반한 캐싱을 수행하고자 한다. 하지만 대부분의 Regression 기법들은 가정하는 함수 형 태에 따라 예측의 정확도가 현저히 달라지며, 과거의 컨텐츠 선호도 데이터를 통 해 미래의 선호도를 예측하기 어렵다.
본 과제는 Regression 기법들의 이같은 한계를 극복하기 위하여 아래 그림과 같은 방식으로 컨텐츠 선호도를 예측하였다. 먼저 특정 캐시 업데이트 시 점을 가정할 수 있다. 업데이트 시점을 기준으로 이전에 생성되어 시간이 경과된 컨텐츠들의 경우 아래 그림의 파란색 샘플들에 해당) 컨텐츠 수명이 종료되어 컨 텐츠 선호도 분포 파악이 가능하다. 본 과제는 이러한 샘플들의 컨텐츠 선호도를 통해 대표 컨텐츠 선호도 분포 함수를 추정하였다. 이렇게 추정된 대표 컨텐츠 선 호도 분포 함수를 통해 컨텐츠 수명이 종료되지 않은 컨텐츠들의 (아래 그림의 빨 간색 샘플들에 해당) 미래 선호도를 예측하였다.
(그림 5-2-10) 제안 컨텐츠 선호도 예측 기법
3장에서는 본 과제에서 사용한 시변 컨텐츠 선호도 분포 모델과 이에
따른 캐시 업데이트 및 컨텐츠 적중률에 대해 소개한다. 4장에서는 3장에서 정의 된 모델에 기반하여 시변 컨텐츠 선호도 예측 기반 캐싱 기법을 제안한다. 5장에서 는 모의실험을 통해 제안 기법의 성능을 평가하고, 마지막으로 6장에서는 본 연구 의 결론 및 향후 연구방향 및 개선점에 대해 논의하고자 한다.
3. 시스템 모델
본 장에서는 본 과제에서 고려한 스몰셀 캐싱망, 시변 컨텐츠 선호도 분포 함수 모델, 캐시 서버 업데이트 방법 및 캐싱 적중률 성능 지표에 대해 소개 한다.
가. 스몰셀 캐싱망
(그림 5-2-11) 스몰셀 캐싱망 모델
본 과제는 위 그림과 같이 스몰셀 엑세스포인트와