计算机科学研究人员开发出一种新方法,能够在用户需求实际出现之前以无线方式预测他们需要哪些数据,借此提升无线网络的传输带宽和可靠性。这种新方法采用的正是数字孪生技术,能够有效克隆其负责支持的目标网络。
达成目标的关键,在于如何实现边缘缓存。
缓存是指将数据存储在系统或者网络认为用户将在短时间内使用的服务器上。如此一来,系统就能比从原始来源处检索数据更快地满足用户需求。而边缘缓存则强调系统将数据缓存在最靠近最终用户的服务器当中,例如集成至网络路由器中或者与这些路由器共置部署的计算设备。
这篇论文的通讯作者、北卡罗来纳州立大学计算机科学助理教授Yuchen Liu表示,“这项工作中的两大挑战,分别是确定哪些数据需要缓存,以及边缘服务器在任意给定时间点上应该存储多少数据。”
“系统不可能将所有内容都放入边缘缓存当中。如果数据占用了太多计算资源,那么在边缘服务器上存储过多的冗余数据就会降低服务器的速度。因此,系统需要不断决定存储哪些数据包,以及哪些数据包可以丢弃。”
刘教授解释称,“系统对于用户实际需要的数据内容以及边缘服务器应当存储多少数据的预测结果越准确,系统的整体性能就会越好。而我们在这里的工作重点,就在于如何改进这种预测效果。”
他们提出的新边缘缓存优化方法名为D-REC,其中利用了数字孪生技术,数字孪生是根据真实对象构建的虚拟模型。以D-REC为例,数字孪生负责在其中定义无线网络的虚拟模型——包括蜂窝网络以及Wi-Fi网络。
刘教授指出,“这种方法可以应用于任何无线网络,具体取决于系统管理员或者网络运营商的需求。D-REC还可根据用户的需求进行调整。”
在D-REC当中,数字孪生会从无线网络处获取实时数据,并利用这些数据进行模拟,预测用户最有可能请求哪些数据。之后,这些预测将会被发送回网络,以告知网络的边缘缓存决策。由于模拟是由网络外部的计算机所执行,因此整个过程不会降低网络性能。
研究人员使用开源数据集来确定无线网络在使用D-REC的情况下,是否能够运行得更加高效。研究人员为此开展了广泛实验,并在其中引入一系列变量,包括网络规模、网络上的用户数量等等。
刘教授表示,“D-REC的表现优于传统方法。我们的技术提高了网络准确预测哪些数据应当进入边缘缓存的能力。D-REC还能帮助系统更好地对整个网络中的数据存储加以平衡。”
此外,由于D-REC的数字孪生会专注于预测网络行为,因此也能提前识别出各种潜在问题。
“举例来说,如果数字孪生认为某个特定基站或者服务器很可能超载,则可以提前通知网络,并允许其在网络当中重新分配数据,借此保持网络具有良好的性能和可靠性。”
“目前我们正极寻求与网络运营商的合作,希望探索D-REC技术如何在现实场景下提高网络的性能与可靠性。”
他们的论文《数字孪生辅助的数据驱动优化:实现无线网络中的可靠边缘缓存》(Digital Twin-Assisted Data-Driven Optimization for Reliable Edge Caching in Wireless Networks)已经发表在《IEEE通讯选定领域杂志》上。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。