面向5G/Beyond 5G的移動邊緣緩存優(yōu)化技術(shù)綜述

劉炎培，陳寧寧，朱運(yùn)靜，王麗萍

（鄭州輕工業(yè)大學(xué)計算機(jī)與通信工程學(xué)院，鄭州 450002）

0 引言

隨著無線通信技術(shù)和智能設(shè)備的飛速發(fā)展，移動數(shù)據(jù)流量成爆炸性增長。據(jù)思科最新報告［1］顯示，2023 年連接到IP（Internet Protocol）網(wǎng)絡(luò)的設(shè)備數(shù)量將是全球人口的3 倍多，全球Wi-Fi 熱點(diǎn)將達(dá)到6.28 億，比2018 年增長3 倍。這些流量主要來源于：物聯(lián)網(wǎng)（Internet of Things，IoT）、車聯(lián)網(wǎng)（Internet of Vehicles，IoV）、智能醫(yī)療、智能交通、虛擬現(xiàn)實(shí)（Virtual Reality，VR）/增強(qiáng)現(xiàn)實(shí)（Augmented Reality，AR）等新型應(yīng)用，與此同時，不斷發(fā)展的下一代5G 和Beyond 5G 無線技術(shù)具有超高數(shù)據(jù)速率、超低延遲、大規(guī)模連接、極低能耗、高質(zhì)量體驗(yàn)和大幅提高安全性的服務(wù)。因此，移動邊緣計算（Mobile Edge Computing，MEC）的發(fā)展被認(rèn)為是5G/Beyond 5G 關(guān)鍵技術(shù)之一［2-4］。MEC 能夠?qū)⒃品?wù)器放置在用戶附近，以提供計算和存儲能力。然而，由于移動用戶對熱點(diǎn)內(nèi)容有大量的重復(fù)請求，導(dǎo)致回程網(wǎng)絡(luò)上的內(nèi)容傳輸消耗大量的功率和帶寬。移動邊緣緩存通過在更靠近用戶的地方緩存受歡迎的內(nèi)容，極大地緩解無線網(wǎng)絡(luò)的傳輸壓力，實(shí)現(xiàn)更快的服務(wù)響應(yīng)，改善用戶的網(wǎng)絡(luò)體驗(yàn)，已被歐洲電信標(biāo)準(zhǔn)協(xié)會（the European Telecommunication Standards Institute，ETSI）定義為MEC 的研究熱點(diǎn)問題［5-6］。

移動邊緣緩存已經(jīng)在IoV、IoT（IoT 的感知服務(wù)）、視頻流、虛擬現(xiàn)實(shí)體驗(yàn)中得到了很好的應(yīng)用，應(yīng)用場景如圖1 所示。IoV 中緩存應(yīng)用場景：由于車輛的高速移動、頻繁的拓?fù)渥兓?、間歇性的無線連接和干擾等因素，導(dǎo)致車輛無法在有效的時間響應(yīng)用戶請求，影響通勤者的安全出行和通行效率。因此，為了降低內(nèi)容獲取時延，邊緣緩存的提出為這些挑戰(zhàn)提供可靠和無縫的內(nèi)容交付。此外，隨著人們需求的不斷增加，信息娛樂服務(wù)給智能網(wǎng)聯(lián)汽車帶來了巨大負(fù)擔(dān)和能耗，使用邊緣緩存技術(shù)在車輛或路側(cè)單元提前緩存用戶對娛樂服務(wù)的需求，可以為車輛用戶提供更好的體驗(yàn)質(zhì)量。圖中的車對車（Vehicle to Vehicle，V2V）和車對基礎(chǔ)設(shè)施（Vehicle-to-Infrastructure，V2I）的內(nèi)容共享方式不僅是高效利用車輛緩存資源的重要依據(jù)，而且是解決車輛處理數(shù)據(jù)內(nèi)容傳輸路徑長、成本高、系統(tǒng)性能較差等問題的重要方式。IoT 中緩存應(yīng)用場景：1）高清視頻是移動邊緣緩存中比較常見的應(yīng)用場景，且視頻的流暢播放依賴于緩存，可以將用戶請求的視頻緩存在MEC 服務(wù)器中以改善因網(wǎng)絡(luò)擁塞而導(dǎo)致的視頻抖動、卡頓；另外，緩存流行度高的視頻能夠有效地處理大量用戶對視頻的冗余請求，降低回程鏈路的帶寬消耗，為用戶帶來更好的體驗(yàn)。2）為了滿足用戶低時延、高傳輸速率的要求，如果僅從云中獲取資源，顯然是不可能的，因此，可以將用戶所需內(nèi)容緩存到MEC 服務(wù)器和用戶設(shè)備，然而由于用戶設(shè)備存儲空間的有限性，提出利用圖中設(shè)備到設(shè)備（Device to Device，D2D）的通信方式改善，從而實(shí)現(xiàn)資源的高效利用。3）頻繁地激活物聯(lián)網(wǎng)傳感器傳輸感知數(shù)據(jù)將加速電池消耗，如果利用邊緣緩存臨時存儲物聯(lián)網(wǎng)數(shù)據(jù)，不僅可以消除物聯(lián)網(wǎng)傳感器和物聯(lián)網(wǎng)網(wǎng)關(guān)之間的無線數(shù)據(jù)傳輸，減少網(wǎng)絡(luò)的流量，而且可以避免物聯(lián)網(wǎng)傳感器的激活，降低傳感器的能耗。

圖1 移動邊緣緩存應(yīng)用場景Fig.1 Mobile edge caching application scenarios

MEC 不僅推動了5G/Beyond 5G 技術(shù)的發(fā)展，并且以移動邊緣緩存為代表的技術(shù)更是成為MEC 領(lǐng)域中的熱門話題之一。文獻(xiàn)［7］研究了有線和無線網(wǎng)絡(luò)中緩存放置策略和內(nèi)容交付策略的差異，并比較了不同網(wǎng)絡(luò)中能秏效率和頻譜效率的增益。文獻(xiàn)［8］研究了不同蜂窩網(wǎng)絡(luò)中無線緩存技術(shù)，并對基于數(shù)學(xué)工具，性能指標(biāo)和網(wǎng)絡(luò)類型的不同緩存算法進(jìn)行比較。文獻(xiàn)［9］在IoT 系統(tǒng)中，從位置部署、內(nèi)容放置和編碼緩存的角度給出了關(guān)鍵的技術(shù)，重點(diǎn)討論了緩存大小、節(jié)點(diǎn)密度以及緩存放置策略對網(wǎng)絡(luò)性能的影響。雖然上述研究取得了一定的成果，但目前大多是從緩存執(zhí)行過程的兩階段出發(fā)，很少全面以緩存執(zhí)行過程和性能優(yōu)化目標(biāo)進(jìn)行梳理并分析對比，總結(jié)當(dāng)前5G 所需的MEC 服務(wù)器部署方案和最新的優(yōu)化緩存策略，也缺少在5G/Beyond 5G 環(huán)境下邊緣緩存領(lǐng)域中智能緩存和移動感知緩存未能解決的問題和挑戰(zhàn)。因此，本文對移動邊緣緩存主要特性、執(zhí)行過程以及評價指標(biāo)進(jìn)行了詳細(xì)的論述，對當(dāng)前緩存策略的研究成果進(jìn)行分析、對比和總結(jié)，闡述了適合5G 環(huán)境下MEC 服務(wù)器的部署方案和最新的緩存優(yōu)化策略。最后討論了邊緣緩存策略的研究挑戰(zhàn)和發(fā)展方向。

1 移動邊緣緩存

近年來，物聯(lián)網(wǎng)正在成為5G/Beyond 5G 領(lǐng)域日益占主導(dǎo)地位的技術(shù)。5G/Beyond 5G 有望跨越一個龐大的物聯(lián)網(wǎng)生態(tài)系統(tǒng)，無線網(wǎng)絡(luò)可以滿足數(shù)十億聯(lián)網(wǎng)物聯(lián)網(wǎng)設(shè)備的通信需求。不斷擴(kuò)展的物聯(lián)網(wǎng)技術(shù)預(yù)計將生成大量具有不同需求的數(shù)據(jù)，例如可靠性、延遲和吞吐量。然而，這種前所未有的無線數(shù)據(jù)激增，以及5G/Beyond 5G 相關(guān)應(yīng)用對互聯(lián)網(wǎng)連接的需求，推動了邊緣緩存的發(fā)展。移動邊緣緩存將存儲在遠(yuǎn)端服務(wù)器中的文件預(yù)先緩存到用戶邊緣服務(wù)器節(jié)點(diǎn)上，對無線數(shù)據(jù)流量起到“分流”和“卸載”作用，從而緩解網(wǎng)絡(luò)擁塞，減少用戶請求時延，改善用戶體驗(yàn)，已經(jīng)成為5G/Beyond 5G 通信系統(tǒng)中提升虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)以及超高清視頻等服務(wù)用戶體驗(yàn)的關(guān)鍵技術(shù)之一。其優(yōu)勢主要表現(xiàn)在以下幾個方面：首先，移動邊緣緩存將內(nèi)容放置在用戶邊緣，以有效地減少用戶請求時延；其次，移動邊緣緩存避免了通過回程鏈路傳輸數(shù)據(jù)，減少了回程流量；第三，移動邊緣緩存有助于降低能耗；第四，移動邊緣緩存可以利用移動邊緣服務(wù)器收集的網(wǎng)絡(luò)信息（例如，用戶偏好、文件流行度、用戶移動性信息、用戶社交信息和視頻狀態(tài)信息）提高緩存效率。

1.1 移動邊緣緩存的主要特性

無線網(wǎng)絡(luò)緩存相較于有線網(wǎng)絡(luò)緩存存在新的特征，包括終端用戶移動性、邊緣網(wǎng)絡(luò)的復(fù)雜性、緩存空間有限性和內(nèi)容社交性［10］。

1）終端用戶移動性。

用戶移動性是無線網(wǎng)絡(luò)固有的特性，不僅導(dǎo)致終端位置持續(xù)變動而且會造成網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)的改變，同時，也影響著通信系統(tǒng)緩存策略的有效性和實(shí)用性，因此，需要根據(jù)用戶的移動性自適應(yīng)地調(diào)整緩存策略。用戶的移動性如圖2 所示。用戶從A 點(diǎn)出發(fā)，可以沿著不同的軌跡運(yùn)動，圖2 中的陰影部分代表D2D 網(wǎng)絡(luò)覆蓋范圍。當(dāng)用戶從A 點(diǎn)運(yùn)動到B點(diǎn)，這時用戶不僅可以從基站獲取用戶資源，同時也可以利用D2D 網(wǎng)絡(luò)中的緩存輔助下載用戶所需資源，用戶的移動性增加了用戶之間的通信機(jī)會，從而降低用戶的訪問延遲；此時可以根據(jù)用戶的移動軌跡預(yù)測用戶的下一個訪問的位置，定制有效的緩存策略，減少用戶的訪問時延和網(wǎng)絡(luò)擁塞；當(dāng)用戶從B 點(diǎn)運(yùn)動到C 點(diǎn)，用戶可以長時間地利用D2D 網(wǎng)絡(luò)緩存的資源，如果運(yùn)動到D 點(diǎn)則可能在很短的時間內(nèi)利用D2D網(wǎng)絡(luò)緩存的資源。因此，為了設(shè)計有效的緩存策略就要獲取用戶之間的通信時長、相遇頻率，從而建立穩(wěn)定的通信連接。此外，用戶的移動受人的社會屬性的影響，從而形成大的社交網(wǎng)絡(luò)，為了設(shè)計高效的緩存策略可以利用社交關(guān)系建立移動模型，以增加用戶之間的通信機(jī)會。

圖2 用戶的移動性Fig.2 User mobility

2）邊緣網(wǎng)絡(luò)的復(fù)雜性。

在無線環(huán)境中，信道的衰落和干擾導(dǎo)致無線環(huán)境的不確定性，緩存內(nèi)容所需要的最佳環(huán)境可能在無線環(huán)境發(fā)生變化時失效。同時，無線邊緣中網(wǎng)絡(luò)架構(gòu)多為異構(gòu)，多種設(shè)備之間的信息交換也會影響緩存策略，因此，需要自適應(yīng)地根據(jù)網(wǎng)絡(luò)狀態(tài)設(shè)計緩存策略。

3）緩存空間有限性。

在邊緣網(wǎng)絡(luò)中，基站或終端設(shè)備的存儲空間相較于骨干網(wǎng)的存儲空間有限，而且接入單個基站服務(wù)的用戶較少，可能導(dǎo)致緩存命中率低。因此，為了提高緩存命中率，需要隨內(nèi)容流行度的更新和用戶請求的更新，設(shè)計實(shí)時的緩存更新策略；此外，無線接入網(wǎng)絡(luò)中，數(shù)千個基站或終端設(shè)備相互連接，可以采取相鄰基站協(xié)作的方式，滿足用戶需求的同時優(yōu)化全局緩存。

4）內(nèi)容社交性。

無線社交網(wǎng)絡(luò)日益流行，絕大多數(shù)數(shù)據(jù)流量由社交網(wǎng)絡(luò)產(chǎn)生，且社交網(wǎng)絡(luò)在因特網(wǎng)的信息傳播中發(fā)揮了重要作用。在社交網(wǎng)絡(luò)中，用戶之間的社交關(guān)系影響著用戶的行為，用戶不僅可以是內(nèi)容的消費(fèi)者，也可以是信息的轉(zhuǎn)發(fā)者，這些改變影響了緩存策略的設(shè)計；此外，社交網(wǎng)絡(luò)也可以根據(jù)用戶之間的社交強(qiáng)度來影響和重塑個人的行為。因此，在制定高效的緩存策略時，考慮用戶之間的社交關(guān)系是不容忽視的。

1.2 移動邊緣緩存的執(zhí)行過程

移動邊緣緩存是減少時延、提高頻譜和能效的重要工具，在執(zhí)行過程中主要有三個階段：緩存放置、用戶請求和緩存替換，具體的執(zhí)行過程如圖3 所示。

圖3 移動邊緣緩存的執(zhí)行過程Fig.3 Execution process of mobile edge caching

1）緩存放置階段：重點(diǎn)是內(nèi)容的選擇和內(nèi)容的放置。內(nèi)容的選擇指緩存哪些內(nèi)容，其主要由內(nèi)容流行度、用戶訪問特征和用戶偏好等因素共同影響緩存命中率和存儲空間的利用率。內(nèi)容的放置指內(nèi)容被存放的位置，通常緩存的內(nèi)容可以放置在用戶設(shè)備、基站和云無線電接入網(wǎng)中。用戶設(shè)備上緩存的內(nèi)容可以通過D2D 通信共享，從而增大緩存命中率；在基站進(jìn)行緩存，由于使用的緩存空間更大，不僅可以為更多的用戶提供緩存服務(wù)，而且能夠減輕回傳鏈路的負(fù)擔(dān)，改善回傳網(wǎng)絡(luò)擁塞問題；在云無線電接入網(wǎng)中緩存，可以最大限度地減少前傳和回傳鏈路中的流量以及遠(yuǎn)程無線電頭端中的能耗。因此，為緩存的內(nèi)容尋找最佳的放置位置是一個重要的研究點(diǎn)。

2）用戶請求階段：判斷緩存中是否放置了用戶請求的文件以及將內(nèi)容發(fā)送給用戶的方式。該階段是在緩存放置階段后進(jìn)行，且緩存放置位置會影響內(nèi)容的傳遞方式和傳輸路徑。因此，緩存放置和用戶請求兩階段相互融合，需同時進(jìn)行考慮。

3）緩存替換階段：過時信息無法反映當(dāng)前的網(wǎng)絡(luò)狀態(tài)以及用戶的需求，因此，定期更新緩存內(nèi)容至關(guān)重要。緩存替換策略主要解決從緩存中移除哪些內(nèi)容、何時移除以及緩存哪些新內(nèi)容的問題。內(nèi)容流行度是緩存替換需要考慮的重要因素，為此，如何準(zhǔn)確高效地預(yù)測內(nèi)容流行度是一個亟待解決的問題。此外，過頻地更新緩存內(nèi)容會造成網(wǎng)絡(luò)擁塞，而過少的更新可能無法滿足用戶需求，因此，如何在網(wǎng)絡(luò)流量和內(nèi)容更新頻率之間權(quán)衡的問題也有待解決。

1.3 移動邊緣緩存策略的評價指標(biāo)

在設(shè)計緩存策略時可采用的性能評估指標(biāo)［11］主要有三個：

1）緩存命中率。緩存命中率反映了緩存文件的使用百分比，是評估緩存放置算法性能的重要指標(biāo)。影響緩存命中率的主要因素是緩存空間大小和緩存放置的位置。較大的緩存空間容量可以緩存更多的內(nèi)容，從而提高緩存命中率，且將緩存內(nèi)容放置到合適位置也是提高緩存命中率的關(guān)鍵；此外，緩存命中率還可以通過協(xié)作緩存增加，例如，基站間的協(xié)作、D2D 共享機(jī)制等。

2）網(wǎng)絡(luò)延遲。網(wǎng)絡(luò)延遲表示從請求文件到交付文件之間的持續(xù)時間，可以分為處理時延、排隊(duì)時延和傳播時延，直接影響用戶體驗(yàn)，對于時延敏感的內(nèi)容服務(wù)至關(guān)重要。

3）能耗效率。指一定能耗下支持的數(shù)據(jù)傳輸速率，通常能耗主要來自基站和用戶設(shè)備。前者決定運(yùn)營商的成本，后者影響用戶設(shè)備的電池壽命，而且能耗過大不利于綠色通信。因此，在設(shè)計緩存策略時需要考慮能耗問題，以便在滿足用戶內(nèi)容需求的同時，最大限度地降低用戶設(shè)備和基站的能耗。

1.4 邊緣緩存的應(yīng)用場景

緩存的應(yīng)用不僅可以突破現(xiàn)有主機(jī)的網(wǎng)絡(luò)限制，且在實(shí)現(xiàn)最大系統(tǒng)輸出方面發(fā)揮重要作用。隨著汽車行業(yè)的巨大轉(zhuǎn)變，創(chuàng)新和技術(shù)驅(qū)動成為了新的發(fā)展趨勢，如自動駕駛、電動汽車和聯(lián)網(wǎng)汽車，這部分歸因于消費(fèi)者對更安全、更經(jīng)濟(jì)、更環(huán)保的汽車的需求不斷增長，以及對駕駛時無處不在的在線服務(wù)連接的渴望。因此，汽車制造商通過為現(xiàn)代汽車配備各種先進(jìn)技術(shù)以滿足無處不在的連接和改善交通安全的需求。這些技術(shù)和設(shè)備（例如，車載計算和存儲單元、無線通信和大量傳感器）每秒鐘都會產(chǎn)生大量數(shù)據(jù)，且支持與其他車輛（V2V 通信）和路邊基礎(chǔ)設(shè)施（V2I 通信）的通信和信息交換，以實(shí)現(xiàn)安全、合作和智能的交通系統(tǒng)。然而，互聯(lián)車載網(wǎng)絡(luò)中的內(nèi)容共享由于車輛的高移動性、頻繁的拓?fù)渥兓约芭c通信介質(zhì)相關(guān)的固有環(huán)境動態(tài)，例如間歇性無線連接和干擾而極具挑戰(zhàn)性。作為移動通信和網(wǎng)絡(luò)智能融合的結(jié)果，MEC 為移動運(yùn)營商、應(yīng)用開發(fā)商和內(nèi)容提供商提供了一個獨(dú)特的平臺，以應(yīng)對車輛網(wǎng)絡(luò)中可靠內(nèi)容共享的挑戰(zhàn)。MEC將邊緣節(jié)點(diǎn)轉(zhuǎn)變?yōu)閺?qiáng)大的計算和存儲單元，在無線網(wǎng)絡(luò)的邊緣提供云計算優(yōu)勢和能力。MEC 的特點(diǎn)是低延遲、高帶寬，并支持訪問實(shí)時網(wǎng)絡(luò)信息，這些信息可用于快速部署創(chuàng)新的應(yīng)用和服務(wù)，邊緣緩存就是這樣一個很有前景的應(yīng)用。目前車輛網(wǎng)絡(luò)中內(nèi)容共享主要可以通過三種方式實(shí)現(xiàn)，如圖4 所示：車內(nèi)、V2V 和V2I 內(nèi)容共享。車內(nèi)內(nèi)容共享是通過從車內(nèi)嵌入式存儲單元或用戶設(shè)備向乘客提供內(nèi)容實(shí)現(xiàn)的。例如，在公共汽車上乘客可以訪問緩存在公共汽車存儲單元上的多媒體內(nèi)容，或者從已經(jīng)在設(shè)備上擁有該內(nèi)容的其他用戶那里訪問；或者，通過將內(nèi)容從路邊和蜂窩基礎(chǔ)設(shè)施傳輸?shù)秸埱筌囕v以促進(jìn)V2I 內(nèi)容共享；最后，V2V 內(nèi)容共享支持車輛之間的內(nèi)容傳播，可以在獨(dú)立車輛之間進(jìn)行，也可以從稱為車輛云的協(xié)作車輛資源池中進(jìn)行。然而，為了更好地獲得邊緣緩存的好處，內(nèi)容放置和傳送的策略必須考慮車輛網(wǎng)絡(luò)中通信和內(nèi)容共享的固有限制（即用戶隱私、有限的回程容量、干擾、移動性限制）。因此，機(jī)器學(xué)習(xí)和信息中心網(wǎng)絡(luò)（Information-Centric Networking，ICN）在車輛網(wǎng)絡(luò)中的融合需要進(jìn)一步探索，以優(yōu)化車輛緩存并提高未來車輛網(wǎng)絡(luò)中內(nèi)容共享的可靠性。

圖4 車載網(wǎng)絡(luò)中內(nèi)容共享的邊緣緩存Fig.4 Edge caching with content sharing in vehicular network

2 移動邊緣緩存策略

設(shè)計移動邊緣緩存策略的根本目的是提高網(wǎng)絡(luò)的性能、降低網(wǎng)絡(luò)的壓力，進(jìn)而為具有高服務(wù)要求的用戶提供優(yōu)質(zhì)的體驗(yàn)。本文為了增加可讀性和駐留性，根據(jù)優(yōu)化目標(biāo)的不同，將目前的緩存優(yōu)化策略分為低時延高能效的緩存策略、低時延高命中率的緩存策略、最大化收益的緩存策略，有助于緩存領(lǐng)域的研究人員探索高效的緩存策略。表1 列出了近幾年有關(guān)緩存策略的關(guān)鍵研究點(diǎn)以及適用對象。

表1 移動邊緣緩存策略總結(jié)歸類Tab.1 Summary and classification of mobile edge caching strategies

2.1 基于低時延高能效的緩存策略

在網(wǎng)絡(luò)邊緣部署緩存不僅可以降低用戶請求時延和能耗，而且可以延長用戶設(shè)備的壽命。其中，時延和能耗是直接影響用戶體驗(yàn)的關(guān)鍵指標(biāo)，因此綜合考慮時延和能耗是設(shè)計高效緩存策略的重要參考因素。

針對如何在有限的電池電量下提供低時延的移動服務(wù)問題，文獻(xiàn)［12］綜合考慮數(shù)據(jù)塊傳輸代價、緩存價值和緩存替換代價設(shè)計了基于綜合效用的緩存放置（Integrated Utilitybased Cache Placement，IUCP）算法以合理放置緩存，在此基礎(chǔ)上進(jìn)一步提出了基于緩存放置的啟發(fā)式任務(wù)調(diào)度算法CLTS（Cache Locality-based Task Scheduling），以獲得任務(wù)和資源之間的最大加權(quán)匹配，從而降低時延和能耗成本。文獻(xiàn)［13］研究了具有休眠策略和延遲約束的緩存輔助超密集網(wǎng)絡(luò)節(jié)能問題，提出了一種基于李雅普諾夫優(yōu)化理論的延遲約束睡眠算法，并通過可調(diào)加權(quán)因子在能耗和時延之間進(jìn)行折中。

目前一些研究是以協(xié)作方式設(shè)計的緩存策略。文獻(xiàn)［14］針對信息娛樂服務(wù)給智能IoV 帶來的負(fù)擔(dān)，在車對車和車對路側(cè)單元的混合通信模式下，提出了面向信息娛樂服務(wù)的能效感知緩存策略，且設(shè)計出基于最優(yōu)停止理論的最優(yōu)能效緩存節(jié)點(diǎn)選擇算法以找到能耗較低的最優(yōu)緩存節(jié)點(diǎn)進(jìn)行內(nèi)容放置。文獻(xiàn)［15］基于移動邊緣計算服務(wù)器分布式內(nèi)容交付框架，提出了基于分組和分層的模糊均值聚類協(xié)同緩存策略，該策略包括三種緩存機(jī)制：本地獨(dú)立緩存、組內(nèi)協(xié)作緩存、整個網(wǎng)絡(luò)內(nèi)的協(xié)作緩存，其基本思想是考慮用戶分布特征和MEC 服務(wù)器位置、內(nèi)容流行度、MEC 服務(wù)器緩存容量之間的關(guān)系，將不同等級的內(nèi)容緩存在不同層次的服務(wù)器上，該策略顯著減少了平均服務(wù)時延和總能耗。為了更合理地分配緩存資源以服務(wù)更多用戶請求，減少傳輸時延和傳輸能耗，文獻(xiàn)［16］提出基于軟件定義網(wǎng)絡(luò)（Software Defined Network，SDN）的邊緣協(xié)作緩存策略，利用多層感知神經(jīng)網(wǎng)絡(luò)以預(yù)測移動用戶請求的視頻內(nèi)容，構(gòu)建了延遲和能耗平衡的最小化目標(biāo)函數(shù)，以充分利用邊緣服務(wù)器的資源，其采用的分支定界算法能夠以較快的平均速度找到全局最優(yōu)解。

考慮如何聯(lián)合緩存和卸載以降低時延和能耗，文獻(xiàn)［17］提出了一種帶緩存機(jī)制的任務(wù)卸載策略，設(shè)計了基于邊緣服務(wù)器的任務(wù)緩存機(jī)制和內(nèi)容選擇算法，實(shí)驗(yàn)結(jié)果表明所提算法具有更理想的執(zhí)行時延和系統(tǒng)能耗，分別比卸載策略低15%和18%。文獻(xiàn)［18］基于移動終端任務(wù)和邊緣服務(wù)器-基站（Mobile-Edge-Computing-enabled Base Stations，MEC-BS）服務(wù)的特征，提出了一種新的MEC-BS 輔助計算卸載和數(shù)據(jù)緩存的策略，以確定每個移動終端將每種類型的任務(wù)卸載到MEC-BS 的概率，并指示移動終端每種任務(wù)數(shù)據(jù)是否緩存在MEC-BS，且使用平衡因子靈活地調(diào)整時延和能耗之間平衡。文獻(xiàn)［19］針對多用戶多任務(wù)MEC 系統(tǒng)，建立一種高效的計算卸載和任務(wù)緩存模型，提出強(qiáng)化學(xué)習(xí)和深度強(qiáng)化學(xué)習(xí)算法以獲得近似最優(yōu)解，從而達(dá)到低時延高能效的緩存卸載。

針對支持MEC 的密集蜂窩網(wǎng)絡(luò)中被研究較少的動態(tài)服務(wù)緩存和卸載問題，文獻(xiàn)［20］提出了一種高效的在線算法，聯(lián)合優(yōu)化動態(tài)服務(wù)緩存和任務(wù)卸載，解決MEC 系統(tǒng)中的許多關(guān)鍵挑戰(zhàn)，包括服務(wù)異構(gòu)性、未知系統(tǒng)動態(tài)性、空間需求耦合和分散協(xié)調(diào)。該策略具有三個優(yōu)勢：在不需要未來信息的情況下以在線方式執(zhí)行隨機(jī)服務(wù)緩存；能夠在一定程度上減少終端用戶的計算延遲和系統(tǒng)能耗；考慮計算和存儲限制，并與任務(wù)卸載一起優(yōu)化，能夠最大限度地提高整體系統(tǒng)性能；但這種策略忽略了基站之間的相互依賴性，導(dǎo)致系統(tǒng)在時延最小化和節(jié)能方面性能較差。

2.2 基于低時延高命中率的緩存策略

緩存命中率是指用戶請求文件被緩存存儲的請求數(shù)與總請求數(shù)的比值。較高的緩存命中率意味著更多的用戶請求可以從緩存服務(wù)器中獲得，從而提高了用戶的訪問速度，減少了用戶請求時延，因此綜合考慮時延和命中率也是確定高效緩存策略的重要參考因素。

由于用戶需求和緩存內(nèi)容之間的不完全匹配，動態(tài)用戶偏好對內(nèi)容交付效率提出了挑戰(zhàn)，文獻(xiàn)［21］提出了一種基于學(xué)習(xí)的合作內(nèi)容緩存策略。首先使用人工神經(jīng)網(wǎng)絡(luò)預(yù)測內(nèi)容流行度，然后為最小化平均下載時延，將最優(yōu)合作內(nèi)容緩存問題量化為0-1 整數(shù)規(guī)劃問題，采用基于內(nèi)容流行度的貪婪算法求解。與流行的緩存策略相比，該策略能夠顯著提高內(nèi)容緩存命中率，減少內(nèi)容平均交付時延。文獻(xiàn)［22］提出了一種新的基于移動感知的邊緣緩存策略，充分利用無線接入網(wǎng)上下文數(shù)據(jù)（車輛軌跡預(yù)測以及邊緣節(jié)點(diǎn)的內(nèi)容服務(wù)時間）以獲得未來需求估計，并在車輛最需要的邊緣節(jié)點(diǎn)進(jìn)行緩存。與基于流行度的緩存策略相比，該策略最大化了緩存命中概率，對回程流量和內(nèi)容訪問延遲產(chǎn)生了有益的影響。

由于內(nèi)容放置和交付策略之間的強(qiáng)相互依賴性，聯(lián)合內(nèi)容緩存和交付優(yōu)化的問題變得難以解決。為此，文獻(xiàn)［23］提出了一個集中式的聯(lián)合緩存-交付策略，通過使用改進(jìn)的分支定界算法和內(nèi)部點(diǎn)法（improved Branch-and-Bound Algorithm with the Interior Point Method，iBBA-IPM）尋找最優(yōu)的緩存-交付策略。但由于集中式緩存策略會引起邊緣節(jié)點(diǎn)之間的復(fù)雜性和協(xié)作開銷，考慮引入分布式聯(lián)合協(xié)作緩存-交付策略，能夠最大限度地減少移動邊緣節(jié)點(diǎn)之間的重復(fù)內(nèi)容傳輸，極大地減少總平均時延，提高緩存命中率。

為了滿足視頻高速率傳輸和低延遲的要求，設(shè)計一種可行的視頻邊緣緩存策略是重要的。文獻(xiàn)［24］針對視頻共享的回程鏈路利用率過高和資源有限問題，提出利用X2 網(wǎng)絡(luò)接口在多個MEC 服務(wù)器間共享視頻數(shù)據(jù)的聯(lián)合緩存和轉(zhuǎn)碼策略，以最小化視頻訪問時延，最大化緩存命中率。文獻(xiàn)［25］研究了兩個時間尺度下多服務(wù)器MEC 系統(tǒng)中的協(xié)作視頻緩存和檢索問題，提出將長期緩存放置和短期視頻檢索模式選擇集成在一個雙時間尺度隨機(jī)優(yōu)化框架中，通過基于樣本平均逼近的兩階段算法進(jìn)行處理。仿真結(jié)果驗(yàn)證了該算法在內(nèi)容訪問時延和緩存命中率的有效性。

為了減少用戶請求時延、提高緩存命中率，文獻(xiàn)［26］提出基于用戶屬性感知的邊緣緩存機(jī)制，目標(biāo)內(nèi)容的選擇基于內(nèi)容流行度和用戶的需求，以基站協(xié)作的方式進(jìn)行內(nèi)容的緩存達(dá)到降低緩存數(shù)據(jù)冗余的目的，考慮到用戶偏好可能會隨時間動態(tài)變化，因此對內(nèi)容進(jìn)行了實(shí)時的更新。文獻(xiàn)［27］提出基于用戶移動性和內(nèi)容流行度的緩存策略以及邊際收益緩存放置策略，考慮了用戶移動性對內(nèi)容流行度的影響，并通過多元線性回歸模型預(yù)測內(nèi)容流行度，以此執(zhí)行內(nèi)容緩存；另外，根據(jù)訪問時延和放置成本最大化邊際收益，通過流行度和邊際收益對內(nèi)容進(jìn)行替換；但該策略沒有對內(nèi)容進(jìn)行分類，沒有考慮內(nèi)容放置導(dǎo)致的邊緣服務(wù)器能耗問題，未能達(dá)到綠色通信。文獻(xiàn)［28］提出一種新的面向多址邊緣計算的預(yù)測-協(xié)同-替換（Predictive-Collaborative-Replacement，PCR）智能緩存策略，該策略結(jié)合了主動預(yù)測、MEC 服務(wù)器之間的協(xié)作以及替換算法來管理緩存內(nèi)容，以改善MEC 環(huán)境中的緩存命中率和訪問時延。實(shí)驗(yàn)結(jié)果表明，該算法優(yōu)于現(xiàn)有的離線緩存算法C-LSTM（Cable-Long Short-Term Memory）。文獻(xiàn)［29］提出協(xié)同緩存（Cooperative Caching，CC）算法和動態(tài)緩存替換（Dynamic Caching Replacement，DCR）算法。CC算法可周期性地計算節(jié)點(diǎn)訪問頻率，考慮水平局部區(qū)域內(nèi)鄰近節(jié)點(diǎn)的緩存資源，形成局部緩存社區(qū)，在整個網(wǎng)絡(luò)中實(shí)現(xiàn)更好的緩存放置。DCR 算法可根據(jù)內(nèi)容排名和節(jié)點(diǎn)本身的容量，將熱門內(nèi)容緩存到核心節(jié)點(diǎn)上，從而提高整個網(wǎng)絡(luò)的命中率，減少用戶請求時延。文獻(xiàn)［30］綜合考慮了兩個問題：緩存預(yù)取和緩存替換。首先依據(jù)用戶歷史訪問相關(guān)性、負(fù)載均衡和可用帶寬，采用基于貝葉斯網(wǎng)絡(luò)和馬爾可夫鏈的用戶分類（User Cassification based on Bayesian network and Markov chain，UCBM）模型的緩存預(yù)取算法，以得到預(yù)取文件；再使用成本收益和垃圾收集成本進(jìn)行過濾，將篩選后的預(yù)取文件緩存到邊緣節(jié)點(diǎn)；最后使用基于文件熱度和重訪問概率（File Heat and re-Access Probability，F(xiàn)HAP）模型的邊緣計算系統(tǒng)緩存替換算法，將訪問權(quán)重最小的緩存文件驅(qū)逐出去，具體流程如圖5 所示。與基準(zhǔn)算法相比，預(yù)取算法和緩存替換算法顯著地提高了緩存命中率、減少了響應(yīng)時間，但該策略僅適用于分布式的緩存策略，對集中式緩存策略不友好，在未來的工作中需要設(shè)計高效的緩存策略以適用不同的場景。

圖5 系統(tǒng)算法流程Fig.5 System algorithm flow

針對內(nèi)容的動態(tài)性、未知的時空流量需求和有限的服務(wù)能力問題，文獻(xiàn)［31］在內(nèi)容流行度和用戶偏好先驗(yàn)信息未知的情況下，利用多智能體強(qiáng)化學(xué)習(xí)方法，設(shè)計了一種MEC 服務(wù)器上的協(xié)同內(nèi)容緩存策略。該策略將合作內(nèi)容緩存問題表述為一個多代理多武裝強(qiáng)盜問題，該問題被量化為：

其中：M、T、F表示MEC 服務(wù)器集、時間周期集、文件集；sf表示文件大??；Sm表示服務(wù)器的存儲容量表示文件f在t時間段內(nèi)是否放在服務(wù)器m的本地緩存中，如果文件f被緩存則，否則表示服務(wù)器m緩存文件f的預(yù)期回報。為了解決該問題，提出基于多智能體強(qiáng)化學(xué)習(xí)的緩存算法。在該算法中由于Q 表空間巨大，傳統(tǒng)的多智能體強(qiáng)化學(xué)習(xí)算法遍歷所有Q 值的步數(shù)都是指數(shù)級的，因此通過一種組合置信上界方法縮小Q 表空間，從而有效地降低復(fù)雜度。數(shù)據(jù)結(jié)果表明，提出的基于多智能體強(qiáng)化學(xué)習(xí)緩存方案能夠顯著降低內(nèi)容下載延遲，提高內(nèi)容緩存的命中率。

2.3 基于最大化收益的緩存策略

由于邊緣服務(wù)器的存儲容量有限，無法保證內(nèi)容提供商（Content Provider，CP）提供的所有內(nèi)容都會緩存到邊緣服務(wù)器，且用戶滿意度是CP 關(guān)注的重要指標(biāo)，直接影響CP 的收益，因此，應(yīng)該優(yōu)化緩存策略，以最大化CP 收益，實(shí)現(xiàn)內(nèi)容緩存效用［32］。文獻(xiàn)［33］考慮了一個多用戶多提供商場景，針對邊緣服務(wù)器存儲空間有限的問題，通過建立提供商間緩存資源競爭的非合作博弈模型最大化緩存效用，此外，考慮初始緩存分配的公平性問題，采用基于最優(yōu)響應(yīng)的多CP 緩存算法獲得最佳的緩存策略，該算法能夠在有限的迭代次數(shù)內(nèi)實(shí)現(xiàn)收斂，獲得較高的緩存效用。文獻(xiàn)［34］從最小化CP 支付的角度研究了多小區(qū)協(xié)作緩存問題，采用協(xié)作緩存的在線算法不僅不需要任何關(guān)于內(nèi)容流行度的知識，而且其結(jié)果非常接近最優(yōu)的離線協(xié)作策略，最重要的是，在內(nèi)容流行度沒有被正確估計的情況下，在線算法性能優(yōu)于最優(yōu)的離線協(xié)作策略。文獻(xiàn)［35］針對邊緣計算中服務(wù)器放置問題，提出基于資源需求預(yù)測的服務(wù)器放置映射優(yōu)化啟發(fā)式算法。首先將任務(wù)劃分為多個子任務(wù)；然后實(shí)現(xiàn)子任務(wù)-服務(wù)器位置的映射，并通過數(shù)據(jù)命名機(jī)制完成服務(wù)器與數(shù)據(jù)源之間的信息（位置、當(dāng)前時間等）交互；最后，提出了跨區(qū)域資源優(yōu)化，使服務(wù)提供商的成本最小化。

為最大化網(wǎng)絡(luò)收益，文獻(xiàn)［36］提出了一種適用于D2D 網(wǎng)絡(luò)的無線內(nèi)容傳輸最優(yōu)緩存策略。該策略首先考慮了用戶偏好和群組移動性對緩存的影響，建立了網(wǎng)絡(luò)成本最小化問題；然后，利用頻率搜索自適應(yīng)蝙蝠算法尋找最佳緩存策略以最小化網(wǎng)絡(luò)成本，與粒子群算法相比，該算法提高了約7%的網(wǎng)絡(luò)收益，平均傳輸延遲降低了至少14%。文獻(xiàn)［37］為異構(gòu)網(wǎng)絡(luò)場景設(shè)計了一種主動緩存策略，以優(yōu)化在移動用戶和基站上存儲內(nèi)容的選擇，提出一個最小化平均系統(tǒng)成本的最優(yōu)策略，以及一個次優(yōu)的啟發(fā)式算法，找到最佳內(nèi)容分配，從而制定最佳緩存策略。與靜態(tài)策略相比，該策略可以顯著降低系統(tǒng)成本，但未制定D2D 之間的合作激勵機(jī)制。文獻(xiàn)［38］在基于MEC 的IoV 場景下研究了基于邊緣緩存的協(xié)同卸載和資源分配問題，提出基于MEC 的車輛網(wǎng)絡(luò)V2X（Vehicle-To-Everything）協(xié)同緩存和資源分配機(jī)制，以最大化資源利用率，減少內(nèi)容訪問時延和能耗，降低系統(tǒng)開銷。文獻(xiàn)［39］提出聯(lián)合用戶關(guān)聯(lián)和視頻的緩存策略，該策略通過結(jié)合緩存、代碼轉(zhuǎn)換和自適應(yīng)比特率流技術(shù)以最大化系統(tǒng)收益，且采用多對多匹配算法解決優(yōu)化問題。

從以上優(yōu)化目標(biāo)的角度出發(fā)，通過對目前緩存策略的分析和對比可知，將內(nèi)容緩存到邊緣服務(wù)器確實(shí)在一定程度上提高了網(wǎng)絡(luò)的性能和用戶體驗(yàn)，但仍然面臨一系列的問題：如用戶的移動性對緩存策略性能有嚴(yán)重的影響，如何準(zhǔn)確預(yù)測用戶的移動性來最大化緩存命中率是一項(xiàng)繁瑣的任務(wù)；此外，用戶不愿為了提高網(wǎng)絡(luò)性能而消耗稀缺的資源，所以在用戶設(shè)備上執(zhí)行緩存，以利用D2D 通信是困難的；而對于緩存內(nèi)容的難以確定，設(shè)計的緩存策略應(yīng)能夠準(zhǔn)確觀察用戶之間的社會關(guān)系、內(nèi)容請求模式、移動性、網(wǎng)絡(luò)狀態(tài)。因此，可以利用人工智能解決緩存什么、在哪里緩存、何時緩存的挑戰(zhàn)，因?yàn)槿斯ぶ悄芫哂谢趯W(xué)習(xí)用戶需求和移動模式優(yōu)化緩存策略的潛力，且未來緩存技術(shù)希望利用智能的緩存機(jī)制來最大限度地提高網(wǎng)絡(luò)性能。

3 面向5G環(huán)境下移動邊緣緩存策略

在3.1 節(jié)中對現(xiàn)有的移動邊緣緩存技術(shù)研究進(jìn)行闡述，主要是針對面向4G 網(wǎng)絡(luò)環(huán)境下的移動邊緣緩存策略。由于5G 網(wǎng)絡(luò)服務(wù)的引入與發(fā)展，需要提供更高的網(wǎng)絡(luò)運(yùn)行速度、更快的數(shù)據(jù)傳輸速率以及更低的計算時延，而現(xiàn)有的4G 緩存技術(shù)很難滿足低時延和高靈活性等應(yīng)用需求，所以在5G移動通信網(wǎng)絡(luò)中引入了許多新的理念和技術(shù)，例如服務(wù)化架構(gòu)，網(wǎng)絡(luò)切片，軟件定義網(wǎng)絡(luò)、MEC/緩存等。故對于在5G 移動通信網(wǎng)絡(luò)中部署緩存、改善內(nèi)容分發(fā)效率、減少網(wǎng)絡(luò)傳輸時延和用戶體驗(yàn)具有重要研究意義，且已成為5G 移動通信網(wǎng)絡(luò)研究的重點(diǎn)內(nèi)容之一。本章主要對目前5G 環(huán)境下的移動邊緣緩存技術(shù)的發(fā)展進(jìn)行研究。主要分析了5G 環(huán)境下MEC 服務(wù)器的部署架構(gòu)和面向5G 環(huán)境下緩存優(yōu)化策略。

3.1 5G網(wǎng)絡(luò)下MEC服務(wù)器的部署

在5G 架構(gòu)下，MEC 服務(wù)器有兩種部署方式，如圖6 所示。

圖6 MEC服務(wù)器在5G架構(gòu)下的部署Fig.6 Deployment of MEC servers under 5G architecture

第一種情況：MEC 服務(wù)器部署在一個或多個LTE（Long Term Evolution）宏基站（evolved Node B，eNode B）側(cè)。這種部署使業(yè)務(wù)更靠近用戶側(cè)，終端用戶發(fā)起的業(yè)務(wù)經(jīng)過基站、MEC 服務(wù)器1（見圖6），然后到達(dá)互聯(lián)網(wǎng)/第三方服務(wù)內(nèi)容。

第二種情況：MEC 服務(wù)器部署在用戶平面網(wǎng)關(guān)（GateWay-User Plane，GW-UP）處。5G 網(wǎng)絡(luò)核心網(wǎng)（Core Network，CN）C/U 功能分離之后，U-Plane（對應(yīng)GW-UP）功能下移，可以下移到無線接入網(wǎng)（Radio Access Network，RAN）側(cè)，也可以下移到CN 的邊緣，C-Plane（對應(yīng)GW-CP）駐留在CN 側(cè)。MEC 服務(wù)器部署在GW-UP 處時，終端用戶發(fā)起的業(yè)務(wù)需經(jīng)過基站、GW-UP、MEC 服務(wù)器2（見圖6），最后到達(dá)互聯(lián)網(wǎng)/第三方內(nèi)容服務(wù)。該部署方案相較于傳統(tǒng)的公網(wǎng)方案可為終端用戶提供低延遲、高帶寬服務(wù)。

3.2 5G網(wǎng)絡(luò)下緩存優(yōu)化策略

3.2.1 5G網(wǎng)絡(luò)中綠色移動感知緩存策略

用戶的移動性是5G 無線網(wǎng)絡(luò)的重要特征，影響著緩存策略的有效性［40］。目前，大部分的相關(guān)工作假設(shè)用戶可以通過連接的小型基站和移動設(shè)備下載整個請求的內(nèi)容。而實(shí)際情況下，用戶的移動會帶來接觸時間的隨機(jī)性，很少有相關(guān)研究考慮到用戶移動性和接觸持續(xù)時間的隨機(jī)性。因此，如何利用用戶移動性改進(jìn)緩存策略仍然是一個具有挑戰(zhàn)性的問題。此外，在緩存和內(nèi)容傳輸時，過大的能耗不僅提高運(yùn)營商的成本，損耗終端設(shè)備的壽命，而且不利于綠色通信。因此，如何在動態(tài)的情況下保證緩存命中率最大、傳輸能耗最少是一個亟待解決的問題［41］。文獻(xiàn)［42］針對以上問題提出了在基站和移動設(shè)備上的移動感知編碼緩存策略，以最大化緩存命中率及最小化傳輸能耗，該策略考慮了基于5G 網(wǎng)絡(luò)的移動場景，如圖7 所示。

圖7 5G網(wǎng)絡(luò)中綠色移動感知緩存示意圖Fig.7 Schematic diagram of green mobility-aware caching in 5G network

該策略從編碼的角度出發(fā)，通過分析用戶的移動性優(yōu)化緩存策略，以最大化命中率、最小化傳輸能耗為優(yōu)化目標(biāo)。

1）編碼緩存放置策略：考慮了用戶移動性造成接觸時長的隨機(jī)性及用戶請求文件的概率對小基站和移動設(shè)備上緩存策略的影響，提出通過子模型優(yōu)化以最大化基站和移動設(shè)備上的緩存命中率的解決方案。其中，用戶的移動性主要依據(jù)用戶接觸時間間隔和接觸頻率刻畫，用戶請求內(nèi)容概率通過文件的流行度獲得。在基站和移動設(shè)備緩存容量的約束下建立的基站和移動設(shè)備命中率最大化綜合目標(biāo)函數(shù)是一個混合整數(shù)規(guī)劃問題，為了便于求解將原問題轉(zhuǎn)換為子模態(tài)優(yōu)化問題，利用貪心算法求解。編碼緩存放置算法具體流程為：設(shè)置一個放置緩存內(nèi)容的空集合，迭代計算編碼段的命中率，加入放置在基站或移動設(shè)備上能夠最大化緩存命中率的編碼段文件，直到達(dá)到基站和移動設(shè)備的最大緩存容量，停止迭代，此算法可近似達(dá)到最優(yōu)解。

2）編碼緩存的傳輸策略：當(dāng)多個小基站（Small Base Station，SBS）和移動設(shè)備向內(nèi)容請求者傳遞內(nèi)容時，會消耗能量且用戶的移動對傳輸策略產(chǎn)生一定影響。根據(jù)子模態(tài)優(yōu)化問題給出的緩存放置策略，分析編碼緩存文件在傳輸過程中的能量消耗模型，推導(dǎo)出基站和移動設(shè)備的最優(yōu)發(fā)射功率，從而保證移動設(shè)備和基站在傳輸文件的過程中消耗的能量最小。

文獻(xiàn)［42］所提策略的優(yōu)勢：將該策略與流行的緩存策略［43］、隨機(jī)緩存策略［44］和可以提供具有固定數(shù)量數(shù)據(jù)的移動感知緩存策略MCF（Mobility-aware Caching with Fixed amount data can be delivered）［45］進(jìn)行對比可以得出以下結(jié)論：

①用戶移動性的影響。圖8 展示了用戶移動性對不同緩存策略的影響。從圖8（a）中可以看出，隨著用戶設(shè)備和多個SBS 接觸頻率的增加，命中率逐漸增大，且所提策略的命中率優(yōu)于其他三種策略，因?yàn)榱餍械木彺娌呗院献鞣窒頇C(jī)會較少；隨機(jī)緩存策略沒有考慮用戶移動性；MCF 緩存策略雖然考慮了用戶的移動性，但沒考慮編碼段是否可以在接觸持續(xù)時間內(nèi)傳輸。因此，所提緩存策略的性能最好。此外，從圖8（b）中可以看出，當(dāng)用戶移動性較低時，所提策略和流行的緩存策略緩存命中率并不顯著。因?yàn)橛脩粢苿有暂^低時，移動設(shè)備不僅在不同SBS 之間切換較少，而且遇到其他移動設(shè)備的機(jī)會也較少，然而，對流行內(nèi)容的需求很大。因此，流行的內(nèi)容應(yīng)該緩存在SBS 和移動設(shè)備上，以提高緩存命中率。當(dāng)用戶移動很頻繁時，所提策略和隨機(jī)緩存策略之間的差距變小，這是因?yàn)榫彺婢W(wǎng)絡(luò)相對活躍，用戶與基站有更多的接觸機(jī)會，用戶訪問流行文件的概率變大。為了改善這種情況，在未來的工作中可以通過考慮文件的多樣性提高緩存命中率。

圖8 用戶移動性對緩存命中率的影響Fig.8 Influence of user mobility on caching hit ratio

②不同策略對能耗的影響：從圖9 可以看出，隨著緩存命中率的增加，能耗也在上升。隨著緩存命中率的增加，從SBS 和移動設(shè)備下載請求文件的概率增加，SBS 和移動設(shè)備的能耗隨之增加。另外，在相同的命中率下，所提策略較其他三種策略更節(jié)能。因?yàn)樗岵呗圆粌H考慮了用戶的移動性，接觸持續(xù)時間的隨機(jī)性，還考慮了SBS 和移動設(shè)備傳輸內(nèi)容時的能效。

圖9 不同緩存策略下的能耗Fig.9 Energy consumption under different caching strategies

雖然文獻(xiàn)［42］考慮了用戶移動性對緩存策略和傳輸策略的影響，但對于更復(fù)雜的社會關(guān)系和用戶行為對用戶移動性的影響也需要被考慮在內(nèi)；此外，由于綠色通信的重要性，另一個值得研究的方向是考慮由能量收集驅(qū)動用戶和基站聯(lián)合緩存，該技術(shù)可以降低傳輸能耗，但能量的隨機(jī)性使得優(yōu)化設(shè)計更具挑戰(zhàn)性。

3.2.2 5G異構(gòu)蜂窩網(wǎng)絡(luò)中的緩存策略

MEC 網(wǎng)絡(luò)允許移動用戶從附近的網(wǎng)站訪問內(nèi)容和資源，而不是從云/內(nèi)容服務(wù)器下載內(nèi)容，因此MEC 有助于減少服務(wù)延遲，緩解回程鏈路上的網(wǎng)絡(luò)擁塞。盡管有這些優(yōu)勢，MEC 網(wǎng)絡(luò)的發(fā)展仍面臨著一些固有的挑戰(zhàn)，例如，不同的用戶需求、小的覆蓋范圍以及每個城域網(wǎng)有限的存儲容量。為了解決這些問題，引入了協(xié)作緩存。協(xié)作緩存是一種通過移動邊緣網(wǎng)絡(luò)之間的協(xié)作以利用內(nèi)容分布的方法，并在分層架構(gòu)中提供高效的工作負(fù)載分布。目前異構(gòu)蜂窩網(wǎng)絡(luò)作為5G蜂窩通信系統(tǒng)的關(guān)鍵組成部分，其緩存方法和相應(yīng)的緩存效益引起了廣泛的關(guān)注和研究，雖然有人提出D2D 緩存和小基站緩存協(xié)作的想法［46］，但D2D 緩存和毫微微基站的緩存策略卻是獨(dú)立設(shè)計的，而這種非合作的緩存策略不僅導(dǎo)致冗余緩存，而且降低緩存效率，這就激勵研究者在毫微微蜂窩和D2D 兩個層次上開發(fā)協(xié)作緩存策略。高效的協(xié)作緩存策略不僅可以提高緩存的命中率，而且可以平衡網(wǎng)絡(luò)中處理的負(fù)載，因此，文獻(xiàn)［47］提出基于異構(gòu)網(wǎng)絡(luò)的最優(yōu)協(xié)作緩存策略旨在提高緩存效率和用戶質(zhì)量，并減少主干網(wǎng)絡(luò)中的冗余網(wǎng)絡(luò)流量。考慮了單小區(qū)異構(gòu)網(wǎng)絡(luò)，如圖10 所示。圖中用戶設(shè)備（User Equipment，UE）不僅可以直接和宏基站（Macro Base Stations，MBS）、毫微微基站（Femto Base Station，F(xiàn)BS）通信，并且用戶設(shè)備之間也可以D2D 共享。

圖10 啟用緩存的異構(gòu)網(wǎng)絡(luò)Fig.10 Heterogeneous network with caching

對于給定的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)、用戶的內(nèi)容請求概率、毫微微基站和終端設(shè)備的存儲容量及帶寬容量，如何在用戶設(shè)備和FBS 緩存中部署內(nèi)容項(xiàng)，使用戶的平均下載時延最小是最優(yōu)協(xié)作緩存策略的最大目標(biāo)。為求解此問題，采用拉格朗日松弛和分層原始-對偶分解法，求解流程如圖11 所示。

圖11 最優(yōu)協(xié)作內(nèi)容緩存的兩級原始-對偶分解圖Fig.11 Two-level primal-dual decomposition diagram of optimal collaborative content caching

其中，主問題是最小化平均下載時延的目標(biāo)函數(shù)，由于其是凸問題，使用關(guān)聯(lián)的拉格朗日乘數(shù)改寫成拉格朗日對偶問題，得到的拉格朗日函數(shù)可以進(jìn)一步分解為子問題和二級主問題，這種分離保持了解的最優(yōu)性。子問題是通過最大化內(nèi)容緩存的概率以確定緩存決策矩陣X，二級主問題通過最小化平均傳輸時延以確定傳輸矩陣Y。具體為：在一級分解的頂層，讓基于平均下載時延的主問題負(fù)責(zé)更新變量拉格朗日乘數(shù)，使用次梯度方法更新，以迭代的方式解決主問題；在一級分解的較低層，對于給定的對偶變量，分解的子問題只涉及緩存決策矩陣X，可分解成多個一維背包子問題以找到最優(yōu)的緩存決策；對于二級主問題的求解過程由于只涉及傳輸決策矩陣Y且是凸問題，求解過程與主問題求解相同，獲得的拉格朗日函數(shù)的最優(yōu)目標(biāo)值都是通過次梯度方法更新拉格朗日乘數(shù)，然后分解成多個可以有效求解的更小的子問題進(jìn)行求解，且找到最優(yōu)的傳輸決策矩陣。該算法可以分別放松一些困難的約束和變量，其求解效率較其他算法更高，且能收斂到最優(yōu)解。

文獻(xiàn)［47］所提策略的優(yōu)勢：通過將該策略中所提算法與FBS 緩存的近似算法［48］、FBS 緩存的貪婪算法［49］和D2D 緩存的最優(yōu)雙解搜索算法［50］進(jìn)行比較可以得出以下結(jié)論：

①不同用戶數(shù)量下算法性能的比較。從圖12 可以看出，當(dāng)用戶數(shù)量不斷增大時，由于小區(qū)中的資源受到限制，用戶共享的鏈路帶寬容量減少，平均下載延遲都緩慢增加，本地緩存命中率都降低，但所提算法性能明顯優(yōu)于其他三種算法，意味著所提策略不僅可以滿足更多用戶的請求，也證明了FBS 和用戶設(shè)備協(xié)作緩存的優(yōu)勢。

圖12 不同策略在不同用戶數(shù)量下的性能比較Fig.12 Performance comparison of different strategies under different numbers of users

②不同用戶設(shè)備存儲容量下的算法性能的比較。從圖13 可以看出，僅考慮用戶設(shè)備存儲容量時，隨著用戶設(shè)備存儲容量的增加，所提算法的平均下載延遲和本地緩存命中率優(yōu)于D2D 緩存最優(yōu)雙解搜索算法；當(dāng)用戶設(shè)備存儲容量為0 時，即FBS 可以緩存內(nèi)容時，所提算法仍然優(yōu)于其他三種算法，主要是由于所提策略為緩存問題提供了最優(yōu)解，而其他策略僅給出了近似解。

圖13 不同策略在不同用戶設(shè)備存儲容量下的性能比較Fig.13 Performance comparison of different strategies under different user device storage capacity

③FBS 不同帶寬容量下的性能比較。從圖14 可以看出，不同的FBS 帶寬容量下，所提算法的下載延遲明顯低于其他三種算法，本地命中率明顯高于其他三種算法，與此同時，隨著FBS 帶寬容量的增大，性能差距也越來越大，主要得益于所提策略中FBS 和用戶設(shè)備的協(xié)作優(yōu)勢。因此，對于更大的FBS 帶寬容量，所提策略更有效。此外，由于該策略為異構(gòu)網(wǎng)絡(luò)提供了一個全局最優(yōu)解，在未來將該解作為設(shè)計高效的分布式異構(gòu)網(wǎng)絡(luò)內(nèi)容緩存算法的理論上限是有益的。

圖14 不同策略在FBS不同帶寬容量下的性能比較Fig.14 Performance comparison of different strategies under different bandwidth capacity of FBS

4 技術(shù)挑戰(zhàn)和發(fā)展方向

移動邊緣緩存因其能夠?qū)⒂脩羲璧膬?nèi)容存儲在用戶邊緣，降低內(nèi)容傳輸過程中的時延和負(fù)載，并為用戶帶來更好的體驗(yàn)而備受關(guān)注，產(chǎn)生許多不同的研究方法［51-53］。然而，這些研究仍有大量的問題有待進(jìn)一步探討。本章將討論當(dāng)前緩存策略的研究挑戰(zhàn)和未來的研究方向。

4.1 安全

在傳統(tǒng)的云緩存策略中，數(shù)據(jù)的安全可以通過加密以及用戶和緩存節(jié)點(diǎn)的認(rèn)證保證。就邊緣緩存策略而言，通常是分布式的，系統(tǒng)容易受到各種攻擊，如拒絕服務(wù)攻擊和流氓邊緣攻擊［54］。如果緩存節(jié)點(diǎn)受到攻擊，它們可能會拒絕向用戶提供服務(wù)或向用戶提供不需要的內(nèi)容，且惡意用戶也可以通過D2D 通信向用戶傳送不需要的內(nèi)容，從而影響了數(shù)據(jù)的傳輸和用戶的體驗(yàn)。因此，如何在保證網(wǎng)絡(luò)和數(shù)據(jù)安全的情況下滿足用戶需求已經(jīng)成為亟待解決的問題。目前解決方案有很多，例如：文獻(xiàn)［55］提出以邊緣緩存為基礎(chǔ)的內(nèi)容感知過濾方法，用于以信息為中心的社交網(wǎng)絡(luò)中的安全服務(wù)；文獻(xiàn)［56］針對安全服務(wù)的評估和內(nèi)容匹配機(jī)制設(shè)計了一種將信任機(jī)制與嵌入式虛擬化相集成的安全架構(gòu)，可以有效防止對邊緣設(shè)備上緩存內(nèi)容的未授權(quán)訪問；文獻(xiàn)［57］采用一種基于區(qū)塊鏈的邊緣計算可信數(shù)據(jù)管理策略，用于邊緣緩存以保證內(nèi)容的信任和安全，且設(shè)計了一種靈活可配置的架構(gòu)。但是上述方案沒有考慮邊緣緩存設(shè)備的自私性，如何將安全緩存服務(wù)質(zhì)量評估模型和深度強(qiáng)化學(xué)習(xí)方法聯(lián)合，以加速學(xué)習(xí)過程，保證數(shù)據(jù)安全是未來重要的研究方案。此外，隨著現(xiàn)有的區(qū)塊鏈技術(shù)的成熟，已經(jīng)有研究將緩存與區(qū)塊鏈技術(shù)、智能合約結(jié)合，如：文獻(xiàn)［58］提出基于區(qū)塊鏈的加密機(jī)制；文獻(xiàn)［59］提出采用區(qū)塊鏈和物理層安全技術(shù)防止數(shù)據(jù)被篡改和竊聽；文獻(xiàn)［60］提出基于區(qū)塊鏈的緩存和交付市場作為分布式緩存系統(tǒng)的激勵機(jī)制，對于分布式交付市場，與內(nèi)容交付相關(guān)的交易由智能合約執(zhí)行。但這類方法必然會增加資源的額外消耗，因此，如何在保證數(shù)據(jù)的安全的同時降低資源的額外消耗是未來的一個研究方向。

4.2 移動感知緩存

在無線網(wǎng)絡(luò)中，緩存的性能受用戶移動性的影響很大。例如在動態(tài)場景中，網(wǎng)絡(luò)可能需要將內(nèi)容的多個副本緩存到不同的基站，以便它們將緩存的內(nèi)容為移動用戶服務(wù)。然而，基站的緩存容量有限，并不能緩存所有內(nèi)容，因此，嚴(yán)重限制了網(wǎng)絡(luò)的性能。假設(shè)網(wǎng)絡(luò)知道用戶的移動性（如：所有用戶的路徑），則網(wǎng)絡(luò)可以沿用戶的路徑在正確的基站上精確地緩存用戶所請求的內(nèi)容，最大化基站緩存利用率。在實(shí)際情況下是很難準(zhǔn)確預(yù)測用戶選擇的確切路徑，需要在不完善的用戶路徑知識下設(shè)計緩存策略，帶來了很多挑戰(zhàn)，且如何預(yù)測用戶的移動性實(shí)現(xiàn)內(nèi)容的優(yōu)先分發(fā)，將用戶需求提前放置到下一個接入節(jié)點(diǎn)以更好地支持服務(wù)的連續(xù)性和無縫移動也是目前研究的熱點(diǎn)?，F(xiàn)有的研究主要是通過MEC 用戶位置信息以及上下文信息進(jìn)行移動性預(yù)測，很少有工作結(jié)合人工智能用戶的移動性預(yù)測，且用戶軌跡的準(zhǔn)確性預(yù)測也是一個重要的研究問題，因此，如何將用戶的移動性預(yù)測整合到緩存優(yōu)化中是非常關(guān)鍵的。目前常用方案有：文獻(xiàn)［61］提出基于深度學(xué)習(xí)框架下的移動感知緩存策略，通過采用條件變分自動編碼器根據(jù)大量歷史數(shù)據(jù)建立用戶移動模型，預(yù)測用戶訪問的下一個基站并進(jìn)行預(yù)緩存；文獻(xiàn)［62］為了提高預(yù)測的準(zhǔn)確性，依據(jù)用戶的歷史軌跡信息提出循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）方法以預(yù)測用戶的下一個位置；文獻(xiàn)［63］設(shè)計離散分布的移動感知緩存策略，搭建用戶移動行為的智能感知層，結(jié)合集體行為和個體移動特征建立軌跡特征預(yù)測模型，對用戶軌跡進(jìn)行預(yù)測；但由于用戶移動的高度不確定性以及社交網(wǎng)絡(luò)對用戶移動性的影響，設(shè)計高效的移動感知緩存策略有待研究。另外較少有用于描述用戶移動性的易處理數(shù)學(xué)模型，阻礙了對高速緩存支持的無線網(wǎng)絡(luò)中用戶移動性的理解。因此，可以探索基于數(shù)學(xué)模型的移動模型，設(shè)計相應(yīng)的算法以優(yōu)化緩存策略。

4.3 基于強(qiáng)化學(xué)習(xí)的邊緣緩存

由于網(wǎng)絡(luò)的動態(tài)性和環(huán)境的復(fù)雜性，設(shè)計高效的緩存策略必須準(zhǔn)確地觀察用戶需求，而準(zhǔn)確獲取用戶需求難度較大。因此，傳統(tǒng)的邊緣緩存方案已不適用。機(jī)器學(xué)習(xí)（Machine Learning，ML）不僅可以通過數(shù)據(jù)驅(qū)動分析和識別具有時變的動態(tài)在線社區(qū)和流行內(nèi)容，而且可以根據(jù)具有時間序列動態(tài)特征的用戶移動性、流行度和偏好數(shù)據(jù)集估計用戶未來需求。此外，ML 還可以針對網(wǎng)絡(luò)狀態(tài)和存儲約束問題，優(yōu)化緩存放置和交付。基于以上優(yōu)勢，ML 通常被用于優(yōu)化緩存策略。目前大多數(shù)緩存優(yōu)化方案都是基于強(qiáng)化學(xué)習(xí)來解決的，因?yàn)閺?qiáng)化學(xué)習(xí)能夠在少數(shù)或沒有模型的情況下與環(huán)境進(jìn)行交互和學(xué)習(xí)。如文獻(xiàn)［64］采用多智能體元強(qiáng)化學(xué)習(xí)方法，在每個本地智能體進(jìn)行決策學(xué)習(xí)以減少IoV 系統(tǒng)服務(wù)時延。文獻(xiàn)［65］提出了一種基于內(nèi)容請求預(yù)測的協(xié)同緩存策略，將車輛請求的內(nèi)容以更大的概率預(yù)緩存在其他車輛或路邊單元中，以減少內(nèi)容獲取延遲。但這些傳統(tǒng)的強(qiáng)化學(xué)習(xí)緩存方案僅限于狀態(tài)低維且完全可觀測的領(lǐng)域，對于比較復(fù)雜的邊緣緩存環(huán)境，手動提取環(huán)境中所有有用的特征作為低維狀態(tài)空間是很難的。隨著深度強(qiáng)化學(xué)習(xí)的出現(xiàn)，智能體可以直接在原始的高維觀測上訓(xùn)練，而不是手動制作有用的特征或低維狀態(tài)空間。因此，探索基于深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)結(jié)合的人工智能緩存策略，不僅可以提高預(yù)測的準(zhǔn)確度，而且對于未來Beyond 5G/6G 的發(fā)展具有推動作用。

4.4 基于聯(lián)邦學(xué)習(xí)的邊緣緩存

通過大數(shù)據(jù)分析，可以挖掘大量的用戶數(shù)據(jù)，有助于優(yōu)化主動緩存策略。然而，獲取用戶數(shù)據(jù)很大程度上可能導(dǎo)致用戶隱私暴露，所以大多數(shù)用戶拒絕數(shù)據(jù)共享，這不僅對優(yōu)化邊緣緩存策略帶來了困難，而且阻礙了未來5G 網(wǎng)絡(luò)新技術(shù)和新應(yīng)用的發(fā)展。因此，聯(lián)邦學(xué)習(xí)（Federated Learning，F(xiàn)L）概念被引入。在FL 中，終端設(shè)備使用本地數(shù)據(jù)訓(xùn)練服務(wù)器所需的ML 模型，在一定程度上增強(qiáng)用戶隱私，進(jìn)而降低被竊聽的可能性。目前聯(lián)邦學(xué)習(xí)在保護(hù)隱私方面已有一些研究成果，文獻(xiàn)［66］提出了一種保護(hù)隱私的聯(lián)邦K-means 方案，用于下一代蜂窩網(wǎng)絡(luò)中的主動緩存，該方案基于聯(lián)邦學(xué)習(xí)和秘密共享兩種隱私保護(hù)技術(shù)，保護(hù)了用戶隱私。文獻(xiàn)［67］提出了基于聯(lián)邦學(xué)習(xí)的主動緩存方案，該方案不需要集中收集用戶數(shù)據(jù)進(jìn)行訓(xùn)練。文獻(xiàn)［68］提出了用于車輛網(wǎng)絡(luò)資源共享的差分隱私異步聯(lián)合學(xué)習(xí)方案，以保護(hù)更新后局部模型的隱私。文獻(xiàn)［69］提出了基于隨機(jī)梯度下降法的聯(lián)邦深度學(xué)習(xí)方案，該方案將加法同態(tài)加密和差分隱私集成在聯(lián)邦學(xué)習(xí)中。然而，采用這些方案在一定程度上降低了系統(tǒng)的性能，即模型的準(zhǔn)確性。因此，在實(shí)現(xiàn)FL 系統(tǒng)時，必須很好地平衡隱私保護(hù)和系統(tǒng)性能。此外，流行度預(yù)測及特征提取方面的ML 算法中還有待于聯(lián)邦學(xué)習(xí)方法的研究。

4.5 Beyond 5G/6G網(wǎng)絡(luò)的邊緣緩存

隨著無線移動通信的發(fā)展與探索，5G 已經(jīng)逐漸走進(jìn)了人們的視野，Beyond 5G 和6G 研究也正在受到許多人的關(guān)注。Beyond 5G/6G 的愿景是建立一個能夠動態(tài)、快速響應(yīng)用戶服務(wù)調(diào)用的大規(guī)模連接復(fù)雜網(wǎng)絡(luò)。在5G 網(wǎng)絡(luò)中，運(yùn)營商利用網(wǎng)絡(luò)切片等技術(shù)為用戶提供差異化的緩存服務(wù)，而Beyond 5G/6G 網(wǎng)絡(luò)將通過人工智能驅(qū)動的預(yù)測進(jìn)一步完善用戶定制的緩存服務(wù)。例如，Beyond 5G/6G 中的邊緣緩存可以預(yù)測用戶的需求，即使在用戶的通勤期間，也可以在不同的時間調(diào)整預(yù)緩存的內(nèi)容。這一目標(biāo)的實(shí)現(xiàn)依賴于在保護(hù)用戶隱私的前提下對用戶歷史數(shù)據(jù)的收集和分析。區(qū)塊鏈作為一個分布式數(shù)據(jù)庫，可以實(shí)現(xiàn)數(shù)據(jù)的分散傳輸和存儲，防止數(shù)據(jù)被竊取或篡改。因此，Beyond 5G/6G 希望通過邊緣緩存和區(qū)塊鏈技術(shù)為用戶提供定制化的緩存服務(wù)。此外，為了構(gòu)建一個智能開放的Beyond 5G/6G 網(wǎng)絡(luò)，每個節(jié)點(diǎn)都應(yīng)該具備充足的通信、計算和緩存資源，以支持智能運(yùn)營和自我進(jìn)化。因此，可以通過各種新技術(shù)協(xié)同利用網(wǎng)絡(luò)中的所有通信、計算和緩存資源，實(shí)現(xiàn)Beyond 5G/6G 通信智能化和開放性。

5 結(jié)語

移動邊緣緩存通過冗余和廉價的網(wǎng)絡(luò)存儲交換昂貴的帶寬資源。它將內(nèi)容傳輸?shù)浇K端用戶附近的節(jié)點(diǎn)，以減少內(nèi)容交付延遲和帶寬使用，減輕原始服務(wù)器的負(fù)載，提高緩存命中率，并提高用戶體驗(yàn)質(zhì)量。為了全面地了解移動邊緣緩存技術(shù)，本文重點(diǎn)對移動邊緣緩存執(zhí)行過程、主要特性和評價指標(biāo)進(jìn)行相關(guān)描述，并對近年來的緩存策略以不同性能目標(biāo)進(jìn)行了分析和總結(jié)。通過對比不同移動邊緣緩存策略，對面向5G 環(huán)境下緩存技術(shù)進(jìn)行研究，分析5G 環(huán)境下MEC 服務(wù)器部署和面向5G 環(huán)境下緩存優(yōu)化策略。然后，討論了邊緣緩存策略的研究挑戰(zhàn)和未來發(fā)展方向，從而為相關(guān)領(lǐng)域的研究人員提供參考和幫助。