面向5G/Beyond 5G的移动边缘缓存优化技术综述

刘炎培，陈宁宁，朱运静，王丽萍

（郑州轻工业大学计算机与通信工程学院，郑州 450002）

0 引言

随着无线通信技术和智能设备的飞速发展，移动数据流量成爆炸性增长。据思科最新报告［1］显示，2023 年连接到IP（Internet Protocol）网络的设备数量将是全球人口的3 倍多，全球Wi-Fi 热点将达到6.28 亿，比2018 年增长3 倍。这些流量主要来源于：物联网（Internet of Things，IoT）、车联网（Internet of Vehicles，IoV）、智能医疗、智能交通、虚拟现实（Virtual Reality，VR）/增强现实（Augmented Reality，AR）等新型应用，与此同时，不断发展的下一代5G 和Beyond 5G 无线技术具有超高数据速率、超低延迟、大规模连接、极低能耗、高质量体验和大幅提高安全性的服务。因此，移动边缘计算（Mobile Edge Computing，MEC）的发展被认为是5G/Beyond 5G 关键技术之一［2-4］。MEC 能够将云服务器放置在用户附近，以提供计算和存储能力。然而，由于移动用户对热点内容有大量的重复请求，导致回程网络上的内容传输消耗大量的功率和带宽。移动边缘缓存通过在更靠近用户的地方缓存受欢迎的内容，极大地缓解无线网络的传输压力，实现更快的服务响应，改善用户的网络体验，已被欧洲电信标准协会（the European Telecommunication Standards Institute，ETSI）定义为MEC 的研究热点问题［5-6］。

移动边缘缓存已经在IoV、IoT（IoT 的感知服务）、视频流、虚拟现实体验中得到了很好的应用，应用场景如图1 所示。IoV 中缓存应用场景：由于车辆的高速移动、频繁的拓扑变化、间歇性的无线连接和干扰等因素，导致车辆无法在有效的时间响应用户请求，影响通勤者的安全出行和通行效率。因此，为了降低内容获取时延，边缘缓存的提出为这些挑战提供可靠和无缝的内容交付。此外，随着人们需求的不断增加，信息娱乐服务给智能网联汽车带来了巨大负担和能耗，使用边缘缓存技术在车辆或路侧单元提前缓存用户对娱乐服务的需求，可以为车辆用户提供更好的体验质量。图中的车对车（Vehicle to Vehicle，V2V）和车对基础设施（Vehicle-to-Infrastructure，V2I）的内容共享方式不仅是高效利用车辆缓存资源的重要依据，而且是解决车辆处理数据内容传输路径长、成本高、系统性能较差等问题的重要方式。IoT 中缓存应用场景：1）高清视频是移动边缘缓存中比较常见的应用场景，且视频的流畅播放依赖于缓存，可以将用户请求的视频缓存在MEC 服务器中以改善因网络拥塞而导致的视频抖动、卡顿；另外，缓存流行度高的视频能够有效地处理大量用户对视频的冗余请求，降低回程链路的带宽消耗，为用户带来更好的体验。2）为了满足用户低时延、高传输速率的要求，如果仅从云中获取资源，显然是不可能的，因此，可以将用户所需内容缓存到MEC 服务器和用户设备，然而由于用户设备存储空间的有限性，提出利用图中设备到设备（Device to Device，D2D）的通信方式改善，从而实现资源的高效利用。3）频繁地激活物联网传感器传输感知数据将加速电池消耗，如果利用边缘缓存临时存储物联网数据，不仅可以消除物联网传感器和物联网网关之间的无线数据传输，减少网络的流量，而且可以避免物联网传感器的激活，降低传感器的能耗。

图1 移动边缘缓存应用场景Fig.1 Mobile edge caching application scenarios

MEC 不仅推动了5G/Beyond 5G 技术的发展，并且以移动边缘缓存为代表的技术更是成为MEC 领域中的热门话题之一。文献［7］研究了有线和无线网络中缓存放置策略和内容交付策略的差异，并比较了不同网络中能秏效率和频谱效率的增益。文献［8］研究了不同蜂窝网络中无线缓存技术，并对基于数学工具，性能指标和网络类型的不同缓存算法进行比较。文献［9］在IoT 系统中，从位置部署、内容放置和编码缓存的角度给出了关键的技术，重点讨论了缓存大小、节点密度以及缓存放置策略对网络性能的影响。虽然上述研究取得了一定的成果，但目前大多是从缓存执行过程的两阶段出发，很少全面以缓存执行过程和性能优化目标进行梳理并分析对比，总结当前5G 所需的MEC 服务器部署方案和最新的优化缓存策略，也缺少在5G/Beyond 5G 环境下边缘缓存领域中智能缓存和移动感知缓存未能解决的问题和挑战。因此，本文对移动边缘缓存主要特性、执行过程以及评价指标进行了详细的论述，对当前缓存策略的研究成果进行分析、对比和总结，阐述了适合5G 环境下MEC 服务器的部署方案和最新的缓存优化策略。最后讨论了边缘缓存策略的研究挑战和发展方向。

1 移动边缘缓存

近年来，物联网正在成为5G/Beyond 5G 领域日益占主导地位的技术。5G/Beyond 5G 有望跨越一个庞大的物联网生态系统，无线网络可以满足数十亿联网物联网设备的通信需求。不断扩展的物联网技术预计将生成大量具有不同需求的数据，例如可靠性、延迟和吞吐量。然而，这种前所未有的无线数据激增，以及5G/Beyond 5G 相关应用对互联网连接的需求，推动了边缘缓存的发展。移动边缘缓存将存储在远端服务器中的文件预先缓存到用户边缘服务器节点上，对无线数据流量起到“分流”和“卸载”作用，从而缓解网络拥塞，减少用户请求时延，改善用户体验，已经成为5G/Beyond 5G 通信系统中提升虚拟现实、增强现实以及超高清视频等服务用户体验的关键技术之一。其优势主要表现在以下几个方面：首先，移动边缘缓存将内容放置在用户边缘，以有效地减少用户请求时延；其次，移动边缘缓存避免了通过回程链路传输数据，减少了回程流量；第三，移动边缘缓存有助于降低能耗；第四，移动边缘缓存可以利用移动边缘服务器收集的网络信息（例如，用户偏好、文件流行度、用户移动性信息、用户社交信息和视频状态信息）提高缓存效率。

1.1 移动边缘缓存的主要特性

无线网络缓存相较于有线网络缓存存在新的特征，包括终端用户移动性、边缘网络的复杂性、缓存空间有限性和内容社交性［10］。

1）终端用户移动性。

用户移动性是无线网络固有的特性，不仅导致终端位置持续变动而且会造成网络拓扑结构的改变，同时，也影响着通信系统缓存策略的有效性和实用性，因此，需要根据用户的移动性自适应地调整缓存策略。用户的移动性如图2 所示。用户从A 点出发，可以沿着不同的轨迹运动，图2 中的阴影部分代表D2D 网络覆盖范围。当用户从A 点运动到B点，这时用户不仅可以从基站获取用户资源，同时也可以利用D2D 网络中的缓存辅助下载用户所需资源，用户的移动性增加了用户之间的通信机会，从而降低用户的访问延迟；此时可以根据用户的移动轨迹预测用户的下一个访问的位置，定制有效的缓存策略，减少用户的访问时延和网络拥塞；当用户从B 点运动到C 点，用户可以长时间地利用D2D 网络缓存的资源，如果运动到D 点则可能在很短的时间内利用D2D网络缓存的资源。因此，为了设计有效的缓存策略就要获取用户之间的通信时长、相遇频率，从而建立稳定的通信连接。此外，用户的移动受人的社会属性的影响，从而形成大的社交网络，为了设计高效的缓存策略可以利用社交关系建立移动模型，以增加用户之间的通信机会。

图2 用户的移动性Fig.2 User mobility

2）边缘网络的复杂性。

在无线环境中，信道的衰落和干扰导致无线环境的不确定性，缓存内容所需要的最佳环境可能在无线环境发生变化时失效。同时，无线边缘中网络架构多为异构，多种设备之间的信息交换也会影响缓存策略，因此，需要自适应地根据网络状态设计缓存策略。

3）缓存空间有限性。

在边缘网络中，基站或终端设备的存储空间相较于骨干网的存储空间有限，而且接入单个基站服务的用户较少，可能导致缓存命中率低。因此，为了提高缓存命中率，需要随内容流行度的更新和用户请求的更新，设计实时的缓存更新策略；此外，无线接入网络中，数千个基站或终端设备相互连接，可以采取相邻基站协作的方式，满足用户需求的同时优化全局缓存。

4）内容社交性。

无线社交网络日益流行，绝大多数数据流量由社交网络产生，且社交网络在因特网的信息传播中发挥了重要作用。在社交网络中，用户之间的社交关系影响着用户的行为，用户不仅可以是内容的消费者，也可以是信息的转发者，这些改变影响了缓存策略的设计；此外，社交网络也可以根据用户之间的社交强度来影响和重塑个人的行为。因此，在制定高效的缓存策略时，考虑用户之间的社交关系是不容忽视的。

1.2 移动边缘缓存的执行过程

移动边缘缓存是减少时延、提高频谱和能效的重要工具，在执行过程中主要有三个阶段：缓存放置、用户请求和缓存替换，具体的执行过程如图3 所示。

图3 移动边缘缓存的执行过程Fig.3 Execution process of mobile edge caching

1）缓存放置阶段：重点是内容的选择和内容的放置。内容的选择指缓存哪些内容，其主要由内容流行度、用户访问特征和用户偏好等因素共同影响缓存命中率和存储空间的利用率。内容的放置指内容被存放的位置，通常缓存的内容可以放置在用户设备、基站和云无线电接入网中。用户设备上缓存的内容可以通过D2D 通信共享，从而增大缓存命中率；在基站进行缓存，由于使用的缓存空间更大，不仅可以为更多的用户提供缓存服务，而且能够减轻回传链路的负担，改善回传网络拥塞问题；在云无线电接入网中缓存，可以最大限度地减少前传和回传链路中的流量以及远程无线电头端中的能耗。因此，为缓存的内容寻找最佳的放置位置是一个重要的研究点。

2）用户请求阶段：判断缓存中是否放置了用户请求的文件以及将内容发送给用户的方式。该阶段是在缓存放置阶段后进行，且缓存放置位置会影响内容的传递方式和传输路径。因此，缓存放置和用户请求两阶段相互融合，需同时进行考虑。

3）缓存替换阶段：过时信息无法反映当前的网络状态以及用户的需求，因此，定期更新缓存内容至关重要。缓存替换策略主要解决从缓存中移除哪些内容、何时移除以及缓存哪些新内容的问题。内容流行度是缓存替换需要考虑的重要因素，为此，如何准确高效地预测内容流行度是一个亟待解决的问题。此外，过频地更新缓存内容会造成网络拥塞，而过少的更新可能无法满足用户需求，因此，如何在网络流量和内容更新频率之间权衡的问题也有待解决。

1.3 移动边缘缓存策略的评价指标

在设计缓存策略时可采用的性能评估指标［11］主要有三个：

1）缓存命中率。缓存命中率反映了缓存文件的使用百分比，是评估缓存放置算法性能的重要指标。影响缓存命中率的主要因素是缓存空间大小和缓存放置的位置。较大的缓存空间容量可以缓存更多的内容，从而提高缓存命中率，且将缓存内容放置到合适位置也是提高缓存命中率的关键；此外，缓存命中率还可以通过协作缓存增加，例如，基站间的协作、D2D 共享机制等。

2）网络延迟。网络延迟表示从请求文件到交付文件之间的持续时间，可以分为处理时延、排队时延和传播时延，直接影响用户体验，对于时延敏感的内容服务至关重要。

3）能耗效率。指一定能耗下支持的数据传输速率，通常能耗主要来自基站和用户设备。前者决定运营商的成本，后者影响用户设备的电池寿命，而且能耗过大不利于绿色通信。因此，在设计缓存策略时需要考虑能耗问题，以便在满足用户内容需求的同时，最大限度地降低用户设备和基站的能耗。

1.4 边缘缓存的应用场景

缓存的应用不仅可以突破现有主机的网络限制，且在实现最大系统输出方面发挥重要作用。随着汽车行业的巨大转变，创新和技术驱动成为了新的发展趋势，如自动驾驶、电动汽车和联网汽车，这部分归因于消费者对更安全、更经济、更环保的汽车的需求不断增长，以及对驾驶时无处不在的在线服务连接的渴望。因此，汽车制造商通过为现代汽车配备各种先进技术以满足无处不在的连接和改善交通安全的需求。这些技术和设备（例如，车载计算和存储单元、无线通信和大量传感器）每秒钟都会产生大量数据，且支持与其他车辆（V2V 通信）和路边基础设施（V2I 通信）的通信和信息交换，以实现安全、合作和智能的交通系统。然而，互联车载网络中的内容共享由于车辆的高移动性、频繁的拓扑变化以及与通信介质相关的固有环境动态，例如间歇性无线连接和干扰而极具挑战性。作为移动通信和网络智能融合的结果，MEC 为移动运营商、应用开发商和内容提供商提供了一个独特的平台，以应对车辆网络中可靠内容共享的挑战。MEC将边缘节点转变为强大的计算和存储单元，在无线网络的边缘提供云计算优势和能力。MEC 的特点是低延迟、高带宽，并支持访问实时网络信息，这些信息可用于快速部署创新的应用和服务，边缘缓存就是这样一个很有前景的应用。目前车辆网络中内容共享主要可以通过三种方式实现，如图4 所示：车内、V2V 和V2I 内容共享。车内内容共享是通过从车内嵌入式存储单元或用户设备向乘客提供内容实现的。例如，在公共汽车上乘客可以访问缓存在公共汽车存储单元上的多媒体内容，或者从已经在设备上拥有该内容的其他用户那里访问；或者，通过将内容从路边和蜂窝基础设施传输到请求车辆以促进V2I 内容共享；最后，V2V 内容共享支持车辆之间的内容传播，可以在独立车辆之间进行，也可以从称为车辆云的协作车辆资源池中进行。然而，为了更好地获得边缘缓存的好处，内容放置和传送的策略必须考虑车辆网络中通信和内容共享的固有限制（即用户隐私、有限的回程容量、干扰、移动性限制）。因此，机器学习和信息中心网络（Information-Centric Networking，ICN）在车辆网络中的融合需要进一步探索，以优化车辆缓存并提高未来车辆网络中内容共享的可靠性。

图4 车载网络中内容共享的边缘缓存Fig.4 Edge caching with content sharing in vehicular network

2 移动边缘缓存策略

设计移动边缘缓存策略的根本目的是提高网络的性能、降低网络的压力，进而为具有高服务要求的用户提供优质的体验。本文为了增加可读性和驻留性，根据优化目标的不同，将目前的缓存优化策略分为低时延高能效的缓存策略、低时延高命中率的缓存策略、最大化收益的缓存策略，有助于缓存领域的研究人员探索高效的缓存策略。表1 列出了近几年有关缓存策略的关键研究点以及适用对象。

表1 移动边缘缓存策略总结归类Tab.1 Summary and classification of mobile edge caching strategies

2.1 基于低时延高能效的缓存策略

在网络边缘部署缓存不仅可以降低用户请求时延和能耗，而且可以延长用户设备的寿命。其中，时延和能耗是直接影响用户体验的关键指标，因此综合考虑时延和能耗是设计高效缓存策略的重要参考因素。

针对如何在有限的电池电量下提供低时延的移动服务问题，文献［12］综合考虑数据块传输代价、缓存价值和缓存替换代价设计了基于综合效用的缓存放置（Integrated Utilitybased Cache Placement，IUCP）算法以合理放置缓存，在此基础上进一步提出了基于缓存放置的启发式任务调度算法CLTS（Cache Locality-based Task Scheduling），以获得任务和资源之间的最大加权匹配，从而降低时延和能耗成本。文献［13］研究了具有休眠策略和延迟约束的缓存辅助超密集网络节能问题，提出了一种基于李雅普诺夫优化理论的延迟约束睡眠算法，并通过可调加权因子在能耗和时延之间进行折中。

目前一些研究是以协作方式设计的缓存策略。文献［14］针对信息娱乐服务给智能IoV 带来的负担，在车对车和车对路侧单元的混合通信模式下，提出了面向信息娱乐服务的能效感知缓存策略，且设计出基于最优停止理论的最优能效缓存节点选择算法以找到能耗较低的最优缓存节点进行内容放置。文献［15］基于移动边缘计算服务器分布式内容交付框架，提出了基于分组和分层的模糊均值聚类协同缓存策略，该策略包括三种缓存机制：本地独立缓存、组内协作缓存、整个网络内的协作缓存，其基本思想是考虑用户分布特征和MEC 服务器位置、内容流行度、MEC 服务器缓存容量之间的关系，将不同等级的内容缓存在不同层次的服务器上，该策略显著减少了平均服务时延和总能耗。为了更合理地分配缓存资源以服务更多用户请求，减少传输时延和传输能耗，文献［16］提出基于软件定义网络（Software Defined Network，SDN）的边缘协作缓存策略，利用多层感知神经网络以预测移动用户请求的视频内容，构建了延迟和能耗平衡的最小化目标函数，以充分利用边缘服务器的资源，其采用的分支定界算法能够以较快的平均速度找到全局最优解。

考虑如何联合缓存和卸载以降低时延和能耗，文献［17］提出了一种带缓存机制的任务卸载策略，设计了基于边缘服务器的任务缓存机制和内容选择算法，实验结果表明所提算法具有更理想的执行时延和系统能耗，分别比卸载策略低15%和18%。文献［18］基于移动终端任务和边缘服务器-基站（Mobile-Edge-Computing-enabled Base Stations，MEC-BS）服务的特征，提出了一种新的MEC-BS 辅助计算卸载和数据缓存的策略，以确定每个移动终端将每种类型的任务卸载到MEC-BS 的概率，并指示移动终端每种任务数据是否缓存在MEC-BS，且使用平衡因子灵活地调整时延和能耗之间平衡。文献［19］针对多用户多任务MEC 系统，建立一种高效的计算卸载和任务缓存模型，提出强化学习和深度强化学习算法以获得近似最优解，从而达到低时延高能效的缓存卸载。

针对支持MEC 的密集蜂窝网络中被研究较少的动态服务缓存和卸载问题，文献［20］提出了一种高效的在线算法，联合优化动态服务缓存和任务卸载，解决MEC 系统中的许多关键挑战，包括服务异构性、未知系统动态性、空间需求耦合和分散协调。该策略具有三个优势：在不需要未来信息的情况下以在线方式执行随机服务缓存；能够在一定程度上减少终端用户的计算延迟和系统能耗；考虑计算和存储限制，并与任务卸载一起优化，能够最大限度地提高整体系统性能；但这种策略忽略了基站之间的相互依赖性，导致系统在时延最小化和节能方面性能较差。

2.2 基于低时延高命中率的缓存策略

缓存命中率是指用户请求文件被缓存存储的请求数与总请求数的比值。较高的缓存命中率意味着更多的用户请求可以从缓存服务器中获得，从而提高了用户的访问速度，减少了用户请求时延，因此综合考虑时延和命中率也是确定高效缓存策略的重要参考因素。

由于用户需求和缓存内容之间的不完全匹配，动态用户偏好对内容交付效率提出了挑战，文献［21］提出了一种基于学习的合作内容缓存策略。首先使用人工神经网络预测内容流行度，然后为最小化平均下载时延，将最优合作内容缓存问题量化为0-1 整数规划问题，采用基于内容流行度的贪婪算法求解。与流行的缓存策略相比，该策略能够显著提高内容缓存命中率，减少内容平均交付时延。文献［22］提出了一种新的基于移动感知的边缘缓存策略，充分利用无线接入网上下文数据（车辆轨迹预测以及边缘节点的内容服务时间）以获得未来需求估计，并在车辆最需要的边缘节点进行缓存。与基于流行度的缓存策略相比，该策略最大化了缓存命中概率，对回程流量和内容访问延迟产生了有益的影响。

由于内容放置和交付策略之间的强相互依赖性，联合内容缓存和交付优化的问题变得难以解决。为此，文献［23］提出了一个集中式的联合缓存-交付策略，通过使用改进的分支定界算法和内部点法（improved Branch-and-Bound Algorithm with the Interior Point Method，iBBA-IPM）寻找最优的缓存-交付策略。但由于集中式缓存策略会引起边缘节点之间的复杂性和协作开销，考虑引入分布式联合协作缓存-交付策略，能够最大限度地减少移动边缘节点之间的重复内容传输，极大地减少总平均时延，提高缓存命中率。

为了满足视频高速率传输和低延迟的要求，设计一种可行的视频边缘缓存策略是重要的。文献［24］针对视频共享的回程链路利用率过高和资源有限问题，提出利用X2 网络接口在多个MEC 服务器间共享视频数据的联合缓存和转码策略，以最小化视频访问时延，最大化缓存命中率。文献［25］研究了两个时间尺度下多服务器MEC 系统中的协作视频缓存和检索问题，提出将长期缓存放置和短期视频检索模式选择集成在一个双时间尺度随机优化框架中，通过基于样本平均逼近的两阶段算法进行处理。仿真结果验证了该算法在内容访问时延和缓存命中率的有效性。

为了减少用户请求时延、提高缓存命中率，文献［26］提出基于用户属性感知的边缘缓存机制，目标内容的选择基于内容流行度和用户的需求，以基站协作的方式进行内容的缓存达到降低缓存数据冗余的目的，考虑到用户偏好可能会随时间动态变化，因此对内容进行了实时的更新。文献［27］提出基于用户移动性和内容流行度的缓存策略以及边际收益缓存放置策略，考虑了用户移动性对内容流行度的影响，并通过多元线性回归模型预测内容流行度，以此执行内容缓存；另外，根据访问时延和放置成本最大化边际收益，通过流行度和边际收益对内容进行替换；但该策略没有对内容进行分类，没有考虑内容放置导致的边缘服务器能耗问题，未能达到绿色通信。文献［28］提出一种新的面向多址边缘计算的预测-协同-替换（Predictive-Collaborative-Replacement，PCR）智能缓存策略，该策略结合了主动预测、MEC 服务器之间的协作以及替换算法来管理缓存内容，以改善MEC 环境中的缓存命中率和访问时延。实验结果表明，该算法优于现有的离线缓存算法C-LSTM（Cable-Long Short-Term Memory）。文献［29］提出协同缓存（Cooperative Caching，CC）算法和动态缓存替换（Dynamic Caching Replacement，DCR）算法。CC算法可周期性地计算节点访问频率，考虑水平局部区域内邻近节点的缓存资源，形成局部缓存社区，在整个网络中实现更好的缓存放置。DCR 算法可根据内容排名和节点本身的容量，将热门内容缓存到核心节点上，从而提高整个网络的命中率，减少用户请求时延。文献［30］综合考虑了两个问题：缓存预取和缓存替换。首先依据用户历史访问相关性、负载均衡和可用带宽，采用基于贝叶斯网络和马尔可夫链的用户分类（User Cassification based on Bayesian network and Markov chain，UCBM）模型的缓存预取算法，以得到预取文件；再使用成本收益和垃圾收集成本进行过滤，将筛选后的预取文件缓存到边缘节点；最后使用基于文件热度和重访问概率（File Heat and re-Access Probability，FHAP）模型的边缘计算系统缓存替换算法，将访问权重最小的缓存文件驱逐出去，具体流程如图5 所示。与基准算法相比，预取算法和缓存替换算法显著地提高了缓存命中率、减少了响应时间，但该策略仅适用于分布式的缓存策略，对集中式缓存策略不友好，在未来的工作中需要设计高效的缓存策略以适用不同的场景。

图5 系统算法流程Fig.5 System algorithm flow

针对内容的动态性、未知的时空流量需求和有限的服务能力问题，文献［31］在内容流行度和用户偏好先验信息未知的情况下，利用多智能体强化学习方法，设计了一种MEC 服务器上的协同内容缓存策略。该策略将合作内容缓存问题表述为一个多代理多武装强盗问题，该问题被量化为：

其中：M、T、F表示MEC 服务器集、时间周期集、文件集；sf表示文件大小；Sm表示服务器的存储容量表示文件f在t时间段内是否放在服务器m的本地缓存中，如果文件f被缓存则，否则表示服务器m缓存文件f的预期回报。为了解决该问题，提出基于多智能体强化学习的缓存算法。在该算法中由于Q 表空间巨大，传统的多智能体强化学习算法遍历所有Q 值的步数都是指数级的，因此通过一种组合置信上界方法缩小Q 表空间，从而有效地降低复杂度。数据结果表明，提出的基于多智能体强化学习缓存方案能够显著降低内容下载延迟，提高内容缓存的命中率。

2.3 基于最大化收益的缓存策略

由于边缘服务器的存储容量有限，无法保证内容提供商（Content Provider，CP）提供的所有内容都会缓存到边缘服务器，且用户满意度是CP 关注的重要指标，直接影响CP 的收益，因此，应该优化缓存策略，以最大化CP 收益，实现内容缓存效用［32］。文献［33］考虑了一个多用户多提供商场景，针对边缘服务器存储空间有限的问题，通过建立提供商间缓存资源竞争的非合作博弈模型最大化缓存效用，此外，考虑初始缓存分配的公平性问题，采用基于最优响应的多CP 缓存算法获得最佳的缓存策略，该算法能够在有限的迭代次数内实现收敛，获得较高的缓存效用。文献［34］从最小化CP 支付的角度研究了多小区协作缓存问题，采用协作缓存的在线算法不仅不需要任何关于内容流行度的知识，而且其结果非常接近最优的离线协作策略，最重要的是，在内容流行度没有被正确估计的情况下，在线算法性能优于最优的离线协作策略。文献［35］针对边缘计算中服务器放置问题，提出基于资源需求预测的服务器放置映射优化启发式算法。首先将任务划分为多个子任务；然后实现子任务-服务器位置的映射，并通过数据命名机制完成服务器与数据源之间的信息（位置、当前时间等）交互；最后，提出了跨区域资源优化，使服务提供商的成本最小化。

为最大化网络收益，文献［36］提出了一种适用于D2D 网络的无线内容传输最优缓存策略。该策略首先考虑了用户偏好和群组移动性对缓存的影响，建立了网络成本最小化问题；然后，利用频率搜索自适应蝙蝠算法寻找最佳缓存策略以最小化网络成本，与粒子群算法相比，该算法提高了约7%的网络收益，平均传输延迟降低了至少14%。文献［37］为异构网络场景设计了一种主动缓存策略，以优化在移动用户和基站上存储内容的选择，提出一个最小化平均系统成本的最优策略，以及一个次优的启发式算法，找到最佳内容分配，从而制定最佳缓存策略。与静态策略相比，该策略可以显著降低系统成本，但未制定D2D 之间的合作激励机制。文献［38］在基于MEC 的IoV 场景下研究了基于边缘缓存的协同卸载和资源分配问题，提出基于MEC 的车辆网络V2X（Vehicle-To-Everything）协同缓存和资源分配机制，以最大化资源利用率，减少内容访问时延和能耗，降低系统开销。文献［39］提出联合用户关联和视频的缓存策略，该策略通过结合缓存、代码转换和自适应比特率流技术以最大化系统收益，且采用多对多匹配算法解决优化问题。

从以上优化目标的角度出发，通过对目前缓存策略的分析和对比可知，将内容缓存到边缘服务器确实在一定程度上提高了网络的性能和用户体验，但仍然面临一系列的问题：如用户的移动性对缓存策略性能有严重的影响，如何准确预测用户的移动性来最大化缓存命中率是一项繁琐的任务；此外，用户不愿为了提高网络性能而消耗稀缺的资源，所以在用户设备上执行缓存，以利用D2D 通信是困难的；而对于缓存内容的难以确定，设计的缓存策略应能够准确观察用户之间的社会关系、内容请求模式、移动性、网络状态。因此，可以利用人工智能解决缓存什么、在哪里缓存、何时缓存的挑战，因为人工智能具有基于学习用户需求和移动模式优化缓存策略的潜力，且未来缓存技术希望利用智能的缓存机制来最大限度地提高网络性能。

3 面向5G环境下移动边缘缓存策略

在3.1 节中对现有的移动边缘缓存技术研究进行阐述，主要是针对面向4G 网络环境下的移动边缘缓存策略。由于5G 网络服务的引入与发展，需要提供更高的网络运行速度、更快的数据传输速率以及更低的计算时延，而现有的4G 缓存技术很难满足低时延和高灵活性等应用需求，所以在5G移动通信网络中引入了许多新的理念和技术，例如服务化架构，网络切片，软件定义网络、MEC/缓存等。故对于在5G 移动通信网络中部署缓存、改善内容分发效率、减少网络传输时延和用户体验具有重要研究意义，且已成为5G 移动通信网络研究的重点内容之一。本章主要对目前5G 环境下的移动边缘缓存技术的发展进行研究。主要分析了5G 环境下MEC 服务器的部署架构和面向5G 环境下缓存优化策略。

3.1 5G网络下MEC服务器的部署

在5G 架构下，MEC 服务器有两种部署方式，如图6 所示。

图6 MEC服务器在5G架构下的部署Fig.6 Deployment of MEC servers under 5G architecture

第一种情况：MEC 服务器部署在一个或多个LTE（Long Term Evolution）宏基站（evolved Node B，eNode B）侧。这种部署使业务更靠近用户侧，终端用户发起的业务经过基站、MEC 服务器1（见图6），然后到达互联网/第三方服务内容。

第二种情况：MEC 服务器部署在用户平面网关（GateWay-User Plane，GW-UP）处。5G 网络核心网（Core Network，CN）C/U 功能分离之后，U-Plane（对应GW-UP）功能下移，可以下移到无线接入网（Radio Access Network，RAN）侧，也可以下移到CN 的边缘，C-Plane（对应GW-CP）驻留在CN 侧。MEC 服务器部署在GW-UP 处时，终端用户发起的业务需经过基站、GW-UP、MEC 服务器2（见图6），最后到达互联网/第三方内容服务。该部署方案相较于传统的公网方案可为终端用户提供低延迟、高带宽服务。

3.2 5G网络下缓存优化策略

3.2.1 5G网络中绿色移动感知缓存策略

用户的移动性是5G 无线网络的重要特征，影响着缓存策略的有效性［40］。目前，大部分的相关工作假设用户可以通过连接的小型基站和移动设备下载整个请求的内容。而实际情况下，用户的移动会带来接触时间的随机性，很少有相关研究考虑到用户移动性和接触持续时间的随机性。因此，如何利用用户移动性改进缓存策略仍然是一个具有挑战性的问题。此外，在缓存和内容传输时，过大的能耗不仅提高运营商的成本，损耗终端设备的寿命，而且不利于绿色通信。因此，如何在动态的情况下保证缓存命中率最大、传输能耗最少是一个亟待解决的问题［41］。文献［42］针对以上问题提出了在基站和移动设备上的移动感知编码缓存策略，以最大化缓存命中率及最小化传输能耗，该策略考虑了基于5G 网络的移动场景，如图7 所示。

图7 5G网络中绿色移动感知缓存示意图Fig.7 Schematic diagram of green mobility-aware caching in 5G network

该策略从编码的角度出发，通过分析用户的移动性优化缓存策略，以最大化命中率、最小化传输能耗为优化目标。

1）编码缓存放置策略：考虑了用户移动性造成接触时长的随机性及用户请求文件的概率对小基站和移动设备上缓存策略的影响，提出通过子模型优化以最大化基站和移动设备上的缓存命中率的解决方案。其中，用户的移动性主要依据用户接触时间间隔和接触频率刻画，用户请求内容概率通过文件的流行度获得。在基站和移动设备缓存容量的约束下建立的基站和移动设备命中率最大化综合目标函数是一个混合整数规划问题，为了便于求解将原问题转换为子模态优化问题，利用贪心算法求解。编码缓存放置算法具体流程为：设置一个放置缓存内容的空集合，迭代计算编码段的命中率，加入放置在基站或移动设备上能够最大化缓存命中率的编码段文件，直到达到基站和移动设备的最大缓存容量，停止迭代，此算法可近似达到最优解。

2）编码缓存的传输策略：当多个小基站（Small Base Station，SBS）和移动设备向内容请求者传递内容时，会消耗能量且用户的移动对传输策略产生一定影响。根据子模态优化问题给出的缓存放置策略，分析编码缓存文件在传输过程中的能量消耗模型，推导出基站和移动设备的最优发射功率，从而保证移动设备和基站在传输文件的过程中消耗的能量最小。

文献［42］所提策略的优势：将该策略与流行的缓存策略［43］、随机缓存策略［44］和可以提供具有固定数量数据的移动感知缓存策略MCF（Mobility-aware Caching with Fixed amount data can be delivered）［45］进行对比可以得出以下结论：

①用户移动性的影响。图8 展示了用户移动性对不同缓存策略的影响。从图8（a）中可以看出，随着用户设备和多个SBS 接触频率的增加，命中率逐渐增大，且所提策略的命中率优于其他三种策略，因为流行的缓存策略合作分享机会较少；随机缓存策略没有考虑用户移动性；MCF 缓存策略虽然考虑了用户的移动性，但没考虑编码段是否可以在接触持续时间内传输。因此，所提缓存策略的性能最好。此外，从图8（b）中可以看出，当用户移动性较低时，所提策略和流行的缓存策略缓存命中率并不显著。因为用户移动性较低时，移动设备不仅在不同SBS 之间切换较少，而且遇到其他移动设备的机会也较少，然而，对流行内容的需求很大。因此，流行的内容应该缓存在SBS 和移动设备上，以提高缓存命中率。当用户移动很频繁时，所提策略和随机缓存策略之间的差距变小，这是因为缓存网络相对活跃，用户与基站有更多的接触机会，用户访问流行文件的概率变大。为了改善这种情况，在未来的工作中可以通过考虑文件的多样性提高缓存命中率。

图8 用户移动性对缓存命中率的影响Fig.8 Influence of user mobility on caching hit ratio

②不同策略对能耗的影响：从图9 可以看出，随着缓存命中率的增加，能耗也在上升。随着缓存命中率的增加，从SBS 和移动设备下载请求文件的概率增加，SBS 和移动设备的能耗随之增加。另外，在相同的命中率下，所提策略较其他三种策略更节能。因为所提策略不仅考虑了用户的移动性，接触持续时间的随机性，还考虑了SBS 和移动设备传输内容时的能效。

图9 不同缓存策略下的能耗Fig.9 Energy consumption under different caching strategies

虽然文献［42］考虑了用户移动性对缓存策略和传输策略的影响，但对于更复杂的社会关系和用户行为对用户移动性的影响也需要被考虑在内；此外，由于绿色通信的重要性，另一个值得研究的方向是考虑由能量收集驱动用户和基站联合缓存，该技术可以降低传输能耗，但能量的随机性使得优化设计更具挑战性。

3.2.2 5G异构蜂窝网络中的缓存策略

MEC 网络允许移动用户从附近的网站访问内容和资源，而不是从云/内容服务器下载内容，因此MEC 有助于减少服务延迟，缓解回程链路上的网络拥塞。尽管有这些优势，MEC 网络的发展仍面临着一些固有的挑战，例如，不同的用户需求、小的覆盖范围以及每个城域网有限的存储容量。为了解决这些问题，引入了协作缓存。协作缓存是一种通过移动边缘网络之间的协作以利用内容分布的方法，并在分层架构中提供高效的工作负载分布。目前异构蜂窝网络作为5G蜂窝通信系统的关键组成部分，其缓存方法和相应的缓存效益引起了广泛的关注和研究，虽然有人提出D2D 缓存和小基站缓存协作的想法［46］，但D2D 缓存和毫微微基站的缓存策略却是独立设计的，而这种非合作的缓存策略不仅导致冗余缓存，而且降低缓存效率，这就激励研究者在毫微微蜂窝和D2D 两个层次上开发协作缓存策略。高效的协作缓存策略不仅可以提高缓存的命中率，而且可以平衡网络中处理的负载，因此，文献［47］提出基于异构网络的最优协作缓存策略旨在提高缓存效率和用户质量，并减少主干网络中的冗余网络流量。考虑了单小区异构网络，如图10 所示。图中用户设备（User Equipment，UE）不仅可以直接和宏基站（Macro Base Stations，MBS）、毫微微基站（Femto Base Station，FBS）通信，并且用户设备之间也可以D2D 共享。

图10 启用缓存的异构网络Fig.10 Heterogeneous network with caching

对于给定的网络拓扑结构、用户的内容请求概率、毫微微基站和终端设备的存储容量及带宽容量，如何在用户设备和FBS 缓存中部署内容项，使用户的平均下载时延最小是最优协作缓存策略的最大目标。为求解此问题，采用拉格朗日松弛和分层原始-对偶分解法，求解流程如图11 所示。

图11 最优协作内容缓存的两级原始-对偶分解图Fig.11 Two-level primal-dual decomposition diagram of optimal collaborative content caching

其中，主问题是最小化平均下载时延的目标函数，由于其是凸问题，使用关联的拉格朗日乘数改写成拉格朗日对偶问题，得到的拉格朗日函数可以进一步分解为子问题和二级主问题，这种分离保持了解的最优性。子问题是通过最大化内容缓存的概率以确定缓存决策矩阵X，二级主问题通过最小化平均传输时延以确定传输矩阵Y。具体为：在一级分解的顶层，让基于平均下载时延的主问题负责更新变量拉格朗日乘数，使用次梯度方法更新，以迭代的方式解决主问题；在一级分解的较低层，对于给定的对偶变量，分解的子问题只涉及缓存决策矩阵X，可分解成多个一维背包子问题以找到最优的缓存决策；对于二级主问题的求解过程由于只涉及传输决策矩阵Y且是凸问题，求解过程与主问题求解相同，获得的拉格朗日函数的最优目标值都是通过次梯度方法更新拉格朗日乘数，然后分解成多个可以有效求解的更小的子问题进行求解，且找到最优的传输决策矩阵。该算法可以分别放松一些困难的约束和变量，其求解效率较其他算法更高，且能收敛到最优解。

文献［47］所提策略的优势：通过将该策略中所提算法与FBS 缓存的近似算法［48］、FBS 缓存的贪婪算法［49］和D2D 缓存的最优双解搜索算法［50］进行比较可以得出以下结论：

①不同用户数量下算法性能的比较。从图12 可以看出，当用户数量不断增大时，由于小区中的资源受到限制，用户共享的链路带宽容量减少，平均下载延迟都缓慢增加，本地缓存命中率都降低，但所提算法性能明显优于其他三种算法，意味着所提策略不仅可以满足更多用户的请求，也证明了FBS 和用户设备协作缓存的优势。

图12 不同策略在不同用户数量下的性能比较Fig.12 Performance comparison of different strategies under different numbers of users

②不同用户设备存储容量下的算法性能的比较。从图13 可以看出，仅考虑用户设备存储容量时，随着用户设备存储容量的增加，所提算法的平均下载延迟和本地缓存命中率优于D2D 缓存最优双解搜索算法；当用户设备存储容量为0 时，即FBS 可以缓存内容时，所提算法仍然优于其他三种算法，主要是由于所提策略为缓存问题提供了最优解，而其他策略仅给出了近似解。

图13 不同策略在不同用户设备存储容量下的性能比较Fig.13 Performance comparison of different strategies under different user device storage capacity

③FBS 不同带宽容量下的性能比较。从图14 可以看出，不同的FBS 带宽容量下，所提算法的下载延迟明显低于其他三种算法，本地命中率明显高于其他三种算法，与此同时，随着FBS 带宽容量的增大，性能差距也越来越大，主要得益于所提策略中FBS 和用户设备的协作优势。因此，对于更大的FBS 带宽容量，所提策略更有效。此外，由于该策略为异构网络提供了一个全局最优解，在未来将该解作为设计高效的分布式异构网络内容缓存算法的理论上限是有益的。

图14 不同策略在FBS不同带宽容量下的性能比较Fig.14 Performance comparison of different strategies under different bandwidth capacity of FBS

4 技术挑战和发展方向

移动边缘缓存因其能够将用户所需的内容存储在用户边缘，降低内容传输过程中的时延和负载，并为用户带来更好的体验而备受关注，产生许多不同的研究方法［51-53］。然而，这些研究仍有大量的问题有待进一步探讨。本章将讨论当前缓存策略的研究挑战和未来的研究方向。

4.1 安全

在传统的云缓存策略中，数据的安全可以通过加密以及用户和缓存节点的认证保证。就边缘缓存策略而言，通常是分布式的，系统容易受到各种攻击，如拒绝服务攻击和流氓边缘攻击［54］。如果缓存节点受到攻击，它们可能会拒绝向用户提供服务或向用户提供不需要的内容，且恶意用户也可以通过D2D 通信向用户传送不需要的内容，从而影响了数据的传输和用户的体验。因此，如何在保证网络和数据安全的情况下满足用户需求已经成为亟待解决的问题。目前解决方案有很多，例如：文献［55］提出以边缘缓存为基础的内容感知过滤方法，用于以信息为中心的社交网络中的安全服务；文献［56］针对安全服务的评估和内容匹配机制设计了一种将信任机制与嵌入式虚拟化相集成的安全架构，可以有效防止对边缘设备上缓存内容的未授权访问；文献［57］采用一种基于区块链的边缘计算可信数据管理策略，用于边缘缓存以保证内容的信任和安全，且设计了一种灵活可配置的架构。但是上述方案没有考虑边缘缓存设备的自私性，如何将安全缓存服务质量评估模型和深度强化学习方法联合，以加速学习过程，保证数据安全是未来重要的研究方案。此外，随着现有的区块链技术的成熟，已经有研究将缓存与区块链技术、智能合约结合，如：文献［58］提出基于区块链的加密机制；文献［59］提出采用区块链和物理层安全技术防止数据被篡改和窃听；文献［60］提出基于区块链的缓存和交付市场作为分布式缓存系统的激励机制，对于分布式交付市场，与内容交付相关的交易由智能合约执行。但这类方法必然会增加资源的额外消耗，因此，如何在保证数据的安全的同时降低资源的额外消耗是未来的一个研究方向。

4.2 移动感知缓存

在无线网络中，缓存的性能受用户移动性的影响很大。例如在动态场景中，网络可能需要将内容的多个副本缓存到不同的基站，以便它们将缓存的内容为移动用户服务。然而，基站的缓存容量有限，并不能缓存所有内容，因此，严重限制了网络的性能。假设网络知道用户的移动性（如：所有用户的路径），则网络可以沿用户的路径在正确的基站上精确地缓存用户所请求的内容，最大化基站缓存利用率。在实际情况下是很难准确预测用户选择的确切路径，需要在不完善的用户路径知识下设计缓存策略，带来了很多挑战，且如何预测用户的移动性实现内容的优先分发，将用户需求提前放置到下一个接入节点以更好地支持服务的连续性和无缝移动也是目前研究的热点。现有的研究主要是通过MEC 用户位置信息以及上下文信息进行移动性预测，很少有工作结合人工智能用户的移动性预测，且用户轨迹的准确性预测也是一个重要的研究问题，因此，如何将用户的移动性预测整合到缓存优化中是非常关键的。目前常用方案有：文献［61］提出基于深度学习框架下的移动感知缓存策略，通过采用条件变分自动编码器根据大量历史数据建立用户移动模型，预测用户访问的下一个基站并进行预缓存；文献［62］为了提高预测的准确性，依据用户的历史轨迹信息提出循环神经网络（Recurrent Neural Network，RNN）方法以预测用户的下一个位置；文献［63］设计离散分布的移动感知缓存策略，搭建用户移动行为的智能感知层，结合集体行为和个体移动特征建立轨迹特征预测模型，对用户轨迹进行预测；但由于用户移动的高度不确定性以及社交网络对用户移动性的影响，设计高效的移动感知缓存策略有待研究。另外较少有用于描述用户移动性的易处理数学模型，阻碍了对高速缓存支持的无线网络中用户移动性的理解。因此，可以探索基于数学模型的移动模型，设计相应的算法以优化缓存策略。

4.3 基于强化学习的边缘缓存

由于网络的动态性和环境的复杂性，设计高效的缓存策略必须准确地观察用户需求，而准确获取用户需求难度较大。因此，传统的边缘缓存方案已不适用。机器学习（Machine Learning，ML）不仅可以通过数据驱动分析和识别具有时变的动态在线社区和流行内容，而且可以根据具有时间序列动态特征的用户移动性、流行度和偏好数据集估计用户未来需求。此外，ML 还可以针对网络状态和存储约束问题，优化缓存放置和交付。基于以上优势，ML 通常被用于优化缓存策略。目前大多数缓存优化方案都是基于强化学习来解决的，因为强化学习能够在少数或没有模型的情况下与环境进行交互和学习。如文献［64］采用多智能体元强化学习方法，在每个本地智能体进行决策学习以减少IoV 系统服务时延。文献［65］提出了一种基于内容请求预测的协同缓存策略，将车辆请求的内容以更大的概率预缓存在其他车辆或路边单元中，以减少内容获取延迟。但这些传统的强化学习缓存方案仅限于状态低维且完全可观测的领域，对于比较复杂的边缘缓存环境，手动提取环境中所有有用的特征作为低维状态空间是很难的。随着深度强化学习的出现，智能体可以直接在原始的高维观测上训练，而不是手动制作有用的特征或低维状态空间。因此，探索基于深度学习和强化学习结合的人工智能缓存策略，不仅可以提高预测的准确度，而且对于未来Beyond 5G/6G 的发展具有推动作用。

4.4 基于联邦学习的边缘缓存

通过大数据分析，可以挖掘大量的用户数据，有助于优化主动缓存策略。然而，获取用户数据很大程度上可能导致用户隐私暴露，所以大多数用户拒绝数据共享，这不仅对优化边缘缓存策略带来了困难，而且阻碍了未来5G 网络新技术和新应用的发展。因此，联邦学习（Federated Learning，FL）概念被引入。在FL 中，终端设备使用本地数据训练服务器所需的ML 模型，在一定程度上增强用户隐私，进而降低被窃听的可能性。目前联邦学习在保护隐私方面已有一些研究成果，文献［66］提出了一种保护隐私的联邦K-means 方案，用于下一代蜂窝网络中的主动缓存，该方案基于联邦学习和秘密共享两种隐私保护技术，保护了用户隐私。文献［67］提出了基于联邦学习的主动缓存方案，该方案不需要集中收集用户数据进行训练。文献［68］提出了用于车辆网络资源共享的差分隐私异步联合学习方案，以保护更新后局部模型的隐私。文献［69］提出了基于随机梯度下降法的联邦深度学习方案，该方案将加法同态加密和差分隐私集成在联邦学习中。然而，采用这些方案在一定程度上降低了系统的性能，即模型的准确性。因此，在实现FL 系统时，必须很好地平衡隐私保护和系统性能。此外，流行度预测及特征提取方面的ML 算法中还有待于联邦学习方法的研究。

4.5 Beyond 5G/6G网络的边缘缓存

随着无线移动通信的发展与探索，5G 已经逐渐走进了人们的视野，Beyond 5G 和6G 研究也正在受到许多人的关注。Beyond 5G/6G 的愿景是建立一个能够动态、快速响应用户服务调用的大规模连接复杂网络。在5G 网络中，运营商利用网络切片等技术为用户提供差异化的缓存服务，而Beyond 5G/6G 网络将通过人工智能驱动的预测进一步完善用户定制的缓存服务。例如，Beyond 5G/6G 中的边缘缓存可以预测用户的需求，即使在用户的通勤期间，也可以在不同的时间调整预缓存的内容。这一目标的实现依赖于在保护用户隐私的前提下对用户历史数据的收集和分析。区块链作为一个分布式数据库，可以实现数据的分散传输和存储，防止数据被窃取或篡改。因此，Beyond 5G/6G 希望通过边缘缓存和区块链技术为用户提供定制化的缓存服务。此外，为了构建一个智能开放的Beyond 5G/6G 网络，每个节点都应该具备充足的通信、计算和缓存资源，以支持智能运营和自我进化。因此，可以通过各种新技术协同利用网络中的所有通信、计算和缓存资源，实现Beyond 5G/6G 通信智能化和开放性。

5 结语

移动边缘缓存通过冗余和廉价的网络存储交换昂贵的带宽资源。它将内容传输到终端用户附近的节点，以减少内容交付延迟和带宽使用，减轻原始服务器的负载，提高缓存命中率，并提高用户体验质量。为了全面地了解移动边缘缓存技术，本文重点对移动边缘缓存执行过程、主要特性和评价指标进行相关描述，并对近年来的缓存策略以不同性能目标进行了分析和总结。通过对比不同移动边缘缓存策略，对面向5G 环境下缓存技术进行研究，分析5G 环境下MEC 服务器部署和面向5G 环境下缓存优化策略。然后，讨论了边缘缓存策略的研究挑战和未来发展方向，从而为相关领域的研究人员提供参考和帮助。