본 논문은 모바일 데이터 트래픽 증가와 비디오 스트리밍의 확산에 따라 지연 시간 감소와 네트워크 혼잡 완화를 위해 에지 컴퓨팅에서의 사전 콘텐츠 캐싱이 중요해짐을 강조합니다. 기존의 FIFO, LRU, LFU와 같은 캐싱 전략은 미래 콘텐츠 인기도를 효과적으로 예측하지 못하고, 기존의 사전 캐싱 방식은 사용자의 데이터를 중앙 서버에 업로드해야 하므로 개인 정보 보호 및 확장성 문제가 발생합니다. 이를 해결하기 위해 본 논문은 그래프 연합 학습 기반 사전 콘텐츠 캐싱(GFPCC) 기법을 제안합니다. GFPCC는 연합 학습과 그래프 신경망을 통합하여 사용자가 LightGCN을 이용하여 사용자-아이템 관계를 파악하고 콘텐츠 인기도를 예측합니다. 원시 데이터를 공유하는 대신 학습된 모델 매개변수만 중앙 서버로 전송하여 연합 평균 알고리즘으로 업데이트를 집계하고 글로벌 모델을 개선하며 사전 캐싱을 위한 가장 인기 있는 파일을 선택합니다. MovieLens와 같은 실제 데이터셋을 이용한 실험 결과, GFPCC는 더 정확한 콘텐츠 인기도 예측을 통해 기존 캐싱 알고리즘보다 높은 캐싱 효율을 달성했습니다. 또한, 연합 학습 프레임워크는 효율적인 모델 학습을 유지하면서 개인 정보 보호를 강화하지만, 동적인 사용자 선호도를 가진 대규모 네트워크에서는 확장성이 여전히 과제로 남아 있습니다.
