基于边缘计算的数据协作缓存研究

吴文臣

摘要：在边缘计算环境中，边缘服务器部署在基站中以为附近的应用程序用户提供可访问的计算和存储资源。从应用程序供应商的角度来看，将数据缓存在边缘服务器上可以确保应用程序用户检索应用程序数据的低延迟。但是，边缘服务器通常由于大小有限而拥有有限的资源。本文研究了边缘计算环境中的协作缓存问题，旨在最大程度地降低系统成本，包括数据缓存成本，数据迁移成本和服务质量（QoS）损失。

关键词：边缘计算;数据协作

中图分类号：TN929.5   文献标识码：A   文章编号：1672-9129（2020）16-0001-01

1 介绍

在过去的十年中，世界见证了移动设备的指数增长，包括移动电话，可穿戴设备，平板电脑，智能车辆和物联网（IoT）设备。巨大的网络流量通常会导致网络拥塞并增加网络延迟。为了解决这个问题，边缘计算（EC）是一种新的计算范例，可以将计算能力从集中式云分发到分布式边缘服务器。每台边缘服务器均由一个或多个物理设备供电，并连接到地理位置接近应用程序用户移动设备的基站或接入点。移动和物联网应用程序供应商（以下称为应用程序供应商）可以托管其应用程序通过在边缘服务器上租用计算和存储资源，在边缘服务器（以下称为边缘应用）上确保其应用程序用户的低延迟和高质量服务。可以将计算任务从移动设备转移到附近的边缘服务器，以减少这些移动设备上的计算开销和能耗。这是促进5G移动网络发展的关键技术。

通过云和应用程序用户的移动设备之间的边缘服务器。从应用程序供应商的角度来看，缓存这些数据（尤其是流行的数据，例如视频和来自社交网站的帖子）将大大减少用户检索应用程序数据时的网络延迟。如果数据已经在这些边缘服务器上缓存，则应用程序用户可以从附近的边缘服务器而不是远程云服务器检索数据。此外，在边缘服务器上缓存数据还可以大大减少在云和移动设备之间传输的数据量，从而降低了按需付费定价方案下应用程序供应商的数据传输成本。

2 系统模型

从硬件缓存（例如CPU，GPU，内存，磁盘）到软件缓存（例如Web，数据库等），数据缓存技术已在许多不同的领域得到广泛实现。在网络领域，数据缓存也得到了深入研究。利用其在节省带宽消耗，减少网络延迟和最小化访问成本方面的优势。在过去的几年中，许多研究人员从不同的角度研究了网络缓存，例如，缓存分配和替换策略，编码缓存，请求路由和信息理论缓存。边缘计算作为一种新的计算范式，为数据缓存提供了新的机遇并提出了新的挑战。基本目标和机制是在边缘服务器上缓存流行的数据，以便附近的应用程序用户可以低延迟地检索缓存的数据。这对于对延迟敏感的应用程序（例如交互式游戏，实时导航，增强现实等）尤其重要。此外，在边缘服务器上缓存数据还可以通过减少移动流量来减轻Internet主干网的流量负担。在云和应用程序用户的移动设备之间大量传输的数据。

边缘计算与云计算显著不同，后者促进了以内容为中心的网络和内容交付网络。在边缘环境中，部署在不同基站的相邻边缘服务器可以与其相邻的边缘服务器进行通信，并通过高速链路，传输数据。可以在覆盖该区域的边缘服务器之间转移和平衡应用程序用户在特定区域内的工作负载。这种架构克服了宏基站遇到的单点故障问题。因此，特定区域中的边缘服务器可以构成一个图形，即边缘服务器网络，其中一个节点代表一个边缘服务器，一个边缘代表两个边缘服务器之间的链接。

为了以一种通用的方式量化CEDC问题中的优化目标和约束条件，我们通过数据单元的数量以及跳数的数据检索延迟来测量数据大小和缓存空间。在所有四个边缘服务器上缓存数据d的消耗为4。当仅在边缘服务器v3上缓存数据d时，设备1可以通过0跳从其本地边缘服务器v3检索数据，而设备1可以从以下位置检索数据d 通过1跳的邻居边缘服务器v4。这样，通过集成边缘基础设施提供商的特定定价模型和延迟模型，可以轻松扩展这些模型。

由于数据请求在边缘计算环境中随机到达，因此我们将数据请求到达建模为独立且相同的分布，类似于边缘计算，云计算和无线网络领域的许多研究。

边缘服务器网络中的数据检索延迟包括两个部分：设备与其附近的边缘服务器之间的延迟以及其本地边缘服务器和邻居边缘服务器之间的延迟。由于第一个组件在5G网络中非常小，并且不受数据缓存策略的影响，因此在制定数据缓存策略时不会考虑它。因此，在时隙t中为应用程序用户的移动设备m检索数据d的网络延迟计算如下：

从应用程序供应商的角度来看，其边缘缓存系统的关键性能指标是数据缓存策略产生的总系统成本。

数据缓存成本是根据应用供应商在每个时隙中雇用的存储资源来衡量的。数据迁移成本是通过将数据从云或相邻边缘服务器迁移到本地边缘服务器而产生的。QoS损失是系统成本的第三部分，发生在用户必须以高延迟从云服务器检索数据时发生。

3 在线缓存算法

为了最佳地解决协作边缘数据缓存问题，必须知道所有时隙上有关系统的完整信息。但是，这对于现实世界的场景是无法实现的。为了切实满足应用程序供应商的长期等待时间限制，我们需要将非凸问题P1转换为线性和凸规划问题。为此，介绍了一种基于Lyapunov优化的在线协作边缘数据缓存（CEDC-O）算法，用于在单个时隙中找到协作边缘数据缓存问题的最佳解决方案，而无需进一步的信息。

4 仿真

在图1中，CEDC-O的平均数据缓存成本再次最低。有趣的是，此图中DO（面向延迟的数据缓存方法）的性能几乎是一条水平线。DO总是尝试在不考虑已用缓存空间的情况下实现最低延迟。因此，它耗尽了大多数时隙中所有可用的缓存空间。

5 总结

本文研究了协作边缘数据缓存（CEDC）问题。首先確定了主要挑战，并针对此问题提出了一个综合成本模型，其中系统成本由数据缓存成本，数据迁移成本和服务质量损失组成。本研究为边缘数据缓存问题奠定了基础，并开辟了未来的研究方向。在未来的工作中，我们将考虑 可用的边缘服务器缓存，用户移动性和安全策略的动态变化。

参考文献：

[1]王朝，高岭，高全力.边缘计算中数据分层的协同缓存策略[J].纺织高校基础科学学报，2020，33（03）：106-112.

[2]褚磊. 基于深度强化学习的物联网暂态数据缓存策略研究[D].华中科技大学，2019.

[3]汪海霞. 移动边缘计算系统中内容缓存优化技术研究[D].浙江大学，2019.

[4]尤斐然. 基于博弈论的异构网络中边缘计算与缓存技术研究[D].南京理工大学，2018.