30、边缘协同缓存策略：优化边缘计算的创新方案

边缘协同缓存策略：优化边缘计算的创新方案

在当今互联网时代，移动终端和用户数据量呈爆炸式增长，边缘计算成为解决这一困境的重要选择。然而，随着其广泛应用，缓存堵塞、安全性低等问题也逐渐凸显。本文将介绍一种基于联邦学习的边缘缓存请求和更新策略，旨在提高缓存命中率、降低传输延迟，并增强数据安全性。

1. 边缘计算缓存现状与问题

传统的边缘计算模型基于单基站网络，为覆盖区域内的所有用户提供服务。当用户请求内容数据时，基站首先检查缓存中是否存在该内容。若存在，则直接交付给用户，称为“缓存命中”；若不存在，则从数据中心请求内容并转发给用户，称为“缓存未命中”，此过程会消耗更多时间。

单基站模式存在诸多问题：
- 设置成本高 ：用户需自行设置本地参考站，且设置过程中存在误差，需要大量的资金和人力进行设置和调整。
- 缺乏自主学习能力 ：传统网络模型无法确定哪些资源值得缓存，通常采用随机缓存策略。当缓存空间已满时，基站随机选择要替换的内容，导致缓存命中率较低。
- 高延迟问题 ：每个请求和更新都需经过缓存控制中心和数据中心，随着数据请求的增加，延迟问题愈发明显。

2. 基于联邦学习的边缘缓存策略

为解决上述问题，我们设计了一种基于联邦学习的自主边缘缓存请求和更新策略，其更新方法分为被动更新和自动更新两种类型。

2.1 被动更新

假设缓存中已存储模型预测的资源集 M。当边缘用户向上请求资源 d 时，缓存会自动搜索 M 中是否存在该资源。若存在，则直接发送该资源；若不存在