面向5G/Beyond 5G的移動邊緣緩存優化技術綜述

劉炎培，陳寧寧，朱運靜，王麗萍

（鄭州輕工業大學計算機與通信工程學院，鄭州 450002）

0 引言

隨著無線通信技術和智能設備的飛速發展，移動數據流量成爆炸性增長。據思科最新報告［1］顯示，2023 年連接到IP（Internet Protocol）網絡的設備數量將是全球人口的3 倍多，全球Wi-Fi 熱點將達到6.28 億，比2018 年增長3 倍。這些流量主要來源于：物聯網（Internet of Things，IoT）、車聯網（Internet of Vehicles，IoV）、智能醫療、智能交通、虛擬現實（Virtual Reality，VR）/增強現實（Augmented Reality，AR）等新型應用，與此同時，不斷發展的下一代5G 和Beyond 5G 無線技術具有超高數據速率、超低延遲、大規模連接、極低能耗、高質量體驗和大幅提高安全性的服務。因此，移動邊緣計算（Mobile Edge Computing，MEC）的發展被認為是5G/Beyond 5G 關鍵技術之一［2-4］。MEC 能夠將云服務器放置在用戶附近，以提供計算和存儲能力。然而，由于移動用戶對熱點內容有大量的重復請求，導致回程網絡上的內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容，極大地緩解無線網絡的傳輸壓力，實現更快的服務響應，改善用戶的網絡體驗，已被歐洲電信標準協會（the European Telecommunication Standards Institute，ETSI）定義為MEC 的研究熱點問題［5-6］。

移動邊緣緩存已經在IoV、IoT（IoT 的感知服務）、視頻流、虛擬現實體驗中得到了很好的應用，應用場景如圖1 所示。IoV 中緩存應用場景：由于車輛的高速移動、頻繁的拓撲變化、間歇性的無線連接和干擾等因素，導致車輛無法在有效的時間響應用戶請求，影響通勤者的安全出行和通行效率。因此，為了降低內容獲取時延，邊緣緩存的提出為這些挑戰提供可靠和無縫的內容交付。此外，隨著人們需求的不斷增加，信息娛樂服務給智能網聯汽車帶來了巨大負擔和能耗，使用邊緣緩存技術在車輛或路側單元提前緩存用戶對娛樂服務的需求，可以為車輛用戶提供更好的體驗質量。圖中的車對車（Vehicle to Vehicle，V2V）和車對基礎設施（Vehicle-to-Infrastructure，V2I）的內容共享方式不僅是高效利用車輛緩存資源的重要依據，而且是解決車輛處理數據內容傳輸路徑長、成本高、系統性能較差等問題的重要方式。IoT 中緩存應用場景：1）高清視頻是移動邊緣緩存中比較常見的應用場景，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 服務器中以改善因網絡擁塞而導致的視頻抖動、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。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，可以將用戶所需內容緩存到MEC 服務器和用戶設備，然而由于用戶設備存儲空間的有限性，提出利用圖中設備到設備（Device to Device，D2D）的通信方式改善，從而實現資源的高效利用。3）頻繁地激活物聯網傳感器傳輸感知數據將加速電池消耗，如果利用邊緣緩存臨時存儲物聯網數據，不僅可以消除物聯網傳感器和物聯網網關之間的無線數據傳輸，減少網絡的流量，而且可以避免物聯網傳感器的激活，降低傳感器的能耗。

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

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

1 移動邊緣緩存

近年來，物聯網正在成為5G/Beyond 5G 領域日益占主導地位的技術。5G/Beyond 5G 有望跨越一個龐大的物聯網生態系統，無線網絡可以滿足數十億聯網物聯網設備的通信需求。不斷擴展的物聯網技術預計將生成大量具有不同需求的數據，例如可靠性、延遲和吞吐量。然而，這種前所未有的無線數據激增，以及5G/Beyond 5G 相關應用對互聯網連接的需求，推動了邊緣緩存的發展。移動邊緣緩存將存儲在遠端服務器中的文件預先緩存到用戶邊緣服務器節點上，對無線數據流量起到“分流”和“卸載”作用，從而緩解網絡擁塞，減少用戶請求時延，改善用戶體驗，已經成為5G/Beyond 5G 通信系統中提升虛擬現實、增強現實以及超高清視頻等服務用戶體驗的關鍵技術之一。其優勢主要表現在以下幾個方面：首先，移動邊緣緩存將內容放置在用戶邊緣，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據，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器收集的網絡信息（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信息）提高緩存效率。

1.1 移動邊緣緩存的主要特性

無線網絡緩存相較于有線網絡緩存存在新的特征，包括終端用戶移動性、邊緣網絡的復雜性、緩存空間有限性和內容社交性［10］。

1）終端用戶移動性。

用戶移動性是無線網絡固有的特性，不僅導致終端位置持續變動而且會造成網絡拓撲結構的改變，同時，也影響著通信系統緩存策略的有效性和實用性，因此，需要根據用戶的移動性自適應地調整緩存策略。用戶的移動性如圖2 所示。用戶從A 點出發，可以沿著不同的軌跡運動，圖2 中的陰影部分代表D2D 網絡覆蓋范圍。當用戶從A 點運動到B點，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 網絡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會，從而降低用戶的訪問延遲；此時可以根據用戶的移動軌跡預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絡擁塞；當用戶從B 點運動到C 點，用戶可以長時間地利用D2D 網絡緩存的資源，如果運動到D 點則可能在很短的時間內利用D2D網絡緩存的資源。因此，為了設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絡，為了設計高效的緩存策略可以利用社交關系建立移動模型，以增加用戶之間的通信機會。

圖2 用戶的移動性Fig.2 User mobility

2）邊緣網絡的復雜性。

在無線環境中，信道的衰落和干擾導致無線環境的不確定性，緩存內容所需要的最佳環境可能在無線環境發生變化時失效。同時，無線邊緣中網絡架構多為異構，多種設備之間的信息交換也會影響緩存策略，因此，需要自適應地根據網絡狀態設計緩存策略。

3）緩存空間有限性。

在邊緣網絡中，基站或終端設備的存儲空間相較于骨干網的存儲空間有限，而且接入單個基站服務的用戶較少，可能導致緩存命中率低。因此，為了提高緩存命中率，需要隨內容流行度的更新和用戶請求的更新，設計實時的緩存更新策略；此外，無線接入網絡中，數千個基站或終端設備相互連接，可以采取相鄰基站協作的方式，滿足用戶需求的同時優化全局緩存。

4）內容社交性。

無線社交網絡日益流行，絕大多數數據流量由社交網絡產生，且社交網絡在因特網的信息傳播中發揮了重要作用。在社交網絡中，用戶之間的社交關系影響著用戶的行為，用戶不僅可以是內容的消費者，也可以是信息的轉發者，這些改變影響了緩存策略的設計；此外，社交網絡也可以根據用戶之間的社交強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系是不容忽視的。

1.2 移動邊緣緩存的執行過程

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，具體的執行過程如圖3 所示。

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

1）緩存放置階段：重點是內容的選擇和內容的放置。內容的選擇指緩存哪些內容，其主要由內容流行度、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。內容的放置指內容被存放的位置，通常緩存的內容可以放置在用戶設備、基站和云無線電接入網中。用戶設備上緩存的內容可以通過D2D 通信共享，從而增大緩存命中率；在基站進行緩存，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，而且能夠減輕回傳鏈路的負擔，改善回傳網絡擁塞問題；在云無線電接入網中緩存，可以最大限度地減少前傳和回傳鏈路中的流量以及遠程無線電頭端中的能耗。因此，為緩存的內容尋找最佳的放置位置是一個重要的研究點。

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容發送給用戶的方式。該階段是在緩存放置階段后進行，且緩存放置位置會影響內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，需同時進行考慮。

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

1.3 移動邊緣緩存策略的評價指標

在設計緩存策略時可采用的性能評估指標［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。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容，從而提高緩存命中率，且將緩存內容放置到合適位置也是提高緩存命中率的關鍵；此外，緩存命中率還可以通過協作緩存增加，例如，基站間的協作、D2D 共享機制等。

2）網絡延遲。網絡延遲表示從請求文件到交付文件之間的持續時間，可以分為處理時延、排隊時延和傳播時延，直接影響用戶體驗，對于時延敏感的內容服務至關重要。

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

1.4 邊緣緩存的應用場景

緩存的應用不僅可以突破現有主機的網絡限制，且在實現最大系統輸出方面發揮重要作用。隨著汽車行業的巨大轉變，創新和技術驅動成為了新的發展趨勢，如自動駕駛、電動汽車和聯網汽車，這部分歸因于消費者對更安全、更經濟、更環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連接的渴望。因此，汽車制造商通過為現代汽車配備各種先進技術以滿足無處不在的連接和改善交通安全的需求。這些技術和設備（例如，車載計算和存儲單元、無線通信和大量傳感器）每秒鐘都會產生大量數據，且支持與其他車輛（V2V 通信）和路邊基礎設施（V2I 通信）的通信和信息交換，以實現安全、合作和智能的交通系統。然而，互聯車載網絡中的內容共享由于車輛的高移動性、頻繁的拓撲變化以及與通信介質相關的固有環境動態，例如間歇性無線連接和干擾而極具挑戰性。作為移動通信和網絡智能融合的結果，MEC 為移動運營商、應用開發商和內容提供商提供了一個獨特的平臺，以應對車輛網絡中可靠內容共享的挑戰。MEC將邊緣節點轉變為強大的計算和存儲單元，在無線網絡的邊緣提供云計算優勢和能力。MEC 的特點是低延遲、高帶寬，并支持訪問實時網絡信息，這些信息可用于快速部署創新的應用和服務，邊緣緩存就是這樣一個很有前景的應用。目前車輛網絡中內容共享主要可以通過三種方式實現，如圖4 所示：車內、V2V 和V2I 內容共享。車內內容共享是通過從車內嵌入式存儲單元或用戶設備向乘客提供內容實現的。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容，或者從已經在設備上擁有該內容的其他用戶那里訪問；或者，通過將內容從路邊和蜂窩基礎設施傳輸到請求車輛以促進V2I 內容共享；最后，V2V 內容共享支持車輛之間的內容傳播，可以在獨立車輛之間進行，也可以從稱為車輛云的協作車輛資源池中進行。然而，為了更好地獲得邊緣緩存的好處，內容放置和傳送的策略必須考慮車輛網絡中通信和內容共享的固有限制（即用戶隱私、有限的回程容量、干擾、移動性限制）。因此，機器學習和信息中心網絡（Information-Centric Networking，ICN）在車輛網絡中的融合需要進一步探索，以優化車輛緩存并提高未來車輛網絡中內容共享的可靠性。

圖4 車載網絡中內容共享的邊緣緩存Fig.4 Edge caching with content sharing in vehicular network

2 移動邊緣緩存策略

設計移動邊緣緩存策略的根本目的是提高網絡的性能、降低網絡的壓力，進而為具有高服務要求的用戶提供優質的體驗。本文為了增加可讀性和駐留性，根據優化目標的不同，將目前的緩存優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 列出了近幾年有關緩存策略的關鍵研究點以及適用對象。

表1 移動邊緣緩存策略總結歸類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

在網絡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備的壽命。其中，時延和能耗是直接影響用戶體驗的關鍵指標，因此綜合考慮時延和能耗是設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問題，文獻［12］綜合考慮數據塊傳輸代價、緩存價值和緩存替換代價設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，在此基礎上進一步提出了基于緩存放置的啟發式任務調度算法CLTS（Cache Locality-based Task Scheduling），以獲得任務和資源之間的最大加權匹配，從而降低時延和能耗成本。文獻［13］研究了具有休眠策略和延遲約束的緩存輔助超密集網絡節能問題，提出了一種基于李雅普諾夫優化理論的延遲約束睡眠算法，并通過可調加權因子在能耗和時延之間進行折中。

目前一些研究是以協作方式設計的緩存策略。文獻［14］針對信息娛樂服務給智能IoV 帶來的負擔，在車對車和車對路側單元的混合通信模式下，提出了面向信息娛樂服務的能效感知緩存策略，且設計出基于最優停止理論的最優能效緩存節點選擇算法以找到能耗較低的最優緩存節點進行內容放置。文獻［15］基于移動邊緣計算服務器分布式內容交付框架，提出了基于分組和分層的模糊均值聚類協同緩存策略，該策略包括三種緩存機制：本地獨立緩存、組內協作緩存、整個網絡內的協作緩存，其基本思想是考慮用戶分布特征和MEC 服務器位置、內容流行度、MEC 服務器緩存容量之間的關系，將不同等級的內容緩存在不同層次的服務器上，該策略顯著減少了平均服務時延和總能耗。為了更合理地分配緩存資源以服務更多用戶請求，減少傳輸時延和傳輸能耗，文獻［16］提出基于軟件定義網絡（Software Defined Network，SDN）的邊緣協作緩存策略，利用多層感知神經網絡以預測移動用戶請求的視頻內容，構建了延遲和能耗平衡的最小化目標函數，以充分利用邊緣服務器的資源，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解。

考慮如何聯合緩存和卸載以降低時延和能耗，文獻［17］提出了一種帶緩存機制的任務卸載策略，設計了基于邊緣服務器的任務緩存機制和內容選擇算法，實驗結果表明所提算法具有更理想的執行時延和系統能耗，分別比卸載策略低15%和18%。文獻［18］基于移動終端任務和邊緣服務器-基站（Mobile-Edge-Computing-enabled Base Stations，MEC-BS）服務的特征，提出了一種新的MEC-BS 輔助計算卸載和數據緩存的策略，以確定每個移動終端將每種類型的任務卸載到MEC-BS 的概率，并指示移動終端每種任務數據是否緩存在MEC-BS，且使用平衡因子靈活地調整時延和能耗之間平衡。文獻［19］針對多用戶多任務MEC 系統，建立一種高效的計算卸載和任務緩存模型，提出強化學習和深度強化學習算法以獲得近似最優解，從而達到低時延高能效的緩存卸載。

針對支持MEC 的密集蜂窩網絡中被研究較少的動態服務緩存和卸載問題，文獻［20］提出了一種高效的在線算法，聯合優化動態服務緩存和任務卸載，解決MEC 系統中的許多關鍵挑戰，包括服務異構性、未知系統動態性、空間需求耦合和分散協調。該策略具有三個優勢：在不需要未來信息的情況下以在線方式執行隨機服務緩存；能夠在一定程度上減少終端用戶的計算延遲和系統能耗；考慮計算和存儲限制，并與任務卸載一起優化，能夠最大限度地提高整體系統性能；但這種策略忽略了基站之間的相互依賴性，導致系統在時延最小化和節能方面性能較差。

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與總請求數的比值。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容之間的不完全匹配，動態用戶偏好對內容交付效率提出了挑戰，文獻［21］提出了一種基于學習的合作內容緩存策略。首先使用人工神經網絡預測內容流行度，然后為最小化平均下載時延，將最優合作內容緩存問題量化為0-1 整數規劃問題，采用基于內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容緩存命中率，減少內容平均交付時延。文獻［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上下文數據（車輛軌跡預測以及邊緣節點的內容服務時間）以獲得未來需求估計，并在車輛最需要的邊緣節點進行緩存。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，對回程流量和內容訪問延遲產生了有益的影響。

由于內容放置和交付策略之間的強相互依賴性，聯合內容緩存和交付優化的問題變得難以解決。為此，文獻［23］提出了一個集中式的聯合緩存-交付策略，通過使用改進的分支定界算法和內部點法（improved Branch-and-Bound Algorithm with the Interior Point Method，iBBA-IPM）尋找最優的緩存-交付策略。但由于集中式緩存策略會引起邊緣節點之間的復雜性和協作開銷，考慮引入分布式聯合協作緩存-交付策略，能夠最大限度地減少移動邊緣節點之間的重復內容傳輸，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，設計一種可行的視頻邊緣緩存策略是重要的。文獻［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 網絡接口在多個MEC 服務器間共享視頻數據的聯合緩存和轉碼策略，以最小化視頻訪問時延，最大化緩存命中率。文獻［25］研究了兩個時間尺度下多服務器MEC 系統中的協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優化框架中，通過基于樣本平均逼近的兩階段算法進行處理。仿真結果驗證了該算法在內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［26］提出基于用戶屬性感知的邊緣緩存機制，目標內容的選擇基于內容流行度和用戶的需求，以基站協作的方式進行內容的緩存達到降低緩存數據冗余的目的，考慮到用戶偏好可能會隨時間動態變化，因此對內容進行了實時的更新。文獻［27］提出基于用戶移動性和內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容流行度的影響，并通過多元線性回歸模型預測內容流行度，以此執行內容緩存；另外，根據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容進行替換；但該策略沒有對內容進行分類，沒有考慮內容放置導致的邊緣服務器能耗問題，未能達到綠色通信。文獻［28］提出一種新的面向多址邊緣計算的預測-協同-替換（Predictive-Collaborative-Replacement，PCR）智能緩存策略，該策略結合了主動預測、MEC 服務器之間的協作以及替換算法來管理緩存內容，以改善MEC 環境中的緩存命中率和訪問時延。實驗結果表明，該算法優于現有的離線緩存算法C-LSTM（Cable-Long Short-Term Memory）。文獻［29］提出協同緩存（Cooperative Caching，CC）算法和動態緩存替換（Dynamic Caching Replacement，DCR）算法。CC算法可周期性地計算節點訪問頻率，考慮水平局部區域內鄰近節點的緩存資源，形成局部緩存社區，在整個網絡中實現更好的緩存放置。DCR 算法可根據內容排名和節點本身的容量，將熱門內容緩存到核心節點上，從而提高整個網絡的命中率，減少用戶請求時延。文獻［30］綜合考慮了兩個問題：緩存預取和緩存替換。首先依據用戶歷史訪問相關性、負載均衡和可用帶寬，采用基于貝葉斯網絡和馬爾可夫鏈的用戶分類（User Cassification based on Bayesian network and Markov chain，UCBM）模型的緩存預取算法，以得到預取文件；再使用成本收益和垃圾收集成本進行過濾，將篩選后的預取文件緩存到邊緣節點；最后使用基于文件熱度和重訪問概率（File Heat and re-Access Probability，FHAP）模型的邊緣計算系統緩存替換算法，將訪問權重最小的緩存文件驅逐出去，具體流程如圖5 所示。與基準算法相比，預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計高效的緩存策略以適用不同的場景。

圖5 系統算法流程Fig.5 System algorithm flow

針對內容的動態性、未知的時空流量需求和有限的服務能力問題，文獻［31］在內容流行度和用戶偏好先驗信息未知的情況下，利用多智能體強化學習方法，設計了一種MEC 服務器上的協同內容緩存策略。該策略將合作內容緩存問題表述為一個多代理多武裝強盜問題，該問題被量化為：

其中：M、T、F表示MEC 服務器集、時間周期集、文件集；sf表示文件大小；Sm表示服務器的存儲容量表示文件f在t時間段內是否放在服務器m的本地緩存中，如果文件f被緩存則，否則表示服務器m緩存文件f的預期回報。為了解決該問題，提出基于多智能體強化學習的緩存算法。在該算法中由于Q 表空間巨大，傳統的多智能體強化學習算法遍歷所有Q 值的步數都是指數級的，因此通過一種組合置信上界方法縮小Q 表空間，從而有效地降低復雜度。數據結果表明，提出的基于多智能體強化學習緩存方案能夠顯著降低內容下載延遲，提高內容緩存的命中率。

2.3 基于最大化收益的緩存策略

由于邊緣服務器的存儲容量有限，無法保證內容提供商（Content Provider，CP）提供的所有內容都會緩存到邊緣服務器，且用戶滿意度是CP 關注的重要指標，直接影響CP 的收益，因此，應該優化緩存策略，以最大化CP 收益，實現內容緩存效用［32］。文獻［33］考慮了一個多用戶多提供商場景，針對邊緣服務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，采用基于最優響應的多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內實現收斂，獲得較高的緩存效用。文獻［34］從最小化CP 支付的角度研究了多小區協作緩存問題，采用協作緩存的在線算法不僅不需要任何關于內容流行度的知識，而且其結果非常接近最優的離線協作策略，最重要的是，在內容流行度沒有被正確估計的情況下，在線算法性能優于最優的離線協作策略。文獻［35］針對邊緣計算中服務器放置問題，提出基于資源需求預測的服務器放置映射優化啟發式算法。首先將任務劃分為多個子任務；然后實現子任務-服務器位置的映射，并通過數據命名機制完成服務器與數據源之間的信息（位置、當前時間等）交互；最后，提出了跨區域資源優化，使服務提供商的成本最小化。

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

從以上優化目標的角度出發，通過對目前緩存策略的分析和對比可知，將內容緩存到邊緣服務器確實在一定程度上提高了網絡的性能和用戶體驗，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重的影響，如何準確預測用戶的移動性來最大化緩存命中率是一項繁瑣的任務；此外，用戶不愿為了提高網絡性能而消耗稀缺的資源，所以在用戶設備上執行緩存，以利用D2D 通信是困難的；而對于緩存內容的難以確定，設計的緩存策略應能夠準確觀察用戶之間的社會關系、內容請求模式、移動性、網絡狀態。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，因為人工智能具有基于學習用戶需求和移動模式優化緩存策略的潛力，且未來緩存技術希望利用智能的緩存機制來最大限度地提高網絡性能。

3 面向5G環境下移動邊緣緩存策略

在3.1 節中對現有的移動邊緣緩存技術研究進行闡述，主要是針對面向4G 網絡環境下的移動邊緣緩存策略。由于5G 網絡服務的引入與發展，需要提供更高的網絡運行速度、更快的數據傳輸速率以及更低的計算時延，而現有的4G 緩存技術很難滿足低時延和高靈活性等應用需求，所以在5G移動通信網絡中引入了許多新的理念和技術，例如服務化架構，網絡切片，軟件定義網絡、MEC/緩存等。故對于在5G 移動通信網絡中部署緩存、改善內容分發效率、減少網絡傳輸時延和用戶體驗具有重要研究意義，且已成為5G 移動通信網絡研究的重點內容之一。本章主要對目前5G 環境下的移動邊緣緩存技術的發展進行研究。主要分析了5G 環境下MEC 服務器的部署架構和面向5G 環境下緩存優化策略。

3.1 5G網絡下MEC服務器的部署

在5G 架構下，MEC 服務器有兩種部署方式，如圖6 所示。

圖6 MEC服務器在5G架構下的部署Fig.6 Deployment of MEC servers under 5G architecture

第一種情況：MEC 服務器部署在一個或多個LTE（Long Term Evolution）宏基站（evolved Node B，eNode B）側。這種部署使業務更靠近用戶側，終端用戶發起的業務經過基站、MEC 服務器1（見圖6），然后到達互聯網/第三方服務內容。

第二種情況：MEC 服務器部署在用戶平面網關（GateWay-User Plane，GW-UP）處。5G 網絡核心網（Core Network，CN）C/U 功能分離之后，U-Plane（對應GW-UP）功能下移，可以下移到無線接入網（Radio Access Network，RAN）側，也可以下移到CN 的邊緣，C-Plane（對應GW-CP）駐留在CN 側。MEC 服務器部署在GW-UP 處時，終端用戶發起的業務需經過基站、GW-UP、MEC 服務器2（見圖6），最后到達互聯網/第三方內容服務。該部署方案相較于傳統的公網方案可為終端用戶提供低延遲、高帶寬服務。

3.2 5G網絡下緩存優化策略

3.2.1 5G網絡中綠色移動感知緩存策略

用戶的移動性是5G 無線網絡的重要特征，影響著緩存策略的有效性［40］。目前，大部分的相關工作假設用戶可以通過連接的小型基站和移動設備下載整個請求的內容。而實際情況下，用戶的移動會帶來接觸時間的隨機性，很少有相關研究考慮到用戶移動性和接觸持續時間的隨機性。因此，如何利用用戶移動性改進緩存策略仍然是一個具有挑戰性的問題。此外，在緩存和內容傳輸時，過大的能耗不僅提高運營商的成本，損耗終端設備的壽命，而且不利于綠色通信。因此，如何在動態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［42］針對以上問題提出了在基站和移動設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 網絡的移動場景，如圖7 所示。

圖7 5G網絡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，通過分析用戶的移動性優化緩存策略，以最大化命中率、最小化傳輸能耗為優化目標。

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性及用戶請求文件的概率對小基站和移動設備上緩存策略的影響，提出通過子模型優化以最大化基站和移動設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用戶接觸時間間隔和接觸頻率刻畫，用戶請求內容概率通過文件的流行度獲得。在基站和移動設備緩存容量的約束下建立的基站和移動設備命中率最大化綜合目標函數是一個混合整數規劃問題，為了便于求解將原問題轉換為子模態優化問題，利用貪心算法求解。編碼緩存放置算法具體流程為：設置一個放置緩存內容的空集合，迭代計算編碼段的命中率，加入放置在基站或移動設備上能夠最大化緩存命中率的編碼段文件，直到達到基站和移動設備的最大緩存容量，停止迭代，此算法可近似達到最優解。

2）編碼緩存的傳輸策略：當多個小基站（Small Base Station，SBS）和移動設備向內容請求者傳遞內容時，會消耗能量且用戶的移動對傳輸策略產生一定影響。根據子模態優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，推導出基站和移動設備的最優發射功率，從而保證移動設備和基站在傳輸文件的過程中消耗的能量最小。

文獻［42］所提策略的優勢：將該策略與流行的緩存策略［43］、隨機緩存策略［44］和可以提供具有固定數量數據的移動感知緩存策略MCF（Mobility-aware Caching with Fixed amount data can be delivered）［45］進行對比可以得出以下結論：

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于其他三種策略，因為流行的緩存策略合作分享機會較少；隨機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時間內傳輸。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。因為用戶移動性較低時，移動設備不僅在不同SBS 之間切換較少，而且遇到其他移動設備的機會也較少，然而，對流行內容的需求很大。因此，流行的內容應該緩存在SBS 和移動設備上，以提高緩存命中率。當用戶移動很頻繁時，所提策略和隨機緩存策略之間的差距變小，這是因為緩存網絡相對活躍，用戶與基站有更多的接觸機會，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 和移動設備下載請求文件的概率增加，SBS 和移動設備的能耗隨之增加。另外，在相同的命中率下，所提策略較其他三種策略更節能。因為所提策略不僅考慮了用戶的移動性，接觸持續時間的隨機性，還考慮了SBS 和移動設備傳輸內容時的能效。

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

雖然文獻［42］考慮了用戶移動性對緩存策略和傳輸策略的影響，但對于更復雜的社會關系和用戶行為對用戶移動性的影響也需要被考慮在內；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動用戶和基站聯合緩存，該技術可以降低傳輸能耗，但能量的隨機性使得優化設計更具挑戰性。

3.2.2 5G異構蜂窩網絡中的緩存策略

MEC 網絡允許移動用戶從附近的網站訪問內容和資源，而不是從云/內容服務器下載內容，因此MEC 有助于減少服務延遲，緩解回程鏈路上的網絡擁塞。盡管有這些優勢，MEC 網絡的發展仍面臨著一些固有的挑戰，例如，不同的用戶需求、小的覆蓋范圍以及每個城域網有限的存儲容量。為了解決這些問題，引入了協作緩存。協作緩存是一種通過移動邊緣網絡之間的協作以利用內容分布的方法，并在分層架構中提供高效的工作負載分布。目前異構蜂窩網絡作為5G蜂窩通信系統的關鍵組成部分，其緩存方法和相應的緩存效益引起了廣泛的關注和研究，雖然有人提出D2D 緩存和小基站緩存協作的想法［46］，但D2D 緩存和毫微微基站的緩存策略卻是獨立設計的，而這種非合作的緩存策略不僅導致冗余緩存，而且降低緩存效率，這就激勵研究者在毫微微蜂窩和D2D 兩個層次上開發協作緩存策略。高效的協作緩存策略不僅可以提高緩存的命中率，而且可以平衡網絡中處理的負載，因此，文獻［47］提出基于異構網絡的最優協作緩存策略旨在提高緩存效率和用戶質量，并減少主干網絡中的冗余網絡流量。考慮了單小區異構網絡，如圖10 所示。圖中用戶設備（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，FBS）通信，并且用戶設備之間也可以D2D 共享。

圖10 啟用緩存的異構網絡Fig.10 Heterogeneous network with caching

對于給定的網絡拓撲結構、用戶的內容請求概率、毫微微基站和終端設備的存儲容量及帶寬容量，如何在用戶設備和FBS 緩存中部署內容項，使用戶的平均下載時延最小是最優協作緩存策略的最大目標。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 最優協作內容緩存的兩級原始-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函數，由于其是凸問題，使用關聯的拉格朗日乘數改寫成拉格朗日對偶問題，得到的拉格朗日函數可以進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性。子問題是通過最大化內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責更新變量拉格朗日乘數，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的最優目標值都是通過次梯度方法更新拉格朗日乘數，然后分解成多個可以有效求解的更小的子問題進行求解，且找到最優的傳輸決策矩陣。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，且能收斂到最優解。

文獻［47］所提策略的優勢：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 緩存的最優雙解搜索算法［50］進行比較可以得出以下結論：

①不同用戶數量下算法性能的比較。從圖12 可以看出，當用戶數量不斷增大時，由于小區中的資源受到限制，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 和用戶設備協作緩存的優勢。

圖12 不同策略在不同用戶數量下的性能比較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，僅考慮用戶設備存儲容量時，隨著用戶設備存儲容量的增加，所提算法的平均下載延遲和本地緩存命中率優于D2D 緩存最優雙解搜索算法；當用戶設備存儲容量為0 時，即FBS 可以緩存內容時，所提算法仍然優于其他三種算法，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 和用戶設備的協作優勢。因此，對于更大的FBS 帶寬容量，所提策略更有效。此外，由于該策略為異構網絡提供了一個全局最優解，在未來將該解作為設計高效的分布式異構網絡內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 技術挑戰和發展方向

移動邊緣緩存因其能夠將用戶所需的內容存儲在用戶邊緣，降低內容傳輸過程中的時延和負載，并為用戶帶來更好的體驗而備受關注，產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一步探討。本章將討論當前緩存策略的研究挑戰和未來的研究方向。

4.1 安全

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

在無線網絡中，緩存的性能受用戶移動性的影響很大。例如在動態場景中，網絡可能需要將內容的多個副本緩存到不同的基站，以便它們將緩存的內容為移動用戶服務。然而，基站的緩存容量有限，并不能緩存所有內容，因此，嚴重限制了網絡的性能。假設網絡知道用戶的移動性（如：所有用戶的路徑），則網絡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容，最大化基站緩存利用率。在實際情況下是很難準確預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計緩存策略，帶來了很多挑戰，且如何預測用戶的移動性實現內容的優先分發，將用戶需求提前放置到下一個接入節點以更好地支持服務的連續性和無縫移動也是目前研究的熱點。現有的研究主要是通過MEC 用戶位置信息以及上下文信息進行移動性預測，很少有工作結合人工智能用戶的移動性預測，且用戶軌跡的準確性預測也是一個重要的研究問題，因此，如何將用戶的移動性預測整合到緩存優化中是非常關鍵的。目前常用方案有：文獻［61］提出基于深度學習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大量歷史數據建立用戶移動模型，預測用戶訪問的下一個基站并進行預緩存；文獻［62］為了提高預測的準確性，依據用戶的歷史軌跡信息提出循環神經網絡（Recurrent Neural Network，RNN）方法以預測用戶的下一個位置；文獻［63］設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，結合集體行為和個體移動特征建立軌跡特征預測模型，對用戶軌跡進行預測；但由于用戶移動的高度不確定性以及社交網絡對用戶移動性的影響，設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學模型，阻礙了對高速緩存支持的無線網絡中用戶移動性的理解。因此，可以探索基于數學模型的移動模型，設計相應的算法以優化緩存策略。

4.3 基于強化學習的邊緣緩存

由于網絡的動態性和環境的復雜性，設計高效的緩存策略必須準確地觀察用戶需求，而準確獲取用戶需求難度較大。因此，傳統的邊緣緩存方案已不適用。機器學習（Machine Learning，ML）不僅可以通過數據驅動分析和識別具有時變的動態在線社區和流行內容，而且可以根據具有時間序列動態特征的用戶移動性、流行度和偏好數據集估計用戶未來需求。此外，ML 還可以針對網絡狀態和存儲約束問題，優化緩存放置和交付。基于以上優勢，ML 通常被用于優化緩存策略。目前大多數緩存優化方案都是基于強化學習來解決的，因為強化學習能夠在少數或沒有模型的情況下與環境進行交互和學習。如文獻［64］采用多智能體元強化學習方法，在每個本地智能體進行決策學習以減少IoV 系統服務時延。文獻［65］提出了一種基于內容請求預測的協同緩存策略，將車輛請求的內容以更大的概率預緩存在其他車輛或路邊單元中，以減少內容獲取延遲。但這些傳統的強化學習緩存方案僅限于狀態低維且完全可觀測的領域，對于比較復雜的邊緣緩存環境，手動提取環境中所有有用的特征作為低維狀態空間是很難的。隨著深度強化學習的出現，智能體可以直接在原始的高維觀測上訓練，而不是手動制作有用的特征或低維狀態空間。因此，探索基于深度學習和強化學習結合的人工智能緩存策略，不僅可以提高預測的準確度，而且對于未來Beyond 5G/6G 的發展具有推動作用。

4.4 基于聯邦學習的邊緣緩存

通過大數據分析，可以挖掘大量的用戶數據，有助于優化主動緩存策略。然而，獲取用戶數據很大程度上可能導致用戶隱私暴露，所以大多數用戶拒絕數據共享，這不僅對優化邊緣緩存策略帶來了困難，而且阻礙了未來5G 網絡新技術和新應用的發展。因此，聯邦學習（Federated Learning，FL）概念被引入。在FL 中，終端設備使用本地數據訓練服務器所需的ML 模型，在一定程度上增強用戶隱私，進而降低被竊聽的可能性。目前聯邦學習在保護隱私方面已有一些研究成果，文獻［66］提出了一種保護隱私的聯邦K-means 方案，用于下一代蜂窩網絡中的主動緩存，該方案基于聯邦學習和秘密共享兩種隱私保護技術，保護了用戶隱私。文獻［67］提出了基于聯邦學習的主動緩存方案，該方案不需要集中收集用戶數據進行訓練。文獻［68］提出了用于車輛網絡資源共享的差分隱私異步聯合學習方案，以保護更新后局部模型的隱私。文獻［69］提出了基于隨機梯度下降法的聯邦深度學習方案，該方案將加法同態加密和差分隱私集成在聯邦學習中。然而，采用這些方案在一定程度上降低了系統的性能，即模型的準確性。因此，在實現FL 系統時，必須很好地平衡隱私保護和系統性能。此外，流行度預測及特征提取方面的ML 算法中還有待于聯邦學習方法的研究。

4.5 Beyond 5G/6G網絡的邊緣緩存

隨著無線移動通信的發展與探索，5G 已經逐漸走進了人們的視野，Beyond 5G 和6G 研究也正在受到許多人的關注。Beyond 5G/6G 的愿景是建立一個能夠動態、快速響應用戶服務調用的大規模連接復雜網絡。在5G 網絡中，運營商利用網絡切片等技術為用戶提供差異化的緩存服務，而Beyond 5G/6G 網絡將通過人工智能驅動的預測進一步完善用戶定制的緩存服務。例如，Beyond 5G/6G 中的邊緣緩存可以預測用戶的需求，即使在用戶的通勤期間，也可以在不同的時間調整預緩存的內容。這一目標的實現依賴于在保護用戶隱私的前提下對用戶歷史數據的收集和分析。區塊鏈作為一個分布式數據庫，可以實現數據的分散傳輸和存儲，防止數據被竊取或篡改。因此，Beyond 5G/6G 希望通過邊緣緩存和區塊鏈技術為用戶提供定制化的緩存服務。此外，為了構建一個智能開放的Beyond 5G/6G 網絡，每個節點都應該具備充足的通信、計算和緩存資源，以支持智能運營和自我進化。因此，可以通過各種新技術協同利用網絡中的所有通信、計算和緩存資源，實現Beyond 5G/6G 通信智能化和開放性。

5 結語

移動邊緣緩存通過冗余和廉價的網絡存儲交換昂貴的帶寬資源。它將內容傳輸到終端用戶附近的節點，以減少內容交付延遲和帶寬使用，減輕原始服務器的負載，提高緩存命中率，并提高用戶體驗質量。為了全面地了解移動邊緣緩存技術，本文重點對移動邊緣緩存執行過程、主要特性和評價指標進行相關描述，并對近年來的緩存策略以不同性能目標進行了分析和總結。通過對比不同移動邊緣緩存策略，對面向5G 環境下緩存技術進行研究，分析5G 環境下MEC 服務器部署和面向5G 環境下緩存優化策略。然后，討論了邊緣緩存策略的研究挑戰和未來發展方向，從而為相關領域的研究人員提供參考和幫助。