【本站讯】边缘缓存通过将热门视频内容预存至靠近用户的网络边缘节点，显著减轻了核心网络通信链路的负担，从而更流畅、更稳定地提供高质量视频服务。然而，边缘存储容量难以匹配视频数据的爆炸式增长，制约了高质量视频服务的实现。虽然端对端（Device-to-device，D2D）缓存与多码率技术都能缓解边缘压力，但现有研究存在明显局限：多码率优化多集中于边缘层，而D2D缓存又常限于单一码率。这种分离不仅未能融合两者优势，也缺乏跨层的协同缓存策略。为突破这一限制，我校陈鸿龙教授团队面向云-边-端协同网络，提出了一种D2D增强的多码率视频缓存策略。

研究团队所提出的策略深度融合了云端的海量存储能力、边缘侧的低时延优势、终端设备的分布式协同潜力以及多码率技术的自适应特性。研究团队构建了一个服务时延与缓存替换成本的联合优化问题，该问题可建模为混合整数规划模型。为解决边缘层与设备层缓存策略的耦合关系，团队采用交替迭代方法将原问题解耦为两个子问题，并设计了一种边-端双层联合缓存策略以实现多码率视频协同缓存，具体来说：在设备层，提出了基于贪心算法与拉格朗日乘子的多码率视频缓存策略；在边缘层，提出了基于深度强化学习的多码率视频缓存策略。大量仿真验证了所提策略的有效性。

相关成果以“MATE: A D2D-Enhanced Multi-Bitrate Video Caching Strategy for Cloud-Edge-Device Collaborative Networks”为题，发表于《IEEE Transactions on Mobile Computing》。博士生孙海洋为第一作者，中国石油大学（华东）陈鸿龙教授为通讯作者，中国石油大学（华东）为第一署名单位。该研究得到国家自然科学基金、山东省泰山学者青年专家项目和山东省自然科学基金等项目的资助。

文章链接：https://ieeexplore.ieee.org/document/11283064