基于深度学习算法的边缘/雾计算缓存技术调研

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：A Survey on Edge/Fog Caching Based on Deep Learning Algorithms

传统云系统在应对网络流量激增时面临服务质量与用户体验质量的双重挑战，雾/边缘计算应运而生。然而资源受限特性要求更高效的缓存管理策略，深度学习凭借其在时空模式建模上的优势，成为优化下一代缓存系统的重要解决方案。本文系统梳理雾/边缘计算环境及其挑战，提出新的缓存分类框架，并对比分析基于深度学习的缓存优化研究，指出未来需在动态需求预测和跨域资源协同等方面深化探索。

　　

摘要

由于网络流量需求的显著增加，传统的云计算系统越来越关注服务质量（QoS）和用户体验（QoE）的维护。这一挑战促使了雾计算/边缘计算（fog/edge computing）的引入。然而，这些环境的资源限制使得有效的资源管理变得至关重要，尤其是需要通过缓存策略来存储频繁访问的内容，以提高QoS和QoE。准确预测内容的流行模式在优化缓存性能方面起着关键作用，尤其是在用户需求动态变化的情况下。深度学习（Deep Learning, DL）架构在建模复杂时空模式方面的能力已经证明它们是下一代缓存系统的强大解决方案。本文概述了雾计算/边缘计算环境及其面临的挑战，然后重点讨论了这些环境中的缓存问题，并从多个角度提出了新的缓存分类方法，这些方法之前未被研究人员提及。此外，我们还回顾了一些利用DL技术来解决缓存挑战的研究，并根据缓存挑战、所采用的DL技术及其主要特点对这些研究进行了比较。总之，本研究指出了需要进一步研究的挑战和限制，以改进雾计算/边缘计算和内容缓存策略。该调查还为未来的研究方向提供了指导，有助于研究人员找到研究方向，并帮助他们解决这些环境中的现有问题和限制。