认知多智能体赋能MEC资源协作

认知多智能体赋能移动边缘计算用于资源缓存与协作

摘要

如今，移动网络服务发展迅速，催生了车联网和虚拟现实等各种计算密集型和资源密集型应用。移动边缘计算（MEC）靠近数据源和用户，使终端能够在网络边缘执行任务，从而减轻核心网络的负载，并高效完成任务处理。然而，用户需求各不相同，且用户处于持续移动状态，现有服务供给方式难以满足所有用户的需求。

本文提出认知代理（CA）以帮助用户在MEC上提前缓存并执行任务。具体而言，CA结合用户行为数据构建个性化模型，同时利用长短期记忆神经网络预测终端设备的移动轨迹以及将要请求的服务类型，并基于预测结果生成缓存策略、缓存业务，缩短任务执行延迟。此外，为进一步减轻MEC的压力，我们提出了与邻近用户的设备进行计算、通信和缓存资源的协作。为验证CA的有效性，我们构建了一个评估系统性能的模型。最后，设计了仿真实验来执行资源请求与资源协作。实验结果表明，CA能够提升通信网络效率，缓解网络压力，并改善对用户的服务质量。

1. 引言

目前，随着无线通信和物联网（IoT）[1,2]的快速发展，新兴的信息服务和应用迅速增加。越来越多的智能设备，如可穿戴设备、远程医疗系统和虚拟/增强现实（VR/AR），需要先进的通信技术和计算能力来保障超可靠低延迟通信（URLLC），这带来了巨大挑战。

对于网络供应商[3,4]而言，大量无线接入设备持续输出海量数据[5]。合理利用这些有价值的信息对于提升面向用户的服务质量具有重要意义[6]。

移动边缘计算（MEC）在网络边缘靠近数据源或用户的位置提供通信、计算和缓存基础设施[7]。它为边缘应用提供云服务和信息技术环境，并向用户提供高质量通信服务[8–13]。这种新兴服务模式MEC的优势可总结如下：（i）由于靠近用户或数据源，能够解决长延迟和高数据流量等问题，能很好地支持实时和带宽密集型的物联网设施，特别是情感感知多媒体系统[14–16]。以无人驾驶为例，汽车需要实时计算行驶速度、与他人的距离并感知周围环境，短延迟的数据传输可有效降低交通事故的发生概率。（ii）MEC基于边缘网络缓存技术部署资源，减少了在互联网上重复传输相同内容所造成的资源的巨大浪费[17,18]，同时显著缩短了传输时延。根据内容流行度，可对超高清视频进行缓存，并实现异步内容复用[19]。

提出了一种基于边缘缓存的协同缓存架构[20]。利用MEC资源来提升边缘缓存能力，从而能够最小化内容访问时延并提高缓存资源利用率。罗等人考虑了MEC服务器的能耗、回传容量和内容流行度分布，并构建了一个联合优化框架，以最小化系统能耗并找到最佳缓存位置，实现更高的能效[21]。在上述方案中，虽然考虑了多用户的请求数据和预取缓存策略以获得更好的性能，但忽略了单个用户的需求，无法为他们提供个性化服务[22,23]。在网络边缘，由于上下文的不同，用户请求的资源存在很大差异[24]。上下文包括网络状态、用户个人数据以及时空数据。曾等人提出了一种启发式智能缓存算法[25]，通过模拟用户行为反映其不同需求，并在此基础上以低成本实现高缓存命中率和稳定性。然而，边缘云通常资源有限，边缘资源尤其稀缺，这意味着不可能将所有用户的个人行为模型存储在边缘云上。换句话说，无法实时为边缘云提供缓存内容的参考依据。针对该问题，任等人研究了云计算与边缘计算的协作[26]，但仍未能解决边缘云资源稀缺的问题[27,28]。对于某些物联网设备，特别是车联网，具有高移动性，意味着短时间内会经过多个边缘云，甚至发生云间切换[29,30]。这大大增加了获取用户数据和行为模型的难度[31,32]。

代理是一个能够感知上下文、持续且独立地执行功能并应对环境变化的计算机程序模块[33]。该模块具有交互性和主动性，可以独立工作，已应用于许多领域[34]。Daniel等人使用基于代理的移动算法[35]。微型无人机可在严酷的高环境中携带传感设备，以实现高覆盖率下的高质量通信。针对车载自组织网络，Premkumar等人构建了认知代理，并提出了一种稳定的路由协议，以寻找信息传输最稳定的路线[36]。

然而，上述提到的代理不具备认知能力。它无法应用个性化数据为用户生成最优方案[37,38]。

基于上述讨论，本文引入了在智能设备的移动边缘计算（MEC）上实现认知功能的认知代理（CA），面向第五代移动通信系统（5G）。每个拥有CA的智能设备都能够感知上下文，存储物联网设备的应用数据和通信数据，并生成用户设备的行为模式。同时，它能够为用户终端提供服务，响应网络环境和业务需求的变化，提升用户的体验质量（QoE）和服务质量（QoS）[39]。综上所述，本文的主要贡献如下：

（1）提出了协作代理为用户设备提供认知能力，减轻移动边缘计算负担的构想。用户的个性化模型基于用户数据生成，从而降低移动边缘计算的存储与计算压力。此外，移动边缘计算可进一步智能化。

（2）基于感知能力，提出了用户行为轨迹及应用的预测模型——协作代理，展示代理的认知能力。此外，移动边缘计算可根据预测结果缓存相应资源，从而大幅提升缓存效率。

（3）通过CA的交互，提升了用户设备之间的资源协作能力，减少了资源浪费。通过应用不同用户设备代理之间的交互，实现协作——在拥有足够网络资源的情况下，可以实现通信、计算和缓存资源。

本文的其余部分组织如下：第2节介绍代理与移动边缘计算的研究。第3节提出边缘云上认知代理的框架，并以车联网为例，介绍设计细节。第4节构建预测模型，实现高效缓存和低通信能耗。第5节开展相关实验，验证认知代理的性能。最后，第6节总结全文。

2. 相关工作

本文的突出研究问题是利用协作代理来预测用户在位置和时间序列上所需的服务。这是为了在边缘云上进行缓存业务，以及实现不同用户设备之间通信、计算和缓存资源的协作。相关问题在最近的研究中也已进行了阐述[40]。

缓存技术是一种以空间换取时间的手段。局部性是其有效性的基础，包括空间局部性和时间局部性。通常，缓存研究可涉及两个方向：缓存什么[41–45]和何时缓存[46–48]。边缘内容缓存基于流行度，具体可分为基于模型的缓存[42]和基于学习的缓存[43–45]。

Abdallah Khreishah等人[42]设计了完整的多项式时间近似算法，用于研究基站间协作内容的缓存，以最小化总运营成本。王志等人[43]研究了微博系统中视频传播模式与视频分享网站上视频流行度之间的关联。设计了一种基于神经网络的学习框架，用于预测潜在观众数量及其地理分布。S. Li等人[44]提出了一种缓存替换方法PopCaching，通过在线流行度学习显著提高了缓存命中率。边缘缓存时间策略可以

主动缓存[46]和自适应缓存[47,48]。沈等人[46]在博弈论中使用了斯塔克尔伯格模型，运营商基于业务高峰期的流量价格激励缓存。在[47]中考虑了用户移动性，以提出自适应缓存策略。坦齐尔等人[48]提出了一种结合内容感知和蜂窝网络感知的自适应缓存策略。

基于上述方法以及协作代理中的历史数据，在边缘云上通过主动学习构建用户应用行为模型。然后根据用户移动轨迹，将主动缓存与资源协作相结合。

代理是分布在环境中用于感知环境、交换信息和执行决策的认知实体。CA的交互可用于实现特定区域内不同用户设备上的通信、计算和缓存资源的协作与整合。王晓飞等人[39]设计了边缘AI框架，将深度强化学习框架和联想学习框架与移动边缘系统相结合，优化移动边缘上的通信、计算与缓存。M. 陈等人[49]提出了计算任务缓存Edge‐CoCaCo的新概念，即在边缘云上对计算、缓存和通信进行联合优化。孙亚萍等人[50]提出了一种基于MEC的移动VR传输框架，并揭示了通信、计算与缓存之间的平衡。安塞尔姆·恩迪库马纳等人[51]应用块连续上界最小化方法解决通信、计算、缓存和控制之间的问题，以实现最小化延迟和最大化带宽节省的目标。他们的研究表明了MEC上的资源协作。本文中，CA可用于连接不同设备进行交互，以减少通信网络中通信、缓存和计算资源的消耗，并实现URLLC网络。

因此，本文利用协作代理构建的用户个性化模型来预测用户应用使用行为，并在移动边缘计算上缓存相关内容。同时，通信、计算和缓存资源的协同协作最小化了能耗，并促进了不同物联网设备之间的交互。

3. 提出认知代理范式及设计问题

本文介绍了移动边缘计算中的代理范式。以车联网中的资源缓存与协作为例，详细阐述了协作代理如何帮助移动边缘计算在车联网中实现内容缓存以及通信、计算与缓存资源的协同。

3.1. 认知代理范式的设计

协作代理是一种具备认知能力的计算机程序模块，依赖于终端用户设备，帮助用户请求资源并交互资源。它主要负责终端用户在移动边缘计算中的资源管理。协作代理的范式框架如图1所示。

本文主要关注网络的三个层次。具体而言，终端用户通过无线网络向移动边缘计算（MEC）请求资源，而MEC通过基站向上层核心网络请求资源。核心网络中的统一数据库包含动态策略数据、半静态用户数据和静态网络数据，网络根据这些数据相应地执行网络控制策略。MEC具备一定的计算资源和缓存资源，同时负责控制资源（如资源缓存和卸载）并管理通信资源。对于终端用户而言，不同设备接入无线网络，例如物联网、智能制造、车联网和智慧城市中的设备，这些设备对时延要求较高；此外还有对计算性能要求较高的服务，如虚拟现实/增强现实、远程医疗系统、游戏等。为了满足智能设备的需求，协作代理（CA）为用户提供个性化模型，以满足其在超可靠低时延通信（URLLC）方面的需求。协作代理的四个功能模块如下所述：

• 知识库（KB） ：它包含用户的个人历史数据和个性化模型。由于协作代理是针对每个用户设备的，因此不同设备会产生不同的数据，包括应用数据和时空序列中的历史数据，因此每个代理负责记录其设备生成的数据，并存储从这些数据中获得的用户个性化模型。此外，KB包含代理感知到的应用环境和网络环境。KB是执行其他三个功能模块的基础。基于存储的信息，可以充分了解设备的状态和使用情况。

• 决策与执行 ：协作代理帮助用户请求资源、执行缓存策略，并与其他代理的资源进行协同。通过预测用户行为轨迹以及利用知识库中的应用内容，可制定缓存策略。通过在移动边缘计算的时间和位置节点提前请求资源，能够方便地实现资源的缓存与传输。同时，若某一设备所请求的资源可由邻近设备提供，则该模块负责与其他代理进行资源协作，以完成资源传输。

• 数据分析与处理 ：对收集到的数据应用在线学习和增量学习，以更新知识库中的信息。增量学习是指学习系统持续从新样本中学习新知识，并保留之前已学习的大部分知识。协作代理可以感知设备的应用环境、通信环境以及移动边缘计算中的资源环境。这些环境信息将被提供给数据分析与处理模块。可预测用户在时间和空间序列上的资源未来请求，然后将其传输至知识库模块，以确保能够做出决策并采取动作。

• 代理之间的交互 ：协作代理与邻近的协作代理交换信息以实现资源协作。当彼此靠近的不同用户向移动边缘计算请求相同资源时，会消耗大量网络资源。因此，设备可以直接从周围设备请求资源以完成资源传输，从而降低网络上的传输延迟和移动边缘计算的计算负载。该模块负责与邻近代理共享和交换信息，并在允许的距离范围内完成资源协作。

上文介绍了协作代理的主要模块。以车联网为例，针对资源缓存与协作，描述了代理的功能。

3.2. 基于单代理的移动边缘计算辅助缓存

车联网是物联网的一个具体场景，对应多样化服务。在此场景中存在大量基于车辆到万物（V2X）的终端用户和应用。通过最优信道接入技术[52]，可实现车辆与车辆、车辆与基站、基站与基站以及车辆与其他物体之间的通信。针对车联网应用环境，基于移动边缘计算的LTE网络架构可通过减少Uu模式下数据传输的路由节点来缩短端到端延迟。此外，可利用移动边缘计算覆盖范围的特点，部署具有地理和区域特征的车联网服务。为进一步缩短用户请求延迟并提供个性化的车联网服务，可预先将内容缓存在边缘云上。当用户请求内容时，若该内容已缓存在边缘云上，则用户可直接获取所需内容。这缩短了内容请求的延迟，缓解了核心网络的压力，并提升了用户的用户体验质量。由边缘云上的单个代理辅助的缓存执行分为以下三个阶段。

• 在线学习可预测时空序列中的缓存内容 。基于协作代理知识库中的车辆历史轨迹数据，可获得给定时间戳和位置的用户移动模型和服务请求模型。当车辆移动时，上述模型可用于提前预测车辆的目的地、路线以及将要请求的服务类型，以用于缓存。

• 缓存请求的发起 。在预测到车辆将请求的业务后，协作代理负责向相应路线的移动边缘计算节点请求业务。这是为了提前缓存服务并缩短时延。

• 增量学习更新知识库 。车辆行为的预测结果和车辆的实际状态将返回到知识库。如果预测结果与实际情况一致，则可提供正样本用于更新知识库模型；反之，则为负样本。这些有助于构建更好的个性化模型，显著提升用户体验。

3.3. 多智能体赋能的资源协作在 MEC

从不同角度来看，车联网有多种分类方式。例如，其应用可分为专注于用户体验的信息服务应用、专注于驾驶的汽车智能应用以及专注于协作的智能交通应用。信息服务应用主要涉及车主的交互体验，包括导航、娱乐和远程医疗。汽车智能应用包括智能红绿灯、自适应巡航增强和智能停车管理。智能交通应用基于无线通信和传感器检测技术，支持城市大脑对城市运行与治理的协作进行智能化处理[53]。

上述应用需要车辆、道路和环境之间的高度协作，在满足用户应用需求的同时，也能优化系统资源。

多智能体赋能的资源协作旨在解决用户终端和移动边缘计算（MEC）资源容量稀缺而无法满足业务需求的问题。因此，考虑MEC服务器与用户终端在计算、通信和资源缓存方面的协作以满足业务需求。换句话说，终端通过计算、通信和缓存来满足服务请求。

资源协作的目的是提升用户的体验质量（QoE）以及网络供应商的服务质量（QoS）。终端的时延和包括计算能耗与传输能耗在内的总资源消耗将用于表征这两者。

在车联网中，当邻近车辆请求相同资源时，一辆车辆会共享并协作资源。这些资源可以是通信资源、计算资源和缓存资源。在行驶过程中，车辆内的用户沉浸于游戏体验中。与此同时，邻近用户正在同一场景下进行游戏，而相关资源已缓存在边缘云上。如果不考虑资源协作，移动边缘计算将分别向车联网中的应用程序传输相同的数据包，这意味着占用一定的通信带宽。如果采用资源协作，协作代理在共享和交换信息时会感知到两台设备上的相同游戏应用，并使终端之间能够通信

彼此之间。拥有资源的用户可以通过D2D或其他先进的协作通信技术（如[54]）将资源传输给其他用户。MEC终端的计算资源可转化为终端的通信资源。此外，类似的资源协作还包括通信资源转化为缓存资源，以及计算资源转化为缓存资源。不同终端之间的协作将提升整个系统的容量，缩短传输延迟，降低能源资源消耗，并显著保障用户体验质量和QoS。

4. 问题建模与解决方案

CA负责预测用户行为并制定缓存策略。同时，它与其他代理交互以完成资源协作。本部分将阐述缓存和资源协作的目标，并详细描述用于制定缓存策略的关键技术。

4.1. 缓存的关键问题与技术

MEC上的缓存首要问题是如何选择缓存位置。在代理预测了用户的轨迹后，可以将用户将要使用的相关内容缓存在最近的云上。如图2所示，我们首先讨论如何预测用户的轨迹。有许多预测算法，例如传统机器学习算法中的决策树、支持向量机（SVM）、K‐最近邻（KNN）和线性回归。这些算法可以快速训练数据并易于实现。然而，由于这些算法在捕捉时间序列中的上下文信息方面性能较弱，因此不适合用于预测用户移动轨迹。本文采用长短期记忆（LSTM）算法来预测用户移动轨迹。用户的历史轨迹表示为 H={l₀, l₁,…, lⱼ₋₁}。lᵢ是用户在时间戳i下的位置。Sᵢ={r₁, r₂,…, rᵤ}是位置lᵢ处所使用的服务类型。我们的目标是预测接下来的K个位置序列{lⱼ,…, lⱼ₊ₖ₋₁}以及请求的服务类型{sⱼ,…, sⱼ₊ₖ₋₁}。模拟训练过程分为三个阶段。首先，全连接层负责处理位置序列中的服务类型及对应的位置序列，将每个值映射为多维特征向量。然后，处理后的序列将被传送到LSTM模型的主要处理部分，即一个深度堆叠LSTM神经网络。前一层的输出序列作为下一层的输入。最后，全连接层负责输出预测结果位置{˜lⱼ,…,˜lⱼ₊ₖ₋₁}以及该位置中的服务类型{˜sⱼ,…,˜sⱼ₊ₖ₋₁}。

最后，用户移动模式和业务请求类型被保存在知识库中。然后可根据网络的训练参数预测未来的轨迹和业务。随着新数据的生成，可采用增量学习来更新模型。

在预测用户移动轨迹和业务请求类型后，协作代理需要在相应位置向移动边缘计算请求相应的服务。预测的目标是提高缓存命中率。

缓存的成功率定义如下：

$$
x^s_{i,j} =
\begin{cases}
1 & \text{Hit} \
0 & \text{Not hit}
\end{cases}
$$

(1)

其中 $ x^s_{i,j} $ 是用户j在时间戳i下对业务s的缓存命中值。若成功则等于1，否则等于0。

因此，我们可以得到用户j在时间戳i下的缓存命中率：

$$
\text{HitRate} = \frac{\sum_{j=1}^{p} x_{i,j}}{\text{sum_services}} \times 100\%
$$

(2)

其中 sum_services 表示用户j在时间戳i下的总业务请求。

在预测用户设备的移动轨迹和将要请求的服务后，我们将采用由Q学习辅助的缓存策略。Q学习是一种基于值的强化学习算法。Q(s, a) 表示在某一时刻状态下采取动作a的期望回报。随后，协作代理将根据动作的反馈获得相应的回报。在更新与迭代过程中，可根据Q值选择能够获得最大收益的动作。换句话说，即最大化命中率并最小化执行延迟。在图2中，采用了深度Q学习网络，其包含五个部分。环境指协作代理中的知识库，所有数据均可从中获取。深度神经网络负责生成缓存策略。用于训练神经网络的数据有三个来源：知识库、经验回放缓存以及长短期记忆网络的预测结果。损失函数通过反向传播调整网络参数。神经网络的预测值被输入策略中以生成相应的动作，并在经验回放缓存中进行更新。经验回放缓存负责管理系统的行为和状态。使用贝尔曼方程来更新Q值：

$$
Q(s, a) \leftarrow (1 - \alpha)Q(s, a) + \alpha[r + \gamma \max_{a’} Q’(s’, a’)]
$$

(3)

其中 α是学习率；γ是折扣因子；r是奖励函数；s和a分别表示状态和动作。状态包括终端设备（移动性、电池电量等）以及边缘云上资源的可用性。

动作包括是否缓存资源、是否执行资源协调等。执行缓存任务的最终目标是缩短任务执行延迟。需要定义网络的通信模型。根据香农定理，系统的上行数据速率可以表示为：

$$
R_j = W \log_2\left(1 + \frac{P_j \cdot H_j}{\omega}\right)
$$

(4)

其中，W是上行链路的通信带宽；P_j是终端的发射功率；H_j是用户到基站的信道增益；ω是噪声功率。对于本地任务计算模型，f_j是每个移动终端CPU的计算能力；D_j是CPU的周期数。

因此，可以得到本地任务计算时间：

$$
T_j = \frac{D_j}{f_j}
$$

(5)

最终，可以得到任务执行总时间：

$$
T_{i,j} =
\begin{cases}
T_j + \varepsilon_{i,j} & \text{Hit} \
\frac{R_j + T_j + \varepsilon_{i,j}}{} & \text{Not hit}
\end{cases}
$$

(6)

其中 $\varepsilon_{i,j}$ 是用于任务执行过程中干扰因素的校正因子。

4.2. 资源协作的系统模型

考虑到在辅助驾驶领域的应用，为了确保车辆之间的安全通信并保证最小可达速率，协作代理进行信息共享和资源协调，如图3所示。

设备到设备通信可用于缩短传输时延、提高传输速度以及增加小区承载的设备。资源协作的一个问题是多个设备直连用户使用多资源。在满足用户需求的前提下，可以增强用户的性能增益，并降低蜂窝用户的性能损失。用户的性能损失可以通过复用代价来反映。

关于D2D网络中的资源协作，其目标是最大化网络处理能力并最小化复用代价。用户设备的处理容量为：

$$
R_d = W \log_2\left(1 + \frac{P_d \cdot G_{d,d}}{\sigma^2 + P_u \cdot G_{u,d}}\right)
$$

(7)

为便于分析，假设复用前后的速率或发射功率相同。这样，性能损失转化为用户的速率损失。性能损失可描述为：

$$
L_d = W \log_2\left(1 + \frac{\tilde{P} u \cdot G {u,b}}{\sigma^2}\right) - W \log_2\left(1 + \frac{P_u \cdot G_{u,b}}{\sigma^2 + P_d \cdot G_{d,b}}\right)
$$

(8)

其中，P_d 是用户在设备到设备通信中的发射功率；P_u是蜂窝用户的发射功率；$\tilde{P} u$是复用前蜂窝用户的生成功率；σ²是高斯噪声的功率。G {d,d} 是从设备到设备通信发射端到基站链路的增益。G_{u,d}是链路的增益从小区发射端到设备接收端。G_{d,b}是从小区用户到基站的链路增益。而G_{u,b}是从小区到基站的链路增益。性能损失是蜂窝用户复用资源的代价。假设设备在复用资源后，发射功率与之前相比不能改变。那么性能损失即为速率损失。在复用资源后，用户设备到基站之间会发生信号干扰。

本文中资源协作的目标是保证用户在设备到设备通信中的体验，并缓解移动边缘计算中的通信和计算压力。

5. 性能分析

为了体现协作代理的认知功能，本文将验证将其引入移动边缘计算后的有效性，并开展相关仿真实验。本文将从两个方面进行实验。一方面，针对用户设备的移动性预测其行为模式，并执行相应的缓存方案，以提高缓存命中率并缩短任务执行延迟；另一方面，验证设备之间的设备到设备通信。通过计算资源、通信资源和缓存资源之间的协作，可以提升网络处理能力，缩短任务执行延迟，并有效减轻移动边缘计算及核心网络服务器的负担。本文采用以下假设进行有针对性的实验：基站能够为移动边缘计算提供充足的通信资源，当协作代理请求缓存资源时，不考虑请求延迟，且基站能够为用户提供充足的通信资源，无需等待资源分配。具体的实验过程如下所述：

5.1. 实验设置

本文实验使用了不同类型的数据。为了预测用户行为，我们使用真实数据集获取不同用户在不同时刻的位置。数据集特征包括经度、纬度、高度和时间戳。至于用户服务请求的类型及请求服务数量，可通过仿真获得相关实验数据。需要注意的是，链路路径损耗即上文所述的链路增益，而设备到设备链路路径损耗为G_{d,d}。详情请参见表1。

5.2. 资源缓存的结果

关于用户的行为轨迹，本文使用位置的经度、纬度和高度进行测量。图4（a）展示了实验中使用的用户的移动轨迹，即车辆在不同时刻的位置点。在实验中，我们假设协作代理已获取车辆的轨迹点。

为了选择缓存策略，我们比较了三种算法：基于预测的缓存、随机缓存和最近最频繁使用（MRU）缓存。基于预测的缓存通过从给定集合中预测业务类型来实现。MRU缓存是在统计任务执行过程中用户请求资源的数量。在每一轮选择中，都会选择最近最频繁使用的缓存。对于预测资源的数量，我们假设预测缓存包含所有被预测到的资源。随机缓存和MRU缓存则分别缓存10个符合要求的资源。在图4(b)中，基于预测的缓存命中率在80%左右波动，并且在50个时间戳内趋于稳定。随机缓存策略在60%左右波动较大。MRU算法的波动幅度也较大，但其命中率有时可达到100%。分析原因是移动边缘计算提供了充足的资源，且每个用户的缓存数量不受限制。在本实验中，该值设置为10。在实际系统中，由于存储资源的限制，这种理想情况无法实现。关于任务执行延迟，基于预测的缓存算法任务持续时间较短，而其他两种算法的延迟较长。综合上述分析，协作代理用于预测的算法能够提高缓存命中率并有效缩短任务执行延迟，这表明使用代理是必要的。

图4. 资源缓存的结果。

5.3. 资源协作的结果

在资源协作方面，进行了多个设备直连用户复用多个蜂窝用户资源的实验。考虑到存在蜂窝用户和设备直连用户的混合网络，设备直连用户可以自由地进行资源协调，资源协调的目的是最大化整个网络的吞吐量，并最小化由复用带来的性能损失。我们主要考虑速率方面的性能损失。如图5所示，我们得到了在不同设备直连用户数量下，用户设备发射功率变化引起的整个网络吞吐量和性能损失的变化曲线。

从图5（a）可以看出，随着设备直连用户数量的增加，吞吐量逐渐增加，并且与设备的发射功率呈正相关。从图5（b）可以看出，随着设备直连用户数量的增加，性能损失也逐渐增大。随着用户数量的增加，用户到基站的信号增益变大，因此性能损失也随之增大。然而，当用户数量为15和20时，性能损失没有发生显著变化。我们可以通过协作代理获取资源系统，以提高整个网络的吞吐量并减少传输损耗。

图5. 资源协作的结果。

6. 结论

移动边缘计算支持将云计算功能分布到无线接入网络的边缘，使用户能够执行延迟敏感和上下文感知的应用。同时，可以减轻核心网络的压力。在此基础上，本文提出了协作代理的新模型。每个终端设备协助在移动边缘计算上执行资源缓存任务，并负责不同设备间的资源协作。我们提出使用长短期记忆网络来预测终端设备的行为轨迹和应用请求。根据预测结果，可以在邻近用户的边缘云。我们设置了资源缓存的性能评估指标，包括命中率和任务执行延迟。同时，针对不同终端之间的资源协作，我们设置了网络处理能力和能耗的评估指标，作为制定资源协作方案的指导。

最后，通过仿真实验验证了协作代理能够很好地识别并协助终端设备执行资源缓存与协作，且服务质量与用户体验质量得到提升。

未来，我们需要考虑通信网络的动态性，并为实验增加更多不确定因素。同时，有必要深入探索MEC上的资源分配和任务卸载方案。这样，MEC上的资源管理系统将具备认知功能，并且网络感知能力可以得到增强。最后但同样重要的是，CA负责存储所有用户的数据。在协作资源时，信息可以与其他代理共享。我们将在未来考虑保护用户隐私，并保障用户数据安全[55]。