Geri Dön

Adaptıve edge cachıng ın 5G networks and beyond

5G ağlari ve ötesi̇nde uyarlanabi̇li̇r uç ön bellekleme

PDF İndir

  1. Tez No: 962323
  2. Yazar: İLHAN DEMİRCİ
  3. Danışmanlar: DOÇ. DR. ÖMER KORÇAK
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: İngilizce
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 136

Özet

5G ve ötesi kablosuz ağlarda içerik tüketiminin artışı ve düşük gecikmeli servis talepleri, akıllı ve ölçeklenebilir kenar önbellekleme stratejilerine olan ihtiyacı artırmıştır. Bu bağlamda, mobil kenar bilişim (MEC), içeriği kullanıcıya daha yakın konumlandırmak için küçük hücre baz istasyonlarını (SBS) içeren yeni nesil ağlar için umut verici bir yaklaşım sunar. Ancak geleneksel, tepkisel ve işbirliği içermeyen yaklaşımlar, içerik popülaritesinin ve kullanıcı taleplerinin zamana ve mekâna bağlı değişkenliğini yakalamakta yetersiz kalmaktadır. Bu çalışma, öncelikle tek SBS ortamında içerik önbellekleme problemini ele almaktadır. İçeriklerin gelecekteki popülaritelerini tahmin etmek amacıyla, geçmiş taleplerden öğrenen LSTM tabanlı bir derin öğrenme modeli geliştirilmiştir. Tahmin edilen popülarite puanlarına dayanarak, önbellek yerleşimi 0–1 Knapsack Problemi olarak modellenmiş ve genetik algoritma ile çözülmüştür. Bu temel üzerine inşa edilen sistem, çoklu SBS içeren MEC ağları için yeni bir işbirlikçi uç önbellekleme çerçevesi önermektedir. Önerilen çerçevenin amacı, komşu SBS'ler arasında örtüşen içerik parçalarını akıllıca atayarak önbellek verimliliğini en üst düzeye çıkarmak ve içerik getirme gecikmelerini en aza indirmektir. Bu yöntemin merkezinde, önbellek kapasitesi kısıtları ve SBS'ler arası gecikme heterojenliğini dikkate alan, DP (dinamik programlama) tabanlı bir optimizasyon algoritması yer almaktadır. Geleneksel yaklaşımlardan farklı olarak, bu algoritma erişim gecikmesine göre dinamik biçimde ayarlanan gecikme duyarlı içerik popülaritesi metrikleri içermektedir. Tez kapsamında gerçekleştirilen kapsamlı benzetim çalışmaları, önerilen işbirlikçi çerçevenin geleneksel yöntemlere kıyasla önbellek isabet oranı (CHR), gecikme azaltımı ve yük paylaşımı bakımından önemli iyileştirmeler sağladığını ortaya koymaktadır. En son kullanılan (LRU) ve rastgele değiştirme (RR) gibi yaygın tekniklerle birlikte, literatürde yer alan örtüşmesiz önbellekleme algoritması (ZOSAP) ile yapılan karşılaştırmalar, önerilen yaklaşımın dinamik ortamlarda daha tutarlı ve üstün performans sergilediğini göstermektedir. Ayrıca, farklı önbellek boyutları, içerik kütüphane büyüklükleri ve ağ yapıları altında yapılan parametre analizleri çerçevenin esnekliğini ve genellenebilirliğini doğrulamaktadır. Bu çalışma, kullanıcı deneyimini (QoE) artıran, çekirdek ağa olan yükü azaltan ve gelecek nesil kablosuz sistemler için proaktif ve işbirlikçi önbellekleme mekanizmalarının geliştirilmesine katkı sağlayan bütüncül ve ölçeklenebilir bir önbellekleme mimarisi sunmaktadır.

Özet (Çeviri)

The rapid increase in content consumption and the growing demand for low-latency services in 5G and beyond wireless networks have highlighted the need for intelligent and scalable edge caching strategies. In this context, Mobile Edge Computing (MEC) emerges as a promising paradigm to bring content closer to users by leveraging cache-enabled Small-cell Base Stations (SBSs). However, existing reactive and non-cooperative caching approaches often fall short in dynamic environments, where content popularity evolves over time and user demands vary across locations. This study initially addresses the content caching problem in a single SBS environment. To predict future content popularity, a deep learning model based on Long Short-Term Memory (LSTM) is developed, trained on historical demand patterns. Based on the predicted popularity scores, the caching problem is modeled as a 0–1 Knapsack Problem and solved using a genetic algorithm. Building upon this foundation, a novel cooperative edge caching framework is proposed for multi-SBS MEC networks. The aim of the proposed framework is to maximize cache efficiency and minimize content retrieval delay by intelligently assigning overlapping content segments across neighboring SBSs. At the core of the method lies a Dynamic Programming (DP)-based optimization algorithm that determines optimal content placement while considering cache capacity constraints and inter-SBS delay heterogeneity. Unlike traditional approaches, the algorithm incorporates delay-aware content popularity metrics that are dynamically adjusted based on inter-SBS access latency. Extensive simulations are conducted to evaluate the performance of the proposed cooperative caching strategy. The results demonstrate significant improvements in Cache Hit Ratio (CHR), delay reduction, and load distribution compared to baseline approaches such as Least Recently Used (LRU), Random Replacement (RR) and the literature-known non-overlapping caching algorithm Zero-One Separable Assignment Problem (ZOSAP). The study also provides a comprehensive parameter analysis, showing the robustness of the framework under varying cache capacities, content library sizes, and network topologies. Overall, this research contributes a flexible, scalable, and intelligent caching architecture that enhances user-perceived Quality of Experience (QoE) while alleviating backhaul traffic in MEC networks. The findings are expected to inform future developments in proactive and cooperative caching mechanisms for next-generation wireless systems.

Benzer Tezler

  1. Tez No

    668100

    Eddge sensitive lossless compression of hyperspectral image

    Hiperspektral görüntülerin kenar duyarlı kayıpsız sıkıştırılması

    HASAN K.H. YAMEEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiKocaeli Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. ALİ TANGEL

    PROF. DR. MEHMET KEMAL GÜLLÜ

  2. Tez No

    828468

    Adversarial robustness against perceptual and unpredictable attacks in deep neural networks in images

    Görüntülerdeki derin sinir ağlarında algılanabilir ve öngörülmeyen saldırılara karşı adversarıal sağlamlık

    MAHMOOD FALAH KADHIM AL-SAEDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. AYÇA KURNAZ TÜRKBEN

  3. Tez No

    46174

    Kenar uyumlu kalman filtreleme ile görüntü onarımı

    Başlık çevirisi yok

    ŞEBNEM ÖZBOYACI

    Yüksek Lisans

    Türkçe

    Türkçe

    1995

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Y.DOÇ.DR. M. ERTUĞRUL ÇELEBİ

  4. Tez No

    385134

    Real-time single frame superresolution

    Gerçek zamanlı tek resim süperçözünürlük

    CEM TARHAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2014

    Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. GÖZDE AKAR

  5. Tez No

    287019

    Gürültülü görüntülerin akıllı bir yöntem ile onarımı

    Image de-noising with an intelligent method

    SERGEY TSOY

    Yüksek Lisans

    Türkçe

    Türkçe

    2011

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YAŞAR BECERİKLİ

Geri Dön