《表2 内容文件流行度预测耗时比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的智能移动边缘网络缓存》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在仿真实验中，我们测试了本文所提的堆叠长短期记忆神经网络内容文件流行度预测模型在执行模型预测时的时间消耗，并与流行度SVR方法进行比较，如表2所示。虽然本文所提的神经网络预测模型从性能上优于流行SVR方法，但是因为该神经网络模型的规模不是很大，因此执行模型预测所需消耗的时间与流行度SVR方法相当。在实际系统中，神经网络预测模型和流行度SVR方法的预测复杂度与待预测内容文件个数F均成线性关系。与传统缓存算法相比，本文所提的基于流行度预测神经网络模型的深度缓存策略需要额外进行模型预测，但是执行模型预测的耗时并不是很大。本文所提的深度缓存策略仅在移动边缘网络运行的空闲时期进行缓存内容文件的部署，适当使用一些计算资源换取缓存系统更高的运行效率。