边缘计算 课件 第1-3章 边缘计算概述 -边缘内容缓存

边缘计算概述倡和正学出新明德

1.什么是边缘计算？

2.边缘计算的核心技术有哪些？

3.边缘计算的开发平台有哪些？

教师：我上课上的好累学生：可是我什么也没学会这节课的问题是什么？问题的答案是什么？什么是边缘计算？

目录1.1边缘计算定义与背景意义011.2边缘计算的体系结构021.3边缘计算的优势03041.4典型应用场景1.1边缘计算定义边缘计算（EdgeComputing）即‌一种分布式计算框架，通过在靠近数据源头的网络边缘侧（如物联网设备或本地服务器）就近处理数据，以减少延迟、优化带宽并提升实时性和安全性‌，其核心是将计算能力从云端下沉到网络边缘，以满足敏捷连接、实时业务和隐私保护等需求。‌‌边缘计算边缘计算本质上是一种云计算形式，其中计算分布在多个设备上，而不是在被称为“原始服务器”的一个位置上。近年来，感知通信技术的快速发展以及智能设备的大规模普及，人、机、物深度融合的物联网环境逐步形成。新型感知方式诸如无源感知、群智感知的出现，助力物联网突破电源、时空限制，广域覆盖与长时间持续感知成为可能。根据互联网数据中心预测，到2025年将有416亿个物联网终端联网，产生79.4ZB的数据量，几乎占全球数据量的一半。如果这些数据全部通过骨干网络传输到云端进行处理，将消耗大量的网络资源（带宽和能量），并造成网络拥塞。海量的感知数据对物联网技术的演进提出了更高的要求。1.1边缘计算产生背景1.1边缘计算产生背景另一方面，网络功能虚拟化技术以及软件定义网络技术的进步，使得传统的网络设备诸如路由器、交换机等逐渐拥有可编程功能；同时，受益于高度集成的片上系统，未来蜂窝网络中的基站和小基站也具有更加强大的处理能力。该图显示了一个三层的边缘物联网模型，最下层为各类终端组成的群智感知层，中间为边缘服务层，最上层为中心控制层。1.2边缘计算的体系结构

虚拟化基础设施可以为移动边缘应用提供计算和存储资源。

网络水平该层主要表示边缘计算工作系统与局域网、蜂窝移动网或者外部网络的接入情况。ETSI对边缘计算的网络框架和参考架构进行了定义，该框架从移动边缘系统水平、移动边缘主机水平和网络三个层次对移动边缘计算下不同的功能实体进行了划分，如图所示。移动边缘计算将计算和存储“下沉”到网络边缘，距离用户更近，用户请求不再经过漫长的网络传输到达遥远的核心网处理，而是由部署在本地的边缘计算服务器将一部分流量进行卸载，直接处理并响应用户，因此通信时延会大大降低。1.低延迟部署在移动网络边缘的边缘计算服务器对流量数据进行本地卸载，减少回程链路的带宽压力，降低发生链路拥塞和故障的可能性，极大地降低对传输网和核心网带宽的要求。2.节省宽带降低核心网的计算能耗；为用户提供缓存资源，内容的本地存储可以减少远程传输，降低传输能耗。3.高能效1.3

边缘计算的优势业务应用的本地化部署使得业务应用更靠近无线网络及用户本身，更易于实现对网络上下文信息（位置、网络负荷、无线资源利用率等）的感知和利用。4.提升用户体验

1.4典型应用场景MEC的业务应用场景主要分为面向用户、面向运营商及第三方、面向网络性能和用户体验质量提升的业务应用，如图所示。智慧城市无人驾驶智能家居现实增强（VR）边缘计算的核心技术有哪些？

核心技术核

心技

术云计算技术基础边缘服务器部署边缘内容缓存边缘计算卸载边缘智能边缘系统性能评价边缘协同虚拟化云计算软件定义网络虚拟化技术将硬件资源与软件分离，为用户提供更好的资源分区和组合方式。虚拟化技术不仅提高了MEC平台的资源利用效率，还提高了系统的可靠性和稳定性。1.虚拟化：当前多数移动应用程序都是基于云服务进行设计。C-RAN将基带处理单元等计算和存储密集型模块从基站迁移到云端，解决了基站容量有限的问题，提高了移动网络的能源效率。2.云计算：软件定义网是一种基于软件的网络架构，被应用于SD-MEC（software-definedmobileedgecomputing）中，提供了一种更加灵活的MEC网络部署和管理方式。3.软件定义网络：2.1

技术基础垂直协作：端-边-云三级协同协作优势：资源共享负载均衡提升系统容量与可靠性水平协作：边-边、端-端协同协同边缘计算包括终端设备，边缘服务器和云中心之间相互协作的垂直协作,还包括边缘层的边缘服务器之间的相互协作的水平协作。2.2边缘协同部署位置：基站、接入点、网关等关键问题：位置规划数量与成本平衡能耗优化

2.3边缘服务器部署目标：最小化延迟、最大化服务质量空间换时间，内容就近缓存。边缘缓存技术是用空间换时间的典型应用，通过使用更多的缓存空间，获取更快的通信传输速度。

原理：典型架构：CDN（内容分发网络）ICN/NDN（信息中心网络）D2D缓存（设备到设备）

典型架构：提升访问速度，减轻骨干网压力优势：2.4

边缘内容缓存定义：计算卸载是移动边缘计算的一项关键技术，是实现良好的网络性能和提高用户服务QoS的关键。关键问题：是否卸载？卸载到哪里？如何分配资源？网络系统必须要考虑边缘服务器剩余的算力资源是否满足计算任务卸载的需求，否则将会导致任务排队时延较长的问题。

2.5边缘计算卸载目标：时延、能耗、资源利用率在边缘端部署AI模型，实现本地推理与决策

定义：低延迟响应数据隐私保护减少云端依赖

优势：人脸识别、AR、工业质检等应用：2.6

边缘智能核心性能指标：传输时延数据从终端到边缘服务器的传输时间关键影响因素：网络距离、链路质量、数据处理速度能耗效率边缘节点处理任务的能量消耗优化目标：降低计算与通信能耗，实现绿色通信吞吐量单位时间内系统处理的数据量或任务数反映系统整体处理能力系统容量边缘节点支持的最大数据传输速率体现信道资源与缓存能力的综合性能

2.7边缘系统性能评价缓存相关性能指标：缓存命中率反映内容在边缘被直接响应的比例高命中率⇒低时延、高用户体验内容流行度分布决定缓存策略（如多副本存储热门内容）影响系统整体效率与资源利用率

2.7边缘系统性能评价协作与动态性影响：节点协作效应边-边、边-云协作可提升系统容量与负载均衡缓解单点瓶颈，提升服务可靠性动态网络状态用户移动性、内容更新、节点状态变化需动态评估性能，适应实时场景边缘计算的开发平台有哪些？

目录3.1云计算平台与Docker容器

013.2Kubernetes容器编排平台023.3KubeEdge边缘计算平台03云计算定义：云计算平台是一种通过互联网提供计算资源、存储资源和其他IT服务的平台，用户可以通过互联网按需使用这些资源，而不需要拥有或管理底层的物理硬件设备。特点：云平台将计算、存储、网络等基础设施资源虚拟化，并通过网络进行访问

3.1云计算平台与Docker容器云平台的架构：基础设施即服务（InfrastructureasaService,IaaS）、平台即服务（PlatformasaService,PaaS）和软件即服务（SoftwareasaService,SaaS）三个层次。Docker容器定义：Docker是一种开源的容器化平台，能够简化应用程序的开发、部署和运行。特点：Docker容器技术启动速度更快，资源占用更少。

3.1云计算平台与Docker容器Docker架构：Docker采用的客户端-服务器架构如图所示。DockerClient是用户与Docker系统交互的接口，用户通过命令行工具发送指令来管理容器和镜像。DockerClient将请求通过RESTAPI发送给Docker守护进程，该守护进程运行在DockerHost上。DockerHost是实际执行容器的宿主机，安装了DockerEngine，负责管理容器的生命周期，包括容器的创建、启动、停止等操作。这种架构设计确保了Docker容器技术的高可用性和可扩展性，为容器化应用的部署和维护提供了基础。定义：

Kubernetes是由Google开发的开源容器编排平台，用于自动化部署、扩展和管理容器化应用。核心功能：通过容器编排提高容器化应用程序的可管理性和可伸缩性，尤其是在大规模微服务架构中。

3.2Kubernetes容器编排平台Kubernetes整体架构：主要由控制平面和Worker工作节点组成，如图所示。Kubernetes支持多种容器运行，例如Docker、Containerd和CRI-O。定义：KubeEdge是由华为开发的开源云原生边缘计算平台，2024年10月正式从云原生计算基金会（CNCF）毕业。核心功能：支持大规模边缘节点的数据采集、实时处理和智能分析等功能，为智能交通、智慧医疗、工业物联网等多种场景提供高效、可靠和安全的边缘计算解决方案。3.3KubeEdge边缘计算平台KubeEdge整体架构：KubeEdge架构主要分为云端CloudCore和边缘端EdgeCore两部分，用户可以通过kube-apiserver来管理边缘节点，其整体架构如图所示。平台对比平台DockerKubernetesKubuEdge适用场景核心特性应用打包与隔离边缘原生、设备管理自动化、高可用轻量、可移植云边协同、边缘节点管理容器编排与集群管理谢谢观看倡和zhaoxiaoyan@正学出新明德边缘服务器部署倡和正学出新明德1.概念理解：边缘服务器部署定义、重要性、应用场景

2.算法掌握：优化算法原理、改进策略、实现方法

3.模型构建：网络模型、覆盖模型、时延模型、成本模型

4.实践应用：动态部署策略、实验结果分析、优化建议

这节课的学习目标是什么？2.1边缘服务器部署基础2.2边缘服务器部署系统模型2.3边缘服务器的动态部署2.4边缘服务器部署实验结果及分析2.1边缘服务器部署基础

目录2.1.1微云放置012.1.2服务放置022.1.3服务器部署03042.1.4蛇优化算法

微云放置

边缘计算的相关研究中，确定边缘服务器部署方案是移动边缘计算研究的第一步。

微云是与本地网络中的无线接入点共址的服务器集群，移动用户可以将他们的任务卸载到资源丰富的微云进行处理。

与远程云处理方式相比，移动用户和微云之间更短的物理距离意味着微云的任务访问与卸载的延迟大大降低，从而显著改善了用户体验。代表性微云放置研究：目标：主要集中在最小化用户访问延迟、降低部署成本、节约系统能耗、提高资源利用效率和保证系统容错性。方法：包括启发式算法、元启发式算法（如差分进化布谷鸟搜索）、整数规划模型和近似算法等。2.1.1微云放置研究背景和代表微云放置与边缘服务器部署的根本区别：部署位置约束边缘服务器必须部署在基站上，这是其成本最小化的基本条件；而微云只需靠近用户，位置选择更灵活，不一定在基站。边缘服务器部署研究趋势：重要性凸显：随着边缘计算研究的深入，边缘服务器的合理放置愈发重要。研究焦点：当前研究主要围绕降低延迟、节约能耗和负载均衡等目标展开。问题分类：研究者将边缘服务器部署问题分为硬件部署和软件部署两部分。2.1.1微云放置研究趋势

服务放置

定义：即软件部署，是指在已存在的边缘服务器上，决定将哪些应用服务部署在哪些服务器上的过程。最终目标：是进一步降低用户访问延迟，提升服务器可用性。与“边缘服务缓存”的关键区别：服务缓存：缓存的是短期的、热门的静态内容（如视频、网页）。服务部署：部署的是具有长时间可用性的完整应用服务（如AI推理、游戏渲染服务）。因此，部署方案需要更全面地考虑应用种类和资源需求。2.1.2服务放置核心概念与界定2.1.2服务放置现有研究综述现有研究普遍采用联合优化的视角，将服务放置与其他网络决策结合起来，以解决资源约束下的复杂调度问题。研究核心方法与贡献接入网络选择与服务放置联合优化设计在线框架，平衡多种延迟（接入、通信、切换），提出基于迭代的高效算法，并有严格的理论分析。服务放置与请求调度联合优化提出双时间尺度框架，在多重资源约束下，开发了在特定条件下最优的多项式时间算法。服务放置与请求路由联合优化针对海量服务请求与带宽不匹配问题，提出基于随机舍入的近似算法，处理多维资源约束。协作服务放置将问题转化为基站与用户的关联问题，利用匹配理论设计去中心化算法，最小化服务转发带来的流量负载。资源受限网络的服务部署综合考虑服务器资源、应用业务逻辑和响应时间约束，目标是以最小成本生成最佳部署方案。

服务器部署

定义：即硬件部署，根据地理位置、网络状况和现有网络拓扑，决策边缘服务器物理设备的放置位置、数量和规模。目标：

提供高可用性服务，满足系统最高承载能力，处理大量数据，并保证服务质量。2.1.3服务器部署核心问题与目标2.1.3服务器部署现有研究综述优化目标方法与模型未明确单一目标结合K-Means和混合整数二次规划，但计算复杂度高。最大化服务器负载和整合的通信量混合整数线性规划，并设计基于图的算法。提供低延迟、高可靠的车载服务使用非支配排序遗传算法，侧重服务器放置本身。负载均衡与降低延迟表述为多目标约束优化问题，使用混合整数规划。最小化系统能耗多目标优化，提出基于粒子群优化的能耗感知算法。最小化部署成本（服务器数量）提出两种启发式算法和一种贪心算法。距离最小化、容量限制下的负载均衡提出PACK算法，支持服务器间工作负载共享。重要性：硬件部署是实施边缘系统的基本问题，对成本、服务质量和系统性能有重大影响。核心局限：上述研究普遍未考虑用户的移动性。在静态假设下优化的部署方案，在用户移动时可能无法保证：网络连接的稳定性服务的连续性稳定的低延迟体验未来方向：必须研究考虑用户移动性的边缘服务器部署方法，是提升现实世界服务体验的关键。2.1.3服务器部署研究的共同局限与未来方向

2.1.3服务器部署实验数据说明

上海基站的分布图为进行相关研究，本章采用了上海电信基站数据集，包含百万级用户上网日志和位置信息。通过预处理，选取了一天中6个关键时间点（4点、8点、12点、16点、20点、24点）的用户数据和位置进行实验，这是为了捕捉不同时段用户空间分布的动态变化，为研究移动性-aware的部署方法提供数据基础。

蛇优化算法

2.1.4蛇优化算法2.1.4蛇优化算法2.1.4蛇优化算法2.1.4蛇优化算法2.1.4蛇优化算法2.1.4蛇优化算法蛇优化（SnakeOptimization,SO）算法是一种新型的元启发式优化算法，模拟了蛇在不同温度、不同食物条件下的不同行为模式，进行最优值的查找。2.2边缘服务器部署系统模型

目录2.2.1网络模型012.2.2覆盖模型022.2.3时延模型032.2.4成本模型042.2.5问题描述05

网络模型

2.2.1网络模型本章考虑的场景如图所示。m个静态边缘服务器

，其中

，放置在小区等用户相对集中的地方。n个动态边缘服务器

，其中

，放置在公园等用户流动性较大的地方。

表示第k个用户，其中

。服务器放置场景图

覆盖模型

2.2.2覆盖模型边缘服务器的覆盖模型旨在实现高效的任务处理和分配，提高系统性能和用户体验。该模型考虑了每个用户随机产生大小不同的任务数据，以及边缘服务器和云服务器的不同计算能力和覆盖范围。注意：当一个边缘服务器接收的任务数据已经达到其计算能力上限时，即使用户在其覆盖范围内，任务也无法被卸载至该边缘服务器。此时，用户可以将任务卸载至最近的其他未达到计算能力上限且能够覆盖该用户的边缘服务器或云服务器上。用户位于边缘服务器覆盖范围内位于边缘服务器覆盖范围外任务被卸载至最近的边缘服务器进行处理任务将被卸载至云服务器进行处理2.2.2覆盖模型距离计算公式假设边缘服务器的覆盖半径为r，当用户与边缘服务器之间的距离d小于r时，用户被边缘服务器覆盖，用户与边缘服务器之间的距离d由Haversine公式来计算。假设用户的经纬度坐标为（lat1，lon1），边缘服务器的经纬度坐标为（lat2，lon2），则用户与边缘服务器之间的距离d可以通过下列公式表示如下：其中

，

，

。

时延模型

2.2.3时延模型2.2.3时延模型2.2.3时延模型

成本模型

2.2.4成本模型边缘服务器静态边缘服务器：一旦放置后不会轻易移动动态边缘服务器：随着用户流动而进行移动放置边缘服务器的成本有三个主要组成部分：固定成本指用于购买和部署边缘服务器的成本。补偿成本指空闲的边缘服务器被用于其他用途，以补偿部署成本。动态成本指边缘服务器在动态放置过程中发生的位置变化而产生的成本。2.2.4成本模型2.2.4成本模型

问题描述

2.2.5问题描述

本章的目标是根据环境的变化，通过网络模型、边缘覆盖和用户时延，找出在满足一定范围内的延迟的不同环境下，边缘服务器的数量和放置位置。可将问题建模为：

其中，公式（2-34）表示本章优化的目标即放置边缘服务器的总成本，公式（2-35）表示在边缘服务器上处理的任务数据要小于所有用户的数据总和，公式（2-36）表示边缘服务器接收的用户数据要小于边缘服务器的计算能力，公式（2-37）表示计算出的平均用户时延要满足一定的范围。

2.3边缘服务器的动态部署目录2.3.1蛇优化算法的改进012.3.2边缘服务器动态放置算法022.3.3基于线性规划问题的成本算法03

蛇优化算法的改进

2.3.1蛇优化算法的改进边缘服务器动态放置方法是一个循环执行的闭环系统，核心流程为以下四个步骤：初始位置寻优：在初始时刻或当前时刻，使用改进的蛇优化算法，通过独特的映射策略（将高维变量映射为二维坐标），在二维空间中搜索满足延迟要求的最佳边缘服务器放置位置。动态调整：环境发生变化后，通过边缘服务器动态放置算法，基于ISO算法的结果，调整服务器的数量和位置，以适应新环境并满足延迟要求。移动成本优化：在确定了当前和下一时刻的服务器位置后，使用最小放置成本算法，计算如何以最小的移动成本（如迁移、部署成本）将服务器从当前位置调整到下一时刻的目标位置。总成本计算：综合移动成本及其他可能因素，计算出下一时刻部署和运行边缘服务器的总成本。此结果将作为系统决策的依据，并开启下一轮的动态调整循环。蛇优化算法的改进：结合粒子群优化算法的思想，提高算法的全局搜索能力引用双向搜索策略，增强算法的寻优能力借鉴精英引领思想，使优秀个体更易传播其信息2.3.1改进一：结合PSO算法SO算法在早期迭代时是使用随机搜索来探索区域，具有高度的不确定性。PSO算法相较于SO算法在迭代前期具有较快的收敛速度。因此，在算法迭代前期可结合PSO算法对SO算法进行改进。具体改进措施如下：在PSO算法中，雄性个体与雌性个体的位置更新公式为当前位置加下一时刻的速度，即：

其中

与

表示第

代时雄性个体与雌性个体的位置。

与

表示第

代雄性个体与雌性个体的速度，其更新公式为：其中

为惯性权重，

与

表示第代时雄性个体与雌性个体的速度，

与

表示第

次迭代后，第

个雄性蛇与雌性蛇的最优解，

与

表示第

次迭代后，整个雄性与雌性群体中的最优解。2.3.1改进二：双向搜索策略当temperature>Threshold2时，蛇会进入小范围搜索模式去寻找食物。原算法在此过程中的寻优能力较弱，此时可以通过双向搜索策略增加找到局部最优解的能力。双向搜索是一种利用最好和最差的个体在搜索区域内进行探索的策略。目的：让算法远离最坏的个体，同时保持接近最好的个体。具体的位置更新公式表示为：其中，

和

分别表示最好和最差的雄性。

和

分别表示最好和最坏的雌性。双向搜索使算法在充分利用搜索区域的情况下接近最优值，加快了算法的收敛速度。2.3.1改进二：双向搜索策略图2-5双向搜索策略位置更新前图2-6双向搜索策略位置更新后以二维空间为例，该策略的可视化图如图2-5、图2-6所示，有六个个体在某一时刻的位置分布图。规定越靠近坐标轴零点代表适应度值越好当使用双向搜索策略时，其中某个蛇的位置变化如图所示，图2-5中橙色线表示该个体向最好个体靠拢，蓝色线表示该个体远离最差个体。黑色线表示该个体在最好最坏个体影响下的最终移动方向及距离。图2-6表示该个体移动后的位置分布图。移动个体变为适应度最好个体，原本最好个体变为其余个体。蓝色蛇：最好个体

棕色蛇：最差个体

绿色蛇：其余个体2.3.1改进三：精英引领策略在SO算法中，蛇交配后存在一定概率产生蛋，即通过随机生成的解替换掉最差的解。然而，随机解的盲目性会降低算法快速寻找最优解的能力。因此，在此处采用精英引领策略，用来替换算法中后10%适应度较低的个体，以增加找到最优解的概率。具体的公式如下所示：

其中

表示全部雄性个体中最优的个体，

表示全部雄性个体中最优的个体，此处改进可避免随机解的盲目性，提高算法的收敛速度和解的质量，并增加找到最优解的概率。2.3.1改进三：精英引领策略该策略的可视化图如图2-7、图2-8所示，图中共有8个个体在某一时刻的位置分布图。当使用精英引领策略时，棕色蛇的位置变化如图所示，图2-7中蓝色线表示该个体向最好个体靠拢，橙色线表示该个体具体移动的方向和距离。图2-8表示适应度后10%个体移动后的位置分布图。原本最好个体变为其余个体，原本其余个体有的变为后10%适应度个体。蓝色蛇：适应度最好的个体棕色蛇：适应度位于后10%的个体绿色蛇：其余个体图2-7精英引领策略位置更新前图2-8精英引领策略位置更新后边缘服务器动态放置算法

2.3.2边缘服务器动态放置算法该策略是一个基于延迟反馈的闭环动态调整系统，具体来说，该策略包含以下三个关键机制：1.初始状态：在人群密集区域预先部署静态边缘服务器，作为基础设施的基础。2.延迟过高时的扩容策略：首要措施：优化现有资源，优先调整动态边缘服务器的位置以更有效地服务用户。终极措施：当优化位置无效时，增加动态边缘服务器的数量，直接提升服务能力，确保延迟达标。3.延迟过低时的缩容策略：当系统性能过剩时，主动减少动态边缘服务器的数量。这样做既维持了延迟要求，又将多余的服务器资源释放出来用于别处，从而补偿部署成本，提升资源利用率和经济性。这种方法的核心优势在于其灵活性和成本效益。它通过一个持续的“监控-判断-调整”循环，实时响应环境变化，既保证了服务质量（低延迟），又避免了资源闲置，实现了服务性能与部署成本之间的高效平衡。基于线性规划问题的成本算法

2.3.3基于线性规划问题的成本算法核心问题：旨在解决当多个动态边缘服务器需要重新部署时，如何找到一种分配方案，使得所有服务器从“原位置”移动到“新位置”的总移动距离最小。问题本质：这是一个典型的指派问题或二分图最小权匹配问题。即如何将一组“原位置”点与一组“新位置”点进行一一配对，使得所有配对点之间的总距离最短。挑战：当服务器数量增多时，可能的分配方案数量会呈阶乘级增长，暴力枚举法不可行。解决方法：该问题被建模为一个线性规划问题，并采用内点法进行高效求解。1.内点法的核心思想：与传统方法沿着可行域的边界搜索不同，内点法是从可行域的内部直接穿越，逐步逼近最优解。这种方法避免了在边界上的复杂遍历，因此迭代次数更少，求解效率更高。2.内点法在每次迭代中，算法会：计算梯度与Hessian矩阵：确定当前点的优化方向和曲率。解牛顿步长和减量：确定下一步移动的方向和步长。线搜索与更新解：确保在向最优解靠近的同时，始终保持在可行域内部。

2.4边缘服务器部署实验结果及分析目录2.4.1参数设置01

2.4.2实验结果022.4.1参数设置本章实验的参数取值见表参数取值信道带宽10MHz用户传输功率0.2W路径损耗因子2用户与边缘服务器间的信道增益0.1噪声功率1.6×10用户与云服务器间信的道增益0.98用户到云服务器的距离1×106m2.4.2实验结果如图表示当改变边缘服务器的计算能力时，不同时间点所对应的成本值。从图中可以看出：随着边缘服务器计算能力的增加，不同时间点所对应的成本值呈下降趋势。这是因为随着计算能力的提升，需要边缘服务器的数量减少，从而导致成本的降低。随着边缘服务器计算能力的增强，成本值也越来越接近。这是因为在边缘服务器覆盖范围内，有些用户由于边缘服务器计算能力不足而无法将任务卸载至服务器，因此需要额外的服务器来满足需求。然而，随着计算能力的提高，由于计算能力不足而增加服务器数量的情况逐渐减少。因此，随着边缘服务器计算能力的增强，成本值逐渐趋近于一个稳定值。2.4.2实验结果如图表示当改变边缘服务器的计算能力时，不同时间点对应的用户平均延迟。从图中可以看出：随着边缘服务器计算能力的增大，用户的平均延迟逐渐降低。这是因为当边缘服务器的计算能力增大时，更多的用户可将任务卸载至边缘服务器处理，不必卸载到云端，从而减少延迟。2.4.2实验结果如图表示当改变边缘服务器的覆盖范围时，不同时间点对应的成本值。从图中可以看出：随着边缘服务器覆盖范围的增加，不同时间点所对应的成本值呈下降趋势。这是由于覆盖范围的扩大能够减少对动态服务器的需求，从而降低成本。通过增加边缘服务器的覆盖范围，可以覆盖到更多的用户，无需额外的动态服务器。因此，随着边缘服务器覆盖范围的增加，成本值逐渐减少。2.4.2实验结果如图表示当改变边缘服务器的覆盖范围时，不同时间点对应的用户平均延迟。从图中可以看出：随着边缘服务器覆盖范围的增大，用户的平均延迟逐渐降低。这是因为边缘服务器覆盖范围的扩大使得更多的用户可以被覆盖到，用户可将任务卸载到边缘服务器进行处理，而无需依赖云端，从而降低延迟。2.4.2实验结果如图表示当改变用户随机生成任务数量的最大值时，不同时间点对应的成本值。从图中可以看出：随着用户随机生成的任务数量变大，不同时间点所对对应的成本值呈上升趋势。这是由于当边缘服务器的计算能力一定时，用户的任务数量变大，则需要更多的边缘服务器来进行处理，从而增加成本。2.4.2实验结果如图表示当改变用户随机生成任务数量的最大值时，不同时间点对应的用户平均延迟。从图中可以看出：随着用户随机生成的任务数量的变大，用户的平均延迟逐渐增加。这是因为当用户的任务数量变多时，将数据卸载到云服务器或边缘服务器所耗费的时间变多，从而增加用户的平均延迟。2.4.2实验结果如图表示在时间在4点时，相同数量边缘服务器下不同算法所对应的用户平均延迟。从图中可以看出：PSO算法下的用户平均延迟最高，ASO算法下的用户平均延迟最低。表明ASO算法能够更好地确定边缘服务器的放置位置，使更多的用户能够将任务卸载到边缘服务器上，从而降低用户的平均延迟。2.4.2实验结果如图表示将平均延迟控制在一定范围内时，不同算法在不同时间点所对应的成本值。从图中可以看出：PSO算法因为使用的是静态放置算法，所以成本会比动态放置算法高出很多。与WOA算法、SO算法相比，本章算法在不同时间点用户位置发生改变时，通过找到最小数量的动态服务器、最优的放置位置以及最小的移动距离，从而在延迟满足在合理范围内的同时将成本做到最小。相较于其他算法，本章算法的成本减小约20%~43%。2.4.2实验结果如图表示在不同算法下，不同时间所对应的用户平均延迟。从图中可以看出：PSO算法因为使用静态算法相比于其他动态算法在延迟上高出很多。在动态算法中，本章算法所得到的延迟始终是最低的，这表明本章算法能够找到更优的边缘服务器放置位置。本章小结本章研究了在移动边缘计算环境中边缘服务器的动态放置问题。为了实现动态的边缘服务器放置策略，通过改进SO算法以寻找边缘服务器更优的放置位置，并提出了边缘服务器动态放置算法，实现服务器的增加、减少和移动等操作。此外，还通过内点法得出放置边缘服务器的成本。通过仿真实验，验证了ISO算法在降低时延和成本方面的有效性和稳定性。谢谢观看倡和zhaoxiaoyan@正学出新明德第三章边缘内容缓存倡和正学出新明德边缘缓存技术将请求内容预先缓存在边缘节点或服务器中，其应用使得网络架构趋向于分布式发展，将内容更靠近用户，实现用户请求的本地化处理，有效减轻了核心网络的压力。什么是边缘内容缓存？本章知识导图

1.了解边缘内容缓存的基本概念。

2.深入理解边缘内容缓存的相关知识和理论，包括D2D通信技术、知识图谱

和边缘缓存性能指标。

3.掌握边缘内容缓存的应用，包括系统模型与架构、问题分析与建模，并能

够在实践中灵活解决仿真实验中遇到的实际问题。

4.通过学习本章提供的示例演示，学会分析边缘缓存技术中的工作原理，能

够从示例中获取相关实践经验。

这章节的学习目标是什么？那我要怎么学？01边缘内容缓存基础02相关知识与理论03边缘内容缓存系统模型与架构04边缘内容缓存问题建模分析仿真分析0506本章小结07习题3.1边缘内容缓存基础

(EdgeContentCachingBasics)目录3.1.1缓存内容013.1.2缓存位置023.1.3缓存方式03043.1.4D2D缓存053.1.5社会性缓存3.1.6流行性缓存063.1.1缓存内容在用户个人移动终端设备上缓存内容时，最先考虑的是缓存什么内容才能够满足用户对内容的需求和期望。因为只有缓存用户需要的内容，这个边缘缓存才有意义。一般来说，缓存什么内容由内容流行度决定，也就是用户请求的内容缓存在边缘网络中的概率。内容流行度：指根据内容访问频率或需求量对内容进行分类的指标，常用于优化缓存策略。核心特征是少数内容被高频访问，而大部分内容访问稀少。大部分的研究者中，都假设内容流行度是静态的，并采用独立参考模型。常用的流行度模型是在Web缓存中观察到的zipf模型。

早期探索：这种假设在个人用户上是不合适的，因为每个用户都有内容请求差异性。用户的偏好不同，那么用户的个人内容流行度也是不同的。除此之外，基于偏好的内容流行度是需要先验知识的，并且若与用户偏好相同的内容已经过时了，用户对这类的内容的请求概率也是比较低的。

结果：3.1.1缓存内容zipf模型：Web缓存中的Zipf模型是一种基于Zipf定律的缓存优化模型，用于描述Web对象访问频率的分布规律，并指导缓存容量配置和替换策略的优化。由机器学习中预测的准确性，提出一种基于学习的内容流行度预测缓存策略。

改进：这种缓存策略中，内容受欢迎程度是随时间变化的，并且事先是不知道的。通过及时的跟踪和评估内容流行度的变化，有效提升了不同时隙中的缓存命中率。

结果：3.1.1缓存内容智能移动终端设备3.1.2缓存位置用户请求内容时的位置传统网络架构边缘缓存核心网云端小基站SBS边缘服务器低功耗基站缓存方法通过在现有的大蜂窝网络系统中部署低功耗基站(BSs)，并在低功耗基站中进行数据缓存，来减轻蜂窝网络回程链路的负载。从而有效地提高无线网络的容量，降低蜂窝网络的运营成本。目前的智能手机拥有强大的计算能力和存储能力，使个人移动终端成为可能，充当缓存服务器。3.1.2缓存位置是什么？缓存直接存储在用户自己的设备上，或者与邻近用户设备通过D2D通信直接响应请求，共享其缓存的内容。缓存内容浏览器缓存（网页、图片）、App缓存（视频、社交媒体内容、游戏资源）、以及操作系统级别的缓存。位置在最末端，直接位于用户手中。优势零延迟：

内容已在本地，访问速度最快。零带宽消耗：

不占用任何无线或有线网络资源。高可靠性：

即使在完全断网的情况下也能访问已缓存内容。隐私性：

数据存储在本地，无需上传。劣势存储空间有限：

设备存储是宝贵且有限的资源，不能无限缓存。管理难度：

需要应用或操作系统自行管理缓存淘汰策略，可能

产生垃圾数据。1.用户设备终端缓存简单比喻你个人书房里的几本最常看的书。随时可取，但书架空间有限。3.1.2缓存位置是什么？缓存部署在小基站上。小基站是低功率的无线接入节点，覆盖范围较小（几十米到几百米）。缓存内容覆盖区域内热门且共性高的内容。例如，体育馆内正在进行的比赛视频集锦、商场里各大品牌的广告视频等。位置在网络边缘，更靠近用户群。优势极低延迟：

内容无需经过宏站和核心网，响应快。减轻回传压力：

流量在小基站本地就被消化，不占用通往核心网的宝贵回传链路（这是小基站部署的一个关键价值）。内容共享：

一个缓存的内容可以服务该小基站覆盖下的所有用户。劣势覆盖范围有限：

只服务于特定小区域。存储空间相对有限：

虽大于终端，但相比宏站和云中心仍然有限。2.小基站缓存简单比喻社区图书馆或写字楼里的公共阅览室。为特定区域的人群提供。3.1.2缓存位置是什么？缓存部署在宏基站上。宏基站是提供广域覆盖的传统蜂窝塔，覆盖范围可达数公里。缓存内容覆盖区域内最流行、最普遍的内容。例如，全国性的热门新闻、短视频、流行音乐和电影预告片等。位置在接入网的核心位置，是连接终端与核心网的枢纽。优势覆盖范围广：

一个缓存点能服务大量用户（整个城市的一个片区）。显著减轻核心网压力：

将大量流行流量拦截在接入网，避免所有流量都涌向核心网和数据中心。回传链路优化：

减少了对移动核心网的回传带宽需求。劣势延迟高于小基站：

虽然比从互联网源站获取快，但相比小基站，路径还是更长一些。存储空间限制：

虽然比小基站大，但仍然是有限的。3.宏基站缓存简单比喻市立中央图书馆。它为整个城市的居民服务，但距离远。3.1.2缓存位置总结对比用户设备终端缓存小基站缓存宏基站缓存位置覆盖范围延迟回传节省服务对象内容策略存储容量典型案例用户手中个人最低（零延迟）100%（无网络请求）单个用户个人兴趣非常有限手机App缓存网络边缘（商场、场馆）局部区域（数十至数百米）非常低非常高（节省小基站回传）局部用户群区域化热门内容有限5GMEC（多接入边缘计算）接入网核心（蜂窝塔）广域区域（数公里）低高（节省宏基站回传）大规模用户群全局化热门内容中等移动网络中的边缘缓存3.1.3缓存方式缓存技术的应用通过消除流行内容的重复传输能够有效地减少回程链路的数据流量并改善系统性能（例如传输时延、能量效率等）。除此之外，大量智能移动设备的使用，使得D2D通信技术也变得越来越重要。将缓存技术与D2D通信结合，构建D2D缓存网络，能够利用移动设备终端的存储空间高效地存储内容并通过D2D通信进行内容共享。但是移动终端设备的有限缓存容量和不同的用户需求使得移动设备既不能存储所有内容，也不能存储最流行却不符合用户需求的内容。更靠近请求用户的缓存内容能够更快的共享给请求用户，减少了请求用户获取内容的时延和能量消耗。从缓存方式上来看，缓存又可以分为反应式缓存和主动缓存、集中式缓存和分布式缓存、随机概率缓存和确定性缓存、部分缓存与整体缓存、单点缓存与协作缓存。需要根据现实情况选择缓存方式，以便获取较为合适的内容放置策略。3.1.3缓存方式反应式缓存主动缓存反应式缓存指的是用户发出内容请求之后再确定这个内容是否要被缓存。优点：简单有效：

实现非常简单，逻辑直观。存储高效：

只缓存真正被请求过的数

据，不会浪费缓存空间去存储永远不会被访问的“冷”数据。保证相关性：

缓存中的数据都至少被访问过一次，与实际的用户请求模式高度相关。缺点：无法有效应对高峰流量时的用户请求。主动缓存是前瞻性的。它尝试在数据被请求之前，就预测并将其加载到缓存中。优点：极致用户体验：

可以消除缓存未命中的延迟，为用户提供始终如一的低延迟访问。化解流量高峰：

能够提前为预期的流量洪峰做好准备，保护后端系统不被冲垮。缺点：如果预测不准，会浪费宝贵的缓存空间、网络带宽和计算资源去加载一些永远不会被访问的数据。预测准确性是关键。3.1.3缓存方式集中式缓存分布式缓存使用一个拥有全局网络状态信息的中央控制器来决定缓存策略。优点：数据一致性简单：

因为所有数据都存放在一个地方，不存在数据在不同节点间不一致的问题。全局视角：

缓存对所有应用服务器都是共享的，在一个服务器中缓存的数据，立即可被所有其他服务器访问。缺点：单点故障是最大的风险。如果这个唯一的缓存服务器宕机，整个系统的缓存层就完全失效，所有流量会直接压垮后端数据库，可能导致服务雪崩能够较充分地利用邻近设备以及小基站的缓存空间，通过协作缓存能够缓存更多内容。优点：水平扩展是最大的优势。当需要更多容量或更高吞吐量时，只需向集群中添加新的节点即可。扩展性强，成本相对较低。缺点：部署、配置、监控和维护一个集群比管理单个服务器要复杂得多。并且保证所有节点数据的强一致性非常困难且性能代价高3.1.3缓存方式随机概率缓存确定性缓存随机概率缓存指内容的缓存状态是具有概率性的，可以通过优化内容的缓存概率来优化整个缓存网络的性能。优点：不需要维护复杂的元数据（如链表、精确的排序），代码简单，运行时开销低。缺点：性能（命中率）会有波动，可能在某个时刻误删了极其重要的热点数据。在大多数常见工作负载下，其命中率低于优化过的确定性算法，因为它完全忽略了对象的访问模式。确定性缓存指每个内容文件的缓存状态是一定的，即缓存与不缓存，因此确定性缓存在某些研究工作中也被看作0-1背包问题。优点：在相同的访问序列下，缓存的内容和命中率是稳定的，便于系统调试和性能分析。

规则简单明了，易于理解和管理。缺点：实现开销可能较高。并且某些特殊访问模式可能会欺骗这些算法。例如，LRU（最近最少使用）在面对一次性的全量扫描式访问时，会导致缓存被完全清空。3.1.3缓存方式部分缓存整体缓存对于缓存空间有限的设备，缓存完整内容会降低缓存内容多样性，使得缓存节点的缓存增益减少。因此，考虑将内容分割成多个切片，然后按照缓存放置方案将不同的切片放在不同的基站或移动终端上。优点：缓存和读取的逻辑非常简单，一次缓存，一次读取，就能满足整个需求。缺点：一个页面可能需要从缓存中获取多个片段，并在应用层进行组装，这会引入额外的CPU开销和复杂性。将整个内容缓存在基站或终端设备中，用户能够在一个地方一次性请求到完整内容。缓存命中时，无需任何额外计算或组装，响应速度最快。优点：缓存和读取的逻辑非常简单，一次缓存，一次读取，就能满足整个需求。缺点：如果对象很大，但只有一小部分被频繁使用（例如，一个用户信息对象包含了几十个字段，但页面只显示其中5个），缓存整个对象会浪费大量内存。3.1.3缓存方式单点缓存协作缓存单点缓存指的是缓存节点之间相互独立，不进行通信或数据协作。每个节点只根据自己的上下文和请求来管理自己的缓存内容。优点：在进程内缓存，没有网络开销，速度最快。并且一个缓存节点失效，不会影响其他节点。不存在级联故障风险。缺点：数据不一致是最大的问题，当源数据更新时，很难及时、一致地失效所有独立缓存节点上的副本。用户可能从不同服务器获得不同版本的数据协作缓存指的是多个缓存节点相互感知、通信与合作，共同构成一个逻辑上的统一缓存池。它们会协调数据存储、失效和访问。优点：通过数据分片或智能分布，避免了重复存储，使得整体内存资源被高效利用。在分片模式下，一份数据通常只存一份（不考虑副本），极大节省内存。缺点：需要复杂的协调、通信、故障发现和恢复机制。此外，节点间的通信会带来网络延迟和带宽消耗。3.1.4D2D缓存D2D（Device-to-Device）通信作为未来移动通信网络5G、6G网络的颠覆性革新技术之一，支持传输范围内的移动设备之间直接进行通信，具有提高频谱资源的利用率，增强网络覆盖，降低基站负载等功能。结合移动边缘计算网络边缘侧提供的内容缓存、计算和服务能力，可以实现低延迟、低功耗、超可靠的近距离数据传输需求，为缓解未来网络中持续增长的数据流量问题提供了重要的驱动力。D2D内容缓存与共享指的是将用户请求的内容提前缓存在D2D移动设备上，并利用D2D通信技术进行内容传输。D2D缓存技术的应用减轻了飞速增长的移动数据流量带给核心网的回程链路压力，从而为未来的超密集移动网络提供了更多性能提升的思路。基于这个研究方向，工作者们在边缘缓存和D2D通信的结合上做了很多研究。D2D缓存相比于边缘服务器上的缓存在性能改进上有了巨大突破，例如吞吐量、总服务成功概率、传输延迟和卸载率。本地响应:附近的用户B、C、D...听到这个请求后,会检查自己的本地缓存。如果用户B缓存了该内容,它就会直接建立D2D连接,将内容传输给用户A。回退机制:如果在一定时间内,没有附近的设备拥有该内容,用

户A的设备才会像传统方式一样,通过基站从互联网下载。内容预置或缓存:用户设备通过传统的蜂窝网络(4G/5G)下载内容时,会将其存储在本地。或者,网络可以主动将一些流行内容推送到一组选定的用户设备上。请求与发现:当用户A想要获取某个内容(例如一个热门视频)时,他的设备不会直接向基站请求,而是首先在其通信范围内(通过Wi-FiDirect,蓝牙或5G侧链路技术)广播一个查询请求。D2D工作原理3.1.4D2D缓存01020304体育场、音乐节、商场、地铁站等人员密集区域，大量用户可能请求相同的内容。01大量的物联网设备之间共享软件更新或传感数据。04车辆之间（V2V）共享实时路况、交通事故、传感器数据。02在地震、飓风等灾害导致蜂窝网络中断时，设备间可以通过D2D缓存和通信维持基本的信息共享。033.1.4D2D缓存典型场景3.1.4D2D缓存D2D缓存的优势极大减轻基站负载：

这是最核心的优势。大量的本地流量不再占用宝贵的基站无线资源和回传链路，基站可以服务于更重要的通信或边缘用户。这被称为“流量卸载”。降低用户访问延迟：

从邻近设备获取内容，其物理距离通常远小于到基站和互联网服务器的路径，可以显著降低延迟。提升网络频谱效率：

相同的频谱资源可以被更高效地利用，因为D2D通信通常使用独立的或不冲突的频谱资源（如免授权频谱）。提高系统容量和可扩展性：

通过利用无数用户设备的存储和计算资源，整个网络的缓存容量和数据处理能力得到了质的飞跃。增强鲁棒性和可用性：

在蜂窝网络覆盖不佳或失效的场景下，D2D缓存可以构建一个临时的、自组织的通信网络。01030502043.1.5社会性缓存社会性缓存是一种创新的缓存策略，其核心思想是：利用用户之间的社会关系、行为相似性和交互模式来预测内容流行度，并以此指导缓存的放置、替换和分发决策。简单来说，它认为“物以类聚，人以群分”。你的朋友喜欢的内容，你很可能也会喜欢；你所在社群中热议的话题，很快也会成为你关心的内容。社会性缓存就是将这种社会学洞察，应用于计算机网络缓存技术中。定义：例子：一个专业篮球鞋的评测视频，在普通大众中可能非常冷门，但在一个“球鞋爱好者”的社交群组中，它会瞬间成为热点。3.1.5社会性缓存关键优势更高的缓存命中率：通过预测社会驱动的流行度，能够更早、更准地缓存那些即将爆火的内容，从而在请求洪峰到来之前做好准备。更低的延迟：将内容提前推送到相关的社会群体所在的网络边缘，当群体内用户请求时，可以实现近乎瞬时的响应。更好的用户体验：用户感觉系统更“懂”自己，总能快速地提供自己和自己所在圈子关心的内容。高效的网络资源利用：避免了将资源浪费在全局热门但对特定群体无用的内容上，实现了更精细化的、以社群为单位的内容分发。010203043.1.6流行性缓存核心思想流行性缓存基于一个普遍存在的现象，即互联网流量的访问模式通常遵循“Zipf定律”。

·系统中约20%的内容，承载了约80%的访问流量。·极少数的“爆款”或“热点”内容，会吸引绝大部分的用户请求。因此，流行性缓存就是：将稀缺的缓存资源（内存、CPU）优先和高效地用于服务这一小部分热门内容。3.1.6流行性缓存关键技术机制1.热点发现这是第一步，也是最关键的一步。系统需要实时或近实时地识别出什么是“热门内容”。2.热点隔离与专用处理一旦识别出热点，就不能让它们和普通内容混在一起处理，否则热点可能会“打垮”系统。3.高效的缓存置换策略当缓存空间不足时，淘汰策略需要能够“慧眼识珠”，保留热门内容。4.热点预防与保护在分布式缓存中，使用一致性哈希可以将特定热点内容的请求固定到某个缓存节点上，避免请求被打散到整个集群。同时，当节点宕机时，它也能最小化受影响的数据范围。3.2相关知识与理论

(Relevantknowledgeandtheory)目录3.2.1D2D通信技术013.2.2知识图谱023.2.3边缘缓存性能指标033.2.1D2D通信技术D2D通信是由3GPP组织提出的一种端到端直连传输技术，又称为邻近服务（ProximityService，ProSe），定义了两个用户在近距离范围内数据传输的方式。D2D通信在不同的网络中有相似概念，比如Adhoc网络中的P2P（PeertoPeer）、物联网应用中的M2M（MachinetoMachine）等。这些相关概念之间本质并无较大差别，只是在不同的应用中进行了适当技术改进以满足其网络环境特殊需求。而D2D通信与其他短距离通信技术如蓝牙、无线局域网（WirelessLocalAreaNetworks，WLAN）等的不同之处主要在于使用的频段不同。蓝牙和WLAN是基于ISM开放频段，而D2D通信则使用电信运行商提供的授权频段，因此其产生的干扰是可控的。同时，D2D通信无需用户手动匹配和自定义设置以连接其他节点，连接速度更快，可以满足用户在传输速率和服务质量（QualityofService，Qos）等多方面的需求。3.2.1D2D通信技术通信路径网络架构延迟功耗频谱效率覆盖能力核心应用传统蜂窝网络通过基站中转基站负载集中式（星型拓扑）较高较高相对较低依赖基础设施广域移动宽带高，是瓶颈D2D通信设备直接通信分布式（点对点/网状拓扑）极低较低高（通过空间复用）可扩展和增强覆盖本地化、关键任务型服务低，有效卸载流量D2D通信与传统蜂窝网络对比3.2.1D2D通信技术如应用场景A中，用户1和用户2直接进行信息传输，有效降低基站负载，提高传输效率；场景B中，用户3作为中继节点，通过D2D通信传输数据给宏基站覆盖范围之外的用户4，此时，D2D通信可以有效地扩展网络覆盖半径，增加边缘用户体验，提高了网络的灵活性。场景C中，多个用户虽然不在宏基站通信范围内，但可以通过自组网方式进行数据传输

，扩展通信应用，开拓新型业务。根据蜂窝网络覆盖情况可以分为蜂窝网络全覆盖、部分蜂窝网络覆盖和无蜂窝网络覆盖三种D2D通信应用。3.2.1D2D通信技术在与蜂窝网络共存的系统中，D2D通信根据频率资源共享情况可以分为三种工作模式：专用模式，复用模式和蜂窝模式。1.专用模式又称为Overlay模式，使用专为D2D划分的独立频谱。由于专门分配的频谱资源与蜂窝资源相互正交，此时，D2D通信与蜂窝通信之间不会产生互相影响，系统内部不存在干扰。2.复用模式与蜂窝用户共享相同的授权频谱，通过先进的干扰协调技术来避免冲突。这是5GD2D的主流方式。3.蜂窝模式此时D2D通信采用传统蜂窝通信的工作方式，两个用户终端传输数据时通过基站实现中继转发。3.2.1D2D通信技术正交频谱指的是蜂窝系统未使用的资源，即专用模式情况下D2D通信使用了蜂窝系统的预留资源，虽然对蜂窝通信干扰较少，但频谱资源利用率低。D2D通信以非正交方式复用蜂窝资源时，可以有效提高系统的频谱利用效率，在一定程度上缓解海量数据引起的无线频谱资源严重匮乏的局面。但由于使用的是和蜂窝系统相同的频谱资源，相互之间的干扰不可避免，因此，D2D通信在采用复用模式工作时首要考虑的问题就是干扰协调和资源分配。D2D通信与蜂窝通信复用相同的无线资源时，蜂窝通信一般被看作是主通信。3.2.1D2D通信技术在蜂窝通信中，通信链路根据信息发送端和接收端的不同可以分为两种：上行通信链路（Uplink，UL）和下行通信链路（Downlink，DL）。蜂窝用户基站上行通信链路下行通信链路D2D通信复用蜂窝资源时根据所复用链路的类型可分为上行链路复用和下行链路复用两种情况。然而，由于蜂窝系统引入D2D技术后应用场景更加复杂，两种复用模式下产生的相互干扰也不尽相同。3.2.1D2D通信技术当复用蜂窝上行链路频谱资源：一方面，基站作为上行链路的接收端，会受到来自于共享相同频谱资源的D2D发送用户产生的D2C干扰，其中D2D发送用户可能来源于相同小区或者邻近小区。另一方面，D2D通信的接收用户同样也会受到来自于主通信中蜂窝用户的C2D干扰，而且，如果有多个D2D通信复用同一个蜂窝信道资源，多个D2D通信链路对之间也会互相成为潜在的干扰源。当D2D通信选择复用下行链路资源：系统干扰会较上行链路有所变化。此时，主通信的发送端变为基站，接收端变为蜂窝用户，因此，D2D通信的接收用户会受到来自于基站的C2D干扰，而蜂窝用户则会受到D2D发送用户的D2C干扰。3.2.1D2D通信技术未来网络中，D2D通信将通过直通、中继模式增强传统蜂窝通信能力，提供高质量的多媒体本地业务，扩大网络覆盖范围。同时，因为高效的频谱利用率以及本身的近距离传输特性，D2D通信可以有效降低发送设备功耗，增强网络吞吐量，卸载主干网络压力，减少网络平均传输时延，进一步拓展蜂窝通信的应用。3.2.2知识图谱2012年谷歌搜索引擎第一次提出知识图谱的概念，在后来的发展进程中逐渐普及。知识图谱中的基本单位是表示成（h,r,t）的三元组，其中h,t分别代表头尾两个实体，r代表头尾实体之间的关系，这就是知识图谱的核心。实体之间具有一定的关系，例如计算机属于工科，那么计算机与工科之间是属于关系。通过这种关系连接，每一个领域的实体就可以形成一个强大的领域有向语义网络，其中节点表示实体，节点之间的边就表示节点之间的关系。实体间通过各种关系相互连接，形成极大的网络结构图。3.2.2知识图谱构建知识图谱自顶向下自顶向上借助百科类网站等结构化数据源，从高质量数据中提取本体和模式信息，加入到数据库中。通过利用现有的一些技术手段，在公开采集的数据中对实体进行归纳组织，提取适当的资源模式。结构化数据半结构化数据非结构化数据通常都是关系型数据库的数据，结构比较清晰，可以直接将数据转为RDF数据。指具有一定的数据结构，但是仍旧需要进一步提取整理的数据。非结构化数据处理时需要进行知识抽取，抽取的知识包括实体，属性和关系。构建方式原始数据分化3.2.2知识图谱在构建知识图谱时采用自底向上的构建方式，这种方式实际上是一个迭代更新的过程，每一轮更新都包括3个步骤：（1）知识抽取，又包括实体抽取、关系抽取、属性抽取。将实体、属性及实体之间的关系从各种数据源中提取出来，在此基础上形成本体化的知识表达；（2）知识融合，在获得新知识后，需要对其进行整合，以消除矛盾和歧义，比如某个实体可能会有多种表达，某个特定称谓对应多个不同的实体等；（3）知识加工，对于融合的新知识，需要经过质量评估后，才能加入知识库中，新增数据后，可以进行知识推理拓展现有知识，得到新知识。3.2.3边缘缓存性能指标现有的研究中大多从缓存增益和缓存成本两个不同的角度来评估缓存方案的性能。前者主要涉及网络吞吐量和缓存命中率。后者主要涉及能耗和延迟。缓存增益缓存成本本质主要体现核心目标收益1.用户体验：低延迟、高吞吐。2.经济性：节省带宽、减轻源站负载。3.网络：缓解拥塞。最大化命中率，以获取更多增益。代价1.硬件：存储、计算、网络。2.一致性：失效机制、数据过时风险。3.管理：系统复杂度、运维开销。在有限资源下，通过智能策略提升效率。3.3边缘内容缓存系统模型与架构

(Edgecontentcachingsystemmodelandarchitecture)3.3边缘内容缓存系统模型与架构此模型为具有一个BS和多个D2D用户设备的单小区蜂窝网络。其中满足D2D通信要求的一对D2D发送器和接收器形成D2D对。在该场景中：（1）假设设备发现和内容共享可以自主进行。（2）假设一个D2D对复用一个蜂窝用户的频谱资源，因此不同D2D对之间没有干扰。（3）假设基站BS中包含整个文件库中的内容，能够在非高峰时间将文件缓存到移动用户设备的内存中。3.3边缘内容缓存系统模型与架构此外，本章考虑设备节点通信的物理条件，即只有设备节点在阈值距离内才能相互通信。根据该模型，一个D2D设备节点可以使用单跳通信与阈值距离内的另一个D2D设备节点进行D2D通信。如若两个D2D设备节点之间的距离超过阈值距离，则需要多跳通信。在本章中，只考虑D2D设备节点之间的一跳共享。3.3边缘内容缓存系统模型与架构假设邻居用户和移动用户之间的信道是瑞利衰落信道。此外，假设从邻居用户到请求用户的所有复用的上行链路信道都是独立且同分布的。用户之间的社交关系与用户愿意共享的功率之间有线性关系，即用户之间的社交关系越强，用户愿意共享的传输功率越大。注：瑞利衰落信道（Rayleighfadingchannel）是一种无线电信号传播环境的统计模型。这种模型假设信号通过无线信道之后，其信号幅度是随机的，即“衰落”，并且其包络服从瑞利分布。基于这种研究思路，将用户的共享意愿与传输功率之间建模为一种线性关系：：D2D接收端与发送端之间的用户合作意愿：D2D通信发送端的最大发射功率即D2D发送端的实际功率为：3.3边缘内容缓存系统模型与架构利用用户的共享意愿与传输功率之间的线性关系，计算用户间的传输速率：则内容提供者j和内容请求者i之间的传输SINR可以表示为：：内容提供者的发射功率：用户通信链路的信道增益：节点用户和用户之间的距离：噪声值：路径损耗常数。：蜂窝用户的发射功率在这里D2D用户复用蜂窝用户的上行链路，则基站BS接收到的信噪比SINR为：（3-1）（3-2）3.3边缘内容缓存系统模型与架构则两个用户之间的直接通信的传输速率为：：内容提供者的发射功率：用户通信链路的信道增益：节点用户和用户之间的距离：噪声值：路径损耗常数。：蜂窝用户的发射功率蜂窝用户的数据传输速率为：（3-3）（3-4）3.3边缘内容缓存系统模型与架构由于接收信干噪比小于阈值时，D2D通信会发生中断。因此D2D通信链路的中断概率等于其接收信干噪比的累积分布函数，即：内容提供者的发射功率：用户通信链路的信道增益：节点用户和用户之间的距离：噪声值：路径损耗常数。：蜂窝用户的发射功率：节点用户和用户之间的信干噪比阈值（3-5）3.3边缘内容缓存系统模型与架构由D2D直接链路的受限条件，可得：内容提供者的发射功率：用户通信链路的信道增益：节点用户和用户之间的距离：噪声值：路径损耗常数。：蜂窝用户的发射功率：节点用户和用户之间的信干噪比阈值，于是有：则上式可以简化为：由式中可以看出，用户之间的传输速率和中断概率都会受到用户之间的合作意愿的影响。（3-6）（3-7）3.3边缘内容缓存系统模型与架构为了满足用户高速传输数据的需求，在选择共享节点时，以提高传输速率为目标。因此可以将优化问题公式化表述为：C3：只要D2D链路的传输速率不小于蜂窝链路的速率，就可以选择D2D模式进行数据传输。C4、C5：基于设备合作能力的判断因子和基于用户社交关系的判断因子。

：设备之间的设备距离判断因子。若=1，表示用户的设备距离大于阈值，即用户设备之间可以进行内容共享，否则=0。

：用户之间的社交距离判断因子。若=1，表示用户之间的社交关系大于阈值，即用户设备之间可以进行内容共享，否则=0。（3-8）3.3边缘内容缓存系统模型与架构影响用户的共享意愿的因素包括用户设备的设备距离和用户之间的社交距离，即用户间的合作意愿是通过设备自身属性特征和用户间的社交特征来综合定义的，表示为：将请求用户的邻居用户以传输速率大小的先后顺序进行排序，在这些候选集合中选择较适合的内容共享节点，以此提升系统的总体传输速率。：用户间的合作意愿：用户设备合作能力：用户的社交关系（3-9）3.4边缘内容缓存问题建模分析

(ModelingandAnalysisofEdgeContentCachingIssues)目录3.4.1设备关系分析013.4.2社交关系分析023.4.3功率控制分析03043.4.4内容共享节点选择机制3.4边缘内容缓存问题建模分析如今，请求用户已经不再是传统的通信节点。移动社交网络的普及赋予了他们各种社会属性，这些属性的应用有可能提高通信网络的性能。这是因为当移动用户参与内容共享时，他们更愿意选择关系亲密的用户作为合作伙伴来进行数据共享，用户之间进行数据共享的概率更高，可以有效避免数据共享的失败。此外，由于内容传输和存储空间的消耗，用户设备因为设备性能的差异可能会难以进行数据内容共享。因此在选择算法中，本章基于设备的设备距离和用户之间的社交距离，为请求用户选择合适的内容共享节点以提高系统性能。其中设备距离是根据设备属性的相似度进行计算的。设备属性包括设备的计算能力，存储容量和电池容量。设备距离越大，表示设备之间合作的可能性越大。社交距离则是根据用户之间的相遇概率和用户之间的属性相似度计算得到。同样的，社交距离表示社交距离越大，用户之间的社交关系越强。3.4.1设备关系分析在这里设备距离指的是用户设备之间的合作能力，即对移动用户之间的通信能力的评价，由用户设备的属性相似度计算得出。如果用户的设备属性相差过大，用户基于通信的设备距离可能不会与性能较差的移动设备共享数据内容。在这里用移动设备的属性相似度来模拟移动用户之间的合作能力。对于数值类型的属性值

，本章使用欧式距离来计算两个用户在属性上的相似度。距离越大，即

和

之间相差的越大，

值就越大，表示实体之间的相似度越小，反之，相似度越大。：设备的属性值：设备属性间的欧式距离：设备间的相似度，将设备间的相似度定义为设备距离。（3-10）（3-11）3.4.1设备关系分析在这里本章定义一个基于设备属性的设备距离阈值，表示为：设备间的相似度，将设备间的相似度定义为设备距离。：设备之间的设备距离判断因子。若=1，表示用户的设备距离大于阈值，即用户设备之间可以进行内容共享，否则=0。（3-12）3.4.1设备关系分析基于知识图谱的设备图谱构建流程图其中设备的属性及属性值都被存储在构建的图谱中，可以清楚显示出设备和设备属性以及用户之间的关系。考虑到用户设备的特性，将用户的移动设备联合建立成为一个设备图谱，其中设备属性包括