스마트 디바이스의 보급과 더불어 비디오 데이터 트래픽 수요가 증가함에 따라 콘텐츠 및 인터넷 서비스 제공자에게는 중대한 과제가 제기되고 있다. 이러한 과제에 대응하여 모바일 엣지 컴퓨팅(MEC) 서버에서의 콘텐츠 캐싱은 콘텐츠 다운로드 지연 시간을 감소시키기 위한 방안으로 부상하였다. 그러나 기존의 캐싱 솔루션들은 종종 정적인 콘텐츠 인기도를 가정하거나 실시간으로 인기도에 대한 정보를 필요로 하는데, 이는 실제 환경의 시나리오와 부합하지 않는다. 이러한 한계를 해결하기 위해 본 연구에서는 새로운 콘텐츠 캐싱 알고리즘인 Pro Cache를 제안한다. ProCache는 지역별 콘텐츠 인기도의 불확실성을 다루면서 캐싱을 위한 공간 및 시간에 따른 금전적 예산 공유, 콘텐츠 크기, 그리고 원본 서버 위치를 고려한다. ProCache의 목표는 전체 활성 사용자에 대해 장기 기대 콘텐츠 다운로드 지연 시간을 최소화하는 것으로, 이는 두 가지 핵심 구성요소로 이루어진다. 첫째, 딥러닝 모듈은 향후 콘텐츠 요청을 예측하기 위한 IDCNN-LSTM-Dense 계층형 딥러닝 모델을 포함하며, 데이터 매핑 모듈은 요청의 크기(절대값)보다는 요청 추세에 모델이 더 집중하도록 한다. 둘째, 이러한 예측을 바탕으로 확률적 최적화 모듈은 Lyapunov 최적화 기법에 기반한 동적 콘텐츠 캐싱 알고리즘을 수행하며, 이는 지역별로 완전 분산 방식으로 동작하면서 전체 성능에 대한 상계를 보장한다. YouTube 데이터셋을 활용한 트레이스 기반 시뮬레이션 결과, ProCache는 기존의 예측 모델 및 콘텐츠 캐싱 알고리즘보다 우수한 성능을 보이는 것으로 나타났다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.