基于移動場景下的邊緣緩存策略綜述

鄒夢婷 馮鑫鑫 王怡 王鑫濤

摘? ?要：隨著移動流量需求的爆炸式增長，傳統(tǒng)的流量緩存策略已經(jīng)滿足不了現(xiàn)代通信網(wǎng)絡(luò)的要求，文章提出一種邊緣緩存策略，該策略力圖通過在網(wǎng)絡(luò)邊緣進行緩存的方法，來降低核心網(wǎng)絡(luò)的壓力。本策略建立了移動邊緣計算網(wǎng)絡(luò)模型，文章采用協(xié)同緩存策略，以最小化中傳輸開銷為目標(biāo)建立最優(yōu)化模型，以獲得在MEC架構(gòu)中的內(nèi)容緩存部署方案。

關(guān)鍵詞：MEC網(wǎng)絡(luò)模型;邊緣緩存;協(xié)同緩存

1? ? 研究背景及意義

近些年來，隨著移動設(shè)備數(shù)量的增加及互聯(lián)網(wǎng)數(shù)據(jù)流量的大幅度增長，對下一代的移動通信產(chǎn)生了巨大的沖擊，預(yù)計未來5G網(wǎng)絡(luò)容量將增加1 000倍[1]。為了滿足空前增長的用戶需求和數(shù)據(jù)流量，超密集小型蜂窩網(wǎng)絡(luò)部署通常可實現(xiàn)更高的網(wǎng)絡(luò)容量。近年來，通信業(yè)界的研究者們提出一種新型網(wǎng)絡(luò)結(jié)構(gòu)—異構(gòu)網(wǎng)絡(luò)（Heterogeneous Network，Het Net），用于提高網(wǎng)絡(luò)覆蓋率和網(wǎng)絡(luò)容量，通過在一個宏蜂窩小區(qū)部署不同大小的微基站，并采用各種無線接入技術(shù)，可以極大地提高網(wǎng)絡(luò)頻譜效率。另一方面，如果建立足夠的高速回傳來連接核心網(wǎng)絡(luò)與數(shù)量激增的小型基站，必然會帶來昂貴的成本開銷[2-3]。為此，通信學(xué)術(shù)界和產(chǎn)業(yè)界展開了大量的研究工作，通過研究發(fā)現(xiàn)，移動網(wǎng)絡(luò)流量的主要一部分來自于遠端服務(wù)器重復(fù)下載一些流行度較高的內(nèi)容[4]，為了應(yīng)對數(shù)據(jù)流量對移動通信網(wǎng)絡(luò)的沖擊，一種有效的方式是提前將內(nèi)容事先緩存在網(wǎng)絡(luò)邊緣[5]，通過采用內(nèi)容緩存策略將流行內(nèi)容放在中間服務(wù)器，從而緩解回程鏈路的壓力。

2? ? MEC協(xié)作

2.1? MEC相關(guān)介紹

移動邊緣計算（Mobile Edge Computing，MEC）[6]在靠近移動用戶端提供了一個高度分布式的計算環(huán)境，可以用來部署應(yīng)用程序和服務(wù)以及存儲和處理內(nèi)容，由于MEC架構(gòu)有效地把云計算和云存儲放置到網(wǎng)絡(luò)的邊緣，使內(nèi)容、服務(wù)和應(yīng)用程序被加速，從而從邊緣提高響應(yīng)能力，通過將數(shù)據(jù)提前緩存到本地MEC服務(wù)器，用戶可直接從本地緩存中下載請求內(nèi)容，從而減少冗余傳輸，實現(xiàn)更快的服務(wù)響應(yīng)以及更高質(zhì)量的用戶體驗。由于單個MEC的存儲資源及處理能力有限，其緩存的數(shù)據(jù)內(nèi)容以及能夠同時服務(wù)的用戶數(shù)量都是有限的，因此，考慮多個MEC互連，共享數(shù)據(jù)內(nèi)容，進行協(xié)作式緩存的場景，從而實現(xiàn)MEC服務(wù)器的資源更加充分而高效地利用，提出MEC架構(gòu)，設(shè)計新的、有效的協(xié)作式緩存策略，最大限度地減少用戶請求內(nèi)容在網(wǎng)絡(luò)中大量重復(fù)以及冗余的傳輸，以提高傳輸開銷和時延等性能，提高移動用戶的體驗。

2.2? 網(wǎng)絡(luò)模型描述

遠程中心緩存服務(wù)器和MEC服務(wù)器[7]利用回程鏈路通信，將服務(wù)內(nèi)容分發(fā)至各個本地緩存區(qū)，本地緩存c1，c2，c3構(gòu)成一個緩存合作域，緩存有流行度不同的內(nèi)容，域中的小基站之間通過光纖連接，使得各個MEC之間可以相互協(xié)作通信，在協(xié)作域中的MEC可以實現(xiàn)內(nèi)容的共享，當(dāng)有用戶請求資源時，我們通過由近及遠進行分析，用戶請求的內(nèi)容通過以下步驟進行獲取。

（1）用戶向本地MEC請求某一內(nèi)容，若在其本地服務(wù)器中存在該內(nèi)容，則本地服務(wù)器直接向用戶發(fā)送該內(nèi)容。（2）若未命中，即本地MEC上沒有緩存該內(nèi)容，則由該服務(wù)器向周圍協(xié)作域內(nèi)的服務(wù)器請求該內(nèi)容，直至命中內(nèi)容，最終由本地服務(wù)器發(fā)送給用戶。（3）若在所有的協(xié)作域中都未命中，則由核心網(wǎng)，即遠程中心內(nèi)容服務(wù)器以較大的傳輸開銷傳送給本地MEC，再經(jīng)過本地MEC傳送給移動用戶。由上述過程可知，MEC協(xié)作通過內(nèi)容的共享與邊緣的緩存，減少了所有用戶均向核心網(wǎng)絡(luò)請求大量重復(fù)內(nèi)容的壓力，從而實現(xiàn)了減小核心網(wǎng)絡(luò)壓力，提高資源利用的效果。

2.3? 模型的解決

假設(shè)一個合作緩存域內(nèi)總共部署了M個MEC服務(wù)器C={c1，c2，…cM}，各個MEC單獨地分布在各基站站點，假設(shè)數(shù)據(jù)中心提供了L個不同的數(shù)據(jù)內(nèi)容O={o1，o2，…oL}，每個內(nèi)容的長度平均為s，每個用戶向自己的區(qū)域內(nèi)的MEC獨立地請求內(nèi)容oi={i=1，2，…L}，用pm，i表示內(nèi)容oi在cm服務(wù)域內(nèi)的流行度，將其看作靜態(tài)流行度來考慮，同時，定義一個內(nèi)容緩存矩陣X={xm，i|cm∈C，oi∈O}，該矩陣中的元素xm，i的含義： xm，i=1，表示內(nèi)容oi被預(yù)先緩存到MEC服務(wù)器cm中;xm，i=0表示內(nèi)容oi沒有被預(yù)先緩存到MEC服務(wù)器cm中，針對傳輸開銷，主要考慮以下4個方面：（1）各個MEC服務(wù)器向本地移動用戶傳輸內(nèi)容所造成的傳輸開銷。（2）各個MEC之間共享緩存的數(shù)據(jù)內(nèi)容的傳輸開銷。（3）移動用戶從遠程服務(wù)器獲取到內(nèi)容的傳輸開銷，即遠程服務(wù)器傳輸給本地MEC服務(wù)器，又由本地MEC服務(wù)器傳輸給用戶的開銷。（4）核心網(wǎng)提前將數(shù)據(jù)內(nèi)容部署到各個本地MEC的傳輸開銷。由上述描述過程可知，移動用戶向本地 MEC服務(wù)器請求數(shù)據(jù)內(nèi)容時，由本地MEC服務(wù)器傳輸給用戶所產(chǎn)生的這部分傳輸開銷是一定存在的，因此，在考慮優(yōu)化模型時，可以不考慮在內(nèi)，原模型等價為最小化MEC服務(wù)器之間的域內(nèi)傳輸開銷與遠程中心服務(wù)器向各個MEC傳輸域外開銷的總和，令dm，n表示內(nèi)容在cm與cn之間傳輸?shù)奶鴶?shù)，do，m表示內(nèi)容從中心服務(wù)器傳輸?shù)奖镜豈EC服務(wù)器的跳數(shù)，這里我們只考慮一跳情況，即dm，n=do，m=1，令γ表示從cm向cn（m≠n）單位數(shù)據(jù)內(nèi)容的傳輸開銷，令γ0表示從中心服務(wù)器向cm傳輸單位數(shù)據(jù)內(nèi)容的傳輸開銷，由于從遠程中心服務(wù)器到MEC的內(nèi)容傳輸將產(chǎn)生昂貴的外部資源開銷，而MEC之間的數(shù)據(jù)傳輸產(chǎn)生相對便宜的內(nèi)部開銷，即γ0>γ，考慮用戶向本地MEC服務(wù)器cm請求內(nèi)容oi時的3種情況：（1）內(nèi)容oi已經(jīng)被緩存在服務(wù)器cm中。（2）內(nèi)容oi在本地服務(wù)器cm內(nèi)未緩存，則cm從域內(nèi)緩存有內(nèi)容oi的MEC中選取距離最短的MEC獲取內(nèi)容oi，并將內(nèi)容oi傳回給用戶，產(chǎn)生的域內(nèi)傳輸開銷為y1m，i。（3）如果內(nèi)容oi在該合作緩存域內(nèi)的任何一個MEC服務(wù)器中都沒有緩存，則由遠程中心服務(wù)器向用戶傳輸內(nèi)容oi，產(chǎn)生的域外傳輸開銷為y2m，i，故有：

（1）

其中，dm，k=minn≠m{dm，n|xi，n=1}，即為MEC系統(tǒng)之間通過光纖傳輸進行通信，這里忽略MEC系統(tǒng)之間傳輸內(nèi)容的帶寬容量限制，假設(shè)cm（cm∈C）用于緩存內(nèi)容的存儲空間容量為Sm，顯然，MEC服務(wù)器cm中緩存的所有內(nèi)容的大小不能超過cm總的可用存儲空間，因此，可得出以下約束條件：

（2）

基于以上討論，我們建立以最小內(nèi)容傳輸開銷為目標(biāo)的優(yōu)化模型為：

（3）

基于以上目標(biāo)函數(shù)及約束條件對MEC部署方案進行分析及討論，可以得出最終的結(jié)果。

2.4? 性能分析

基于以上分析我們得知，在網(wǎng)絡(luò)邊緣進行內(nèi)容的預(yù)先部署及協(xié)同緩存可以有效地減少核心網(wǎng)絡(luò)的壓力，使網(wǎng)絡(luò)傳輸?shù)挠行赃M一步地提高，時延性能在自動駕駛，虛擬現(xiàn)實，遠程手術(shù)等方面會十分重要，也是未來通信的發(fā)展趨勢，由于MEC架構(gòu)將用戶可能請求的內(nèi)容放置在離移動用戶更近的區(qū)域內(nèi)，用戶請求內(nèi)容的時延也會得到大幅度的提高，將使MEC策略在提高用戶體驗，減小傳輸時延方面將發(fā)揮巨大的優(yōu)勢，進一步推動通信的發(fā)展。傳輸成本也是通信中需要考慮的一個重要因素，由于減少了核心網(wǎng)絡(luò)一遍遍給用戶發(fā)送大量重復(fù)內(nèi)容，MEC在更靠近用戶終端的區(qū)域內(nèi)為用戶提供大量內(nèi)容，進一步減少了網(wǎng)絡(luò)資源的消耗，也使傳輸成本進一步下降，在很大程度上減少了通信的成本。

3? ? 結(jié)語

本文通過提出一種邊緣緩存策略，并以最小傳輸開銷為目標(biāo)函數(shù)進行緩存策略的部署，旨在減少日益增長的網(wǎng)絡(luò)流量壓力，通過在邊緣部署緩存一定內(nèi)容的小基站，并且通過一定距離的協(xié)作域中小基站相互協(xié)作，給用戶高效地提供相應(yīng)的內(nèi)容，以此達到減少網(wǎng)絡(luò)時延，減小核心網(wǎng)絡(luò)壓力及提高傳輸效率的目的。本文尚未涉及多跳、內(nèi)容流行度的動態(tài)變化等問題，關(guān)于多跳及內(nèi)容流行度是一個復(fù)雜但卻值得研究的問題，這兩個問題的深入研究可以進一步減少優(yōu)化時延及傳輸時延等性能，有效地提高通信效率。

[參考文獻]

[1]佚名.未來5年全球移動數(shù)據(jù)流量將增長26倍[J].通訊世界，2011（Z1）：20.

[2]黃祥岳.移動邊緣計算緩存優(yōu)化與用戶移動性預(yù)測研究[D].杭州：浙江大學(xué)，2018.

[3]張珊.面向5G網(wǎng)絡(luò)的邊緣緩存技術(shù)研究[D].南京：東南大學(xué)，2018.

[4]劉洪燕.小小區(qū)網(wǎng)絡(luò)中基于視頻內(nèi)容的邊緣緩存技術(shù)研究[D].北京：北京郵電大學(xué)，2018.

[5]趙全鑫.下一代小蜂窩網(wǎng)絡(luò)的多媒體業(yè)務(wù)的多播無線資源管理研究[D].成都：電子科技大學(xué)，2017.

[6]郝義學(xué).5G網(wǎng)絡(luò)移動邊緣緩存與計算研究[D].武漢：華中科技大學(xué)，2017.

[7]侯停停.移動邊緣計算（MEC）架構(gòu)中高效內(nèi)容分發(fā)技術(shù)[D].成都：電子科技大學(xué)，2018.

Edge caching strategy based on mobile scenario

Zou Mengting， Feng Xinxin， Wang Yi， Wang Xintao

（Henan Normal University， Xinxiang 453002， China）

Abstract：With the explosive growth of demand in mobile streams， the traditional in-stream caching strategy cannot meet the requirements of modern communication networks. This paper proposes an edge caching strategy， which aims to reduce the pressure of the core network by caching at the edge of the network. This strategy establishes the network model of mobile edge computing. In this paper， the collaborative caching strategy is adopted to establish an optimization model with the goal of minimizing medium transmission overhead， so as to obtain the content caching deployment plan in the MEC architecture.

Key words：mobile edge computing network model; edge cache; collaborative cache