Dynamic Proactive Caching Optimization Using TCN Forecasting and PPO

5G eMBB 환경에서는 특정 시간대와 위치에 트래픽이 집중되어 지연과 백홀 혼잡이 빈번히 발생한다. 이를 완화하기 위해 본 논문은 Temporal Convolutional Network (TCN) 를 이용한 시간대별 장르 인기도 예측과 Proximal Policy Optimization (PPO) 을 이용한 프로액티브 캐싱 비율 최적화를 결합한 동적 프레임워크를 제안한다. Netflix 시청 로그를 기반으로 한 시뮬레이션에서, 제안 기법은 반응형 ∙ 고정 하이브리드∙ 무작위 및 대표적 DRL 기반 비교 전략들 (Vehicular, DynOpt, TwoPhase) 대비 높은 평균 캐시 적중률을 달성하였다. 특히 예측된 인기도와 실제 소비 기록을 함께 활용한 상태 설계와, 캐시 적중과 비용 균형을 반영한 보상 구조를 통해 시간대별 수요 변동에 효과적으로 적응함을 확인하였다. 본 연구는 예측 정확도와 반응성 간 트레이드오프를 정책학습으로 흡수함으로써, 5G 엣지 환경에서 실용적인 캐싱 운영의 가능성을 제시한다.