随着移动互联网和物联网(internet of things, IoT)技术的快速发展，海量终端设备产生的数据爆发式增长，传统云计算模式已难以满足实时性要求高的应用需求^[1]. 作为分布式的数据处理和存储架构，移动边缘计算(mobile edge computing, MEC)通过将计算、存储和网络资源下沉至边缘节点，有效降低了传输延迟和网络拥塞^[2-3]. 由于边缘服务器存储和计算能力有限，如何高效利用这些资源成为关键问题^[4]. 缓存技术应运而生，边缘缓存通过在边缘服务器预置热门数据，以减少传输时延^[5]，但传统的静态缓存策略难以应对任务流行度的动态变化^[6]，导致缓存命中率低和资源浪费^[7]. 编码缓存通过将任务或数据分块并引入冗余编码，不仅能有效提升数据的可靠性，还能进一步提高缓存资源的利用率，从而更好地应对任务流行度的动态变化^[8].

受边缘环境高度动态性制约，编码缓存在内容分布与资源波动下难以充分发挥优势：一方面，请求流行度高度不均且向少数热点服务器聚集，静态或均匀缓存易导致缓存与带宽失衡并浪费资源；另一方面，边缘节点利用率低且状态高度动态变化，系统难以同时应对突发负载倾斜和存储波动，导致局部热点与资源闲置并存，命中率下降.

针对上述问题，本研究从以下两个方面展开. 1) 面向任务特征的动态冗余编码机制：在Zipf型请求分布下，以任务流行度、数据规模和资源状态为输入构建联合优化模型，引入对偶优化框架自适应求解各任务的最优冗余块数，实现编码粒度的精细动态调节. 2) 基于演化博弈的动态缓存优化方法（dynamic redundancy game-driven caching，DR-GC）：以边缘服务器建模为博弈个体，引入复制动态，使其依据资源状况、任务流行度和历史收益在本地缓存、转发与迁移策略间自适应演化，形成收益驱动的分布式协同决策，在资源受限和突发高并发场景下兼顾高命中率、低时延与低回程流量.

在边缘缓存研究中，部分工作着眼于流行度感知与新鲜度约束. Nguyen等^[9]提出渐进式流行度感知缓存(progressive popularity-aware caching scheme, PPCS)，对高流行度内容整对象缓存、低流行度内容沿路径分块，并以副本约束控制冗余，提升多样性. PPCS依赖静态阈值，难以应对突发需求. 流行度感知接近度(popularity-aware closeness, PaC) ^[10]将流行度与拓扑接近度结合，在消费者附近缓存热门内容以降低时延与传输开销，但采用固定流行度阈值和基于跳数的接近度度量，在突发热点或链路拥塞下适应性有限. 流行度与新鲜度边缘缓存(popularity and freshness edge cache, PFEdge) ^[11]在命名数据网络(named data networking, NDN)/IoT中联合流行度与新鲜度，实现热门有效数据的自然迁移，避免复杂控制，但依赖预设阈值与有限参数，易因阈值不当导致收敛缓慢或过早替换，难以应对快速波动需求. Abolhassani等^[12-13]进一步将新鲜度指标与推拉机制结合以优化更新频率和触发条件，此类方法同样依赖精确参数且跨层协同不足.

上述工作在一定程度上改善了动态网络中边缘缓存的时效性和用户体验，但存在不足：1）过度依赖流行度/新鲜度估计，对突发热点和剧烈波动鲁棒性不足；2）优化多局限于缓存层，缺乏与传输控制及冗余机制的跨层协同.

相较于传统边缘缓存，编码缓存通过对任务分片并引入冗余编码，在提升吞吐率、降低能耗和缓解回程压力方面优势明显. 在性能提升与能耗优化方面，Zhao等^[14]针对卫星-无人机-车联网融合网络的能耗瓶颈，设计能耗感知的编码缓存策略，联合优化缓存放置与功率分配，有效平衡了能耗与存储压力，但过度依赖精确参数获取，实际环境中难以保证. 在网络架构优化方面，Yang等^[15]将编码缓存与基站休眠策略结合，利用最大距离可分(maximum distance separable, MDS)编码分片在休眠期恢复内容，通过混合整数非线性规划与粒子群优化降低能耗、维持命中率，但该方法高度依赖流行度、请求分布和信道参数，对动态用户行为与跨域协同考虑不足，现实可扩展性有限. 在安全与理论拓展方面，Sojdeh等^[16]提出多服务器编码缓存方案，引入秘密共享密钥与“一次一密”加密机制，有效增强了传输阶段的隐私保护，但该方案在大规模部署中存在密钥管理与通信开销过高的问题.

这些方案在一定程度上缓解了传统边缘缓存难以兼顾吞吐率、能效与安全的矛盾，但分片规模与冗余度多为静态或离线设定，难以随流行度、链路和回程状态实时自适应；且多聚焦能耗、吞吐或安全等宏观目标，缺乏缓存层精细管理与跨层协同，在动态异构网络中易出现编码与缓存失配.

为了验证所提出的融合动态冗余编码的自适应边缘缓存机制在实际多层次边缘计算环境中的性能表现，并模拟真实的任务处理与资源分配场景，建立3层移动边缘计算网络，如图1所示.

在该架构中，边缘服务器层是任务处理与缓存调度的核心，由$ m $个边缘服务器集合$ E=\{{e}_{1},{e}_{2},\cdots,{e}_{m}\} $组成，每个服务器均具备特定的资源属性，包括存储容量$ C $、CPU计算能力$ F $以及网络传输带宽$ B $. 每台服务器资源的使用必须满足严格的约束条件^[17]：存储资源$ \displaystyle\sum \nolimits_{s\in {{S}}_{i}}C_{{s}}^{\text{sto}}\leqslant C $，CPU资源$ \displaystyle\sum \nolimits_{s\in {{S}}_{i}}C_{{s}}^{\text{cpu}}\leqslant F $，带宽资源$ \displaystyle\sum \nolimits_{s\in {{S}}_{i}}C_{{s}}^{\text{bw}}\leqslant B $. 用户层构成网络的请求发起端，由$ n $个用户终端集合$ U= \{{u}_{1},{u}_{u},\cdots,{u}_{n}\} $组成，每个用户$ {u}_{j}\in U $通过无线信道与边缘服务器建立连接，并生成相应的计算任务请求^[17]. 作为边缘服务器资源的重要补充，云中心层位于网络架构的最顶层. 它提供近乎无限的存储容量$ {S}_{\text{c}} $和强大的CPU计算能力$ {F}_{\text{c}} $^[17]. 为了对整个过程进行更为精确的刻画并开展系统化的性能评估，构建如下模型.

(1) 任务编码模型. 考虑边缘计算环境中的任务集合S，任务执行前采用动态冗余编码机制进行处理. 具体而言，基于任务的特征差异，应用RS(Reed-Solomon)纠删码对任务进行编码，在终端设备完成编码后将任务上传至边缘服务器. 为了实现差异化的编码与缓存分配，在任务编码策略中引入任务流行度建模. 具体地，任意任务的任务流行度$ P(s) $采用Zipf分布进行刻画^[18]，概率分布式为

(1)$ P(s)=\dfrac{\dfrac{1}{{s}^{\alpha }}}{\displaystyle\sum \limits_{k=1}^{n}\dfrac{1}{{k}^{\alpha }}}. $

式中：$ s\in \{1,2,\cdots,l\} $为任务的编号，1表示最热门任务，$ l $表示最冷门任务；$ \alpha $为Zipf分布的参数($ \alpha \gt 0 $)，表示流行度的偏斜程度；$ l $为任务总数. 任务$ s $编码前的原始数据大小$ D(s) $服从泊松分布^[18]，可表示为

(2)$ P(D(s)=k)=\dfrac{{\lambda }^{k}\cdot \exp \;(-\lambda )}{k!}. $

任务$ s $编码后的存储消耗可表示为

(3)$ D{(s)}^{\text{enc}}=D(s)\cdot (1+{R}_{\text{s}}). $

冗余参数$ {R}_{\text{s}} $定义为冗余块数m_s与固定数据块数k之比，即$ {R}_{\text{s}}={m}_{{s}}/{k} $. 相应地，任务$ s $编码传输带来的带宽消耗可表示为

(4)$ B{(s)}^{\text{enc}}=D{(s)}^{\text{enc}}\cdot {\theta }_{\text{s}}. $

式中：$ {\theta }_{\text{s}}={N}^{\text{s}} /{T} $，$ {N}^{\text{s}} $为时间$ T $内任务$ s $的请求次数，$ D{(s)}^{\text{enc}} $为编码后任务的大小.

(2) 任务传输模型. 用户终端$ {u}_{j} $向边缘服务器发送任务请求，其传输速率遵循香农定理^[17,19]，

(5)$ {R}_{\text{n}}={B}_{\text{n}}\cdot {{\mathrm{lb}}}\left(1+\dfrac{{p}_{\text{n}}\cdot {h}_{\text{n}}}{{\sigma }^{2}}\right). $

任务从终端到边缘服务器的传输时延为

(6)$ {T}_{\text{ue}}=\dfrac{D{(s)}^{\text{enc}}}{{R}_{\text{n}}}. $

若当前边缘服务器未缓存所请求的任务，则通过服务器间链路将任务迁移至其他服务器，其传输时延为

(7)$ {T}_{\text{dte}}=\dfrac{D{(s)}^{\text{enc}}}{{R}_{\text{a}}}. $

若所有边缘服务器均无法缓存该任务，则将任务卸载至云中心，其传输时延为

(8)$ {T}_{\text{dtc}}=\dfrac{D{(s)}^{\text{enc}}}{{R}_{\text{e-c}}}. $

式中：$ {B}_{\text{n}} $为分配的带宽，$ {p}_{\text{n}} $为发射功率，$ {h}_{\text{n}} $为信道增益，$ {\sigma }^{2} $为高斯白噪声功率，$ {R}_{\text{a}} $为服务器之间的传输速率，$ {R}_{\text{e-c}} $为边缘服务器与云中心之间的传输速率.

(3) 任务解码模型. 服务器解码任务$ s $的时延可表示为

(9)$ {T}_{\text{dec}}=\dfrac{D{(s)}^{\text{enc}}}{{f}_{\text{dec}}}. $

边缘服务器接收到任务$ s $并解码执行时的CPU计算消耗为

(10)$ C{(s)}^{\text{enc}}={m}_{{s}}\cdot {\gamma }_{\text{s}}. $

式中：$ {f}_{\text{dec}} $为服务器分配用于解码任务的计算资源，$ {\gamma }_{\text{s}} $为CPU计算因子.

(4) 任务计算模型. 当任务在边缘服务器执行时，其计算时延为$ {T}_{\text{e}}={F}/{{f}_{\text{e}}} $，其中$ F $为任务所需的CPU计算能力，$ {f}_{\text{e}} $为服务器分配给任务的CPU数. 当任务卸载至云中心时，相应的计算时延$ {T}_{\text{c}}={F}/{{f}_{\text{c}}} $，$ {f}_{\text{c}} $为云中心分配给任务的CPU数^[17,19].

(5)任务返回模型. 在任务完成计算后，结果需经下行链路返回用户终端，产生额外传输时延.

(11)$ {T}_{\text{e-u}}=\dfrac{D{(s)}^{\text{res}}}{{R}_{\text{n}}}, $

(12)$ D{(s)}^{\text{res}}=\theta \cdot D{(s)}^{\text{enc}}, $

(13)$ {T}_{\text{c-u}}=\dfrac{D{(s)}^{\text{res}}}{{R}_{\text{c-u}}}, $

(14)$ {R}_{\text{c-u}}={B}_{\text{c-u}}\cdot {\mathrm{lb}} \left(1+\dfrac{{p}_{\text{clo}}\cdot {h}_{\text{c-u}}}{\sigma _{\text{clo}}^{2}+{I}_{\text{bh}}}\right). $

式中：$ D{(s_i)}^{\text{res}} $为返回信息的大小，$ {B}_{\text{c-u}} $为云到用户的下行链路带宽，$ {p}_{\text{clo}} $为云中心发射功率，$ {h}_{\text{c-u}} $为云到用户的信道增益，$ \sigma _{\text{clo}}^{2} $为云到用户链路的噪声功率，$ {I}_{\text{bh}} $为回程网络干扰，$\theta $为传输有效载荷系数. 对于边缘服务器执行的任务，返回时延按式(11)计算，返回数据大小由式(12)给出；对于云中心执行的任务，返回时延由式(13)确定，其下行速率$ {R}_{\text{c-u}} $由式(14)描述^[17].

为了实现面向边缘计算环境下的内容分发与任务处理，提出融合动态冗余编码机制与自适应演化边缘缓存策略的三层系统架构. 系统整体结构如图2所示. 1）用户层由终端节点（如移动终端、物联网设备）组成，主要负责发起内容或计算任务请求，并上报终端状态信息. 2）边缘服务器层由多个异构边缘服务器构成，具备一定的计算、存储和带宽资源，负责任务缓存、冗余度优化. 该层的核心机制包括动态冗余编码机制和演化博弈自适应缓存策略. 动态冗余编码机制基于任务特征动态计算最优冗余度，以在满足服务质量(quality of service, QoS)与资源约束的前提下提升缓存命中率，降低延迟；演化博弈自适应缓存策略将边缘服务器视作博弈个体，通过策略复制动态迭代优化缓存策略. 3）云中心层由高性能数据中心组成，处理边缘未命中任务并提供全局存储与集中计算支持. 这3层架构通过上中下层协同，实现任务在用户端的快速响应，边缘端的高效缓存与优化调度，确保系统在动态变化的任务需求与资源条件下始终保持较高的服务质量.

在传统的边缘缓存系统中，任务数据通常采用固定冗余等级进行冗余编码. 该策略难以随流行度与资源状态调整，易致冷门任务冗余过多、热门任务冗余不足，且忽视数据规模、请求频率和时延敏感度差异，难以细粒度管理. 本研究提出任务特征驱动的动态冗余控制机制，将冗余度作为连续优化变量纳入联合优化模型，动态求解各任务的最优RS编码冗余块数，实现精细化差异化编码，提升资源利用率与服务质量.

该机制的优化目标是在满足边缘服务器资源与任务QoS约束下，以最大化缓存命中率、最小化任务平均服务时延为目标，构建优化函数：

(15)$ \begin{split}\min _{\left\{m_{{s}}\right\}} \sum_{s \in S} & {\left[\delta \exp \left(-\gamma_1 m_s P_s\right)+\beta\left( \dfrac{D(s)\left(1 + \dfrac{m_{{s}}}{k}\right)}{B} + \dfrac{\eta m_{{s}}}{f_s} \right)\right] . } \\\text { s.t. } & \text{C} 1: \sum_{s \in S} D(s)\left(1+\dfrac{m_{{s}}}{k}\right) \leqslant C_{\text {max }} ; \\& \text{C} 2: \sum_{s \in S} \eta \cdot m_{{s}} \leqslant F_{\text {max }} ; \\& \text{C} 3: \sum_{s \in S} P_s \cdot D(s)\left(1+\dfrac{m_{{s}}}{k}\right) \leqslant B_{\mathrm{tot}} \cdot T ; \\& \text{C} 4: \dfrac{D(s)\left(1+\dfrac{m_{{s}}}{k}\right)}{B}+\dfrac{\eta m_{{s}}}{f_s} \leqslant T_{\mathrm{s}}^{\text {max }}, s \in S ; \\& \text{C} 5: m_{{s}} \geqslant \dfrac{-\ln \left(1-h_{\mathrm{s}}^{\text {min }}\right)}{\gamma_1 \cdot P_{{s}}}, s \in S ; \\& \text{C} 6: 0 \leqslant m_{{s}} \leqslant m_{\text {max }}, s \in S ; \\& \text{C} 7: m_{{s}} \geqslant m_{\text {min }}, s \in S_{\text {high }} .\\[-1pt]\end{split}$

式中：$ {P}_{s} $为任务的单位时间的流行度，$ {f}_{\text{s}} $为服务器分配给任务的CPU能力，$ B $刻画边缘网络可用传输速率，$ \eta $衡量单位冗余块解码计算消耗，$ {\gamma }_{1} $控制命中率对冗余的敏感性. 约束条件C1要求所有任务编码后占用的缓存容量不得超过服务器最大缓存能力$ {C}_{\max } $；C2限定总解码计算开销不得超出服务器可用计算资源$ {F}_{\max } $；C3规定单位时间内传输的数据总量不得超过系统带宽容量$ {B}_{\text{tot}} $；C4确保任务整体服务时延不超过其最大容忍值$ T_{\text{s}}^{\text{max}} $；C5保证任务$ s $的本地命中率不低于设定阈值$ h_{\text{s}}^{\text{min}} $；C6要求冗余度的取值必须处于系统编码支持范围内；C7表示对于高优先级任务集合$ {{S}}_{\text{high}} $，设置最小冗余保障. 为了平衡系统性能指标中的缓存命中率与任务延迟，引入权重因子$ \delta \gt 0 $与$ \beta \gt 0 $，分别用于调节命中率优化项与延迟约束项的重要性，$ \delta ,\beta \in (0, 1.0) $, $ \delta +\beta =1 $. 当系统更关注命中率时，取较大的$ \delta $；当实时性要求较高时，取较大的$ \beta $. 为了增强模型的自适应性，设计基于命中率与延迟反馈的轻量动态权重调整机制：

(16)$ {\delta }^{(t+1)}=\dfrac{\text{exp}\;(-\zeta D_{\text{avg}}^{{(t)}})}{\text{exp}\;(-\zeta D_{\text{avg}}^{{(t)}})+\text{exp}\;(-\zeta H_{\text{avg}}^{{(t)}})}, $

(17)$ {\beta }^{{(t+1)}}=1-{\delta }^{{(t+1)}}=\dfrac{\text{exp}\;(-\zeta H_{\text{avg}}^{{(t)}})}{\text{exp}\;(-\zeta D_{\text{avg}}^{{(t)}})+\text{exp}\;(-\zeta H_{\text{avg}}^{{(t)}})}. $

式中：$ H_{\text{avg}}^{{(t)}} $为当前平均命中率，$ D_{\text{avg}}^{{(t)}} $为平均服务延迟，$ \zeta \in [0.1,0.5] $为调节系数. 该机制可依据命中率与延迟的动态变化自适应调整权重比例，在保证优化目标凸性的同时提高模型的稳定性与灵活性.

为了保证所构建的动态冗余优化模型具有可解性与全局收敛性，对目标函数与约束条件的凸性进行论证. 在展开最优冗余度求解之前，先给出引理1、引理2及定理2，用以说明目标函数与约束集合的凸性，为后续的凸优化建模与最优解存在性证明提供理论依据.

引理1 设函数$ f(x) $与$ g(x) $分别是关于$ x $的二阶可微函数，若$ f(x) $与$ g(x) $均为凸函数，则复合函数$ h(x)=\alpha f(x)+\beta g(x) $亦为凸函数.

证明 由于$ f(x) $与$ g(x) $均为凸函数，则有$ {f}^{\prime\prime}(x)\geqslant 0 $与$ {g}^{\prime\prime}(x)\geqslant 0 $，且当$ \alpha \gt 0 $, $ \beta \gt 0 $时，有$ {h}^{\prime\prime}(x)=\alpha {f}^{\prime\prime}(x)+ \beta {g}^{\prime\prime}(x)\geqslant 0 $，因此$ h(x) $为凸函数^[20].

引理2 设$a,b\in \bf{R} $，且$ a \lt b $. 定义集合$ {V}_{1}= \{x\in {\bf{R}}|x\geqslant a\} $，$ {V}_{2}=\{x\in {\bf{R}}|x\leqslant b\} $, $ {V}_{3}=\{x\in {\bf{R}}|a\leqslant x\leqslant b\} $, $ {V}_{4}= \{x\in {\bf{R}}|ax+b\leqslant c\} $，则$ {V}_{1} $、$ {V}_{2} $、$ {V}_{3} $与$ {V}_{4} $均为凸集.

证明 对于任意两点$ {x}_{1},\;{x}_{2}\in {V}_{1} $，且根据集合定义有$ {x}_{1}\geqslant a, $$ {x}_{2}\geqslant a $；对任意$ 0\leqslant \lambda \leqslant 1 $，令$ {x}^{\prime}=\lambda {x}_{1}+ (1-\lambda ){x}_{2} $，则$ {x}^{\prime}\geqslant \lambda a+(1-\lambda )a=a $，因此$ {x}^{\prime}\in {V}_{1} $，故$ {V}_{1} $为凸集；同理，$ {V}_{2} $为凸集；凸集的交集仍为凸集的性质，有$ {V}_{3}={V}_{1}\cap {V}_{2} $为凸集. 因此，半区间与区间均为凸集. 对于任意两点$ {x}_{1} ,\; {x}_{2}\in {V}_{4} $，且根据集合定义有$ a{x}_{1}+b\leqslant c ,\; a{x}_{2}+b\leqslant c $；对任意$ 0\leqslant \lambda \leqslant 1 $，令$ {x}^{\prime}= \lambda {x}_{1}+(1-\lambda ){x}_{2} $，则$ a{x}^{\prime}+b $可表示为$ a{x}^{\prime}+b= a\left[\lambda {x}_{1}+ (1- \lambda ){x}_{2}\right]+b=\lambda \left(a{x}_{1}+b\right)+\left(1-\lambda \right)\left(a{x}_{2}+b\right) $，因为 $ a{x}_{1}+ b\leqslant c $, $ a{x}_{2}+b\leqslant c $，所以$ a{x}^{\prime}+b\leqslant \lambda c+ \left(1-\lambda \right)c= c $，即$ {x}^{\prime}\in {V}_{4} $，故$ {V}_{4} $为凸集^[20].

定理1 设优化问题$ \underset{m\in V}{\min }F(m) $中，目标函数$ F(m) $为凸函数，约束集合$ V $为有界的凸集，则该优化问题存在且仅存在一个全局最优解$ {m}^{*} $.

证明 存在性：$ F(m) $为连续函数，且约束集合$ V $为有界的凸集，因此根据极值存在定理，在$ V $上至少存在一个最优解$ {m}^{*} $. 唯一性：对于凸函数$ F(m) $，若存在2个不同点$ {m}_{1} $,$ {m}_{2}\in V $，且它们都为最优解，则由凸性的定义，对任意$ 0 \lt \lambda \lt 1 $，有$ F(\lambda {m}_{1}+(1- \lambda ){m}_{2}) \lt \lambda F({m}_{1})+\left(1-\lambda \right)F({m}_{2})={F}^{*} $，即对这两个最优点的任意凸组合，函数值更小，但$ {F}^{*} $已经是函数的最小值，因此不可能存在比$ {F}^{*} $更小的函数值，这与$ {m}_{1} $,$ {m}_{2} $均为最优解矛盾，故最优解唯一. 因此，在凸目标函数与凸约束条件下，优化问题存在且仅存在一个全局最优解$ {m}^{*} $.

记命中率为$ h({m}_{s})=\text{exp\;(}-{\gamma }_{1}{m}_{s}{P}_{s}) $，延迟为

$ T({m}_{{s}})= \dfrac{D(s)\left(1+\dfrac{{m}_{{s}}}{k}\right)}{B}+\dfrac{\eta {m}_{\textit{s}}}{{f}_{{s}}}, $

则原目标函数可以表示为

$ \underset{\left\{{m}_{{s}}\right\}}{\min }\displaystyle\sum \limits_{s\in {S}}\left[\delta \cdot h({m}_{{s}})+\beta \cdot T({m}_{{s}})\right] ; $

其中命中率的二阶导

$ \dfrac{{{\mathrm{d}}}^{2}}{{\mathrm{d}}m_{{s}}^{2}}\left(h({m}_{{s}})\right)={\left({\gamma }_{1}\cdot {m}_{{s}}\right)}^{2}\text{exp\;(}-{\gamma }_{1}{m}_{s}{P}_{s})\geqslant 0 , $

则其为凸函数；延迟项关于优化变量$ {m}_{s} $为线性函数，因此同样具有凸性，又由于权重参数$ \delta ,\beta \gt 0 $，依据引理1与2，对任意任务$ s $的目标函数与约束集合均保持凸性. 根据定理1，该类问题具有唯一全局最优解，因此可借助凸优化理论实现全局收敛与高效求解，其主要步骤如下. 1) 原始凸优化问题建模，目标函数与约束条件如式(15)所示. 2) 拉格朗日函数构造，将$ {\mathrm{C}}1 $-$ {\mathrm{C}}4 $作为不等式约束引入拉格朗日乘子：

(18)$ \begin{split}&{L}({m}_{s},\lambda ,\mu )=\\&\qquad \displaystyle\sum \limits_{}\left[\delta \text{exp\;(} - {\gamma }_{1}{m}_{s}{P}_{s}) + \beta \left(\dfrac{D(s)}{B}\left(1 + \dfrac{m_{{s}}}{k}\right) + \dfrac{\eta m_{{s}}}{{f}_{{s}}}\right)\right]+\\&\qquad {\lambda }_{1}\left(\displaystyle\sum \limits_{s\in S}D(s)\left(1+\dfrac{m_{{s}}}{k}\right)-{C}_{\max }\right)+{\lambda }_{2}\Bigg(\displaystyle\sum \limits_{{s}\in S}\eta {m}_{\textit{s}}-\\&\qquad {F}_{\max }\Bigg)+ {\lambda }_{3}\left(\displaystyle\sum \limits_{s\in S}{P}_{{s}}D(s)\left(1+\dfrac{m_{{s}}}{k}\right)-{B}_{\text{total}}T\right)+\\&\qquad \displaystyle\sum \limits_{s\in S}{\mu }_{\text{s}}\left(\dfrac{D(s)\left(1+\dfrac{m_{{s}}}{k}\right)}{B}+\dfrac{\eta m_{{s}}}{{f}_{s}}-T_{\text{s}}^{\text{max}}\right)\text{.}\\[-1pt]\end{split} $

3) 拉格朗日函数整理与独立项分解，将式(18)整理，分离出关于冗余度$ {m}_{{s}} $的独立项，

(19)$ {L}({m}_{{s}},\lambda ,\mu )=\displaystyle\sum \limits_{s\in S}\left[\delta \text{exp\;(}-{\gamma }_{1}{m}_{{s}}{P}_{s})+{m}_{\textit{s}}{C}_{{s}}+I\right]. $

其中$ I $为常数项与$ {m}_{{s}} $无关，

(20)$ \begin{split}{C}_{\text{s}}=&\dfrac{\beta D(s)}{Bk}+\dfrac{\beta \eta }{{f}_{{s}}}+{\lambda }_{1}\cdot \dfrac{D(s)}{k}+\\& {\lambda }_{2}\cdot \eta +{\lambda }_{3}\cdot \dfrac{{P}_{\textit{s}}D({s})}{k}+{\mu }_{\textit{s}}\cdot \left(\dfrac{D({s})}{Bk}+\dfrac{\eta }{{f}_{{s}}}\right).\end{split} $

4) 对偶函数$ g(\lambda ,\mu ) $与下界构造. 对偶函数$ g(\lambda ,\mu ) $定义为拉格朗日函数关于原始变量$ {m}_{s} $的下确界：

(21)$ g(\lambda ,\mu )=\underset{{m}_{{s}}\in [\mathrm{m}_{{s}}^{\text{min}},m_{{s}}^{\text{max}}]}{\inf }{L}({m}_{{s}},\lambda ,\mu ). $

5) 最优冗余度求解条件推导. 对每个$ {m}_{s} $，构造导数，

(22)$ \begin{split}& \dfrac{{\mathrm{d}}}{{\mathrm{d}}{m}_{{s}}}\left(\delta {\text{exp}}\;(-{\gamma }_{1}{m}_{{s}}{P}_{s})+{C}_{\textit{s}}{m}_{\textit{s}}\right)=\\&\qquad -\delta {\gamma }_{1}{P}_{{s}}{\text{exp}}\;(-{\gamma }_{1}{m}_{s}{P}_{{s}})+{C}_{{s}}.\end{split} $

令导数为0，得到

(23)$ \begin{split}&{\text{exp}}\;(-{\gamma }_{1}{m}_{s}{P}_{{s}})=\dfrac{{C}_{{s}}}{\delta {\gamma }_{1}{P}_{{s}}}\Rightarrow m_{{s}}^{*}=\dfrac{1}{{\gamma }_{1}{P}_{{s}}}\cdot \ln \left(\dfrac{\delta {\gamma }_{1}{P}_{\textit{s}}}{{C}_{{s}}}\right)=\\&\qquad \dfrac{1}{{\gamma }_{1}{P}_{{s}}}\ln \left(\dfrac{\delta {\gamma }_{1}{P}_{{s}}}{\dfrac{\beta D(s)}{Bk}+\dfrac{\beta \eta }{{f}_{{s}}}+{\lambda }_{1}\cdot \dfrac{D(s)}{k}+{\lambda }_{2}\cdot \eta }+\right.\\&\qquad \left.\dfrac{\delta {\gamma }_{1}{P}_{{s}}}{{\lambda }_{3}\cdot \dfrac{{P}_{{s}}D(s)}{k}+{\mu }_{{s}}\cdot \left(\dfrac{D(s)}{Bk}+\dfrac{\eta }{{f}_{{s}}}\right)}\right).\\[-1pt]\end{split} $

由式(23)得到每个任务$ s $的最优冗余编码参数$ m_{{s}}^{*} $；$ m_{{s}}^{*} $须满足$ m_{{s}}^{\text{min}}\leqslant m_{{s}}^{*}\leqslant m_{{s}}^{\text{max}} $；否则，取边界值. 根据上述优化结果，以任务$ s $为例，由式(23)可知，冗余度$ {m}_{{s}} $与任务流行度、任务大小、服务器的CPU能力等状态参数密切相关. 由于这些参数随任务与资源状态动态变化，系统在每次任务到达或状态更新时均依据式(23)实时更新，通过下取整得到$ {m}_{{s}}=\left\lfloor m_{{s}}^{*}\right\rfloor $，并采用RS码完成编解码，实现自适应冗余分配.

该机制为任务在边缘环境中的可靠恢复与执行提供了基础，但在由多异构边缘服务器构成的分布式系统中，仍需协同、动态地决定是否缓存任务、如何选择缓存节点及其冗余度，以在提升全局命中率和降低平均时延的同时避免资源冲突与局部过载.

对动态冗余编解码机制的优化求解，可确定每个任务的最优冗余编码数，在满足QoS的同时实现任务层面的精细资源控制. 在真实边缘网络中，服务器在存储、CPU、带宽及任务负载上高度异构，若仅依赖本地信息独立决策，易导致热门任务过度聚集于少数节点、局部长期高负载甚至过载；且随流行度与资源状态时变波动，频繁策略调整在缺乏协同时易产生震荡与难以收敛，削弱全局性能并造成响应迟滞. 为此，引入演化博弈，通过服务器群体基于收益反馈的策略演化，在分布式环境中协同收敛至近似最优缓存策略，以提升系统稳定性、自适应性与协同效率.

(1) 博弈参与者建模. 博弈参与者是边缘计算网络中的边缘服务器集合$ E=\{{e}_{1},{e}_{2},\cdots,{e}_{m}\} $，每个边缘服务器$ {e}_{i}\in E $均为独立的博弈个体，具有本地的计算能力、存储容量、带宽限制；服务器之间的博弈是非合作型、动态演化型的，每轮根据当前状态、任务流行度和收益进行策略调整.

(2) 策略空间构建与定义. 每个服务器面对新到达任务$ s $时，从策略集合$ \varPi =\{{\pi }_{1},{\pi }_{2},{\pi }_{3}\} $中选择相应的策略. 各策略的运作逻辑与适用场景如表1所示.

在DR-GC机制中，边缘服务器在制定缓存策略之前，需综合考量当前运行环境、任务属性及资源状况，形成系统状态作为收益计算与策略决策的关键输入. 系统状态定义为

(24)$ {\mathrm{stat}}{{\mathrm{e}}}_{i}(t)=\left\{{C}_{{i}}^{\text{free}}{(t)},{F}_{{i}}^{\text{free}}{(t)},{B}_{{i}}^{\text{free}}{(t)},{\lambda }_{{i}}{(t)},{{Q}}_{{i}}{(t)}\right\}. $

式中：剩余存储容量$ C_{i}^{\text{free}} $反映当前服务器可用的存储资源；$ F_{i}^{\text{free}} $代表剩余CPU资源，指当前服务器的可用计算能力；可用带宽$ B_{i}^{\text{free}} $描述本地服务器与外部服务器之间的传输能力；$ {\lambda }_{i}(t) $为单位时间任务请求强度，即任务的平均请求频率；$ {Q}_{i}(t) $为当前缓存的任务集合，表示服务器已缓存的所有任务.

收益函数作为演化博弈中衡量策略优劣的核心依据，反映其在当前环境下的综合表现. 每轮博弈中，各服务器先计算各策略预期收益，再依据其与平均收益的差异更新策略选择概率，经过多轮演化，高收益策略逐渐保留并扩散，低收益策略则被淘汰. 收益函数定义为

(25)$ \begin{split}{U}_{i}({\pi }_{j},t)=&{\beta }_{1}\cdot {H}_{i}({\pi }_{j},t)-{\beta }_{2}\cdot {R}_{i}({\pi }_{j},t)-\\& {\beta }_{3}\cdot {C}_{i}({\pi }_{j},t)-{\beta }_{4}\cdot {D}_{i}({\pi }_{j},t).\end{split} $

$ {U}_{i}({\pi }_{j},t) $刻画边缘服务器$ {e}_{i} $在时间t采用策略$ {\pi }_{j} $的总收益，$ {\beta }_{1} $、$ {\beta }_{2} $、$ {\beta }_{3} $和$ {\beta }_{4} $分别表示缓存命中收益、存储成本、计算成本与时延成本的权重系数. 为了保证不同收益项间的权衡性与可解释性，设定权重满足归一化约束，即$ {\beta }_{1}+{\beta }_{2}+{\beta }_{3}+{\beta }_{4}=1,\;{\beta }_{i}\in (0,1) $. 为了提升模型在不同系统状态下的适应性，设计轻量化的动态权重调整机制，

(26)$ \beta _{i}^{{(t+1)}}=\dfrac{\beta _{i}^{{(t)}}\cdot \exp\; (-\xi \cdot \Delta M_{i}^{{(t)}})}{\displaystyle\sum \limits_{k=1}^{4}\beta _{k}^{{(t)}}\cdot \exp\; (-\xi \cdot \Delta M_{i}^{{(t)}})}. $

式中：$ \Delta M_{i}^{(t)} $为第$ t $轮中该指标的相对变化率，$ \xi \in [0.1,0.3] $为调整系数. 这种设计在保持模型求解稳定性的同时，显著增强了收益分配的动态平衡能力.

1) 缓存命中收益，表达式为

(27)$ {H}_{i}({\pi }_{j},t)={P}_{{\mathrm{hit}}}({\pi }_{j},t)\cdot \Delta T({\pi }_{j}). $

式中：$ {P}_{{\mathrm{hit}}}({\pi }_{j},t) $为在策略$ {\pi }_{j} $下，该任务的本地缓存命中概率；$ \Delta T({\pi }_{j})={T}_{\text{c}}({\pi }_{j})-{T}_{\text{e}}({\pi }_{j}) $为缓存命中带来的时延节省. 2) 存储成本表达式为

(28)$ {R}_{i}({\pi }_{j},t)=D{(s)}^{\text{enc}}({\pi }_{j}). $

3) 计算成本：

(29)$ {C}_{i}({\pi }_{j},t)={\gamma }_{\text{dec}}\cdot D{(s)}^{\text{enc}}({\pi }_{j})+{\gamma }_{\text{exe}}\cdot \dfrac{F}{{f}_{\text{e}}}. $

第一项为解码消耗，第二项为任务执行消耗；$ F $为任务所需的CPU计算能力，$ {f}_{\text{e}} $为服务器分配给任务的CPU数，$ {\gamma }_{\text{exe}} $描述单位周期的任务执行复杂度系数，$ {\gamma }_{\text{dec}} $刻画服务器的解码能力. 4) 时延成本$ {D}_{i}({\pi }_{j},t) $. 任务处理的时延成本取决于任务数据的缓存位置和执行位置，可分为3种情况：本地缓存命中的时延成本$ {D}_{i}={T}_{\text{ue}}+{T}_{\text{e}}+{T}_{\text{dec}}+{T}_{\text{e-u}} $；边缘服务器间的迁移时延成本$ {D}_{i}={T}_{\text{ue}}+{T}_{\text{dte}}+{T}_{\text{e}}+{T}_{\text{dec}}+{T}_{\text{e-u}} $；云端处理时延成本$ {D}_{i}={T}_{\text{ue}}+{T}_{\text{dtc}}+{T}_{\text{c}}+{T}_{\text{dec}}+{T}_{\text{e-u}} $.

在进行任务缓存时，边缘服务器并非固定采用单一策略，而是维护一个策略概率向量，用于表示各可选缓存策略被选择的概率. 随着系统运行，服务器根据各策略的实际收益动态调整概率分布，使策略概率向量逐步收敛至资源利用率高、性能稳定的策略组合.

(1) 策略概率分布建模. 设服务器$ {e}_{i} $有一组策略$ \varPi =\{{\pi }_{1},{\pi }_{2},{\pi }_{3}\} $，定义其策略概率向量为$ {{\boldsymbol{X}}_i}(t) = \left[ {{x_{i1}}(t),{\mkern 1mu} {x_{i2}}(t),{\mkern 1mu} \cdots ,{\mkern 1mu} {x_{ik}}(t)} \right] $；其中$ {x}_{i\,j}(t)\in \left[0,1.0\right] $表示服务器$ {e}_{i} $在时刻t选择策略$ {\pi }_{j} $的概率，并满足归一化约束为$ \displaystyle\sum \nolimits_{j=1}^{k}{x}_{i\,j}(t)=1 $.

(2) 策略收益函数与期望计算. 每一轮博弈中，服务器在不同策略下的收益计算同式(25)，计算出服务器$ {e}_{i} $在轮次t的平均策略收益$ {\overline{U}}_{i}(t) $，表示为$ {\overline{U}}_{i}(t)=\displaystyle\sum \nolimits_{j=1}^{k}{x}_{i\,j}(t)\cdot {U}_{i\,j}(t) $.

(3) 基于收益反馈的概率更新机制. 为使策略概率能够根据收益表现自适应调整，采用复制动态进行更新，更新机制为

(30)$ {x}_{i\,j}(t+1)={x}_{i\,j}(t)\cdot [1+\gamma \cdot ({U}_{i\,j}(t)-{\overline{U}}_{i}(t))]. $

其中$ \gamma \in [0,1.0] $为学习率，用于控制策略更新的速度；若$ {U}_{i\,j}(t) \gt {\overline{U}}_{i}(t) $，则表明该策略优于平均收益，其选择概率将提高；若$ {U}_{i\,j}(t) \lt {\overline{U}}_{i}(t) $，则表明该策略劣于平均收益，其选择概率将降低. 对整个策略向量进行归一化处理，归一化公式为

(31)$ {x}_{i\,j}(t+1)=\dfrac{{x}_{i\,j}(t+1)}{\displaystyle\sum \limits_{j=1}^{k}{x}_{i\,j}(t+1)}. $

经过上述步骤，更新后的策略概率分布能够在分布式环境中逐步收敛至资源利用率高、性能稳定的策略组合.

为了实现多异构边缘服务器分布式系统中的缓存决策与冗余度联合优化，设计基于博弈论的动态冗余缓存策略优化算法DR-GC. 该算法将每台边缘服务器视为博弈参与者，通过不断感知系统状态并根据收益反馈调整策略，实现缓存策略和冗余度的动态、协同优化. DR-GC策略的算法描述见算法1.

算法1　基于演化博弈的动态缓存优化算法

输入：边缘服务器集合$ {E} $，任务集合$ {S} $，策略集合$ \varPi $，系统参数如资源约束、收益权重等

输出：近似最优的任务缓存方案

　1. 　初始化所有参数

　2. 　while 系统运行 do

　3. 　　for 每个边缘服务器$ {e}_{i}\in E $ do

　4. 　　　 根据式(24)更新本地状态

　5. 　　　　　根据式(25)计算策略总收益$ {U}_{i\,j} $

　6. 　　　 end for

　7. 　　　 计算平均收益$ {\overline{U}}_{i}(t) $：

　8.　　　　　for j=1 to 3

　9. 　　　 更新策略概率：

　10.　　　　 for j = 1 to 3 do

　11.　　　 根据式(30)进行更新

　12.　　　　 end for

　13.　　　 根据式(31)进行归一化处理：

　14.　　　　 for j=1 to 3

　15.　　　根据$ {x}_{i\,j}(t+1) $的概率分布，选择当前策略$ {\pi }_{j} $

　16.　　　 执行选定策略：

　17.　　　　　if $ {\pi }_{j}=\,={\pi }_{1} $:使用动态冗余编码机制输　　　　　　　出的冗余度$ {m}_{s} $进行RS编码

　18.　　　　　else if $ {\pi }_{j}=\,={\pi }_{2} $:转发到其他服务器/　　　　　　　　云中心

　19.　　　　　else 迁移到低负载服务器

　20. 　end for

　21. 　t=t+1

　22. end while

　23. 返回缓存部署方案

算法1第3~6行更新各边缘服务器本地状态并计算当前策略的即时收益；第7行计算全局平均收益；第8~14行根据收益差异调整并归一化各服务器的策略概率分布，提高高收益策略占比、降低低收益策略占比；第15~20行依据更新后的策略分布选择缓存动作：若选择缓存，则调用动态冗余优化模型确定冗余度并进行RS编码，否则执行任务迁移或从其他服务器/云端获取数据；第21行进入下一轮收益评估与策略更新，直至算法收敛或达到最大迭代次数.

为了评估算法在不同规模系统下的可扩展性，设边缘服务器数为$ |E| $，任务数为$ |S| $，策略集合大小为$ |\varPi | $，迭代轮数为$ T $. 每轮中，每台服务器遍历所有任务计算收益，复杂度为$ O(|E|\cdot |S|) $；策略概率更新与归一化复杂度为$ O(|E|\cdot |\varPi |) $；RS编码与数据块数$ n $、块大小$ b $成正比，约为$ O(n\cdot b) $，在缓存层可视为常数开销. 由此，算法总时间复杂度为$ O(T\cdot (|E|\cdot |S|+|E|\cdot |\varPi |)) $. 空间上主要存储各服务器的策略概率向量与收益矩阵，复杂度为$ O(|E|+|S|+|\varPi |) $；若需同时维护多策略收益记录，上界为$ O(|E|\cdot |\varPi |+|S|) $，整体空间开销随系统规模线性增长，具备良好可扩展性.

在复杂度可控的前提下，算法1重点提升策略选择的自适应性与协同效率. 通过引入演化博弈，各边缘服务器依据本地状态与收益动态调整策略概率，并经复制动态收敛至稳定分布. 该机制无需全局协调，能应对任务流行度与资源状态波动，最终提升资源利用率与缓存命中率并降低服务时延.

将DR-GC与代表算法进行对比，各算法的机制说明与适用性如表2所示.

为了全面评估各缓存策略的性能表现，选取6个关键评价指标，对算法的缓存效率、响应性能以及资源消耗等方面进行量化分析. 1）命中率：缓存命中请求次数占总次数的比例，计算式为

$ {\eta }_{\text{hit}}=\dfrac{M}{N} . $

2）平均延迟：所有请求的平均响应时间，计算式为

$ \overline{D}=\dfrac{1}{N}\displaystyle\sum \limits_{i=1}^{N}{T}_{i} . $

3）缓存替换次数：因空间不足而移除旧内容的次数，计算式为

$ {N}_{\text{rep}}=\dfrac{1}{N}\displaystyle\sum \limits_{i=1}^{N}{I}_{i} . $

4）命中时间：缓存命中请求的平均响应时间，计算式为

$ {\overline{D}}_{\text{hit}}=\dfrac{1}{M}\displaystyle\sum \limits_{i=1}^{M}T_{j}^{{\mathrm{hit}}} . $

5）未命中时间：缓存未命中请求的平均响应时间，计算式为

$ {\overline{D}}_{\text{miss}}=\dfrac{1}{L}\displaystyle\sum \limits_{k=1}^{L}T_{k}^{{\mathrm{miss}}} . $

6）回程流量：缓存未命中时从后端服务器拉取数据的总流量，计算式为

$ {B}_{\text{back}}=\displaystyle\sum \limits_{k=1}^{L}S_{k}^{{\mathrm{miss}}} . $

式中：$ N $为总请求次数，$ M $和$ L $分别为命中请求次数和未命中请求次数，且$ N=M+L $；$ T_{j}^{{\mathrm{hit}}} $与$ T_{k}^{{\mathrm{miss}}} $分别为第$ j $次命中请求和第$ k $次未命中请求的响应时间；$ S_{k}^{{\mathrm{miss}}} $为第$ k $次未命中请求从后端服务器拉取的数据量，$ {I}_{i} $为第$ i $次请求引起的缓存替换次数.

为了验证算法在真实网络环境下的适应性与鲁棒性，基于TraceBase数据集(Multimediacenter子集)构建真实请求场景，开展性能对比实验. 该子集来源于多媒体内容中心/校园/机构代理或内容服务网关导出的HTTP访问日志/请求trace，每条记录通常包含请求到达时间戳、请求对象(视频/片段/资源)标识、对象大小等信息，能够反映真实场景中强时间局部性、非均匀流行度分布与突发访问等特征. 相关仿真参数设置如表3所示.

依据TraceBase公布的实际访问日志，统计内容访问频率并以 Zipf 分布拟合得到 11 段流行度参数，即$\alpha=\{0.012,\;0.016, \;0.078, \;0.111,\;0.122,\; 0.133,\;0.162,\;0.181,\;1.174,$1.290, 2.739}. 为了刻画不同热点分布特征，选取其中具有代表性的若干流行度参数作为控制变量，即$ \alpha =\{0.1,0.5,1.0,1.5,2.0,2.5,2.7\} $，对所提缓存策略进行对比验证；同时直接以TraceBase原始访问日志作为输入，评估算法在真实流量下的性能. 随着Zipf参数增大，请求呈更显著长尾，高频任务进一步集中、低频任务更稀疏. 在此背景下，DR-GC通过动态冗余调整机制，随任务流行度变化自适应优化冗余块数，更精准地识别并优先缓存高频任务，从而整体提升系统性能.

如图3所示为DR-GC、ARC、PPCS、PaCC、PFEdge、HARS与EG-HARS算法的缓存命中率H和平均延迟T随流行度的变化情况. 可以看出，当$ \alpha = $0.1~1.5时，ARC、PPCS、PaCC、PFEdge、HARS、EG-HARS的命中率在0.2~0.8明显波动，DR-GC始终保持在0.91~0.95. 当$ \alpha = $2.0~2.7时，其他算法随热点增多命中率提升，其中EG-HARS相对较优，但整体低于DR-GC的稳定高命中率. 当$ \alpha = $0.1~1.5时，其余算法延迟波动在0.75~2.38 ms，DR-GC稳定在约0.4 ms；当$ \alpha = $2.0~2.7时，其他策略的延迟整体仍高于DR-GC.

基于TraceBase数据集中任务请求的统计结果，分别选取$ \lambda =\{161, 165,167,174,180,181,193,194\} $，模拟边缘服务器在不同负载下的处理特征，分析所提缓存策略在多种任务规模下的性能差异与适应性；同时直接以TraceBase原始访问日志为输入，验证算法在真实流量模式下的表现.

如图4所示为DR-GC、ARC、PPCS、PaCC、PFEdge、HARS与EG-HARS算法的2个性能指标随任务规模的变化情况. 当D=161~180 MB时，DR-GC的命中率为0.93~0.97，明显高于其他算法的0.50~0.90且波动更小；当D=181~194 MB时，DR-GC的命中率仍保持在0.93~0.94，体现出良好的规模适应性与缓存效率. 当D=161~180 MB时，DR-GC的平均延迟为0.28~0.34 ms，显著低于其他算法0.30~1.55 ms的波动区间. 结果表明，在任务规模变化场景中，DR-GC在多项指标上均保持稳定优越，其优势主要得益于动态冗余调整机制，能依据任务大小与访问特性灵活优化编码块分配，从而在不同规模下持续实现高效缓存与调度.

为了检验算法在多服务器异构环境下的适应性与性能，实验部署10台边缘服务器，各自从TraceBase中独立抽取请求日志片段构造请求序列，以模拟不同区域与业务的真实访问模式，对比各策略在各节点上的表现.

如图5所示为异构环境下DR-GC、ARC、PPCS、PaCC、PFEdge、HARS与EG-HARS算法的性能指标变化情况. 可以看出，DR-GC命中率始终维持在0.94~0.96，高于HARS与EG-HARS的0.81~0.87及其他算法的0.72~0.81. DR-GC平均延迟约为0.25 ms，在参数对比的算法中最稳定且响应最快；EG-HARS约为0.38 ms，HARS为0.41~0.47 ms，其余算法约为0.70 ms. 结果表明，在异构资源与多请求分布条件下，DR-GC仍保持稳定且优越的性能，动态冗余调整机制使其能在不同服务器资源条件下高效利用缓存与计算能力.

为了系统评估所提算法的计算开销与可扩展性，从时间复杂度与空间复杂度2个维度，对比分析DR-GC与ARC、PPCS、PaCC、PFEdge、HARS、EG-HARS6种算法，结果如表4所示. DR-GC在高维策略空间中引入演化博弈机制，虽然增加了计算量，但显著提升了缓存命中率、资源利用率与系统收益.

针对移动边缘计算环境中任务流行度及资源状态高度动态变化导致的缓存资源利用率低、命中率下降和响应延迟增加等问题，本研究提出融合动态冗余编码与演化博弈优化的分布式缓存策略DR-GC. 仿真实验结果表明，与主流缓存策略相比，DR-GC在不同任务流行度、任务规模及异构资源条件下，平均缓存命中率提升约14.5%，平均响应延迟降低约56.3%，平均命中时间和未命中时间分别降低约33.3%和80.2%，平均缓存替换次数和回程流量分别减少约64.3%和65.2%. 未来计划1）针对不同类型任务的特性，引入差异化编码策略，进一步减轻数据传输过程中引发的负载不均问题；2）在缓存资源有限的条件下，探索基于服务器联盟的协作缓存机制，通过多服务器联合存储与调度进一步提升缓存命中率并降低服务延迟.