移动边缘计算与内容缓存的最新进展

1. 引言

移动边缘计算（MEC）是一种去中心化的计算概念，其将计算资源和应用服务分布在无线网络中从数据存储点到基站（BSs）的通信路径上。这能够满足终端用户在需要延迟敏感和低计算量操作时的边缘计算需求。MEC允许无线用户在无线接入网（RAN）范围内访问最近的计算服务器 [1]。

移动边缘计算的主要目标是通过将计算和存储能力从核心网络转移到边缘网络来降低延迟。移动边缘计算可以为不同应用提供实时信息通过利用更靠近终端用户的边缘资源，获取实时网络负载和无线用户实时位置信息。这些实时网络信息可用于为移动网络用户提供情境感知的应用和服务，以满足终端用户的用户体验质量（QoE）。MEC平台通过降低延迟和回传带宽消耗带来显著优势，但同时也增加了边缘需实时向终端用户提供多种服务的责任[2, 3]。无线网络运营商可允许第三方来管理边缘计算，从而让服务提供商能够快速部署新应用和边缘服务给移动用户。换句话说，移动边缘计算（MEC）试图避免使用集中式数据仓库，而是在数据实际生成的位置附近（即网络边缘）进行数据处理。MEC支持数据流加速，包括低延迟的实时数据处理。MEC使不同的应用和智能移动设备能够在数据生成的瞬间就近进行响应、数据处理并做出明智决策，从而消除滞后或延迟。这是其关键优势之一。

对于许多新兴技术（如自动驾驶汽车和实时导航系统 [4]）而言，关键资产至关重要。移动边缘计算显著减少了对回传/互联网带宽的使用，因为它能够在数据源附近处理大量数据。移动边缘计算有助于降低成本，并确保应用程序在无需访问昂贵且高延迟的回传链路的情况下运行。此外，MEC中的内容缓存已被证明是有益的 [5]。由于MEC利用了多种类型的基站，未来的边缘网络被认为是多样化的。因此，在边缘网络中，缓存将被部署在不同基站的各个位置。如果内容在边缘节点不可用，则最初需要从中央服务器获取用户请求的内容。随后通过缓存机制保存该内容副本以供将来使用。如果每次访问的数据都来自中心化服务器，较慢的回传链路将在向终端用户传递内容时引入显著的延迟。此外，随着更便宜的存储单元以及多个基站的发展和部署，最近在小基站（SBSs）和宏基站（MBSs）上部署缓存机制变得简单且具有成本效益。在新兴无线网络中，配备设备级存储单元的设备到设备通信将允许基于用户兴趣以及用户之间的社交关系实现用户级内容缓存[6]。内容缓存与边缘计算的基本架构如图1所示。

与边缘计算类似，在支持缓存的移动网络中，将内容从其集中式位置传输到终端用户的过程中，采用内容缓存策略对于减少延迟并提升用户的用户体验质量（QoE）至关重要。在这样的支持缓存的移动网络中，缓存插入方法可以决定是否与不同的缓存边缘协作，以及内容如何在靠近用户侧的边缘服务器中进行缓存；而缓存驱逐策略则决定了已缓存内容的动态变化和衡量指标。内容选择过程需考虑哪些内容应被缓存、哪些内容需要更新以及内容应缓存多长时间。其中一个标准是内容流行度，通常作为快速内容检索的重要因素；另一个是内容多样性，有助于增加区域缓存内容的类别。

在支持移动边缘计算的网络中，应控制缓存存储大小、计算、能量和通信带宽等网络资源，以实现其高效使用。为了提高效率，需要对缓存哪些数据、如何插入缓存数据以及如何驱逐进行显著优化。

通过考虑数据质量、多样性和终端用户移动性，从缓存存储中获取内容。缓存优化问题涉及与网络及终端用户性能相关的优化问题，例如网络架构、分析方法和内容缓存策略。

具体而言，本文对移动无线网络中移动边缘计算和内容缓存的最新进展进行了综述。文中识别并讨论了缓存环境下移动边缘计算的一些重要开放性挑战。本文还从延迟角度对边缘计算、雾计算和云计算进行了比较。通过本文，读者可以全面了解无线网络中边缘计算与缓存的最新进展。

本文的其余部分组织如下。第2节介绍了边缘网络中的计算。第3节介绍了缓存替换策略。第4节介绍了缓存系统的行为和性能。基于缓存网络的优化在第5节中介绍。第6节给出了一些比较，接着第7节提出了一些开放研究挑战。第8节总结了本文。

2. 移动边缘网络中的计算

本节介绍移动边缘网络中卸载技术的目标和计算。

2.1. 移动边缘计算目标

MEC的主要目标是降低延迟并提升终端用户的用户体验质量。不同的无线应用或系统可能具有不同的性能要求，例如延迟要求，这些要求可以通过MEC网络来满足。我们将在以下小节中介绍边缘计算在移动无线网络中提供的性能目标。

2.1.1. 延迟最小化

延迟是影响终端用户使用体验的主要性能指标之一[7]。5G无线网络系统对往返时间（RTT）的延迟要求为1毫秒，比4G低近十倍。当内容从位于中心化数据中心的中心化服务器传输到终端用户时，所需时间相比移动边缘计算服务器更长。类似地，将任务卸载到云端会导致数据卸载应用产生较高的延迟，而这种高延迟对于许多应用而言是不可接受的。为了最小化延迟/延迟，采用高密度小基站结合边缘计算是一种更为可行的方法 [7]。

2.1.2. 网络容量最大化

5G无线网络预计将在单位面积内支持比当前4G网络高出千倍的移动数据量[8]。为了应对这一预期的巨大数据量，未来的无线网络需要在无线接入网（RAN）、回传和前传方面提升容量。数据卸载以及上下文感知计算卸载是多种技术的结合，有望在利用更高频谱效率的更多频谱的基础上，解决RAN中的一些挑战[9]。移动边缘计算（MEC）和内容缓存可通过将热门内容缓存至边缘、BSs并节省回传带宽来帮助提升网络容量 [8]。

2.1.3. 能耗最小化

许多工作已针对边缘计算的能效进行了评估（例如 [10]）。人们提出了各种优化方案，以最小化网络和单个设备中的能耗。在下一代异构网络中的计算卸载方面，与任务计算和文件传输相关的能量消耗被视为核心成本组成部分之一 [10]。设计一种高效的能量数据/计算卸载方案至关重要，该方案需联合优化无线资源和能量消耗，同时最小化整体延迟。在 [10], 中，移动设备根据其能力和需求被分为三种类型。宏基站和小基站的无线信道根据设备的优先级分配给移动设备，直到所有设备都获得所需的信道。在每次迭代中，该方案确保系统获得最小能量消耗。结果表明，所提出的方案在终端用户数量较多时具有更低的能量消耗。

2.2. 计算卸载

终端设备通常受限于计算能力、电池寿命和存储容量。边缘计算的主要目的之一是通过计算卸载来克服移动设备在计算能力、电池资源和存储可用性方面的限制[11]。

2.2.1. 单用户向边缘卸载

单用户场景下的卸载调度策略应部署以最小化无线网络中随机信道条件带来的延迟和能耗。在[12],中提出了一种基于阈值的调度策略，可最小化单服务器和多服务器场景下的能耗。

2.2.2. 多用户边缘卸载

多用户场景中的数据或计算卸载比单用户卸载场景[13]复杂得多，必须处理调度与分配方面的复杂问题。已知多用户卸载是一个NP难问题 [13]。该问题可以通过理论方法求解，从而实现社会最优均衡[13]。

2.2.3. 卸载到其他设备

一旦设备能够利用设备到设备通信，将内容或计算卸载到另一台附近的设备，以在可能的情况下利用该设备的额外计算资源。可以将一组终端设备集合起来提供此类服务，计算任务无需卸载到边缘服务器，而是可以卸载到其他附近的移动设备。卸载到另一台设备的调度问题预计与卸载到服务器的调度问题不同[14]。

2.2.4. 卸载到边缘服务器

通常，计算任务的卸载是到边缘服务器完成的。在选择边缘服务器以最小化延迟、降低能耗并最大化任务卸载的用户体验质量时，我们需要考虑不同的参数，如CPU周期、卸载链路容量、能耗、缓存大小等。[15]

2.2.5. 移动性感知在Offloading中的应用

用户移动性是边缘网络中需要考虑的最重要特征之一，因为移动性决定了用户与服务器之间的连接建立时间和驻留时间。终端用户的移动性导致网络拓扑动态变化，从而直接影响任务卸载策略[16]。

3. 缓存位置和缓存替换策略

本节介绍了在移动边缘计算网络中不同位置的各种缓存放置和替换策略。

3.1. 缓存位置

在移动边缘计算中，我们可以在移动网络内部署边缘服务器和内容缓存。在典型的用于缓存的无线蜂窝网络中，我们可以在核心网络、无线接入网和终端设备处缓存内容[19, 20]。通过在移动边缘计算中结合缓存和边缘服务器，数据流量可以显著减少[19]。MEC网络中不同位置的缓存将在以下小节中进行讨论。

3.1.1. 微基站（MBS）

异构网络中的微基站（MBS）是部署缓存和边缘服务器的位置[17]，可在该位置进行被动和主动缓存。通过利用基于MBS的缓存和边缘计算，系统容量可显著提升，延迟也可大幅降低，因为内容将在靠近用户的边缘侧提供[17, 21]。

3.1.2. 小基站（SBS）

小基站（SBSs）预计将在下一代异构无线网络中大量部署。在小基站中进行缓存也是一个很好的方案，因为它们更靠近终端用户，能够以高数据速率更快地为用户提供服务[22]。

3.1.3. 终端设备缓存

设备到设备（D2D）通信也被期望应用于 5G无线网络中。在D2D架构中，终端设备可利用其存储来缓存内容，这将显著减少延迟[23]。D2D中的缓存可以通过终端用户形成集群进行协作式[24]缓存，也可以单独进行。

方法	关键要点
单用户 [12]	计算卸载选择
多用户 [13]	多用户计算卸载是 NP难问题
卸载到设备 [15]	设备到设备技术
移动性感知 [ 16 ]	基于移动性感知的卸载策略
缓存策略 [ 17 ]	基于用户偏好的策略
内容流行度 [ 18 ]	幂律分布
基于用户偏好 策略 [ 17 ]	用户对特定的偏好 视频类别

3.2. 缓存插入策略

以下小节介绍了在支持MEC的系统中的一些缓存插入策略。

3.2.1. 处处缓存

处处缓存是在移动边缘计算系统中缓存内容最不保守的方式。它可以被视为无需优化的系统的默认选项。从源到终端用户，只要可能，内容就会被缓存，但这可能会给存储带来额外负担，或给高效管理最近缓存带来额外负担[25]。

3.2.2. 概率缓存

通过使用概率缓存可以解决处处缓存中的大多数问题，从而提高存储效率并减少缓存冗余。利用概率缓存信息可提升缓存效率。使用概率较高的内容会被缓存，而使用概率较低的内容则不会被缓存[26]。

3.2.3. 基于移动性的缓存策略

移动用户可能会从一个位置移动到另一个位置，或从一个无线网络切换到另一个网络，从而导致用户从一个边缘服务器切换到另一个边缘服务器，以及从一个缓存服务器切换到另一个缓存服务器。当用户尚未从一个缓存服务器完成内容下载就移动到另一个位置时，已下载的内容可能变得无用，除非存在一种机制能够从一个缓存服务器到另一个缓存服务器进行适当的移交[27, 28]。因此，应根据用户的移动轨迹对内容进行缓存，以提供延迟最小的最优服务。

3.2.4. 分层协作缓存

数据可以使用分层框架进行缓存，以有效利用存储和缓存 [29]。文献 [30] 提出了一种有趣的缓存思路：利用邻居的存储空间来缓存内容，使用自己的存储空间，和/或使用陌生人的数据存储空间进行缓存。

3.2.5. 基于兴趣的协作缓存

基于用户的兴趣对内容进行缓存[31]。例如，在夜间住宅区，移动边缘计算（MEC）可以根据当地人口特征缓存特定类型的电影：如果所在位置儿童较多，则缓存儿童电影；如果所在位置成年人较多且经常观看动作电影，则缓存动作电影。

3.3. 缓存驱逐/替换策略

我们不能一直缓存所有内容。我们需要用新内容替换缓存中的旧内容。下一节介绍了一些缓存替换策略的方法。

3.3.1. 先进先出（FIFO）替换

先进先出（FIFO）是缓存系统中内容替换最简单、最公平且最流行的策略之一[32]。最先被缓存的内容将最先被淘汰，依此类推。

3.3.2. 最近最少使用（LRU）替换

最近最少使用（LRU）方法会替换最近未被使用或在近期使用中不受欢迎的内容 [33]。该方法有助于有效利用存储空间，同时满足终端用户的需求。

3.3.3. 最不经常使用（LFU）替换

最不经常使用（LFU）方法会替换那些不受欢迎或新缓存中不常被使用的内容[32]。如果新进入的内容比缓存中的内容更不受欢迎，则该方法不会删除现有内容。

3.3.4. 时间感知最近最少使用（TLRU）替换

时间感知最近最少使用（TLRU）是用于替换缓存内容的LRU方法的高级形式[34]，其中使用时间到使用（TTU）来为内容打上时间戳，以查看内容被使用的频率。TTU提供了更多选项，以确定应保留哪些缓存以及应在何时替换哪些缓存。

3.3.5. 基于频率的FIFO（FB-FIFO）替换

在基于频率的FIFO（FB‐FIFO）中，创建可变大小的保护段并将其缓存在服务器[35]中。然后根据使用模式，以FIFO方式替换内容。这种方法比其他方法中的FIFO更有效[35]。

3.3.6. 基于老化和流行度的缓存替换

根据缓存内容的老化程度和流行度，旧的或最不受欢迎的内容将被新内容替换[36]。在此方法中，必须定期更新老化键值，以有效跟踪内容流行度的变化。

3.3.7. 自适应替换缓存（ARC）

自适应替换缓存（ARC）会跟踪经常使用和最近使用的内容以及两者的移除历史，以替换缓存内容 [37]。ARC 被认为在诸多算法中优于 LRU [37]。

4. 缓存系统行为/性能与网络优化

4.1. 缓存系统行为/性能

缓存系统的行为和性能取决于缓存策略和缓存替换。如前几节所讨论的，目前尚无一种适用于所有应用和不同用户需求的统一标准方法。在确定哪种缓存方法更适合特定场景或应用时，我们需要考虑希望在应用中支持的所有功能和特性，然后选择最适合的内容缓存和缓存替换策略。当前已有多种先进模型用于分析缓存行为和性能（例如 [38, 18, 39, 40]）。例如，[39] 中的研究采用马尔可夫链模型来研究缓存系统的行为；[40] 中的研究利用离散时间马尔可夫链对缓存系统进行分析；[22] 中的研究提出了以马尔可夫链的策略结构替代 LRU 方法；[41] 中的研究在利用移动用户的真实轨迹信息研究用户移动性进行缓存时，采用了稳态马尔可夫模型。

4.2. 缓存网络优化模型

已有许多关于缓存网络优化的研究。在[42], 中，研究了软件定义网络支持的无线网络缓存。文献[43]研究了无线自组织网络中的节能缓存，以实现访问延迟与能量利用之间的理想性能权衡。文献[44]研究了协作式缓存，以最小化预期延迟并最大化整体系统性能。文献[45]研究了针对无线异构网络系统的基于聚类的缓存方案，以提升性能。

5. 边缘、雾和云计算的比较

边缘计算是一种云计算，其中计算或处理能力被推向边缘设备进行处理。物联网（IoT）预计将利用边缘计算来降低延迟，并通过卸载提升计算能力。物联网虽然能够收集大量数据，但单个设备的容量有限，通常使用云计算来分析数据。然而，与边缘计算相比，云计算会带来更高的延迟。为了最小化带宽消耗和数据传输延迟，相较于云计算，边缘计算是更好的选择。

如图2所示，这三个层可以通过网关相互连接。我们通过仿真实验获得的数值结果对这三层的延迟进行了比较。仿真配置与[39]中给出的类似。我们假设边缘节点数量为100个，雾服务器数量为10个，云服务器数量为5个，计算能力为10GHz。我们考虑了如图3所示的计算延迟以及如图4所示的通信延迟。当使用云服务器时，其延迟将高于雾和边缘，如

图3。如图3所示，使用边缘计算时，与雾计算和云计算相比，延迟最小。

类似的观察结果也出现在通信延迟方面（边缘提供的延迟最小，而云提供的延迟最大），如图4所示。

6. 开放研究挑战

本节介绍了移动边缘计算中内容缓存的一些研究挑战和发展方向。

6.1. 异构性

无线移动网络在用户、用于访问无线服务的设备、无线网络接口等方面具有高度异质性。终端设备使用不同的接口接入3G、4G、5G和 Wi‐Fi。在如此多样化的无线网络和异构频段中，为支持MEC的无线系统中的终端设备设计或寻找一种在不同频段之间切换的通用方法具有挑战性。

6.2. 用户移动性

终端用户的移动性导致MEC系统中边缘网络频繁断连。当设备移动时，整体性能显著下降。一个具有挑战性的问题是找到一种最优解决方案来应对支持MEC的无线网络中的移动性问题。

6.3. 定价策略

用户移动性在MEC网络中很常见。由于网络的异构性，为使用费制定通用定价具有挑战性。因此，制定动态定价策略是MEC服务面临的挑战之一。

6.4. 可扩展性

缓存和边缘计算的可扩展性特性为任意数量的设备提供了高可用性的网络服务。然而，满足指数增长的物联网设备的需求仍具挑战性。为了减少网络瓶颈问题和服务中断，MEC网络应解决可扩展性问题。

6.5. 安全

与云服务器相比，MEC服务器由于更靠近终端用户，因此可以提供更好的安全和隐私保护。而在云计算中，用户可能并不清楚数据存储在何处。然而，保障边缘服务器的安全仍然具有挑战性。

6.6. 标准协议

边缘计算的标准化可以为包括研究人员和行业在内的所有参与者创造一个开放的环境。作为一种新兴方法，MEC若缺乏标准化和适当的实施，将会带来诸多问题。开展标准化方面的研究与开发，有助于加快MEC系统在边缘计算和内容共享中的广泛部署。

6.7. 仿真平台

用于评估MEC平台的标准仿真平台有助于对现实世界系统进行建模。它能够在不投入实际资金建设边缘基础设施的情况下，帮助设计和评估整个边缘计算系统及其可行性。设计一个通用的仿真平台也是当前面临的一个开放性挑战。

7. 总结

在本篇综述论文中，我们对移动边缘计算以及边缘服务器中的内容缓存的最新进展进行了综述。我们不仅总结了边缘计算和内容缓存的若干方法，还总结了边缘计算与缓存的不同问题以及旨在通过降低延迟和高吞吐量来提升最终用户体验质量的缓存替换策略。此外，我们也提出了该领域的一些开放性挑战和未来研究方向。