摘要：在邊緣計算環境中，邊緣服務器部署在基站中以為附近的應用程序用戶提供可訪問的計算和存儲資源。從應用程序供應商的角度來看，將數據緩存在邊緣服務器上可以確保應用程序用戶檢索應用程序數據的低延遲。但是，邊緣服務器通常由于大小有限而擁有有限的資源。本文研究了邊緣計算環境中的協作緩存問題，旨在最大程度地降低系統成本，包括數據緩存成本，數據遷移成本和服務質量(QoS)損失。

　　關鍵詞：邊緣計算;數據協作

　　1 介紹

　　在過去的十年中，世界見證了移動設備的指數增長，包括移動電話，可穿戴設備，平板電腦，智能車輛和物聯網(IoT)設備。巨大的網絡流量通常會導致網絡擁塞并增加網絡延遲。為了解決這個問題，邊緣計算(EC)是一種新的計算范例，可以將計算能力從集中式云分發到分布式邊緣服務器。每臺邊緣服務器均由一個或多個物理設備供電，并連接到地理位置接近應用程序用戶移動設備的基站或接入點。移動和物聯網應用程序供應商(以下稱為應用程序供應商)可以托管其應用程序通過在邊緣服務器上租用計算和存儲資源，在邊緣服務器(以下稱為邊緣應用)上確保其應用程序用戶的低延遲和高質量服務。可以將計算任務從移動設備轉移到附近的邊緣服務器，以減少這些移動設備上的計算開銷和能耗。這是促進5G移動網絡發展的關鍵技術。

　　通過云和應用程序用戶的移動設備之間的邊緣服務器。從應用程序供應商的角度來看，緩存這些數據(尤其是流行的數據，例如視頻和來自社交網站的帖子)將大大減少用戶檢索應用程序數據時的網絡延遲。如果數據已經在這些邊緣服務器上緩存，則應用程序用戶可以從附近的邊緣服務器而不是遠程云服務器檢索數據。此外，在邊緣服務器上緩存數據還可以大大減少在云和移動設備之間傳輸的數據量，從而降低了按需付費定價方案下應用程序供應商的數據傳輸成本。

　　2 系統模型

　　從硬件緩存(例如CPU，GPU，內存，磁盤)到軟件緩存(例如Web，數據庫等)，數據緩存技術已在許多不同的領域得到廣泛實現。在網絡領域，數據緩存也得到了深入研究。利用其在節省帶寬消耗，減少網絡延遲和最小化訪問成本方面的優勢。在過去的幾年中，許多研究人員從不同的角度研究了網絡緩存，例如，緩存分配和替換策略，編碼緩存，請求路由和信息理論緩存。邊緣計算作為一種新的計算范式，為數據緩存提供了新的機遇并提出了新的挑戰。基本目標和機制是在邊緣服務器上緩存流行的數據，以便附近的應用程序用戶可以低延遲地檢索緩存的數據。這對于對延遲敏感的應用程序(例如交互式游戲，實時導航，增強現實等)尤其重要。此外，在邊緣服務器上緩存數據還可以通過減少移動流量來減輕Internet主干網的流量負擔。在云和應用程序用戶的移動設備之間大量傳輸的數據。

　　邊緣計算與云計算顯著不同，后者促進了以內容為中心的網絡和內容交付網絡。在邊緣環境中，部署在不同基站的相鄰邊緣服務器可以與其相鄰的邊緣服務器進行通信，并通過高速鏈路，傳輸數據。可以在覆蓋該區域的邊緣服務器之間轉移和平衡應用程序用戶在特定區域內的工作負載。這種架構克服了宏基站遇到的單點故障問題。因此，特定區域中的邊緣服務器可以構成一個圖形，即邊緣服務器網絡，其中一個節點代表一個邊緣服務器，一個邊緣代表兩個邊緣服務器之間的鏈接。

　　為了以一種通用的方式量化CEDC問題中的優化目標和約束條件，我們通過數據單元的數量以及跳數的數據檢索延遲來測量數據大小和緩存空間。在所有四個邊緣服務器上緩存數據d的消耗為4。當僅在邊緣服務器v3上緩存數據d時，設備1可以通過0跳從其本地邊緣服務器v3檢索數據，而設備1可以從以下位置檢索數據d 通過1跳的鄰居邊緣服務器v4。這樣，通過集成邊緣基礎設施提供商的特定定價模型和延遲模型，可以輕松擴展這些模型。

　　由于數據請求在邊緣計算環境中隨機到達，因此我們將數據請求到達建模為獨立且相同的分布，類似于邊緣計算，云計算和無線網絡領域的許多研究。

　　邊緣服務器網絡中的數據檢索延遲包括兩個部分：設備與其附近的邊緣服務器之間的延遲以及其本地邊緣服務器和鄰居邊緣服務器之間的延遲。由于第一個組件在5G網絡中非常小，并且不受數據緩存策略的影響，因此在制定數據緩存策略時不會考慮它。因此，在時隙t中為應用程序用戶的移動設備m檢索數據d的網絡延遲計算如下：

　　從應用程序供應商的角度來看，其邊緣緩存系統的關鍵性能指標是數據緩存策略產生的總系統成本。

　　數據緩存成本是根據應用供應商在每個時隙中雇用的存儲資源來衡量的。數據遷移成本是通過將數據從云或相鄰邊緣服務器遷移到本地邊緣服務器而產生的。QoS損失是系統成本的第三部分，發生在用戶必須以高延遲從云服務器檢索數據時發生。

　　3 在線緩存算法

　　為了最佳地解決協作邊緣數據緩存問題，必須知道所有時隙上有關系統的完整信息。但是，這對于現實世界的場景是無法實現的。為了切實滿足應用程序供應商的長期等待時間限制，我們需要將非凸問題P1轉換為線性和凸規劃問題。為此，介紹了一種基于Lyapunov優化的在線協作邊緣數據緩存(CEDC-O)算法，用于在單個時隙中找到協作邊緣數據緩存問題的最佳解決方案，而無需進一步的信息。

　　4 仿真

　　在圖1中，CEDC-O的平均數據緩存成本再次最低。有趣的是，此圖中DO(面向延遲的數據緩存方法)的性能幾乎是一條水平線。DO總是嘗試在不考慮已用緩存空間的情況下實現最低延遲。因此，它耗盡了大多數時隙中所有可用的緩存空間。

　　5 總結

　　本文研究了協作邊緣數據緩存(CEDC)問題。首先確定了主要挑戰，并針對此問題提出了一個綜合成本模型，其中系統成本由數據緩存成本，數據遷移成本和服務質量損失組成。本研究為邊緣數據緩存問題奠定了基礎，并開辟了未來的研究方向。在未來的工作中，我們將考慮 可用的邊緣服務器緩存，用戶移動性和安全策略的動態變化。

　　參考文獻：

　　[1]王朝，高嶺，高全力.邊緣計算中數據分層的協同緩存策略[J].紡織高校基礎科學學報，2020，33(03)：106-112.

　　[2]褚磊. 基于深度強化學習的物聯網暫態數據緩存策略研究[D].華中科技大學，2019.

　　[3]汪海霞. 移動邊緣計算系統中內容緩存優化技術研究[D].浙江大學，2019.

　　[4]尤斐然. 基于博弈論的異構網絡中邊緣計算與緩存技術研究[D].南京理工大學，2018.

　　推薦閱讀:《數碼印刷》核心電子期刊征稿范圍