CN110730471B - 基于区域用户兴趣匹配的移动边缘缓存方法 - Google Patents

Abstract

本发明涉及一种基于区域用户兴趣匹配的移动边缘缓存方法，属于缓存技术领域。该方法包括以下步骤：S1：建立区域用户偏好模型；S2：建立联合缓存优化策略；S3：建立缓存系统模型；S4：设计缓存算法。使用本发明的缓存机制时，可以在满足缓存视频多样化下，达到视频缓存增益的最大化，与当前缓存机制相比，可以有效的提升视频缓存效益和用户的QoE，为未来5G场景下的大规模超高清视频的缓存与在线观看，提供一种有效的解决方案。

Description

基于区域用户兴趣匹配的移动边缘缓存方法

技术领域

本发明属于缓存技术领域，涉及基于区域用户兴趣匹配的移动边缘缓存方法。

背景技术

当前对移动边缘缓存的研究主要分为两方面，一方面是对缓存内容的研究，解决缓存什么内容的问题，另一方面是对缓存策略的研究，解决怎么缓存、缓存到哪里的问题。由于内容流行度的预估较为困难，流行内容受用户影响大，在时空分布上表现出较大的变化性，全局流行内容与区域流行内容存在较大的差异，增加了缓存内容选取的难度，对运营商的缓存收益也提出了挑战。但对于用户小区，办公场所，校园这些人口密集但用户相对固定的场所，用户的需求更容易被预测。因此，针对区域流行度与全网流行度的差异，尽可能缓存用户所需内容，最大化缓存增益是当前需要解决的问题。

当前对视频缓存方式的研究主要有：1.通过利用D2D通信，使一些用户共享缓存内容，帮助邻近用户缓存其所需要的内容。2.在基站侧完成视频内容的缓存。利用宏基站和微基站的存储能力和靠近用户的位置优势，缓存流行视频可以降低核心网的链路压力，降低视频的响应服务时间，提高用户的QoE。

视频缓存技术一直是工业界和学术界关注的焦点。当前的视频缓存技术主要还是采用传统的客户端/服务器模式，内容分发模式，利用中心内容服务器缓存相应的视频资源，用户通过PC,手机，平板等终端设备，缓存将流媒体视频资源到本地或直接在线观看。用户的访问速度是提升用户体验的关键。用户的视频访问速度与服务器的负载，响应速度、网络传输速率，核心网的链路压力等密切相关。而选择合适的缓存算法，能大大提高用户对视频访问速度，提高用户的QoE。当前较为流行的缓存算法有很多，其中基于访问频率的LFU(LeastFrequently Used)算法，基于访问时间的LRU(LeastRecentlyUsed),访问时间与频率结合的LRFU(Least RecentlyFrequentlyUsed)等。这些算法在视频缓存的应用中均取得了较好的效果，而被广泛使用。各算法的实现原理如下：

1.基于最近最少使用的LRU算法

当前的视频缓存系统，在使用该缓存算法时，假设最近一段时间经常被用户访问请求的视频，在未来的一段时间内仍会被访问，而最近很少被用户访问的视频在以后很长的一段时间内也很少会被用户请求。所以，视频内容服务商只需要保留最近经常被访问的视频内容，并替换掉最近最不经常使用的视频资源。

1.1算法原理

LRU算法用来维护视频缓存内容列表，该列表存储流行视频内容，该视频内容列表以视频的流行度作为初始化的排名顺序，按照视频的初始内容流行度由高到低将内容缓存至服务器中，直到用尽服务器存储容量。当用户发起视频观看或缓存请求时，若该视频已在视频缓存内容列表时，则将该视频的排名提升至视频缓存内容列表的第一位，将原有排在该视频前面的视频排名整体下降一位，这种情况下，原有缓存列表没有新的视频内容添加，因此，不会有缓存替换情况发生。而当用户请求的视频内容不在缓存内容列表中时，将用户新情求的内容放入原有缓存内容列表中，并请其排名置于最

高，将原有视频内容的排名依次降低一位，将原排名最后的内容移除。

1.2最少频率使用算法LFU

LFU算法是依据用户对不同视频资源的请求频率对视频内容列表进行排序和更新。该算法假设经常被访问的视频，流行度很高，在下一次被访问的概率也会非常高。因此，在缓存空间有限的情况下，尽可能缓存用户请求频率高的内容，尽可能提升缓存命中率，同时也将大大缓解服务器的压力。

1.2.1算法原理

LFU算法在维护视频缓存列表时，记录每个视频资源被用户请求的总次数，依据用户请求的总次数决定视频的缓存排名和缓存替换。首先，在初始化视频缓存列表时，将缓存列表初始化为空，当用户发起视频请求时，则该视频的请求总次数加一，最后将请求次数高的视频加入缓存列表中。

随着5G的到来与应用，各种高带宽和低时延的应用的需求将呈现出爆发式的增长，传统的C/S，CDN等网络架构难以满足未来的需求，而边缘计算和缓存被业界广泛认为是满足未来需求的有效解决方案。

当前的视频缓存策略主要基于用户的历史访问数据制定，而对于用户的兴趣变化和用户社交活动较少研究。显然，获取用户的兴趣和社交活动信息会增加额外的计算和处理能力，增加缓存的复杂性和困难。但随着5G的的不断发展和快速应用，用户对超高清视频及低时延应用的需求呈指数性增长，单纯的依照用户的历史请求信息制定缓存策略已无法满足用户日益增长的需求。本发明将基于此背景，对区域用户兴趣展开分析计算，利用MEC服务器的缓存和计算能力，记录并计算区域用户的兴趣度，选取区域最优内容进行缓存。在缓存内容放置时，依据最大缓存增益进行视频内容的放置和更新，优化缓存策略，提高缓存命中率和用户的QoE。

发明内容

有鉴于此，本发明的目的在于提供一种基于区域用户兴趣匹配的移动边缘缓存方法。现有的视频缓存机制在传统网络架构中，无法满足用户在5G场景下的低时延和高带宽服务需求，在用户密集请求视频资源时，很容易造成核心网链路的拥塞，而且，在缓存空间宝贵的情况下，很难取得令人满意的缓存增益。因此，本发明将采用新型的移动边缘计算网络架构，在靠近用户侧提供视频资源的缓存和计算，这相对于内容分发网络能降低视频服务的响应时间，同时在热点时间里能有效应对用户对视频资源的密集请求对核心网链路带来的压力。在缓存视频放置时，本发明将采用潜在的缓存增益作为视频的缓存位置选择的指标。在缓存内容放置时，依据最大缓存增益进行视频内容的放置和更新，优化缓存策略，提高缓存命中率和用户的QoE。

为达到上述目的，本发明提供如下技术方案：

基于区域用户兴趣匹配的移动边缘缓存方法，该方法包括以下步骤：

S1：建立区域用户偏好模型；

S2：建立联合缓存优化策略；

S3：建立缓存系统模型；

S4：设计缓存算法。

可选的，所述步骤S1具体为：

首先对流媒体内容进行分类，通过对用户请求记录的分析，假设内容类型有k类contents＝{c1,c2,…ck},将用户对不同内容类型的偏好定义为用户的兴趣度；根据用户的兴趣度依照时间段分为长期兴趣和近期兴趣，长期兴趣是用户在长期的内容请求过程中，表现出的稳定兴趣；定义用户的兴趣向量由用户的长期兴趣和用户的短期兴趣共同组成；

通过分析依据用户对流媒体视频文件的历史请求记录，计算用户的长期兴趣和近期兴趣，用户i对内容j的长期兴趣为：

用户的短期兴趣为：

定义用户i,对内容j的兴趣度兴趣为：

U_(i,j)＝λ_hisu_his+λ_recu_rec

由于不同用户的活跃度存在着明显的差异，导致不同用户的兴趣度对区域兴趣的影响也大不相同；业界研究结果表明，少数流量较大的用户贡献了蜂窝网络中的大部分流量，为用户提供缓存时，将给予重度用户以较大的兴趣偏重，以获得最大的带宽节省可能性；在考虑到同一区域不同用户对流行内容的请求量的差异时，在模型中引入用户活跃因子q_(i，act)，表征用户的活跃度；定义用户的活跃度为：

故基站用户的区域总兴趣度为：

在全局缓存中，每个流媒体文件都有自身的流行度，将流媒体文件在全局中被访问量作为该文件的流行度，研究表明，在全局范围下，内容的流行度满足Zipf分布，即排名前20％的内容，占据总访问流量的80％；考虑到5G时代下，VR视频，超高清8K视频的高增长需求，即使全部缓存全网20％的流行内容对于有限的边缘缓存空间来说，仍然是困难的；采用MPV缓存策略，为每个基站缓存全网最流行的内容，可以在全局视角下极大地降低高流行度内容给核心网回程链路带来的压力，但与此同时，也会导致基站产生较大的缓存冗余，使缓存内容的多样性大大降低，缓存命中率和用户的QoE在部分区域将会呈现出极大的衰退；综合全局内容流行度与区域用户兴趣偏好制定联合优化缓存策略，通过在靠近用户的基站侧部署MEC服务器，根据区域用户兴趣制定联合优化缓存策略。

可选的，所述步骤S2具体为：

以多个MEC组成的缓存域为对象，以区域最小化传输开销为目标，考虑用户分布和需求的差异性，制定区域联合缓存策略，联合优化区域的缓存性能和区域用户的QoE。

可选的，所述步骤S3具体为：

系统模型由用户层，基站侧层和中心网络层组成；每个基站侧有一个MEC服务器负责基站下用户数据的收集、计算及基站下用户兴趣列表的维护与更新，为缓存内容的放置与更新提供支撑；将能够进行缓存内容共享的MEC服务器组成联合缓存域，在缓存域内各个MEC服务器完成用户兴趣，位置信息的收集、对用户的情境的感知，共享用户的兴趣信息和缓存内容表，当本基站下用户发起请求时，该请求将优先定向到本地MEC服务器进行内容查找，若本地无内容则向缓存域内的其他MEC服务器发起请求，并将请求到的内容传给用户；由于缓存内容在缓存域中进行传输时会产生额外的传输开销，将以传输开销的最小化为目标进行内容缓存。

可选的，所述步骤S4具体为：

将内容的全局流行度和区域兴趣度结合，依据缓存内容的优先级进行内容的缓存；首先，定义每类流行内容全网中内容流行度作为初始内容优先级pri，取各个基站总的区域兴趣度，两者归一化后进行求和，得到最终缓存内容的优先级，依据最终缓存内容的优先级顺序依次进行缓存；在缓存内容放置时，首先定义：联合缓存域中MEC服务器集为M＝{b₁,b₂,b₃,..,b_q}，缓存内容集为contents＝{c₁,c₂,c₃,…,c_m},内容集里的内容按照缓存优先级进行排列，定义每个文件大小为len，MEC服务器之间的最短跳数为

,缓存域内单位数据单跳的传输开销为λ₁，中心服务器向缓存域中的MEC服务器部署内容时的最短跳数为

单位数据单跳的传输开销为λ₂，由于中心服务器将内容开销无疑将大于缓存域内部传输内容的开销，故λ₂>λ₁；计算缓存内容在各个MEC服务器处产生的传输开销，取总开销最小的MEC服务器作为该内容的最佳缓存位置；

S41：缓存优先级计算

将全网流行内容按照全网内容流行度进行初始化排序，得到TOPN的初始缓存内容列表，根据联合域中的用户历史请求记录，计算每个类型内容的历史请求概率pi，定义缓存内容的流行度与历史请求概率的乘积作为该内容的缓存优先级，假设每个内容大小均为len，缓存域的总空间为space，则从N个缓存内容列表中依照缓存优先级选取前space/len个内容作为缓存域中待缓存的内容；

S42：缓存位置选择

传输开销函数定义：

req_(i,j)代表i基站下的用户对内容j的潜在请求量，依据用户的兴趣及历史请求记录将用户对内容j的平均请求次数作为用户潜在的请求量；

首先，取缓存优先级最高的内容j，分别计算j在各个MEC服务器下的缓存开销cost_(i,j)，取最小时的MEC服务器i作为内容j的缓存位置；

Min{cost_(1,j),cost_(2,j),...cost_(q,j)}

假设MEC服务器的存储容量均为s,故：

在满足以上条件下继续内容的缓存操作，当缓存空间用尽时，则缓存终止，此时达到缓存内容的多样性最大下的最小传输开销。

本发明的有益效果在于：本发明将采用新型的移动边缘计算网络架构，在靠近用户侧提供视频资源的缓存和计算，这相对于传统的内容分发网络等能降低视频服务的响应时间，同时在热点时间里能有效应对用户对视频资源的密集请求对核心网链路带来的压力。在缓存视频放置时，本发明以潜在的缓存增益作为视频缓存位置选择的指标。因此，使用本发明的缓存机制时，可以在满足缓存视频多样化下，达到视频缓存增益的最大化，与当前缓存机制相比，可以有效的提升视频缓存效益和用户的QoE，为未来5G场景下的大规模超高清视频的缓存与在线观看，提供一种有效的解决方案。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为缓存系统模型。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

本发明将将利用MEC的边缘计算能力针对区域常驻用户的兴趣度分析，通过区域用户的兴趣度和活跃度分析，计算区域常驻用户的兴趣偏好，依据区域用户的兴趣偏好和全局内容流行度得到缓存内容的缓存优先级。通过计算联合缓存域中内容的传输开销，确定缓存内容的最佳放置位置，并利用MEC实时调整内容的更新，提升用户的QoE实现缓存效益的最大化。本发明的的主要内容如下：

(1)利用MEC获取用户的动态兴趣列表，计算得到用户对不同内容的兴趣度，考虑活跃用户带来的积极的缓存影响，引入用户活跃因子。然后，综合区域用户的兴趣偏好和内容的初始流行度，确定缓存内容的优先级。

(2)综合区域用户的分布与需求的差异性，构建由多个MEC服务器组成的联合缓存域，以缓存内容多样化下的最小传输开销为目标设计域内联合缓存策略。

本文的技术方案主要由区域用户偏好模型、联合优化缓存策略、缓存系统模型和缓存算法四个模块组成。

1.区域用户偏好模型

在用户密集的城市环境中，用户对大量高质量流媒体文件的需求给核心网的回程链路带来了极大的压力。随着5G的部署，更加靠近用户的边缘微小基站的发展与部署使得用户对各种高质量、低时延的高清视频(如8k高清视频，VR视频等)的需求得以满足，微小基站的覆盖半径小，更加靠近用户，大大降低了服务的时延和回程链路压力。为了弥补微小基站的计算能力和存储能力，移动边缘计算(MEC)被众多学者广泛研究。由于MEC服务器更加靠近用户，部署灵活，能为移动边缘缓存提供有力的支撑。因此，利用MEC的实时用户和场景的感知及计算能力，对用户的兴趣偏好进行及时有效地分析，优化区域缓存内容的选择，提升用户的QoE。在本节内容中，通过对用户的兴趣偏好的分析，建立区域用户偏好模型，利用偏好模型计算用户对不同流媒体文件的兴趣度，再根据区域的活跃度计算得到区域的兴趣偏好列表。

首先对流媒体内容进行分类，通过对用户请求记录的分析，假设内容类型有k类contents＝{c1,c2,…ck},将用户对不同内容类型的偏好定义为用户的兴趣度。根据用户的兴趣度依照时间段分为长期兴趣和近期兴趣，长期兴趣是用户在长期的内容请求过程中，表现出的稳定兴趣。因此，定义用户的兴趣向量由用户的长期兴趣和用户的短期兴趣共同组成。

通过分析依据用户对流媒体视频文件的历史请求记录，计算用户的长期兴趣和近期兴趣，用户i对内容j的长期兴趣为：

用户的短期兴趣为：

定义用户i,对内容j的兴趣度兴趣为：

U_(i,j)＝λ_hisu_his+λ_recu_rec

由于不同用户的活跃度存在着明显的差异，导致不同用户的兴趣度对区域兴趣的影响也大不相同。业界研究结果表明，少数流量较大的用户贡献了蜂窝网络中的大部分流量，因此本发明为用户提供缓存时，将给予“重度”用户以较大的兴趣偏重，以获得最大的带宽节省可能性。因此，在考虑到同一区域不同用户对流行内容的请求量的差异时，在模型中引入用户活跃因子q_(i，act)，表征用户的活跃度。定义用户的活跃度为：

故基站用户的区域总兴趣度为：

在全局缓存中，每个流媒体文件都有自身的流行度，将流媒体文件在全局中被访问量作为该文件的流行度，研究表明，在全局范围下，内容的流行度满足Zipf分布，即排名前20％的内容，占据总访问流量的80％。考虑到5G时代下，VR视频，超高清8K视频的高增长需求，即使全部缓存全网20％的流行内容对于有限的边缘缓存空间来说，仍然是困难的。采用MPV缓存策略，为每个基站缓存全网最流行的内容，可以在全局视角下极大地降低高流行度内容给核心网回程链路带来的压力，但与此同时，也会导致基站产生较大的缓存冗余，使缓存内容的多样性大大降低，缓存命中率和用户的QoE在部分区域将会呈现出极大的衰退。为此，综合全局内容流行度与区域用户兴趣偏好制定联合优化缓存策略，本文通过在靠近用户的基站侧部署MEC服务器，根据区域用户兴趣制定联合优化缓存策略。

2.联合缓存优化策略

传统的内容放置策略有LRU、LPF、MPV等，这些策略多是基于用户的历史访问信息，以缓存命中率为指标进行缓存内容的放置及更新，未能充分考虑缓存的潜在收益及区域用户的差异性对缓存策略的影响。

考虑到单一的全局缓存策略，在区域中表现出来的严重性能退化，为不同区域制定合适的区域缓存策略是必要的。本发明主要针对用户密集但活动相对固定的小区、校园等服务场景制定联合缓存策略。随着5G网络的不断发展与应用，对用户数据的收集与处理变得尤为重要，MEC平台由于更靠近用户，能提供更低的时延，更高的计算存储能力及强大的情景感知能力，因此被认为是未来移动网络的有效工具。本发明以多个MEC组成的缓存域为对象，以区域最小化传输开销为目标，考虑用户分布和需求的差异性，制定区域联合缓存策略，联合优化区域的缓存性能和区域用户的QoE。

3.缓存系统模型

如图1所示，系统模型主要由用户层，基站侧层和中心网络层组成。每个基站侧均有一个MEC服务器负责基站下用户数据的收集、计算及基站下用户兴趣列表的维护与更新，为缓存内容的放置与更新提供支撑。将可以进行缓存内容共享的MEC服务器组成联合缓存域，在缓存域内各个MEC服务器可以完成用户兴趣，位置等信息的收集、对用户的情境的感知，共享用户的兴趣信息和缓存内容表，当本基站下用户发起请求时，该请求将优先定向到本地MEC服务器进行内容查找，若本地无内容则向缓存域内的其他MEC服务器发起请求，并将请求到的内容传给用户。由于缓存内容在缓存域中进行传输时会产生额外的传输开销，因此，将以传输开销的最小化为目标进行内容缓存。

4.缓存算法设计

本发明将内容的全局流行度和区域兴趣度结合，依据缓存内容的优先级进行内容的缓存。首先，定义每类流行内容全网中内容流行度作为初始内容优先级pri，取各个基站总的区域兴趣度，两者归一化后进行求和，得到最终缓存内容的优先级，依据最终缓存内容的优先级顺序依次进行缓存。在缓存内容放置时，首先定义：联合缓存域中MEC服务器集为M＝{b₁,b₂,b₃,..,b_q},缓存内容集为contents＝{c₁,c₂,c₃,…,c_m},内容集里的内容按照缓存优先级进行排列，定义每个文件大小为len，MEC服务器之间的最短跳数为

,缓存域内单位数据单跳的传输开销为λ₁，中心服务器向缓存域中的MEC服务器部署内容时的最短跳数为

单位数据单跳的传输开销为λ₂，由于中心服务器将内容开销无疑将大于缓存域内部传输内容的开销，故λ₂>λ₁。计算缓存内容在各个MEC服务器处产生的传输开销，取总开销最小的MEC服务器作为该内容的最佳缓存位置。

4.1缓存优先级计算

为了在缓存域中有限的空间下，尽可能缓存用户需要的全网流行内容，将全网流行内容按照全网内容流行度进行初始化排序，得到TOPN的初始缓存内容列表，根据联合域中的用户历史请求记录，计算每个类型内容的历史请求概率pi，定义缓存内容的流行度与历史请求概率的乘积作为该内容的缓存优先级，假设每个内容大小均为len,缓存域的总空间为space,则从N个缓存内容列表中依照缓存优先级选取前space/len个内容作为缓存域中待缓存的内容。

4.2缓存位置选择

传输开销函数定义：

req_(i,j)代表i基站下的用户对内容j的潜在请求量，依据用户的兴趣及历史请求记录将用户对内容j的平均请求次数作为用户潜在的请求量。

首先，取缓存优先级最高的内容j,分别计算j在各个MEC服务器下的缓存开销cost_(i,j)，取最小时的MEC服务器i作为内容j的缓存位置。

Min{cost_(1,j),cost_(2,j),...cost_(q,j)}

假设MEC服务器的存储容量均为s,故:

在满足以上条件下继续内容的缓存操作，当缓存空间用尽时，则缓存终止，此时达到缓存内容的多样性最大下的最小传输开销。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.基于区域用户兴趣匹配的移动边缘缓存方法，其特征在于：该方法包括以下步骤：

S1：建立区域用户偏好模型；

S2：建立联合缓存优化策略；

S3：建立缓存系统模型；

S4：设计缓存算法；

所述步骤S1具体为：

首先对流媒体内容进行分类，通过对用户请求记录的分析，假设内容类型有k类contents＝{c1，c2，...ck}，将用户对不同内容类型的偏好定义为用户的兴趣度；根据用户的兴趣度依照时间段分为长期兴趣和近期兴趣，长期兴趣是用户在长期的内容请求过程中，表现出的稳定兴趣；定义用户的兴趣向量由用户的长期兴趣和用户的短期兴趣共同组成；

通过分析依据用户对流媒体视频文件的历史请求记录，计算用户的长期兴趣和近期兴趣，用户i对内容j的长期兴趣为：

用户的短期兴趣为：

定义用户i，对内容j的兴趣度兴趣为：

U_(i，j)＝λ_hisu_his+λ_recu_rec

由于不同用户的活跃度存在着明显的差异，导致不同用户的兴趣度对区域兴趣的影响也大不相同；业界研究结果表明，少数流量较大的用户贡献了蜂窝网络中的大部分流量，为用户提供缓存时，将给予重度用户以较大的兴趣偏重，以获得最大的带宽节省可能性；在考虑到同一区域不同用户对流行内容的请求量的差异时，在模型中引入用户活跃因子q_(i，act)，表征用户的活跃度；定义用户的活跃度为：

故基站用户的区域总兴趣度为：

在全局缓存中，每个流媒体文件都有自身的流行度，将流媒体文件在全局中被访问量作为该文件的流行度，研究表明，在全局范围下，内容的流行度满足Zipf分布，即排名前20％的内容，占据总访问流量的80％；考虑到5G时代下，VR视频，超高清8K视频的高增长需求，即使全部缓存全网20％的流行内容对于有限的边缘缓存空间来说，仍然是困难的；采用MPV缓存策略，为每个基站缓存全网最流行的内容，可以在全局视角下极大地降低高流行度内容给核心网回程链路带来的压力，但与此同时，也会导致基站产生较大的缓存冗余，使缓存内容的多样性大大降低，缓存命中率和用户的QoE在部分区域将会呈现出极大的衰退；综合全局内容流行度与区域用户兴趣偏好制定联合优化缓存策略，通过在靠近用户的基站侧部署MEC服务器，根据区域用户兴趣制定联合优化缓存策略；

所述步骤S2具体为：

以多个MEC组成的缓存域为对象，以区域最小化传输开销为目标，考虑用户分布和需求的差异性，制定区域联合缓存策略，联合优化区域的缓存性能和区域用户的QoE；

所述步骤S3具体为：

系统模型由用户层，基站侧层和中心网络层组成；每个基站侧有一个MEC服务器负责基站下用户数据的收集、计算及基站下用户兴趣列表的维护与更新，为缓存内容的放置与更新提供支撑；将能够进行缓存内容共享的MEC服务器组成联合缓存域，在缓存域内各个MEC服务器完成用户兴趣，位置信息的收集、对用户的情境的感知，共享用户的兴趣信息和缓存内容表，当本基站下用户发起请求时，该请求将优先定向到本地MEC服务器进行内容查找，若本地无内容则向缓存域内的其他MEC服务器发起请求，并将请求到的内容传给用户；由于缓存内容在缓存域中进行传输时会产生额外的传输开销，将以传输开销的最小化为目标进行内容缓存；

所述步骤S4具体为：

将内容的全局流行度和区域兴趣度结合，依据缓存内容的优先级进行内容的缓存；首先，定义每类流行内容全网中内容流行度作为初始内容优先级pri，取各个基站总的区域兴趣度，两者归一化后进行求和，得到最终缓存内容的优先级，依据最终缓存内容的优先级顺序依次进行缓存；在缓存内容放置时，首先定义：联合缓存域中MEC服务器集为M＝{b₁，b₂，b₃，..，b_q}，缓存内容集为contents＝{c₁，c₂，c₃，...，c_m}，内容集里的内容按照缓存优先级进行排列，定义每个文件大小为len，MEC服务器之间的最短跳数为

缓存域内单位数据单跳的传输开销为λ₁，中心服务器向缓存域中的MEC服务器部署内容时的最短跳数为

单位数据单跳的传输开销为λ₂，由于中心服务器将内容开销无疑将大于缓存域内部传输内容的开销，故λ₂>λ₁；计算缓存内容在各个MEC服务器处产生的传输开销，取总开销最小的MEC服务器作为该内容的最佳缓存位置；

S41：缓存优先级计算

将全网流行内容按照全网内容流行度进行初始化排序，得到TOPN的初始缓存内容列表，根据联合域中的用户历史请求记录，计算每个类型内容的历史请求概率pi，定义缓存内容的流行度与历史请求概率的乘积作为该内容的缓存优先级，假设每个内容大小均为len，缓存域的总空间为space，则从N个缓存内容列表中依照缓存优先级选取前space/len个内容作为缓存域中待缓存的内容；

S42：缓存位置选择

传输开销函数定义：

req_(i，j)代表i基站下的用户对内容j的潜在请求量，依据用户的兴趣及历史请求记录将用户对内容j的平均请求次数作为用户潜在的请求量；

首先，取缓存优先级最高的内容j，分别计算j在各个MEC服务器下的缓存开销cost_(i，j)，取最小时的MEC服务器i作为内容j的缓存位置；

Min{cost_(1，j)，cost_(2，j)，...cost_(q，j)}

假设MEC服务器的存储容量均为s，故：

在满足以上条件下继续内容的缓存操作，当缓存空间用尽时，则缓存终止，此时达到缓存内容的多样性最大下的最小传输开销。

Images