基于競(jìng)價(jià)模式和智能迭代模式的邊緣協(xié)作緩存算法研究

摘" 要： 為了讓用戶更快地獲取內(nèi)容，提出一種基于競(jìng)價(jià)模式和智能迭代模式的綜合式邊緣協(xié)作緩存算法。在競(jìng)價(jià)算法部分，采用熵權(quán)法計(jì)算中間值、訪問熱度、緩存空間和內(nèi)容熱度的權(quán)重，并綜合計(jì)算節(jié)點(diǎn)上內(nèi)容的緩存分?jǐn)?shù)，根據(jù)緩存分?jǐn)?shù)進(jìn)行緩存替換。在迭代算法部分，將網(wǎng)絡(luò)空間劃分為多個(gè)子域，每個(gè)子域通過混合遺傳算法進(jìn)行周期性計(jì)算，并得出子域內(nèi)內(nèi)容緩存方案。實(shí)驗(yàn)結(jié)果表明，所提算法在降低云服務(wù)器負(fù)載、減少請(qǐng)求平均跳數(shù)方面具有明顯的優(yōu)勢(shì)。

關(guān)鍵詞： 邊緣計(jì)算； 協(xié)作緩存； 競(jìng)價(jià)模式； 智能迭代模式； 熵權(quán)法； 網(wǎng)絡(luò)空間； 混合遺傳算法

中圖分類號(hào)： TN919?34； TP311" " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " " " 文章編號(hào)： 1004?373X（2024）12?0165?05

Research on edge collaborative caching algorithm based on bidding mode

and intelligent iteration mode

LI Changminchen1， LU Feipeng2， WANG Yanling2

（1. Hangzhou Dianzi University， Hangzhou 310018， China; 2. Hangzhou Newgrand Technology Co.， Ltd.， Hangzhou 310000， China）

Abstract： In order to enable users to obtain content faster， a comprehensive edge collaborative caching algorithm based on bidding mode and intelligent iteration mode is proposed. In the bidding algorithm section， the entropy weight method is used to calculate the weights of intermediary value， access heat， cache space， and content heat. The cache score of the content on the node is calculated comprehensively， and cache replacement is performed based on the cache score. In the iterative algorithm section， the network space is divided into multiple subdomains， each of which is periodically computed by means of the hybrid genetic algorithm， and a content caching scheme within the subdomains is obtained. The experimental results show that the proposed algorithm has significant advantages in reducing cloud server load and average hop count of requests.

Keywords： edge computing; collaborative caching; bidding mode; intelligent iteration mode; entropy weight method; cyberspace; hybrid genetic algorithm

0" 引" 言

隨著各行業(yè)數(shù)字化改造的持續(xù)推進(jìn)，越來(lái)越多的終端設(shè)備接入網(wǎng)絡(luò)，導(dǎo)致網(wǎng)絡(luò)中的數(shù)據(jù)流量呈現(xiàn)井噴式增長(zhǎng)[1]。然而，龐大的數(shù)據(jù)流量極易引發(fā)網(wǎng)絡(luò)擁塞甚至堵塞，從而增加用戶接入時(shí)延，并嚴(yán)重降低用戶服務(wù)體驗(yàn)。因此，在智能交通、智能醫(yī)療和智能工業(yè)等物聯(lián)網(wǎng)環(huán)境下對(duì)設(shè)備終端的數(shù)據(jù)緩存研究尤為關(guān)鍵[2]。傳統(tǒng)云計(jì)算架構(gòu)一般遠(yuǎn)離大部分用戶地理位置，因此會(huì)影響服務(wù)質(zhì)量和用戶體驗(yàn)[3]。針對(duì)上述問題，邊緣計(jì)算應(yīng)運(yùn)而生。邊緣計(jì)算緩存是指將數(shù)據(jù)、應(yīng)用或計(jì)算結(jié)果存儲(chǔ)在邊緣計(jì)算節(jié)點(diǎn)上，以提高數(shù)據(jù)訪問速度并降低網(wǎng)絡(luò)延時(shí)和帶寬消耗[4]。通過將數(shù)據(jù)緩存到離用戶更近的地方，從而減少數(shù)據(jù)在網(wǎng)絡(luò)上傳輸?shù)木嚯x，并提升數(shù)據(jù)訪問速度和響應(yīng)時(shí)間。邊緣計(jì)算緩存通常適用于處理具有實(shí)時(shí)性要求的網(wǎng)絡(luò)資源，如直播視頻[5]、移動(dòng)應(yīng)用[6]、物聯(lián)網(wǎng)[7]和人工智能等[8]。

在邊緣計(jì)算環(huán)境下[9?12]，為了更好地降低設(shè)備終端訪問時(shí)延，本文提出了一種競(jìng)價(jià)緩存算法。該算法充分考慮了節(jié)點(diǎn)中間值、節(jié)點(diǎn)訪問熱度、節(jié)點(diǎn)緩存空間和內(nèi)容流行度對(duì)緩存性能的影響，并采用熵權(quán)法，根據(jù)歷史數(shù)據(jù)確定各影響因素的權(quán)重，以使內(nèi)容在響應(yīng)分組下行過程中被緩存在競(jìng)價(jià)得分最高的節(jié)點(diǎn)上。此外，本文周期性地運(yùn)行智能迭代緩存算法，并在其執(zhí)行間隔內(nèi)運(yùn)行競(jìng)價(jià)緩存算法。這樣做不僅可以提高緩存方案的準(zhǔn)確性，還可以使其對(duì)流量的時(shí)空變化更具適應(yīng)性。

1" 問題建模

在邊緣計(jì)算環(huán)境中，網(wǎng)絡(luò)節(jié)點(diǎn)可分為三種類型：云端節(jié)點(diǎn)（內(nèi)容提供者）、邊緣節(jié)點(diǎn)（緩存提供者和計(jì)算服務(wù)提供者）以及設(shè)備終端。在本文實(shí)驗(yàn)的樹狀網(wǎng)絡(luò)中，僅存在一個(gè)云端節(jié)點(diǎn)，其余均為邊緣節(jié)點(diǎn)和設(shè)備終端節(jié)點(diǎn)。實(shí)驗(yàn)旨在將適當(dāng)?shù)膬?nèi)容緩存至相應(yīng)的節(jié)點(diǎn)上，以使系統(tǒng)總體平均請(qǐng)求成本最小化。

現(xiàn)設(shè)定[S0]代表網(wǎng)絡(luò)中的云端節(jié)點(diǎn)；S=[s1，s2，…，sα]代表網(wǎng)絡(luò)中的邊緣節(jié)點(diǎn)集合；H=[h1，h2，…，hα]代表網(wǎng)絡(luò)中每個(gè)邊緣節(jié)點(diǎn)上緩存空間大小的集合；M[=m1，m2，…，mβ]代表網(wǎng)絡(luò)中的設(shè)備終端集合；L=[l1，l2，…，lβ]代表網(wǎng)絡(luò)中的設(shè)備終端訪問云端節(jié)點(diǎn)的最短距離；C=[c1，c2，…，cγ]代表流通于網(wǎng)絡(luò)中的內(nèi)容類目種類集合；矩陣sD[=d1，1…d1，α???dβ，1…dβ，α]代表網(wǎng)絡(luò)中的設(shè)備終端到達(dá)各個(gè)邊緣節(jié)點(diǎn)的最短距離，[Di，j]代表設(shè)備終端[mi]到邊緣節(jié)點(diǎn)[sj]的最短距離；矩陣P[=p1，1…p1，γ???pβ，1…pβ，γ]代表網(wǎng)絡(luò)中設(shè)備終端發(fā)出的各類內(nèi)容數(shù)量，[Pi，j]代表設(shè)備終端[mi]請(qǐng)求內(nèi)容[cj]的數(shù)量?，F(xiàn)設(shè)緩存決策矩陣Z[=z1，1…z1，α???zγ，1…zγ，α]，[zi，j]代表內(nèi)容[ci]是否在邊緣節(jié)點(diǎn)[sj]上緩存。其中，[zi，j]應(yīng)當(dāng)滿足的約束條件為：

[zi，j=0，" 內(nèi)容ci未緩存在節(jié)點(diǎn)j上zi，j=1，" 內(nèi)容ci緩存在節(jié)點(diǎn)j上i=1，j∈Sγzi，j ≤hj]

以設(shè)備終端平均訪問跳數(shù)作為系統(tǒng)訪問代價(jià)，系統(tǒng)訪問代價(jià)計(jì)算公式如下所示：

[Rm，c，s=lm1-zc，s+dm，szc，s]" （1）

[Costz=m=1βc=1γminRm，c，1，Rm，c，2，…，Rm，c，α·pm，cm=1βc=1γpm，c]" （2）

式中：[Rm，c，s]表示設(shè)備終端[m]在節(jié)點(diǎn)[s]上訪問內(nèi)容[c]的跳數(shù)；[lm]表示設(shè)備終端[m]到達(dá)云端節(jié)點(diǎn)的最短距離；[dm，s]表示設(shè)備終端[m]到達(dá)邊緣節(jié)點(diǎn)[s]的最短距離；[zc，s]表示內(nèi)容[c]是否緩存在邊緣節(jié)點(diǎn)[s]上；[Costz]表示在當(dāng)前緩存策略矩陣Z下的系統(tǒng)訪問代價(jià)；[pm，c]表示設(shè)備終端[m]發(fā)出內(nèi)容[c]請(qǐng)求的數(shù)量。

2" 算法描述

2.1" H2BC競(jìng)價(jià)算法

在H2BC算法中，將節(jié)點(diǎn)的中間值、節(jié)點(diǎn)熱度值、節(jié)點(diǎn)剩余緩存值和節(jié)點(diǎn)內(nèi)容熱度值這4個(gè)指標(biāo)作為緩存競(jìng)價(jià)因素，并通過熵權(quán)法[13]確定各競(jìng)價(jià)因素對(duì)價(jià)格的影響權(quán)重；再通過數(shù)據(jù)分發(fā)鏈路進(jìn)行競(jìng)價(jià)。算法具體過程如下。

定期計(jì)算本節(jié)點(diǎn)的熱度值和內(nèi)容熱度值。節(jié)點(diǎn)熱度值的計(jì)算公式如下所示：

[Hots，t=0.2Hots，t-1+0.8Nums，t]" （3）

式中：[Hots，t]表示[t]周期節(jié)點(diǎn)[s]的節(jié)點(diǎn)熱度值；[Nums，t]表示[t]周期節(jié)點(diǎn)[s]的被訪問量。

節(jié)點(diǎn)內(nèi)容熱度值計(jì)算公式如下所示：

[HCs，c，t=max（Counts，c，t-max（νs，c，0）·emax（νs，c，0），0）]" （4）

式中：[HCs，c，t]表示[t]周期內(nèi)容[c]在節(jié)點(diǎn)[s]上的熱度值；[Counts，c，t]表示[t]周期時(shí)，內(nèi)容[c]在節(jié)點(diǎn)[s]上的累積請(qǐng)求量；[νs，c]表示內(nèi)容[c]在節(jié)點(diǎn)[s]上的熱度衰減速度，當(dāng)?shù)竭_(dá)節(jié)點(diǎn)[s]的請(qǐng)求為內(nèi)容[c]時(shí)，[νs，c=νs，c-1]，反之[νs，c=νs，c+1]。

請(qǐng)求到達(dá)節(jié)點(diǎn)時(shí)，節(jié)點(diǎn)會(huì)進(jìn)行以下操作。

1） 保存請(qǐng)求數(shù)據(jù)包中的[Mb]、[Mh]、[Mc]標(biāo)簽到節(jié)點(diǎn)本地。

2） 將自身中間值、節(jié)點(diǎn)熱度值以及請(qǐng)求內(nèi)容的節(jié)點(diǎn)熱度值與數(shù)據(jù)包中三個(gè)標(biāo)簽做比較，將較大者更新到數(shù)據(jù)包上。

3） 計(jì)算節(jié)點(diǎn)緩存內(nèi)容得分。

4） 若本地緩存內(nèi)容得分高于請(qǐng)求數(shù)據(jù)包中的[O]標(biāo)簽，則更新請(qǐng)求數(shù)據(jù)中的O標(biāo)簽，同時(shí)將請(qǐng)求數(shù)據(jù)包中的N標(biāo)簽更新為本地節(jié)點(diǎn)序號(hào)。

本地緩存內(nèi)容得分計(jì)算公式如下所示：

[Scores，c，t=αBetwsMb+βHots，tMh+γHCs，c，tMc+0.05Rs] （5）

式中：[Scores，c，t]表示當(dāng)前內(nèi)容[c]在節(jié)點(diǎn)[s]上的緩存得分；[Betws]表示節(jié)點(diǎn)[s]的中間值；[Hots，t]表示當(dāng)前節(jié)點(diǎn)[s]的節(jié)點(diǎn)訪問熱度；[HCs，c，t]表示當(dāng)前內(nèi)容[c]在節(jié)點(diǎn)[s]上的熱度值；[Rs]表示當(dāng)前節(jié)點(diǎn)剩余緩存空間比例；[α]、[β]、[γ]為權(quán)重值。[α]、[β]、[γ]通過熵權(quán)法來(lái)計(jì)算，計(jì)算過程如下。

在系統(tǒng)初始化時(shí)，網(wǎng)絡(luò)中尚未有數(shù)據(jù)流通，此時(shí)每個(gè)節(jié)點(diǎn)的[Mb]、[Mh]、[Mc]初始值都為0。當(dāng)數(shù)據(jù)開始在網(wǎng)絡(luò)中流通，積累了一定量的數(shù)據(jù)之后，進(jìn)行指標(biāo)標(biāo)準(zhǔn)化。[Xi]表示指標(biāo)i的原始值集合，[Xi={Mi1，Mi2，…}]；[Yi]表示指標(biāo)i的標(biāo)準(zhǔn)值集合：

[Yi=Mi1-min（Xi）max（Xi）-min（Xi），Mi2-min（Xi）max（Xi）-min（Xi），…]

標(biāo)準(zhǔn)化后，[α]、[β]、[γ]權(quán)重值計(jì)算公式如下：

[Pi=Yi1j=1nYij，Yi2j=1nYij，…] （6）

[Ei=-（lnn）-1j=1npijlnpij] （7）

[Wi=1-Ei3-j∈{α，β，γ}Ej] （8）

最后經(jīng)過云端節(jié)點(diǎn)的判斷，請(qǐng)求數(shù)據(jù)包中N標(biāo)簽所對(duì)應(yīng)的節(jié)點(diǎn)被確定為最終競(jìng)價(jià)獲勝者，并將N值復(fù)制到下行內(nèi)容數(shù)據(jù)包中。當(dāng)本地節(jié)點(diǎn)接收到下行內(nèi)容數(shù)據(jù)包時(shí)，若其為獲勝者，則會(huì)緩存該數(shù)據(jù)包中的內(nèi)容；如果本地H2BC可分配緩存空間不足，則會(huì)淘汰當(dāng)前周期內(nèi)在本地H2BC緩存空間中且流行度低于待緩存內(nèi)容的其他內(nèi)容。

2.2" CPMGA迭代算法

遺傳算法是一種基于基因和染色體作為基本單元，模擬生物進(jìn)化過程（包括遺傳、變異、選擇和交叉操作），以尋求最優(yōu)解的優(yōu)化方法[14]，具體過程如下。

核節(jié)點(diǎn)設(shè)置初始種群規(guī)模k、迭代次數(shù)t。隨機(jī)生成初代種群個(gè)體，同時(shí)計(jì)算對(duì)應(yīng)的適應(yīng)值。對(duì)初代種群中個(gè)體按照適應(yīng)值大小進(jìn)行降序排序。個(gè)體適應(yīng)值計(jì)算公式如下所示：

[Rm，c，s=lm1-zc，s+dm，szc，s] （9）

[Fitz=m=1βc=1γpm，cm=1βc=1γminRm，c，1，Rm，c，2，…，Rm，c，α·pm，c] （10）

式中：[Rm，c，s]表示設(shè)備終端[m]在節(jié)點(diǎn)[s]上訪問內(nèi)容[c]的跳數(shù)；[lm]表示設(shè)備終端[m]到達(dá)云端節(jié)點(diǎn)的最短距離；[dm，s]表示設(shè)備終端[m]到達(dá)邊緣節(jié)點(diǎn)[s]的最短距離；[zc，s]表示內(nèi)容[c]是否緩存在邊緣節(jié)點(diǎn)[s]上；[Fitz]表示當(dāng)前個(gè)體的適應(yīng)值；[pm，c]表示設(shè)備終端m發(fā)出內(nèi)容c請(qǐng)求的數(shù)量。

個(gè)體被選擇進(jìn)入下一代的概率滿足指數(shù)為內(nèi)容傾斜度的冪函數(shù)模型，計(jì)算公式如下所示：

[Pz=1rskewzi=1k1rskewi] （11）

式中：[Pz]代表個(gè)體[z]被選中進(jìn)入下一代的概率；[rz]表示個(gè)體[z]的適應(yīng)性排名值；[skew]為內(nèi)容傾斜度。式（11）確保了適應(yīng)值較高的個(gè)體在下一代中被選入的概率更大，同時(shí)也為適應(yīng)值較低的個(gè)體提供了進(jìn)入下一代的機(jī)會(huì)，避免陷入局部最優(yōu)解。

在新一代種群中，概率選擇個(gè)體進(jìn)行隨機(jī)基因長(zhǎng)度交叉。個(gè)體選擇交叉概率公式如下所示：

[Pz=e-rz-0.8+0.15] （12）

式中：[Pz]代表個(gè)體[z]進(jìn)行交叉的概率；[rz]表示個(gè)體[z]的適應(yīng)性排名值。式（12）確保了適應(yīng)值較高的個(gè)體在交叉過程中參與染色體交換的概率更大，同時(shí)也給予適應(yīng)值較低的個(gè)體染色體交換的機(jī)會(huì)，避免陷入局部最優(yōu)解。

在新一代種群中，對(duì)所有個(gè)體進(jìn)行隨機(jī)1～3個(gè)基因變異操作。個(gè)體的突變概率如下所示：

[Pz=0.95（1-e-（rz-1））+0.05e-（rz-1）] （13）

式中：[Pz]代表個(gè)體[z]進(jìn)行變異的概率；[rz]表示個(gè)體[z]的適應(yīng)性排名值。式（13）保證了適應(yīng)值低的個(gè)體有更高概率變異，同時(shí)適應(yīng)值高的個(gè)體也有機(jī)會(huì)進(jìn)行變異，避免局部最優(yōu)。

2.3" NEXC協(xié)作算法

NEXC算法將H2BC與CPMGA結(jié)合在一起，在初始化網(wǎng)絡(luò)階段，將每個(gè)邊緣節(jié)點(diǎn)的可用緩存空間劃分為兩部分：一部分用于緩存由H2BC算法決定的待緩存內(nèi)容；另一部分則用于緩存由CPMGA算法決定的待緩存內(nèi)容。每當(dāng)節(jié)點(diǎn)收到網(wǎng)絡(luò)數(shù)據(jù)包時(shí)都會(huì)執(zhí)行H2BC算法，而CPMGA則由子域核節(jié)點(diǎn)定期執(zhí)行。每個(gè)節(jié)點(diǎn)定期按照式（14）的概率清理訪問記錄。

[r=Tc-TrT0+Tc-Tr] （14）

式中：[r]表示訪問記錄被清除的概率；[Tc]表示當(dāng)前時(shí)間；[Tr]表示訪問時(shí)間；[T0]是清理算法的執(zhí)行周期。

3" 實(shí)驗(yàn)與分析

3.1" 仿真環(huán)境

仿真實(shí)驗(yàn)基于自編程序進(jìn)行場(chǎng)景模擬和數(shù)值仿真，通過對(duì)比其他算法的性能來(lái)驗(yàn)證本文算法的可靠性。實(shí)驗(yàn)運(yùn)行在Windows 11 21H2 64 bit操作系統(tǒng)下，并使用AMD Ryzen 7 4800H @2.9 GHz*8處理器和16 GB內(nèi)存。仿真網(wǎng)絡(luò)采用樹狀拓?fù)浣Y(jié)構(gòu)，如圖1所示。

實(shí)驗(yàn)中模擬了1 500個(gè)節(jié)點(diǎn)的網(wǎng)絡(luò)拓?fù)?，其中終端設(shè)備與服務(wù)器數(shù)量比約為6∶4。此外，在實(shí)驗(yàn)中設(shè)置了4個(gè)偏好區(qū)間，每個(gè)設(shè)備終端都按照特定順序訪問偏好區(qū)間，概率比例為4∶3∶2∶1，總共4×2 500種內(nèi)容類目；每個(gè)內(nèi)容大小固定為單位1；設(shè)備終端發(fā)出的內(nèi)容請(qǐng)求符合齊普夫定律在偏好區(qū)間中的分布。實(shí)驗(yàn)結(jié)束條件是達(dá)到2 000 000個(gè)流通內(nèi)容數(shù)量。

3.2" 實(shí)驗(yàn)結(jié)果

本文選取了ICN網(wǎng)絡(luò)中的通用緩存算法，即LCE緩存算法、基于競(jìng)價(jià)的BID緩存算法以及基于K?means的智能ANC緩存算法作為實(shí)驗(yàn)的對(duì)比算法。

1） 不同節(jié)點(diǎn)緩存容量下的平均請(qǐng)求跳數(shù)

本文對(duì)比了不同節(jié)點(diǎn)緩存空間下，不同算法之間平均請(qǐng)求跳數(shù)的變化情況，實(shí)驗(yàn)結(jié)果如圖2所示。在低緩存空間率時(shí)，BID算法表現(xiàn)不及ANC算法；然而，在高緩存空間率時(shí)，BID算法優(yōu)于ANC算法。相較于其他算法，LCE算法始終具有較高的平均請(qǐng)求跳數(shù)，而NEXC算法則始終具有較低的平均請(qǐng)求跳數(shù)。

2） 不同內(nèi)容傾斜度下的平均請(qǐng)求跳數(shù)

本文對(duì)比了不同內(nèi)容傾斜度下，各種算法之間平均請(qǐng)求跳數(shù)變化情況，實(shí)驗(yàn)結(jié)果如圖3所示。

由圖3可知：在低內(nèi)容傾斜度條件下，LCE、BID和ANC算法的平均請(qǐng)求跳數(shù)差異不大，其中LCE略低于BID算法和ANC算法；隨著內(nèi)容傾斜度增加，ANC算法的平均請(qǐng)求跳數(shù)逐漸落后于LCE算法和BID算法，而NEXC算法始終優(yōu)于其他三種算法。

3） 不同節(jié)點(diǎn)緩存容量下的云端命中率

本文對(duì)比了不同節(jié)點(diǎn)緩存空間利用率下，各算法在云端命中率方面的變化情況，結(jié)果如圖4所示。

由圖4可知：在緩存空間較少時(shí)，NEXC算法在減輕云端負(fù)荷方面表現(xiàn)出顯著優(yōu)勢(shì)，ANC算法優(yōu)于BID算法，而BID算法則優(yōu)于LCE算法；隨著緩存空間逐漸增大，NEXC算法的優(yōu)勢(shì)更加明顯，ANC與BID之間的差異趨于平緩，并且LCE相較其他三者表現(xiàn)較為不理想。

4） 不同內(nèi)容傾斜度下的云端命中率

本文對(duì)比了不同內(nèi)容傾斜度下，各種算法之間云端命中率的變化情況，結(jié)果如圖5所示。

在內(nèi)容傾斜度低于0.8時(shí)，BID與ANC算法表現(xiàn)相似，而LCE算法與其他三種算法存在明顯差距；當(dāng)內(nèi)容傾斜度高于0.8時(shí)，ANC算法源端命中率的下降趨勢(shì)變得平緩，并且內(nèi)容傾斜度達(dá)到1.4后被LCE算法超過。相比其他三種算法，NEXC算法一直表現(xiàn)優(yōu)異。

4" 結(jié)" 語(yǔ)

本文提出了一種既能保證高準(zhǔn)確度又能保證高時(shí)效性的協(xié)作緩存算法。該算法可以并行運(yùn)行經(jīng)過優(yōu)化的競(jìng)價(jià)算法和迭代算法。競(jìng)價(jià)算法綜合考慮中間值、節(jié)點(diǎn)熱度、節(jié)點(diǎn)緩存空間和內(nèi)容流行度對(duì)最終緩存分?jǐn)?shù)的影響，并采用熵權(quán)法確定各指標(biāo)的權(quán)重。智能迭代算法通過劃分子域、有限迭代的方式縮小了求解規(guī)模，從而提高了緩存策略的時(shí)效性。實(shí)驗(yàn)結(jié)果顯示，所提方法在降低平均跳數(shù)、降低云負(fù)載等方面具有明顯優(yōu)勢(shì)。

參考文獻(xiàn)

[1] DHAMDHERE A， DOVROLIS C. Twelve years in the evolution of the internet ecosystem [J]. IEEE/ACM transactions on networking， 2011， 19（5）： 1420?1433.

[2] YU W， LIANG F， HE X， et al. a Survey on the edge computing for the Internet of Things [J]. IEEE access， 2017（6）： 6900?6919.

[3] KUMAR M， DUBEY K， PANDEY R. Evolution of emerging computing paradigm cloud to fog： applications， limitations and research challenges [C]// 2021 11th International Conference on Cloud Computing， Data Science amp; Engineering （Confluence）. Noida， India： IEEE， 2021： 257?261.

[4] SRIRAM G S. Edge computing vs. cloud computing： an overview of big data challenges and opportunities for large enterprises [J]. International research journal of modernization in engineering technology and science， 2022， 4（1）： 1331?1337.

[5] QIAN B， WEN Z， TANG J， et al. OsmoticGate： adaptive edge?based real?time video analytics for the Internet of Things [J]. IEEE transactions on computers， 2023（72）： 1178?1193.

[6] OSPANOVA A， MAHAM B. Delay?outage probability of capacity achieving?based task offloading for mobile edge computing [C]// 2022 IEEE International Conferences on Internet of Things （iThings） and IEEE Green Computing amp; Communications （GreenCom） and IEEE Cyber， Physical amp; Social Computing （CPSCom） and IEEE Smart Data （SmartData） and IEEE Congress on Cybermatics （Cybermatics）. Espoo， Finland： IEEE， 2022： 236?242.

[7] SOWMYA R， NANDHINI M， PRIYANGA M. Enhancing edge node resilience through SDN?driven proactive failure management [C]// 2024 IEEE International Conference for Women in Innovation， Technology amp; Entrepreneurship （ICWITE）. Sakon Nakhon， Thailand： IEEE， 2022： 198?201.

[8] TRAN?DANG H， KIM D S. Perspectives of digital twin?empowered distributed artificial intelligence for edge computing [C]// 2023 International Conference on Artificial Intelligence Innovation. Lefkosa， Cyprus： IEEE， 2022： 446?450.

[9] GUO Y， ZHOU G， HOU J， et al. Cooperative caching strategy based on dynamic cache value perception in edge networks [C]// 2022 IEEE 21st International Conference on Ubiquitous Computing and Communications. Chongqing： IEEE， 2022： 73?80.

[10] Lü X， DU H， YE Q. TBTOA： a DAG?based task offloading scheme for mobile edge computing [C]// IEEE International Conference on Communications. Seoul， South Korea： IEEE， 2022： 4607?4612.

[11] SAMPEDRO G A， MANAIG R， SALAZAR?MANAIG P， et al. An overview of opportunities and challenges of edge computing in smart manufacturing [C]// 2022 13th International Conference on Information and Communication Technology Convergence. Jeju Island， South Korea： IEEE， 2022： 2182?2186.

[12] SHARAN B， SAGAR A K， CHHABRA M. A review on edge?computing： challenges in security and privacy [C]// 2022 International Conference on Applied Artificial Intelligence and Computing. Salem， India： IEEE， 2022： 1280?1286.

[13] 劉瑋，周華任，黃春艷.基于灰色?熵權(quán)法的合成旅裝備戰(zhàn)斗力評(píng)估[J].計(jì)算機(jī)仿真，2023，40（4）：26?30.

[14] YANG F， TIAN Z. MRPGA： a genetic?algorithm?based in?network caching for information?centric networking [C]// 2021 IEEE 29th International Conference on Network Protocols （ICNP）. Dallas， TX， USA： IEEE， 2021： 1?6.