面向边缘计算的内容缓存协作策略研究

作     者：陈家超 

作者单位：河南师范大学 

学位级别：硕士

导师姓名：王亚丽

授予年度：2023年

学科分类：080904[工学-电磁场与微波技术] 0810[工学-信息与通信工程] 0809[工学-电子科学与技术（可授工学、理学学位）] 08[工学] 080402[工学-测试计量技术及仪器] 0804[工学-仪器科学与技术] 081001[工学-通信与信息系统] 

主      题：边缘计算 缓存协作 内容流行度 联邦学习 深度强化学习 

摘      要：近年来,随着互联网技术的快速发展和便携式设备的大规模普及使用,基站和核心网络链路面临着巨大压力。边缘计算通过将带有计算和存储能力的设备部署在用户的近邻区域,为资源受限的终端提供计算和存储能力,以减少终端设备的能耗,降低用户获取服务的时延。相较于云计算,基站、边缘服务器等设备的资源仍然有限,因此边缘计算中的一个热点问题是如何高效利用基站或边缘服务器的有限的缓存容量,为用户提供更好的服务,为运营商带来更大的收益。协作缓存通过多节点间的协作与数据共享,可以突破单一节点缓存容量的限制,提高边缘节点内容请求命中率。通过对现有协作缓存技术的深入研究与分析,发现大多数有关缓存方面的研究忽略了用户所请求服务的地域差异特性。此外,现有的一些边缘缓存研究通过预测内容流行度和主动缓存最流行的内容来提高缓存命中率,然而却忽略了在中央单元收集用户信息所引起的隐私和安全问题。针对上述两个问题,围绕边缘缓存的协作缓存策略展开研究,主要研究内容如下:(1)针对用户所请求服务的地域差异特性,通过研究区域所请求内容的特点和内容的动态性特性,提出一种收益最大化的缓存协作策略。首先,考虑用户偏好的区域性特征,将基站分为若干协作域,使每一个协作域内的基站服务偏好相同的用户;然后,通过差分自回归移动平均模型分别预测不同协作域的内容流行度;对于新的内容根据内容特征求解与现有流行内容的相似度,进而预估其流行度;最后,将缓存协作问题转化为收益最大化问题,根据存放内容所获得的收益,使用贪心算法解决边缘环境中缓存内容的放置和替换问题。仿真实验表明,所提算法可以有效提高缓存命中率,减少平均传输时延。(2)针对用户隐私安全性问题,提出一种基于联邦学习的协同缓存策略。首先,使用联邦学习对节点中用户的偏好进行分布式预测,使用因子分解机学习内容的多维特征间的影响,然后,提出了一种基于深度强化学习的视频协作缓存策略,将存储能耗和传输能耗转换为价格成本,构建边缘缓存协作模型,并将其描述为一个马尔可夫决策过程。所提算法通过将Double DQN和Dueling DQN相结合,可以有效降低DQN的高估值,加快收敛速度。仿真结果表明,与几种基本缓存策略相比,所提出的内容缓存策略降低了视频提供商的成本,具有较高的缓存命中率和较低的平均传输时延。