文献阅读：A Survey of Edge Caching: Key Issues and Challenges
1️⃣ 边缘缓存解决的三个问题
一、在哪缓存
1.基站
2.端侧
二、缓存对象
1.内容
- 定义：在基站或者终端上缓存热门内容（文件、视频、网页），减少数据的重复传输，环节核心网络的压力
- 需要的资源：存储资源
2.数据
分成两种，结果缓存和自身数据缓存
-
结果缓存：缓存任务计算得到的结果，避免重复计算
例如：多人在同一区域使用植物识别 APP 识别相同花朵时，边缘节点可缓存首次识别结果，后续用户请求直接复用，无需各设备重复执行图像识别算法 -
自身数据缓存：将设备采集的自身数据先在本地进行自身缓存，避免重复传输
例如：IOT设备可以在设备上缓存短期内变化不大的数据（如室内温湿度 10 分钟内稳定在 25℃），设备无需每秒都向云端发送数据，只需在数据“超出阈值”（如温度突然升到 30℃）时才更新并传输，大幅减少激活次数 -
挑战：如何让缓存的数据既不过时（保证新鲜），又不频繁更新（保证效率）
-
需要的资源：存储资源
3.服务
- 定义：缓存服务（需在边缘执行的、支撑特定功能的可执行程序模块），以便在边缘执行对应的任务
- 挑战：服务选择问题、服务更新和兼容性问题
- 需要的资源：存储+计算
内容缓存、数据缓存与服务缓存对比总结表
| 对比维度 | 内容缓存（Content Cache） | 数据缓存（Data Cache） | 服务缓存（Service Cache） |
|---|---|---|---|
| 核心定义 | 缓存视频、网页、文件等静态内容，是CDN等场景中最成熟的边缘缓存类型 | 缓存智能应用计算结果与设备本地/环境数据，解决高算力需求与设备频繁激活问题 | 缓存应用服务及关联数据库/库文件，使服务在边缘直接执行，需计算与存储资源协同 |
| 缓存对象 | 静态内容（如YouTube视频、新闻网页、软件安装包） | 两类数据： 1. 结果缓存（如人脸识别结论、语音转文字结果） 2. 自身数据缓存（如温湿度传感器数据、设备状态数据） | 可执行服务模块（如AR渲染服务、IoT异常检测算法）+ 关联资源（如算法模型、数据库） |
| 核心解决问题 | 1. 重复内容传输导致的带宽浪费（通信冗余） 2. 远程服务器访问延迟高 | 1. 重复计算导致的设备能耗高（计算冗余） 2. IoT设备频繁激活传感器导致的寿命缩短 | 1. 远程调用云端服务的高延迟 2. 终端设备无法承载高算力服务执行 |
| 资源需求 | 仅需存储资源（存储静态内容文件） | 以存储资源为主，需轻量计算资源（如匹配计算结果与请求特征） | 需存储+计算资源（存储服务程序，利用CPU/GPU执行服务） |
| 典型应用场景 | 1. 视频点播（如Netflix边缘缓存热门剧集） 2. 网页加速（如浏览器边缘缓存常用网站资源） 3. 车联网（IoV）地图数据缓存 | 1. 结果缓存：多人同场景植物识别、语音助手结果复用 2. 自身数据缓存：IoT温湿度监测、智能手环心率数据暂存 | 1. AR/VR实时渲染（边缘执行渲染服务） 2. IoT设备异常检测（边缘运行分析算法） 3. 人脸识别服务（边缘存储算法与特征库） |
| 关键技术关注点 | 1. 内容 popularity 预测（基于Zipf分布） 2. 缓存替换策略（如LRU、LFU） 3. 多节点协同缓存（如D2D视频共享） | 1. 计算结果与请求特征的映射匹配 2. 数据新鲜度与缓存频率的平衡（如DRL-based更新策略） 3. 低功耗IoT设备缓存优化 | 1. 服务选择算法（有限资源下筛选高价值服务） 2. 服务更新与终端兼容性适配 3. 计算资源调度（如GPU分配） |
| 性能优化目标 | 提升缓存命中率（CHR）、降低网络延迟与核心网带宽占用 | 降低设备能耗、减少计算冗余、保障IoT数据时效性 | 降低服务响应延迟、提升服务执行效率、减轻云端算力负担 |
三、缓存策略
两个不同的角度分析缓存策略：主动和被动；集中和分布；
1.主动缓存（预缓存技术）
- 定义：对用户请求进行预测，在请求发生前就决定要缓存哪些对象
- 场景：延迟敏感场景
2.被动缓存
- 定义：用户请求到达后才决定是否缓存特定对象
- 例如：用户请求某个科技新闻
- 请求发送到边缘服务器，若边缘服务器已缓存，则返回结果；如果没有缓存则向远程服务器请求
- 边缘服务器接收到来自远程服务器的科技新闻后，将结果先返回给用户；然后判断是否将该新闻缓存。如果本地缓存没满，则直接缓存；如果本地缓存满了，则采用缓存替换算法，替换某些内容后，再进行缓存。
- 缓存替换算法(核心)：LRU（删除 “最近一段时间内最少被访问” 的内容）、LFU（删除 “历史访问次数最少” 的内容）……
- 场景：传统 Web 缓存（如浏览器缓存）最常用的模式
反应式缓存（Reactive Caching）与主动式缓存（Proactive Caching）对比表
| 对比维度 | 反应式缓存（Reactive Caching） | 主动式缓存（Proactive Caching） |
|---|---|---|
| 核心定义 | 被动触发的缓存策略，仅在用户发起请求后，才判断是否缓存该内容，缓存行为完全依赖用户请求事件 | 主动预测的缓存策略，基于用户需求预测（如内容流行度、用户行为模式），在请求到达前提前缓存内容 |
| 触发时机 | 缓存的“替换”均发生在用户请求之后 | 缓存的“预存”“更新”发生在用户请求之前（通常在网络闲时完成） |
| 关键依赖技术 | 核心是缓存替换算法（如LRU、LFU、SF-LRU），解决缓存满时“删除旧内容、保留新内容”的决策问题 | 核心是需求预测技术（如机器学习、大数据分析、Zipf分布模型），需准确估计内容流行度与用户行为 |
| 工作流程 | 1. 用户发起请求→2. 检查缓存（命中则响应，未命中则向服务器请求）→3. 响应用户→4. 决定是否缓存新内容 | 1. 闲时分析用户数据→2. 预测热门内容→3. 提前向服务器请求并缓存内容→4. 用户请求时直接从缓存响应 |
| 性能优势 | 1. 实现简单，开发/部署成本低；2. 资源利用率高，仅缓存“已验证有需求”的内容，无盲目预存浪费 | 1. 首次请求延迟低，用户无需等待服务器响应；2. 高峰时段缓解网络负载，减少核心网传输压力 |
| 性能劣势 | 1. 首次请求延迟高（未命中时需从远程服务器获取）；2. 热门内容突发请求时易出现缓存未命中拥堵 | 1. 预测准确性依赖大量用户数据，可能因预测偏差导致资源浪费（预存内容无人请求）；2. 需额外算力支撑预测 |
| 资源需求 | 低，仅需基础存储资源，无需额外算力用于预测 | 高，需存储资源（预存内容）+ 计算资源（运行预测算法） |
| 适用场景 | 1. 用户需求随机性强的场景（如冷门网页搜索）；2. 边缘设备资源有限的场景（如手机本地缓存、小型基站）；3. 非延迟敏感场景（如文字新闻浏览） | 1. 用户需求可预测的场景（如热门视频、通勤路线导航数据）；2. 延迟敏感场景（如AR/VR、在线游戏）；3. 网络闲时资源充足的场景（如夜间预存热门内容） |
| 典型算法/策略案例 | - 替换算法：LRU（最近最少使用）、LFU（最不经常使用）、SF-LRU（结合LRU与LFU的二次机会算法） - 自适应策略：根据网络状态切换不同替换算法（如Subramanian提出的策略） | - 预测算法：基于机器学习的内容流行度估计（如Tanzil的边缘视频缓存策略）、深度循环神经网络（Bi-DNN）预测用户请求序列 - 博弈论优化：Stackelberg游戏模型优化预存决策（如Zheng的大规模边缘缓存策略） |
集中式缓存（Centralized Caching）与分布式缓存（Distributed Caching）对比表
| 对比维度 | 集中式缓存（Centralized Caching） | 分布式缓存（Distributed Caching） |
|---|---|---|
| 核心定义 | 以中央控制器为核心的缓存策略，由中央节点统一收集网络全局状态（如用户请求、缓存占用），并制定全局缓存决策（放置、替换） | 无中央控制的缓存策略，各缓存设备（如基站、终端）根据本地信息或相邻节点信息，自主制定缓存决策，无需依赖全局指令 |
| 决策主体 | 唯一的中央控制器（如核心网服务器、云端控制节点） | 每个独立的缓存设备（如宏基站MBS、小型基站SBS、用户手机） |
| 信息依赖 | 依赖全局网络信息（需实时收集所有缓存节点的状态、用户请求分布、内容 popularity 等） | 依赖本地/邻域信息（仅需获取自身缓存占用、本地用户请求记录，或相邻节点的有限同步信息） |
| 工作流程 | 1. 各缓存节点向中央控制器上报状态；2. 中央控制器分析全局数据；3. 下发统一缓存指令（如“缓存热门视频A”“删除旧内容B”）；4. 各节点执行指令 | 1. 缓存设备监测本地用户请求；2. 基于本地策略（如概率传播、强化学习）判断是否缓存/替换；3. 按需与相邻节点同步关键信息（如热门内容列表）；4. 自主执行缓存操作 |
| 核心优势 | 1. 全局优化：可统筹所有资源，避免局部决策冲突（如避免重复缓存冷门内容）；2. 策略一致性：所有节点执行统一规则，便于管理 | 1. 低延迟：无需等待中央指令，本地快速响应；2. 高容错：单个节点故障不影响整体系统；3. 适配边缘分布式架构：契合边缘计算“去中心化”特性，减少核心网依赖 |
| 核心劣势 | 1. 高延迟：指令需在中央与节点间传输，响应速度慢；2. scalability 差：海量节点（如5G基站）会导致中央控制器过载；3. 容错性低：中央控制器故障会导致整个缓存系统瘫痪 | 1. 局部最优风险：节点仅基于局部信息决策，可能出现全局资源浪费（如重复缓存热门内容）；2. 策略协同难：需设计复杂算法实现节点间间接协同 |
| 资源需求 | 中央控制器需高算力+大带宽（支撑全局数据处理、指令传输）；缓存节点仅需基础存储资源 | 各缓存节点需一定算力（执行本地决策算法）；无需额外带宽传输全局信息，整体网络资源消耗更低 |
| 适用场景 | 1. 小规模网络（如企业内部局域网，节点数量少）；2. 对缓存一致性要求高的场景（如金融数据同步）；3. 传统集中式架构（如早期CDN） | 1. 大规模边缘网络（如5G基站群、IoT设备网络）；2. 延迟敏感场景（如AR/VR、车联网IoV）；3. 分布式边缘计算环境（如多基站协同缓存） |
| 典型算法/技术 | 1. 全局线性规划（LP）优化缓存 placement[86]；2. 集中式 popularity 预测模型（基于全局用户数据）[88] | 1. 概率传播算法（各节点并行计算缓存决策）[91]；2. 强化学习（RL）-based 分布式策略[92]；3. 联邦学习（FL）协同优化[35] |