کش شخصی در لبه شبکه: یک رویکرد مبتنی سیستم‌های توصیه‌گر

با افزایش چشمگیر حجم داده‌های تولیدی توسط کاربران، نیاز به بهینه‌سازی شبکه به شدت احساس می‌شود. یکی از فناوری هایی که در سالیان همواره برای افزایش کارایی شبکه توسط محققان در حال توسعه بوده، فناوری کش است. رویکردهای سنتی کش با توجه به رشد بی‌سابقه شبکه و تنوع کاربران، دیگر کافی نیستند. پدیده کلان داده و نیاز به استخراج الگوهای قابل درک از حجم عظیم داده‌ها، فراهم‌آوری راهکارهای جدید را ضروری کرده‌است. این پژوهش راهکاری مبتنی بر یادگیری ماشین ارائه می‌دهد که به شناسایی دقیق‌تر درخواست‌های آینده کاربران با در نظر گرفتن الگوهای رفتاری ترتیبی آنها می‌پردازد. روش پیشنهادی بر پایه سیستم‌‌های توصیه‌گر بوده که در نظرگیری ترجیحات شخصی هر کاربر را ممکن می‌سازد و با بهره‌گیری از شبکه‌های عصبی کانولوشن و مکانیزم توجه چندگانه، قادر است با استخراج الگوهای مختلف در رفتار کاربران محتوای محبوب کاربر را به صورت شخصی و بدون داشتن دانش قبلی از محتوای محبوب سراسری شناسایی کند. نتایج نشان می‌دهد که این مدل به طور موفقیت‌آمیزی الگوهای ترتیبی و عمومی کاربران را درک می‌کند و نسبت به رویکردهای موجود دقیق‌تر بوده و عملکرد بهتری ارائه می‌دهد.

personalized caching at the network edge: a recommender system based approach

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.