移动视频业务爆炸性增长对未来无线通信网络提出了更高的要求.缓存技术通过网络热点内容的复用，将极大缓解无线网络的传输压力，逐渐成为未来第五代移动通信系统中提升虚拟现实、增强现实以及超高清视频等服务用户体验的关键性技术之一.针对移动边缘网络中缓存技术的内容展开综述，并对缓存技术涉及的多个研究方向进行了分析.首先分析了移动边缘网络的架构，并对移动边缘网络缓存研究所具有的特性进行了概述；通过对缓存模式的分类，归纳整理了移动感知和社交感知场景的缓存技术，最后提出了移动边缘缓存技术的未来挑战与发展方向.
The explosive growth of mobile video services puts forward higher requirements for future wireless communication networks. Caching technology will greatly decrease the radio resource pressure of the wireless network through content reuse. It is one of the key technologies in the 5th-generation mobile communication to improve the virtual reality, augmented reality and ultra high quality video services quality of experience. A survey on caching technology in mobile edge networks was given. Firstly, the architecture of the mobile edge network is analyzed, and the characteristics of the mobile edge caching are summarized. After the classification of the different caching modes, the technologies in mobility and social aware caching situations were concerned. Finally, the technical challenge and development directions of mobile edge caching are presented.
移动互联网在无线通信发展的不断推动下，已经逐渐发展成为人们生活中不可或缺的一部分，伴随着移动终端设备的快速更新以及全球范围的社交网络密切联系，人们在体验到了更优质服务的同时也对未来网络有了更多的期待和要求.移动互联网数据的增长呈现出了爆炸式增长，根据预测，到2020年时，全球移动数据量将增长66倍，其中高质量的在线视频业务占据了总数据量的60%，社交网络业务(图片或者视频业务)也凭借占据15%的份额而成为第二大数据流量的贡献者，并增长迅猛[1].
为应对移动数据流量爆炸式增长的压力，学术界和工业界从网络架构演进和无线传输技术两个方面开展了大量的研究与探索.在网络架构演进方面，超密集异构网络和云无线接入网络(C-RAN, cloud radio access network)通过增加基站密度和集中式控制提高移动网络的空口速率.在无线传输技术方面，一是从提升无线资源的利用效率角度出发，提出大规模多天线技术(massive MIMO, massive multiple input multiple output)、多点协作传输技术(CoMP, coordinated multi-point transmission)等；二是从挖掘新的频谱资源角度出发，研究毫米波、可见光等高频段来扩展无线通信的频率资源.上述技术可以有效提高系统的峰值速率，显著提高用户体验，但是一方面受限于自身技术能力，另一方面这些技术消耗大量的系统资源，基站的负载压力并没有得到有效的改善.
在日常生活中，无论是新闻还是电影，在一定的时间内都会被大量用户重复播放，相同内容的非同时请求，使得在线视频业务和社交业务具有异步内容重用这一重要特征[2].大量的用户所重复利用的资源也具有高度可预测的业务请求分布，这成为在线视频和社交内容的另一大特征.在此基础上，手机的硬件存储技术飞速发展，手机内存容量也极大提升，从外插内存卡拓展存储空间到单纯依赖内部存储，存储的读写速度也在不断提升.基于业务特性和终端存储发展的趋势，在移动边缘网络中的缓存技术成为提升整个无线性能的关键一环，也成为应对海量数据的关键技术之一.
缓存技术应用十分广泛，从计算机系统的内(主)存缓存，到网络系统网页缓存，再到内容核心网(CDN, content delivery network)、云存储系统，缓存技术是一种用空间换时间的手段，其有效原因是局部性的原理，包括空间局部性、时间局部性.在一个具有良好时间局部性的缓存系统中，被引用过一次的内容很可能在不远的将来再被多次引用.在一个具有良好空间局部性的缓存系统，如果一个内容被引用了一次，那么缓存系统很可能在不远的将来引用与该内容相似的其他内容.而在全球主要运营数据业务中，移动语音业务的60%、数据业务的90%发生在室内和热点地区，即数据和用户都具有聚合的性质，表现为空间局部性.同时，用户作息规律也具有一定的相似性，表现出一种时间局部性.
在移动边缘网络中，以基站为主的蜂窝接入网中，每次用户请求一个社交内容或者视频业务，发送请求都需要通过基站向远端服务器发送请求，进行一次数据传输，从基站到远端内容提供服务器之间的链路，在网络状况较好的情况下也会带来较大的时延影响，在用户较少的情况下，影响并不明显，然而实际中，会有大量的用户对热门内容发起传输请求，而这些请求往往集中在较短的时间内，对网络造成巨大的压力，使得用户体验急剧下降，更为关键的是网络在对相同内容的重复传输中形成了巨大的资源浪费[3].反复传输需要占用带宽，消耗更多的能量，对远端服务器也是资源的浪费，在能源与带宽资源稀缺的今天，提升传输效率一直是研究关注的焦点.边缘网络缓存技术可以避免上述情况出现，同时卸载基站负载，减少传输距离，降低传输时延，从而保证用户体验[4].
无线边缘视频内容缓存的研究方向主要分成三部分：一部分是跟缓存内容有关，在缓存空间有限的情况下，缓存什么样的内容才能最大限度提升系统性能；另一部分是缓存策略，即缓存放置的位置；最后是缓存更新的策略.同时，结合无线通信的实际特点，进行相应的干扰协调等资源管理方案.使用缓存可以大幅度降低LTE(long term evolution)中的重复流量，同时在设备到设备通信(D2D, device to device)网络中，利用终端用户缓存可以达到吞吐量的提升.
但是，若要完全发挥边缘网络缓存的优良性能，仍有诸多技术挑战亟待解决：无线边缘网络中用户移动性导致网络拓扑结构变动，自适应缓存策略变得更重要；无线环境的复杂性，无线信道环境变化速度和缓存系统内容信息更新速度极大不匹配性；边缘网络中基站或者用户的缓存空间较小，导致缓存系统中内容更新至关重要；内容传播也出现新的特性，个性化是趋势，内容相关信息，例如内容流行度等，出现小概率时间和聚合特性；能量消耗和安全问题也成为边缘网络中缓存研究中不可忽略的重要问题，而与其他通信技术的结合将给边缘网络缓存带来更大的生机与活力.
总之，无线边缘网络缓存利用基站或者终端存储空间可以换得节省带宽或者传输时延，大量研究证实了边缘网络缓存的可能性和实用性，然而无线边缘网络区别于有线网络，无线边缘网络缓存也存在一些新的特征.笔者将着眼于边缘网络缓存面临的各种挑战，归纳总结边缘网络最新的研究方向和研究成果，并对未来边缘网络缓存的发展趋势做出了展望.
1 移动边缘缓存概述缓存策略解决的问题是在何处缓存，缓存哪些内容，如何更新缓存内容.缓存策略可以借助长期稳定的边缘网络信息，如用户的请求、内容的流行度、用户和基站或者其他用户通话时长，也可以依靠短期瞬时的边缘网络信息，如网络拓扑、信道的信息、用户时变的位置信息.通常，长期稳定的信息收集简单，代价较小，难以保证信息的可靠性；短期瞬时信息更新频率较快，收集代价较大，好处是及时动态适应系统的变化.下面首先介绍边缘缓存依托真实网络架构，然后分析边缘缓存出现的新特性，并概述边缘网络缓存研究具体内容.
1.1 移动边缘网络缓存架构无线边缘网络的拓扑结构可归纳为2个基本类：无中心拓扑和有中心拓扑，有中心拓扑表现为多层次，存在中心节点；无中心拓扑则表现为分布式，节点之间对等.未来的网络架构向异构网络发展，在宏基站和微基站存在各种网络结构，如WiFi、家庭基站等. 图 1所示的移动边缘缓存架构中，从左到右说明了移动边缘缓存的发展.从没有缓存的传输，到中间基站和用户都有缓存，但是协作传输只是通过基站来实现.在图最右边，基站和用户都有缓存的情况下，基站之间相互协作、用户之间相互协作传输，形成一个复杂的移动边缘网络.而值得注意的是，移动边缘服务器替代原有网络中心的内容提供服务器，从而减少核心网到接入网的传输时延.可以预见基站和用户随着终端设备数据量激增，中心式的网络架构处理复杂性越来越大，因此在中心网络下一层的网络结构朝分布式或者自适应发展，如D2D网络或者移动自组织网络等.通常，基站作为中心节点，用户作为基站下的协作节点，进而形成层次的网络拓扑，同时，基站与基站、基站与用户、用户与用户都形成分布式拓扑.中心节点(基站)位置固定或者移动非常慢，而边缘终端(手机、平板等)位置时刻处于移动且移动速度可观.不同的网络架构通信方式不同，缓存策略差别也很大.
|
图 1 移动边缘缓存架构 |
在5G网络中，小小区和家庭基站等微基站的分布将会呈现密集化的趋势，同基站放置缓存一样，各种微基站也可以为缓存放置提供机会.在利用D2D网络时，图 1所示的D2D传输局限于单跳，在实际中D2D网络往往具有更复杂的多跳传输，Iqbal等[5]将以往研究中只考虑单跳D2D缓存拓展到多跳D2D缓存. Gkatzikis等[6]综合考虑了CDN网络和无线传输网络，借助CDN网络大存储量，将有线网络缓存和无线边缘缓存结合在一起.从整体来看，移动边缘缓存的网络架构呈现出异构性和复杂性，从核心网到终端可以形成一个缓存的分层网络[7].
1.2 移动边缘缓存特性无线边缘网络缓存相较于有线网络缓存存在新的特征，这些特征既包括无线边缘网络本身的特点，也包括由这些特点引申的特点，包括终端移动性、边缘网络的复杂性、设备缓存空间有限性、内容社交性.无线边缘网络缓存的新特性相较于有线网络为缓存设计带来新挑战和新课题.
1) 用户(或者终端)移动性
随着移动互联时代的到来，越来越多的用户通过高速移动网络和强大的智能终端接入互联网，享受丰富的数据业务和网络内容，移动网络成为人们相互交流、相互协作的重要方式之一.无线边缘网络一个最大的特征就是用户的移动性.终端位置的持续改变导致网络拓扑的不断变动，这为边缘网络缓存设计带来巨大的调整，需要根据终端的移动来自适应调整缓存方案.
2) 边缘网络的复杂性
在有线环境下，由于光纤或者电缆受干扰小，有线网络的信道较稳定，通信链路传输内容的速率在短时间可以假设为固定的，而边缘网络的特征有无线环境的复杂性，如信道衰落等.缓存系统的性能很大程度上依赖已经缓存在系统中的内容，然而某个特定环境所要求的最优缓存策略在环境或者条件变化时将失效.同时，无线边缘中网络架构异构也是一种趋势，多种设备之间的信息交换也影响缓存策略.
3) 设备缓存空间有限性
在边缘网络中，单个基站、微基站或者终端的存储空间相对于骨干网的缓存空间有限，再加上基站服务的用户有限，这将导致低缓存命中率.在保证设计最优的缓存策略条件下，随着内容流行度的更新和用户请求的更新，为了提高缓存命中率，需要设计实时的缓存更新策略.通常情况下，一个无线接入网络中，数千个基站或者终端是相互存在连接的，为了提高缓存空间容量，可以采用协作的缓存策略，如基站与基站、用户与用户，或者基站与用户，形成大“缓存池”.因此，综合考虑本地用户的需求和邻区基站的缓存状态来优化全局缓存和满足用户服务质量(QoS，quality of service)的协助缓存策略至关重要.
4) 内容社交性.
传统的内容服务是一种被动的方式，用户向内容提供商请求内容，内容提供商将视频内容传输给用户.近些年，在线社交网络日益流行，并与移动互联网紧密结合.在线社交网络正在成为一个包含全球所有用户的虚拟世界，而虚拟社交网络的物理承载是散布在边缘网络，包括有线边缘网络和无线边缘网络，其中重要的是无线边缘网络.用户时时刻刻携带终端设备而不断移动，终端设备和用户关系更加紧密，而用户的行为具有一定的社会性，导致终端之间也形成了某种独特的关系.在社交网络系统中，人们不仅可以维护与他人的社交关系，而且可以通过社交关系进行相互分享或者推荐各种各样的多媒体内容.同时，在线社交网络与在线视频服务关系日益紧密，用户可以把在线视频内容“转发”到在线社交网络中，并且通过用户之间的社交关系进行内容“传播”.用户行为改变了内容生成、分发、传播方式.用户不仅是内容的消费者，也是内容的生产者和转发者，这是一种自底向上的内容生成模式，这些改变也深刻影响了无线边缘网络内容缓存的策略设计.因此，社交关系给边缘网络的缓存策略带来了新的角度.
2 边缘缓存研究内容 2.1 内容流行度在缓存策略设计中，内容流行度是一个重要因素.一般情况下，内容流行变化周期较长(数天或者数周)，因此基于内容流行度设计缓存策略成为可能. Golrezaei[8]等进行的研究都是基于视频内容流行度设计缓存策略，因此流行度的准确假设或者估计至关重要，而常见的获取内容流行度方式分别为静态模型、时变模型、预测模型.
1) 静态分布
静态分布是指假设内容流行度已知或者服从简单特定的分布.很多学者的研究所依据的内容流行度分布为Zipf分布. Zipf定律是美国学者G.K.齐普夫提出的，可以表述为：在自然语言的语料库里，1个单词出现的次数与它在频率表里的排名成反比.其表达式为
| $ {p_i} = \frac{{\frac{1}{{f_i^\gamma }}}}{{\sum\limits_{i = 1}^F {\frac{1}{{f_i^\gamma }}} }}, 1 \le {f_i} \le F $ | (1) |
其中：γ参数控制内容流行度的聚合程度，pi表示在一共F个文件中第i个文件fi出现的概率，γ越大，表明越少内容占据内容总量越大.朱敏等[9]提出Zipf模型并不适合描述视频请求概率，并使用广延指数模型进行刻画，其概率密度函数为
| $ p(x){\rm{dx}}{ = c}\left( {\frac{{{c^{c - 1}}}}{{x_0^c}}} \right)\exp \left\{ { - {{\left( {\frac{x}{{{x_0}}}} \right)}^c}} \right\}{\rm{d}}{x} $ | (2) |
上述是固定的视频内容流行度，是静态内容流行度.可以看出静态分布具有表达式简洁的特点，方便进行分析，然而文件流行度往往会随着时间而变化，因此在静态描述基础上，很多研究考虑了文件流行度的时变特性.
2) 时变分布
时变分布的含义是假设内容流行度随时间变化. Zipf分布表示内容之间的流行度相互独立，而真实内容流行度具有一定的相关性，例如在就餐过程中，先到客户的点餐会对后来的客户点餐产生影响.同时，内容流行度也表现为时变特性，例如流行的内容和新闻在刚出现时流行度低，接下来流行度急剧增加，然后流行度逐渐(或者急剧)降低.
3) 学习和预测流行度
在大数据平台和机器学习工具飞速发展的今天，将这2个有力的工具用在学习和预测内容流行度上，为精确分析文件流行度提供了新的思路.基于已有的用户访问记录，寻找相应的方法来估计内容在未来的流行度是一种在大数据飞速发展的今天很容易让人联想到的方法，然而，内容服务器通常无法直接获得用户的全局信息，如用户使用安全策略，不允许视频服务器或者基站获取信息.同时，用户的爆炸式增长导致用户行为数据量的激增，这给分析完整数据带来巨大挑战.对于前一种情况，一般使用服务器或者基站获取部分用户和内容的相关关系(偏好关系、关系矩阵)去推测全局信息.关系矩阵PN×F具有维度高、稀疏、部分未知的特性，利用PN×F去预测第u个用户所请求的内容i，通常有2种方法. Bastug等[10]使用监督学习和协同过滤的方法，通过解如下的最小化方差问题来预测：
| $ \mathop {\min }\limits_{{{\{ {\mathit{b}_u}, {b_i}\} }_{u, i}}} {\sum {({r_{ui}}-\hat r} _{ui}}{)^2} + \lambda \left( {\sum\limits_u {b_u^2 + \sum\limits_i {b_i^2} } } \right) $ | (3) |
另一种预测方法是使用正规化奇异值分解，构造PN×F的低阶秩.考虑到矩阵是稀疏的，因此矩阵奇异值分解可以使用最小二乘法梯度下降来实现.对于后一种预测方法，Wang等[11]提出将大数据平台嵌入网络运营商中来提供收集和处理数据能力、嵌入机器学习工具来进行数据分析和预测，例如用机器学习的聚类算法来分类和简化数据处理和用贝叶斯决策来预测内容流行度等.
然而，随着微博、直播等新型视频服务商的出现，用户可以自主生成内容，海量内容由用户生成，爆炸式增长的内容使得大量“冷门”内容出现，这些冷门内容无法通过流行度进行差异化部署和传输[12].同时，用户内容边缘化自组织传输，也使得中心服务器很难获取用户请求内容的信息.因此，单纯地依靠内容流行度的缓存不再适应内容的新特性.
2.2 缓存模式一般而言，缓存主要分为2个阶段：第1阶段是内容缓存阶段，将热门内容合理放置在相应的基站或用户终端的存储设备中；第2阶段是内容传输(获取)阶段，用户进行内容请求之后，基站根据信道条件和缓存状态，选择合理的传输方式将被请求的内容发送给用户.从研究方向上看，无线边缘视频内容缓存主要研究如何充分利用无线网络中存储资源和通信资源优化网络的性能.笔者主要从缓存模式、内容流行度、移动感知缓存、社交感知缓存几方面概述移动边缘网络缓存设计.
从缓存的主动性来看，缓存分为主动缓存和自适应缓存.从缓存的具体放置来看，缓存分为确定性缓存和随机性缓存.
1) 主动缓存
主动缓存包括两种：一种是在流量低峰期缓存内容，如热门电影；另一种是根据用户的实时请求和移动轨迹进行实时缓存内容. Bastug等[13]假设内容的流行度或者用户请求偏好已知，主动在流量低谷期在节点(基站、微基站、终端等)进行缓存高流行度内容.然而用户的请求和位置是未知的，准确的预测用户行为是保证缓存命中的关键. Shen等[14]以运营商在业务高峰期通过流量的价格高低来激励缓存，使用博弈论中的斯坦克伯格模型，不考虑用户终端(D2D)网络，而是强调运营商和内容提供商之间的价格以及小小区中的缓存容量限制. Deli等[15]通过对缓存进行分组来避免同一个分组内相似度较高的用户缓存重复的文件，同时对用户体验指标进行优化.
2) 自适应缓存
自适应缓存分为两类：一类是在缓存空间有限情况下更新策略；另一类是根据物理网络拓扑、内容流行度变化、无线链路的实时变化、用户行为而自适应调整缓存内容.边缘网络的自适应缓存异于传统的缓存策略，例如LRU(least recently used)、LFU(least frequently used)、FIFO(first in first out)等.
用户在观看内容时，内容会经过基站，基站根据缓存策略决定是否缓存该内容，然后内容下载到用户的缓存空间，终端根据相应的缓存策略决定是否缓存该内容，缓存空间被慢慢填充，而系统空间的缓存率越高缓存命中率也会增高，当缓存空间被占用完全时需进行实时缓存更新.由于缓存空间有限，为了提高缓存效率，缓存内容的更新至关重要，自适应缓存适用于有规律或者可预测性强的模型，当用户的移动规律和请求偏好已知，基站可以根据未来的请求来更新缓存内容，最大的挑战是准确地预测用户位置和请求.
Kang等[16]考虑用户移动服从泊松分布提出了自适应的缓存策略，也提出要按一定概率缓存低流行度内容，区别于传统缓存策略. Tanzil等[17]提出内容和蜂窝网络双感知的自适应缓存策略，不只考虑内容流行度，还需要考虑基站的带宽、负载等网络因素.
总而言之，无论是主动缓存还是自适应缓存，最大的挑战是准确预测，包括内容流行度、请求偏好、用户的移动轨迹等.一般情况下，主动缓存适用于在基站的缓存内容，自适应缓存适用于基站和终端的缓存策略.
3) 确定性缓存
确定性缓存优化策略将优化算法输出的文件缓存状态设为0~1状态，具有最优解. Golrezaei等[18]假设用户分布服从随机几何拓扑，即便用户是静态和干扰被忽略，其缓存最优解也是NP-Complete.因此，确定缓存策略要求的前提条件苛刻，一般作为分析性能时的上界.
4) 随机性缓存
随机缓存优化策略是指优化算法输出的文件缓存状态是所有文件的缓存概率分布，即某个文件是被缓存到无线边缘网络中的概率.随机缓存较确定缓存优化所需的假设条件少，例如在无法完全获取用户移动轨迹时，Golrezaei等[19]论证随机缓存可以应对高速移动用户内容缓存问题，并论证了确定缓存与随机缓存方案性能差别很小. Guo等[20]研究了基于用户终端的随机缓存策略，在已知文件流行度的情况下，通过优化文件的缓存概率分布来提升整个系统的文件缓存命中率. Liu等[21]以随机几何为数学工具对网络物理层拓扑和无线信道拓扑进行建模，以最大化文件传输率为目标，从概率的角度给出最优的缓存策略.
2.3 移动感知缓存在无线边缘网络中，用户具有一定的移动性，区别于有线网固定的拓扑结构.
用户的移动对边缘网络缓存带来大的挑战.用户的移动性变化较快，因此，一方面针对特定网络拓扑而设计缓存策略不能完全满足所有的应用场景；另一方面，根据网络拓扑实时变化来更新缓存代价也很高.然而用户的移动也存在机遇.用户的移动性导致一种机会通信，即用户之间的网络连接具有一定的中断性，用户移动性可促进不同用户之间的信息沟通与交流，如图 2所示.其中，用户从A点出发，可能有不同的运动轨迹，第1条是A-B-C，第2条是A-B-D，图中的阴影部分代表D2D网络覆盖范围.当用户运动到B点之后，就进入了D2D网络的覆盖范围，这时用户不仅可以从基站获取资源，同时也可利用D2D网络中的缓存来辅助下载.
|
图 2 用户移动性 |
在B点之后，如果用户沿着轨迹向C点运动，那么毫无疑问，用户可以利用D2D网络传输的时间较长，而向D点移动则可能只能在很短的时间内利用D2D中的终端缓存资源.在这个过程中，对于传输来说最有用的信息可分为时间和空间属性，空间属性主要是物理位置信息，时间属性主要是时间相关特性.
下面首先概述常见的移动模型和机会通信，然后总结如何利用空间属性和时间属性.
2.3.1 移动模型和机会通信1) 移动模型
用户移动模型目的是建立尽可能符合用户真实移动特性的模型.用户移动模型可以分为随机移动模型、时间相关移动模型、空间相关移动模型[22]，也可以进一步分为实体移动模型和群组移动模型.实体移动模型表示各用户之间的运动是相互独立的，主要包括随机步行移动模型等.在群组移动模型中，用户是以群组的形式出现的，群组内部的用户之间并不是相互独立的，常见的模型有队列移动模型等.
在无线网络中，终端设备的移动与人的移动是相互绑定的，出现分离的现象较少，因此，设备的移动性必然会受到人的行为影响，而人的行为影响往往不受信号强弱、基站负载等物理因素影响，而更多的是受人的社会属性的影响.而人群的移动往往会出现2种特性，例如在一条拥挤的街道，同时移动的群体只是沿着道路方向运动，人与人之间存在极少的社会联系；同时，也会出现如聚会、社团活动等由于社会联系聚集在一起的群组移动. Musolesi等[23]考虑群组移动特性的同时，兼顾个体移动的随机性，利用社交关系建立移动模型.
2) 机会通信
在机会通信网络中，为了更有效地设计缓存策略，通常首先量化机会通信，即获取一种稳定的连接关系，该连接关系的强度表示用户之间建立通信的时间长短.
图 3所示为2个用户的6种相遇场景，方框的区间表示用户处于D2D可服务范围的相遇时间间隔，方框外的部分是用户处于不可服务的分离时间间隔.在场景1、2中相遇的频率(次数)相等，场景2、3中相遇的时间是相同的，但是它们的相遇频率不同.显然，相遇次数越多，相遇时间越长，通信的质量越高.然而相遇频率和相遇时间往往需要同时考虑.场景3和4的相遇频率和相遇时间一样，但是通过观察可以发现，相遇间隔的分布有区别.
|
图 3 机会通信 |
以往的研究[24]中主要使用指标为相遇频率、平均或者总共的相遇时间、平均的分离间隔.然而，Bulut等[25]评价用户关系的指标在测量用户相遇强度时存在某些不足，而将相遇频率、相遇时间、相遇的稳定性三者结合在一起，如果2个用户在较长时间内多次、有规律的相遇，则用户之间就可以建立稳定的物理通信连接.
2.3.2 空间属性空间信息主要是位置信息，一个移动用户的历史信息可以表示一个以时间为横轴、以位置为纵轴的轨迹图，记录用户与基站或者用户与用户的距离；用户从一个基站移动到另外一个基站的转移信息，如图 2所示.
Hosny等[26]只考虑单小区，小区内用户可以进行D2D通信，并将空间区域分割为多个热点区域(学校、飞机场)等，用户可以在多热点区域进行转移. Lungaro等[27]考虑用户在不同小区传输速率的差别，并利用用户私有的可移动的AP节点来应对用户移动带来的挑战. Borst等[28]则考虑更一般、更抽象的网络模型，任意组合层次网络结构和分布式网络结构. Bulut等[25]研究发现，用户的移动模型很大程度上依赖用户间的社交关系，具有强社交关系的用户具有相似的移动轨迹.为了降低缓存算法的复杂度，次优缓存策略也是必要的. Hosny等[26]设计了多项式复杂度的贪婪缓存策略，Lungaro等[28]提出一种分布式缓存策略，在特殊网络架构中的复杂度变成线性，值得一提的是，Borst等[28]也论证了当内容可分割缓存时，优化问题为凸，可使用成熟的凸优化工具求解.
空间属性利用用户空间位置的分布和变化，为基站和用户缓存的设计提供了优化方向，而实际通信中距离对于通信质量的影响往往是非常重要的因素，因此，如果可以利用好缓存放置的空间属性对于提升缓存效率和传输效率都具有非常重要的意义.
2.3.3 时间属性从时间的角度来看，时间相关性包括用户之间的机会通信、用户和基站的机会通信.用户移动的周期性主要用相遇频率和相遇间隔来度量.在具体的空间中，用户的运动引起机会通信，一般分为相遇时间、分离时间.相遇时间间隔是用户之间在通信范围之内，分离时间间隔是用户之间超出通信范围之外.
另外一个时间属性是用户被基站服务的时间间隔.基站的服务时间影响用户从基站接收的数据量，高速运动的用户需要多个基站的协助才能完成请求内容的完整数据.用户的周期性移动也是值得关注的，其表示用户回到先前位置空间的间隔时间，并对其进行度量[29]. Lee等[30]使用用户之间的相遇间隔在终端设备缓存内容，假设用户移动服从泊松过程，且使用离线获得的相遇间隔来设计缓存策略，根据设置用户相遇的门限来选择D2D通信或者蜂窝通信.然而由于移动用户数目很大，任意用户之间的相遇时间计算量很大，Zhang等[31]将用户分割为独立的兴趣簇，并在每个簇内计算用户的相遇时间. Lai等[32]研究了基于位置缓存替换策略，同时考虑空间属性和时间属性来设计缓存策略.
时间和空间是无线通信和频域同样重要的资源，如果能在时、空2个维度上进行优化，将可以使整个系统的性能得到提升.
2.4 社交感知缓存社交网络是指人和人之间通过朋友、血缘、交易、兴趣、链接等关系建立起来的社会网络架构，是允许个人创建自身状态，分享内容，并链接到其他使用者网络环境.尤其是社会网络与移动互联网络的结合，实现社会关系在网络的虚拟延伸，时间、空间差异等因素不再成为交往障碍.
在无线边缘网络中，移动终端和包括基站、WiFi热点等接入点在内的通信实体组成了一个实际的物理通信网络，在此基础上，移动终端的持有者和使用者又具有不同的社会属性，组成了一个虚拟的社交网络.虽然在终端设备上是对等的，但是在一定人群范围内，往往会出现因为个人影响力大形成多个可以被称为“中心节点”的内容中心.人们在获取互联网内容时，对所有内容获取的概率并不是均匀分布的，常常会出现“长尾效应”，即少量的内容被请求多次，而大部分内容的请求次数反而较少[33].结合社交网络中的“中心节点”与缓存技术，通过缓存复用程度高的流行内容，结合终端附近的小区域网络传输(WiFi和D2D)，可以有效减少基站的流量压力，降低传播时延[34]. Nikolaou等[35]在设计主动缓存策略时，将社交网络的影响因素考虑在内，从而提升缓存命中率.
下面首先简要介绍社交网络特性，然后概述社交关系如何影响缓存策略的设计.
2.4.1 社交关系虚拟社交网络和实际物理网络的对应关系如图 4所示.虚拟社交关系的网络和实际物理连接网络具有非同步性，即物理网络中的连接不代表虚拟社交网络中的连接，并且社交网络中的中心节点并不一定能成为实际物理连接中的中心节点.这样会出现2个问题：首先，不具有社交网络关系的D2D通信对于使用用户来讲分享资源的意愿显然没有具有社交关系的用户强烈；其次，社交网络中心节点也就是分享资源概率最高的节点并不一定连接最多的用户，而物理网络中心节点可能出现实际可供分享资源不足的情况.
|
图 4 虚拟和物理连接 |
Mislove等使用来自Flicker、LiveJournal、Orkut的真实数据研究社交图的拓扑结构，发现社交关系的重要特性，即幂律、社交圈子的小世界、社交网络结构的无标度特性[10].社交网络结构涉及范围广泛，这里重点概述单节点、节点和节点、节点和全体的关系，并论述如何借用上述关系设计缓存策略.
|
表 1 空间时间属性应用[11] |
社交关系中幂律特性最简单的例子是用户的度，度是衡量社交网络中节点对周围节点影响力的相关指标，如果在度数大的节点缓存内容，其周围节点更便于获取缓存内容，可极大提高缓存命中率.
社交网络中节点往往根据位置或者兴趣等聚合为各个小群组，这样节点更容易搜索群组中的节点，以查看请求内容，提高节点发现效率，且不同群组相互独立，更容易作干扰协调.
社交网络可以抽象为无向图和有向图.边的强度表示节点之间的社交关系强度，通常社交强度达到一定阈值时节点之间才协作传输.假设用户A和用户B的社交关系强度大，用户A较用户B请求某个内容早，则用户A缓存内容，并且为用户A和用户B之间的D2D通信链路分配更多的频谱和带宽，这样既增加了用户A和用户配对概率，也提高了频谱效率.而有向图的方向表示信息传播的方向，如果结合节点的移动方向，可以设计出高效的缓存策略.
另外，节点在整个网络中的重要性评估也非常重要，常用中心度衡量节点在社交网络中所处位置的重要性.该度量值越大，表示其他节点在进行传播社交影响时经过该节点的概率越大，如果内容缓存在中心度大节点，其他节点与该节点相遇的概率较大，缓存命中率也会相应提高；也可用聚类系数来度量节点聚合在一起的程度，判断节点是否可以作为连接不同群组的桥梁，如果缓存内容到聚类系数大的节点则容易进行联合缓存策略设计.
2.4.2 基于社交关系的缓存网络拓扑未知或者不易预测，给寻找重要网络节点带来巨大困难，Boldrini等[36]进一步拓展到用户之间拓扑网络处于不断变化的场景，并将缓存、线下社交关系、用户偏好结合在一起，根据用户在与其他用户相遇时收集而来的其他用户的爱好，自动计算出效用指标决定缓存内容，通过研究可以发现，使用线下物理社交关系来设计缓存策略具有挑战性和重要意义.
物理社交关系的获取依靠用户的移动模型，如果用户的移动模型为单纯的随机移动，那么获取的物理社交关系很少存在重要的用户，这与社交网络的本质差别很大，通常在社交网络中，存在明星节点. Han等[37]首先对比了分布式缓存和社交缓存的差别，结合社交网络中用户的朋友关系，选择社交节点作为服务节点主动缓存内容. Hamidouche等[38]结合用户社交影响、用户分享影响、用户偏好，并更宏观地将场景拓展，建模为多对多博弈模型，并提出稳定的博弈方案.这些方案证实了线上社交网络独特结构的重要性.
在无线通信网络中，即使用户之间具有较强的社交关系，用户移动造成的信道衰落突变也会使得用户之间无法传递内容.在此情况下，单纯依靠虚拟社交关系和用户网络拓扑会使缓存策略设计效率低下.
2.5 缓存技术其他问题 2.5.1 缓存中的绿色通信问题在能源日益短缺和环保压力不断增长的时代，节能减排一直是人们关注的焦点.缓存内容设计主要聚焦在卸载流量或降低延时，然而内容主动缓存需要消耗一定的能量，如主动缓存内容、设备之间交互缓存信息.同时，用户之间的D2D通信也会产生大量的数据发送和接收，而视频内容的缓存和发送都会使用较多的能量，因此如果一个终端具有社交网络或者物理网络中的“中心节点作用”，那么消耗的电量将是巨大的，尽管智能手机的电池性能在不断提升，但是相对于庞大的业务量以及众多耗电需求，能量消耗仍旧成为缓存设计的重要因素之一，如果不能较好地解决能耗问题，显然没有用户愿意共享自己的缓存资源.
Nuggehalli等[39]研究了自组织网络中缓存内容需要的总代价Ktot的问题，综合考虑了节点请求内容的网络延时和能量消耗代价，将能量消耗代价Ke分为内容分发消耗的能量代价Kd-e和内容传输消耗的能量代价Ka-e，有
| $ {\mathit{K}_{\rm{e}}} = {K_{{\rm{d-e}}}} + {K_{{\rm{a-e}}}} $ | (4) |
然后考虑用户接入的时延代价Klat，建立一个联合优化问题，其中λ是时延影响权重因子：
| $ {K_{{\rm{tot}}}} = {K_{\rm{e}}} + \lambda {K_{{\rm{lat}}}} $ | (5) |
初始优化问题是一个NP-hard，为了使算法实用化，学者提出一个多项式复杂、可应用任意网络拓扑、可分布式实现的贪婪缓存算法，通过调节参数动态改变能量消耗和网络延时所占的比例. Liu等[40]研究了超密集小区下缓存的能量消耗，考虑数据传输能量消耗和芯片的能量消耗，给出在不同天线数目下最优的能量消耗策略. Zhang等[41]则将缓存的能量消耗拓展到具有宏基站和微基站的异构网络.
2.5.2 缓存与传输预编码内容更新和无线信道变化在时间跨度上有极大差异，通常在缓存策略给定的情况下进行无线资源的优化，即根据缓存状态和信道条件动态调整物理层的传输方式，进行合理的干扰协调和资源优化.在传输方式的选择上，Tao等[42]研究了给定基站视频文件缓存策略的情况下，多个基站同时服务多个用户的预编码设计问题.将请求同一个热门文件的多个用户组成一个多播组，基站根据缓存状态和信道条件动态决定是否服务某个多播组，通过基站分簇与多播预编码设计最小化回程链路负载与系统能效的加权和.而Xiang等[43]则通过多个信道样本空间对缓存矩阵进行训练，再根据缓存状态动态调整基站分簇与多播预编码设计. Liu等[44]通过联合优化基站的缓存和预编码策略来提升系统的性能.提出多个地理位置邻近且缓存了相同热门视频文件的基站，在无需交互文件数据，无需占用回程链路带宽的情况，只需交互信道状态信息(CSI, channel state information)下，可以使用CoMP方式同时向某个用户发送其请求的文件.首先利用随机梯度优化算法进行缓存策略优化，而后研究了利用最大距离分隔(MDS, maximum distance separablecode)码提高网络中满足CoMP传输方式的概率.此外，Park等[45]考虑了多个基站协作缓存时C-RAN网络的预编码策略，提出将同一文件的不同部分分别缓存在不同的基站存储设备中，下行传输过程中，多个基站并行向用户发送所请求文件的不同部分，用户以串行干扰删除方式进行解码接收.在干扰管理方面，Liu等[46]提出用户终端可以将已缓存的文件作为边信息，删除网络中相同文件传输带来的干扰.
利用视频文件的编码特性和视频传输时的码率要求，可以更好地发挥缓存在视频传输中的作用.在提升5G中高清视频的用户体验上，移动边缘缓存的研究将会更为深入.
2.5.3 异构网络缓存5G通信系统中，网络异构特性、不同空口传输机制、传输协议参数对信息的传输会产生不同的影响，这势必影响缓存系统设计. 5G通信的新场景如eMBB(enhanced mobile broadband)、mMTC(massive machine type communications)等具有与以往通信组网不同的特点，短视频突发等新型业务对回程链路、时延、功率等方面提出了更进一步的多样化需求.未来异构网络的构成主要受两大因素影响：一是网络终端，如手机、传感器等不同接入设备组成终端异构网；二是终端接入网络的节点，如基站、无线局域网(WLAN，wireless local area networks)等异构接入点组成的异构接入网络.
为了提升系统容量和传输速率，5G中小小区及家庭基站的部署将会更加密集，Liu等[47]提出了带有缓存节点的网络能够有效减轻由于异构网络带来的回传链路负载，同时考虑在缓存基础上如何通过合理配置网络中的缓存节点来提升区域内的系统效率. Jiang等[48]考虑了未来在异构网络中视频内容数据量剧增的情况下如何利用缓存来降低时延的问题. Liu等[49]通过优化策略，在随机几何分析的基础上，最大化异构网络中的内容缓存和流量卸载的成果概率.
相对于手机或基站等传统的通信设备，5G中mMTC场景传感器缓存的传输能力都较弱，因此相应的优化策略也会不同，例如，手机视频更为注重的是用户的视频体验，更多考虑减低时延，提升传输质量. Ha等[50]考虑无线传感网中缓存的位置选择，设计了相应的传输架构，并考虑对每个传感器是否进行缓存或者转发以进行优化.无线传感网的电池使用寿命要求非常长，因此能耗成为限制传感网性能的关键因素，更低的功耗、更高的效率是无线传感网中最重要的优化方向.
2.5.4 边缘缓存合作技术边缘缓存中的绿色通信、预编码以及异构网络缓存都涉及缓存的放置问题.通过对单个终端或者基站进行缓存的优化，能在一定程度上提升单个用户或者局部多个用户的性能.目前存储设备的容量和成本都在大幅度下降，但是随着视频质量的不断提升和内容提供商提供的更加多样化的视频服务，缓存容量相对于庞大的用户需求仍然相对不足，因此单个基站和用户的缓存往往无法满足实际需求.在提升单个缓存利用率的基础上，如何利用多个用户和多个基站协作缓存，也成为缓存研究中的重要问题.
在多个用户和基站缓存不同的文件，在文件传输中使用协作传输的策略，这样的方案会提升问题解决的复杂度，但是从另一方面却带来了解决问题更多的选择. Chen等[51]将每个小区的基站缓存分为两部分，对于流行度最高的内容，所有的基站都进行缓存；而对于流行度较低的内容，不同基站缓存不同的内容，可提升传输成功率. Ji等[52]通过网络编码的方式，利用不同用户的缓存使用广播信道传输内容. Li等[53]针对多基站协作传输和单小区传输场景进行建模，通过博弈论设计缓存放置策略. Lin等[54]综合考虑了基站和用户间的缓存协作策略，提升了DoC(degree of cooperation)和整个系统的缓存容量.
研究合作缓存最重要的是通过不同的合作缓存策略提升所需要的系统性能，同时合作缓存随着合作范围的扩展合作终端类型的扩展，呈现出多样化的合作策略，同样需要考虑异构网络的特性问题.通过合作缓存能否有效节省缓存空间，从而减少设备在缓存上投入的能耗也属于绿色通信问题.在缓存放置完成后，仍然需要考虑传输的问题，而很多合作缓存的设计就是为了能够使用多播、广播等无线信道特性.因此合作缓存将会是未来解决缓存问题的基础，而针对不同的目标会产生不同的合作策略，为5G网络实现多样化的业务需求打下基础.
3 技术挑战和发展方向 3.1 分布式与自适应缓存手机存储与电池技术的不断发展，D2D通信逐渐发展壮大，为分布式缓存的发展打下了良好的基础.但是相对于基站而言，手机的存储能力和电池容量还是相对较弱，并且每个用户都具有自主选择是否参与缓存共享的权利，因此分布式缓存仍然有较多的问题需要进一步研究.同时在D2D之间传输视频时，视频内容的授权和保密也仍然是不可避免的问题.尽管如此，分布式缓存为缓存带来了更广阔的应用前景，在未来可以开展集中式缓存与分布式缓存共同优化的研究.同时分布式缓存也可以在一定程度上缓解基站的压力.自适应缓存的引入将给网络带来更多的适应性，能够提供更为灵活、有效的缓存策略，在机器学习和大数据时代，如何更高效地根据网络状况以及用户组成情况调整缓存策略，将会成为未来研究的热点.
3.2 视频传输社交化在线社交网络在互联网上日益流行，且与在线视频服务系统越来越密切.用户生成视频内容，上传视频，随后用户直接转发和分享视频内容，使得视频内容的分发变为一种边缘到边缘的模式.这种模式的改变带来一些挑战，视频服务商不仅需要应对用户行为的随机性和动态性，而且边缘化的内容分发大大增加了非流行内容的分发成本，增大部署代价.同时，社交视频内容一般在小圈子中分享，服务商无法完全获取视频内容的分发情况，最明显的是它无法统计视频内容的热度.如果视频服务商还以视频内容流行度进行缓存设计，那么缓存策略可能无法应对社交视频分发.
3.3 缓存技术商业化障碍缓存实际部署不仅需要物理设施，还需要通信协议，通信协议既要保证正常的通信流程，在缓存设计中，也要保证一定的公平性，特别是终端用户缓存.终端在缓存时会花费流量和消耗电量，为了增加用户在终端协作缓存与传输的积极性，一定的激励措施是必要的.数据的传输需要在不同网络架构和网络中的不同通信制式之间进行调整.
视频业务的缓存与传输的基础在于用户和基站可以对视频业务进行有效识别.若要利用视频的编码特性，就要对传输内容进行分析.现有的网络使用和运营中，基站侧往往只是承担了单纯的转发作用，不能有效感知实际视频业务和编码.在实际研究中，网络运营商和视频内容服务提供商之间需要进行相应的业务开放，增强网络对业务的感知能力.现在越来越多的视频服务器从核心网中心向边缘靠拢，未来基站侧将会感知更多的内容信息，无论是用户端还是基站侧的缓存，在实际场景中都会走向大规模部署，而不会只停留在理论分析.
4 结束语在视频业务飞速发展的今天，无线边缘网络所承载的移动视频业务负担也在迅速上升，缓存技术为如何在现有资源情况下更好地结合视频特性与社交网络进行视频的传输在MIMO和CoMP等传统通信技术之外提供了新的思路.缓存技术文件流行度对热门内容进行缓存，有效减轻了网络负载，利用社交网络在本地进行传输减少了视频的传输时延.移动边缘网络中用户的移动模型和用户层面的社交网络为缓存技术在不同资源维度的优化上提供了多种解决方案.同时，多基站协作、多用户分组多播等传输技术在缓存技术基础上又有了新的优化方向.然而，缓存技术的发展还受到很多因素的制约，如基站关于传输内容的获取、D2D通信中用户的参与以及隐私保护等.在5G中，多样化的场景对网络带来了多样化的挑战，而缓存技术也需要随着业务的变化不断优化.可以预计，未来移动边缘缓存仍将是研究的热点与难点.
| [1] | Cummings J N, Butler B, Kraut R. The quality of online social relationships[J]. Communications of the ACM, 2002, 45(7): 103–108. doi: 10.1145/514236.514242 |
| [2] | Dilley J, Maggs B, Parikh J, et al. Globally distributed content delivery[J]. IEEE Internet Computing, 2002, 6(5): 50–58. doi: 10.1109/MIC.2002.1036038 |
| [3] | 何军. LTE核心网络中协作式视频缓存研究[D]. 合肥: 中国科学技术大学, 2013. |
| [4] | 姚士佳. 视频分发与缓存协同优化技术研究[D]. 合肥: 中国科学技术大学, 2014. |
| [5] | Iqbal J, Giaccone P, Rossi C. Local cooperative caching policies in multi-hop D2D networks[C]//Wireless and Mobile Computing, Networking and Communications (WiMob), 2014 IEEE 10th International Conference on. Lamaca, Cyprus: IEEE, 2014: 245-250. |
| [6] | Gkatzikis L, Sourlas V, Fischione C, et al. Clustered content replication for hierarchical content delivery networks[C]//Communications (ICC), 2015 IEEE International Conference on. London, UK: IEEE, 2015: 5872-5877. |
| [7] | Ahlehagh H, Dey S. Hierarchical video caching in wireless cloud: approaches and algorithms[C]//Communications (ICC), 2012 IEEE International Conference on. OTTAWA, Canada: IEEE, 2012: 7082-7087. |
| [8] | Golrezaei N, Dimakis A G, Molisch A F, et al. Wireless video content delivery through distributed caching and peer-to-peer gossiping[C]//Signals, Systems and Computers (ASILOMAR), 2011 Conference Record of the Forty Fifth Asilomar Conference on. Pacific Grove, CA, USA: IEEE, 2011: 1177-1180. |
| [9] |
朱敏, 李俊. 视频点播中视频流行度的建模与分析[J]. 电子技术, 2016(9): 12.
Zhu Ming, Li Jun. Modeling and analysis of video popularity in video-on-demand[J]. Electronic Technology, 2016(9): 12. |
| [10] | Bastug E, Bennis M, Debbah M. Living on the edge:the role of proactive caching in 5G wireless networks[J]. IEEE Communications Magazine, 2014, 52(8): 82–89. doi: 10.1109/MCOM.2014.6871674 |
| [11] | Wang R, Peng X, Zhang J, et al. Mobility-aware caching for content-centric wireless networks:modeling and methodology[J]. IEEE Communications Magazine, 2016, 54(8): 77–83. doi: 10.1109/MCOM.2016.7537180 |
| [12] | 王智. 在线社交视频内容分发策略研究[D]. 清华大学, 2013. |
| [13] | Bastug E, Guénégo J L, Debbah M. Proactive small cell networks[C]//Telecommunications (ICT), 201320th International Conference on. Casablanca, Morocco: IEEE, 2013: 1-5. |
| [14] | Shen F, Hamidouche K, Bastug E, et al. A stackelberg game for incentive proactive caching mechanisms in wireless networks[C]//Global Communications Conference (GLOBECOM), 2016 IEEE. Washington, DC USA: IEEE, 2016: 1-6. |
| [15] | Deli I, Stavrakakis I. Distributed proactive caching in a group of selfish nodes[C]//Wireless on-demand Network Systems and Services (WONS), 201713th Annual Conference on. Jackson Hole, Wyoming, USA: IEEE, 2017: 181-188. |
| [16] | Kang H J, Park K Y, Cho K, et al. Mobile caching policies for device-to-device (D2D) content delivery networking[C]//Computer Communications Workshops (INFOCOM WKSHPS), 2014 IEEE Conference on. Toronto, Canada: IEEE, 2014: 299-304. |
| [17] | Tanzil S M S, Hoiles W, Krishnamurthy V. Adaptive scheme for caching YouTube content in a cellular network:machine learning approach[J]. IEEE Access, 2017(5): 5870–5881. |
| [18] | Golrezaei N, Dimakis A G, Molisch A F. Wireless device-to-device communications with distributed caching[C]//Information Theory Proceedings (ISIT), 2012 IEEE International Symposium on. Boston, MA: IEEE, 2012: 2781-2785. |
| [19] | Golrezaei N, Mansourifard P, Molisch A F, et al. Base-station assisted device-to-device communications for high-throughput wireless video networks[J]. IEEE Transactions on Wireless Communications, 2014, 13(7): 3665–3676. doi: 10.1109/TWC.2014.2316817 |
| [20] | Guo Y, Duan L, Zhang R. Cooperative local caching under heterogeneous file preferences[J]. IEEE Transactions on Communications, 2017, 65(1): 444–457. |
| [21] | Liu D, Yang C. Caching policy toward maximal success probability and area spectral efficiency of cache-enabled hetnets[J]. IEEE Transactions on Communications, 2017. |
| [22] | Camp T, Boleng J, Davies V. A survey of mobility models for ad hoc network research[J]. Wireless Communications and Mobile Computing, 2002, 2(5): 483–502. doi: 10.1002/(ISSN)1530-8677 |
| [23] | Musolesi M, Mascolo C. Designing mobility models based on social network theory[J]. ACM Sigobile Mobile Computing and Communications Review, 2007, 11(3): 59–70. doi: 10.1145/1317425 |
| [24] | Li F, Wu J. LocalCom: a community-based epidemic forwarding scheme in disruption-tolerant networks[C]//Sensor, Mesh and Ad Hoc Communications and Networks, 2009. SECON'09. 6th Annual IEEE Communications Society Conference on. Rome, Italy: IEEE, 2009: 1-9. |
| [25] | Bulut E, Szymanski B K. Exploiting friendship relations for efficient routing in mobile social networks[J]. IEEE Transactions on Parallel and Distributed Systems, 2012, 23(12): 2254–2265. doi: 10.1109/TPDS.2012.83 |
| [26] | Hosny S, Eryilmaz A, Abouzeid A A, et al. Mobility-aware centralized D2D caching networks[C]//Communication, Control, and Computing (Allerton), 201654th Annual Allerton Conference on. Monticello, Illinois, USA: IEEE, 2016: 725-732. |
| [27] | Lungaro P. Distributed and centralized mobility-aware caching schemes for collaborative service provision in user-deployed networks[C]//Vehicular Technology Conference, 2007. VTC-2007 Fall. 2007 IEEE 66th. Toronto, Canada: IEEE, 2007: 309-314. |
| [28] | Borst S, Gupta V, Walid A. Distributed caching algorithms for content distribution networks[C]//INFOCOM, 2010 Proceedings IEEE. San Diego, CA, USA: IEEE, 2010: 1-9. https://link.springer.com/chapter/10.1007/978-3-319-67308-0_28 |
| [29] | Gonzalez M C, Hidalgo C A, Barabasi A L. Understanding individual human mobility patterns[J]. Nature, 2008, 453(7196): 779–782. doi: 10.1038/nature06958 |
| [30] | Lee J K, Hou J C. Modeling steady-state and transient behaviors of user mobility: formulation, analysis, and application[C]//Proceedings of the 7th ACM International Symposium on Mobile Ad hoc Networking and Computing. Florence, Italy: ACM, 2006: 85-96. |
| [31] | Zhang X, Wang Y, Sun R, et al. Clustered device-to-device caching based on file preferences[C]//Personal, Indoor, and Mobile Radio Communications (PIMRC), 2016 IEEE 27th Annual International Symposium on. Valencia, Spain: IEEE, 2016: 1-6. |
| [32] | Lai K Y, Tari Z, Bertok P. Location-aware cache replacement for mobile environments[C]//Global Telecommunications Conference, 2004. GLOBECOM'04. IEEE. Dallas, Texas USA: IEEE, 2004, 6: 3441-3447. https://link.springer.com/article/10.1007/s11227-010-0438-7 |
| [33] | Breslau L, Cao P, Fan L, et al. Web caching and Zipf-like distributions: evidence and implications[C]//INFOCOM'99. Eighteenth Annual Joint Conference of the IEEE Computer and Communications Societies. Proceedings. IEEE. New York: IEEE, 1999: 126-134. https://link.springer.com/chapter/10.1007/978-3-319-27122-4_3 |
| [34] | Wang X, Chen M, Taleb T, et al. Cache in the air:exploiting content caching and delivery techniques for 5G systems[J]. IEEE Communications Magazine, 2014, 52(2): 131–139. doi: 10.1109/MCOM.2014.6736753 |
| [35] | Nikolaou S, Van Renesse R, Schiper N. Proactive cache placement on cooperative client caches for online social networks[J]. IEEE Transactions on Parallel and Distributed Systems, 2016, 27(4): 1174–1186. doi: 10.1109/TPDS.2015.2425398 |
| [36] | Boldrini C, Conti M, Passarella A. Modelling data dissemination in opportunistic networks[C]//Proceedings of the Third ACM Workshop on Challenged Networks. San Francisco, CA, USA: ACM, 2008: 89-96. |
| [37] | Han L, Nath B, Iftode L, et al. Social butterfly: social caches for distributed social networks[C]//Privacy, Security, Risk and Trust (PASSAT) and 2011 IEEE Third Inernational Conference on Social Computing (SocialCom), 2011 IEEE Third International Conference on. Boston, Massachusetts, USA: IEEE, 2011: 81-86. |
| [38] | Hamidouche K, Saad W, Debbah M. Many-to-many matching games for proactive social-caching in wireless small cell networks[C]//Modeling and Optimization in Mobile, Ad Hoc, and Wireless Networks (WiOpt), 201412th International Symposium on. Hammamet Tunisia: IEEE, 2014: 569-574. |
| [39] | Nuggehalli P, Srinivasan V, Chiasserini C F. Energy-efficient caching strategies in Ad hoc wireless networks[C]//Proceedings of the 4th ACM International Symposium on Mobile Ad hoc Networking & Computing. Annapolis, Maryland, USA: ACM, 2003: 25-34. |
| [40] | Liu J, Sun S. Energy efficiency analysis of cache-enabled cooperative dense small cell networks[J]. IET Communications, 2017, 11(4): 477–482. doi: 10.1049/iet-com.2016.0680 |
| [41] | Zhang J, Zhang X, Imran M A, et al. Energy efficiency analysis of heterogeneous cache-enabled 5G hyper cellular networks[C]//Global Communications Conference (GLOBECOM), 2016 IEEE. Washington, DC, USA: IEEE, 2016: 1-6. |
| [42] | Tao M, Chen E, Zhou H, et al. Content-centric sparse multicast beamforming for cache-enabled cloud RAN[J]. IEEE Transactions on Wireless Communications, 2016, 15(9): 6118–6131. doi: 10.1109/TWC.2016.2578922 |
| [43] | Xiang L, Ng D W K, Schober R, et al. Cache-enabled physical-layer security for video streaming in wireless networks with limited backhaul[C]//Globecom Workshops (GC Wkshps), 2016 IEEE. Washington, DC, USA: IEEE, 2016: 1-7. |
| [44] | Liu A, Lau V K N. Mixed-timescale precoding and cache control in cached MIMO interference network[J]. IEEE Transactions on Signal Processing, 2013, 61(24): 6320–6332. doi: 10.1109/TSP.2013.2282273 |
| [45] | Park S H, Simeone O, Shitz S S. Joint optimization of cloud and edge processing for fog radio access networks[J]. IEEE Transactions on Wireless Communications, 2016, 15(11): 7621–7632. doi: 10.1109/TWC.2016.2605104 |
| [46] | Liu Y, Yang C, Yao Y, et al. Interference management in cache-enabled stochastic networks:a content diversity approach[J]. IEEE Access, 2017(5): 1609–1617. |
| [47] | Liu D, Yang C. Cache-enabled heterogeneous cellular networks: comparison and tradeoffs[C]//Communications (ICC), 2016 IEEE International Conference on. Kuala Lumpur, Malaysia: IEEE, 2016: 1-6. |
| [48] | Jiang W, Feng G, Qin S. Optimal cooperative content caching and delivery policy for heterogeneous cellular networks[J]. IEEE Transactions on Mobile Computing, 2017, 16(5): 1382–1393. doi: 10.1109/TMC.2016.2597851 |
| [49] | Liu D, Yang C. Optimal content placement for offloading in cache-enabled heterogeneous wireless networks[C]//Global Communications Conference (GLOBECOM), 2016 IEEE. Washington, DC USA: IEEE, 2016: 1-6. |
| [50] | Ha M, Kim D. On-demand cache placement protocol for content delivery sensor networks[C]//Computing, Networking and Communications (ICNC), 2017 International Conference on. Silicon Valley, USA: IEEE, 2017: 207-216. |
| [51] | Chen Z, Lee J, Quek T Q S, et al. Cooperative caching and transmission design in cluster-centric small cell networks[J]. IEEE Transactions on Wireless Communications, 2017, 16(5): 3401–3415. doi: 10.1109/TWC.2017.2682240 |
| [52] | Ji H, Lee V C S, Chow C Y, et al. Coding-based cooperative caching in on-demand data broadcast environments[J]. Information Sciences, 2017, 385: 138–156. |
| [53] | Li H, Yang C, Huang X, et al. Cooperative RAN caching based on local altruistic game for single and joint transmissions[J]. IEEE Communications Letters, 2017, 21(4): 853–856. doi: 10.1109/LCOMM.2016.2635637 |
| [54] | Lin P, Song Q, Yu Y, et al. Extensive cooperative caching in D2D integrated cellular networks[J]. IEEE Communications Letters, 2017, 21(9): 2101–2104. doi: 10.1109/LCOMM.2017.2715014 |