杨静等：用户属性感知的移动社交网络边缘缓存机制 931 algorithm;it improves the cache hit rate and reduces the transmission delay while enhancing the quality of user experience. KEY WORDS mobile social network;edge cache;popularity prediction:implicit semantic model:social attribute 随着智能终端设备数量以及无线多媒体应用 容的重传；文献[10]提出一种缓存用户选择方案， 的快速增长，使得移动通信流量爆发式增长，根据 基于用户设备的剩余功率以及内容的最低传输功 美国思科公司的思科视觉网络指数预测，到 率来选择分数高的用户作为缓存用户.然而，文 2022年全球移动数据流量将增长至2017年的 献[8]~[10]主要聚焦在缓存用户的选择问题，没 3倍四，这将给回程链路造成巨大压力.移动社交 有对内容流行度进行预测.目前，很少有文献将内 网络是一个承载在无线通信网络上的社交网络， 容流行度的预测与缓存用户的选择结合在一起 不仅具有无线通信网络中的移动特性也具有社交 为此，本文提出一种用户属性感知的边缘缓存 网络的社会特性-习基于其移动与社会特性，用户 User-aware edge caching mechanism,UAEC), 可通过相遇机会进行内容分享，从而减少从内容 为提高缓存命中率，减少传输时延，首先，考虑用 服务器中获取内容的次数，减轻回程链路压力，同 户的偏好，预测出本地流行内容，并通过微基站将 时，在移动社交网络中，微基站通常被部署在靠近 之协作缓存，同时根据用户偏好的变化将之实时 用户终端，具有较强的储存和计算能力，相比于距 更新，然后，为进一步减少传输时延，基于用户偏 离较远的云，将内容缓存在微基站可减少内容传 好构建兴趣社区，在每个兴趣社区中，考虑用户的 输延迟，提高用户体验质量 缓存意愿及缓存能力选择合适的缓存用户缓存目 然而，由于边缘节点（终端用户、微基站）的存 标内容并分享给普通用户 储容量有限以及用户需求的多样化，使得边缘节 1系统模型 点既不能缓存内容服务器中所有的内容，也不能 在存储容量的限制下，随机缓存内容，因此缓存内 考虑一个宏基站小区内的边缘缓存问题，如 容的选择对提高边缘缓存性能至关重要，同时，用 图1所示，该模型由内容服务器、宏基站、微基站 户的移动性是移动社交网络中实现内容分享的重 和终端用户组成.内容服务器负责存储用户所需 要特性，但也可能因为移动性使缓存用户和请求 的所有内容F=f,f2,…,fw,并假设每个内容的 用户不在终端直接通信技术(D2D)通信范围内， 大小相同为山，宏基站负责管理整个小区内的缓存 最终导致内容分享失败，因此，为提高缓存命中 资源、计算资源和通信资源，为充分利用缓存资 率、减少传输时延，选择合适的缓存用户对提高边 源，减少缓存冗余，微基站负责将本地流行内容协 缘缓存性能至关重要 作缓存，并通过蜂窝链路发送到内容请求者，终端 综上所述，缓存内容选择以及缓存用户选择 用户分为缓存用户和普通用户，普通用户可从缓 是提高网络性能、保证用户体验质量的关键问题. 存用户中获取所需内容，考虑到用户的自私性可 在文献中，这两个问题通常被独立的研究.对于缓 能不愿意缓存其不感兴趣的内容，为此将具有相 存内容选择的问题，通常是选择流行的内容，为此 似内容请求偏好的用户划分为同一兴趣社区，如 需要对内容流行度进行预测，文献[⑤]使用聚类分 图1所示，具有相同颜色的终端用户处于同一兴 析将内容划分为不同类型，利用自回归积分移动 趣社区，缓存用户只需缓存所处兴趣社区请求概 平均模型预测不同类型的内容流行度；文献[6]使 率最高且自己感兴趣的内容集，当普通用户请求 用印度自助餐过程来分析内容选择问题，进而预 内容时，可通过D2D的方式进行内容分享 测内容流行度；文献[)基于用户的上下文，使用 假设用户与用户之间的平均传输时延为Ta, 回声状态网络来预测用户的内容请求分布，进而 用户到微基站的平均传输时延为T2,微基站到内 预测出内容流行度.文献[5]~[7刀虽然在一定程度 容服务器的平均传输时延为T3.则用户获取内容 上提升了网络性能，但都没有考虑缓存用户的选 的平均传输时延T为： 择问题.对于缓存用户选择的问题，文献[8]提出 T1=mTa+nTo2+(n-m-n2)Tas (1) 一种基于用户重要性的缓存策略，基于用户的物 理属性与社会行为选择排名较高的用户来缓存内 其中，Ta1<T2<Ta,n1表示从缓存用户获取内容 容；文献[9]提出一种分布式缓存用户选择方案， 的数量，2表示从微基站中获取内容的数量，n表示 基于概率论模型来选择高速缓存用户，以防止内 用户获取内容的总数量，algorithm; it improves the cache hit rate and reduces the transmission delay while enhancing the quality of user experience. KEY WORDS    mobile social network；edge cache；popularity prediction；implicit semantic model；social attribute 随着智能终端设备数量以及无线多媒体应用 的快速增长，使得移动通信流量爆发式增长，根据 美 国 思 科 公 司 的 思 科 视 觉 网 络 指 数 预 测 ， 到 2022 年全球移动数据流量将增长 至 2017 年 的 3 倍[1] ，这将给回程链路造成巨大压力. 移动社交 网络是一个承载在无线通信网络上的社交网络， 不仅具有无线通信网络中的移动特性也具有社交 网络的社会特性[2−3] ，基于其移动与社会特性，用户 可通过相遇机会进行内容分享，从而减少从内容 服务器中获取内容的次数，减轻回程链路压力，同 时，在移动社交网络中，微基站通常被部署在靠近 用户终端，具有较强的储存和计算能力，相比于距 离较远的云，将内容缓存在微基站可减少内容传 输延迟，提高用户体验质量. 然而，由于边缘节点（终端用户、微基站）的存 储容量有限以及用户需求的多样化[4] ，使得边缘节 点既不能缓存内容服务器中所有的内容，也不能 在存储容量的限制下，随机缓存内容，因此缓存内 容的选择对提高边缘缓存性能至关重要，同时，用 户的移动性是移动社交网络中实现内容分享的重 要特性，但也可能因为移动性使缓存用户和请求 用户不在终端直接通信技术（D2D）通信范围内， 最终导致内容分享失败，因此，为提高缓存命中 率、减少传输时延，选择合适的缓存用户对提高边 缘缓存性能至关重要. 综上所述，缓存内容选择以及缓存用户选择 是提高网络性能、保证用户体验质量的关键问题. 在文献中，这两个问题通常被独立的研究. 对于缓 存内容选择的问题，通常是选择流行的内容，为此 需要对内容流行度进行预测，文献 [5] 使用聚类分 析将内容划分为不同类型，利用自回归积分移动 平均模型预测不同类型的内容流行度；文献 [6] 使 用印度自助餐过程来分析内容选择问题，进而预 测内容流行度；文献 [7] 基于用户的上下文，使用 回声状态网络来预测用户的内容请求分布，进而 预测出内容流行度. 文献 [5]～[7] 虽然在一定程度 上提升了网络性能，但都没有考虑缓存用户的选 择问题. 对于缓存用户选择的问题，文献 [8] 提出 一种基于用户重要性的缓存策略，基于用户的物 理属性与社会行为选择排名较高的用户来缓存内 容；文献 [9] 提出一种分布式缓存用户选择方案， 基于概率论模型来选择高速缓存用户，以防止内 容的重传；文献 [10] 提出一种缓存用户选择方案， 基于用户设备的剩余功率以及内容的最低传输功 率来选择分数高的用户作为缓存用户. 然而，文 献 [8]～[10] 主要聚焦在缓存用户的选择问题，没 有对内容流行度进行预测. 目前，很少有文献将内 容流行度的预测与缓存用户的选择结合在一起. 为此，本文提出一种用户属性感知的边缘缓存 机制（User-aware edge caching mechanism, UAEC） ， 为提高缓存命中率，减少传输时延，首先，考虑用 户的偏好，预测出本地流行内容，并通过微基站将 之协作缓存，同时根据用户偏好的变化将之实时 更新，然后，为进一步减少传输时延，基于用户偏 好构建兴趣社区，在每个兴趣社区中，考虑用户的 缓存意愿及缓存能力选择合适的缓存用户缓存目 标内容并分享给普通用户. 1    系统模型 F = {f1, f2,··· , fN} 考虑一个宏基站小区内的边缘缓存问题，如 图 1 所示，该模型由内容服务器、宏基站、微基站 和终端用户组成. 内容服务器负责存储用户所需 的所有内容 ，并假设每个内容的 大小相同为 d，宏基站负责管理整个小区内的缓存 资源、计算资源和通信资源，为充分利用缓存资 源，减少缓存冗余，微基站负责将本地流行内容协 作缓存，并通过蜂窝链路发送到内容请求者，终端 用户分为缓存用户和普通用户，普通用户可从缓 存用户中获取所需内容，考虑到用户的自私性可 能不愿意缓存其不感兴趣的内容，为此将具有相 似内容请求偏好的用户划分为同一兴趣社区，如 图 1 所示，具有相同颜色的终端用户处于同一兴 趣社区，缓存用户只需缓存所处兴趣社区请求概 率最高且自己感兴趣的内容集，当普通用户请求 内容时，可通过 D2D 的方式进行内容分享. Td1 Td2 Td3 T1 假设用户与用户之间的平均传输时延为 ， 用户到微基站的平均传输时延为 ，微基站到内 容服务器的平均传输时延为 . 则用户获取内容 的平均传输时延 为： T1 = n1Td1 +n2Td2 +(n−n1 −n2)Td3 n （1） Td1 < Td2 < Td3 n1 n2 n 其中， ， 表示从缓存用户获取内容 的数量， 表示从微基站中获取内容的数量， 表示 用户获取内容的总数量. 杨    静等： 用户属性感知的移动社交网络边缘缓存机制 · 931 ·