Caching popular content at the base stations cooperatively is an effective solution to reduce the user-perceived latency and overwhelming data traffic by bringing content close to the user in a cellular network-based Mobile Edge Computing (MEC) architecture. Most of the existing literature assumes static network models where all the users remain static throughout the data transfer time, and the user can download the requested content from the associated base station. Caching content by considering user mobility and randomness of contact duration is an important issue which has been addressed in this work. We consider the cache placement problem in a realistic scenario where users move at different speeds. The moving users that are connected to the multiple base stations intermittently may not download full content because of contact duration. This, in turn, increases the overall delay in downloading the content for mobile users. The cache placement problem is formulated as mixed-integer nonlinear programming to maximize the saved delay with capacity constraint. The user mobility and contact duration are modeled with a Markov renewal process. Further, a greedy algorithm is presented to solve the problem by adopting submodular optimization. For real scenarios that scale to large library sizes, taking into account the computational time, we have proposed a genetic algorithm-based heuristic search mechanism. Extensive simulation results show that the proposed contact duration aware caching scheme significantly improves the performance in terms of hit ratio and acceleration ratio in a real-world scenario as compared with three existing caching mechanisms.

通过在基于蜂窝网络的移动边缘计算（MEC）架构中将内容靠近用户，可以在基站上协作缓存流行的内容是一种有效的解决方案，可以减少用户感知的延迟并压倒数据流量。现有的大多数文献都假设静态网络模型，其中所有用户在整个数据传输时间内保持静态，并且用户可以从关联的基站下载所请求的内容。通过考虑用户移动性和联系持续时间的随机性来缓存内容是一个重要的问题，这项工作已得到解决。在用户以不同速度移动的现实情况下，我们考虑了缓存放置问题。由于接触持续时间，间歇地连接到多个基站的移动用户可能无法下载完整内容。这，反过来，增加了为移动用户下载内容的总延迟。将高速缓存放置问题公式化为混合整数非线性规划，以在容量限制的情况下最大化节省的延迟。用马尔可夫续订过程对用户移动性和联系持续时间进行建模。此外，提出了一种贪婪算法，通过采用子模优化来解决该问题。对于考虑到计算时间而可扩展到大型图书馆的真实场景，我们提出了一种基于遗传算法的启发式搜索机制。大量的仿真结果表明，与三种现有的缓存机制相比，在实际情况下，提出的接触持续时间感知缓存方案在命中率和加速率方面均显着提高了性能。增加了为移动用户下载内容的总延迟。将高速缓存放置问题公式化为混合整数非线性规划，以在容量限制的情况下最大化节省的延迟。用马尔可夫续订过程对用户移动性和联系持续时间进行建模。此外，提出了一种贪婪算法，通过采用子模优化来解决该问题。对于考虑到计算时间而可扩展到大型库的实际方案，我们提出了一种基于遗传算法的启发式搜索机制。大量的仿真结果表明，与三种现有的缓存机制相比，在实际情况下，提出的接触持续时间感知缓存方案在命中率和加速率方面均显着提高了性能。增加了为移动用户下载内容的总延迟。将高速缓存放置问题公式化为混合整数非线性规划，以在容量限制的情况下最大化节省的延迟。用马尔可夫续订过程对用户移动性和联系持续时间进行建模。此外，提出了一种贪婪算法，通过采用子模优化来解决该问题。对于考虑到计算时间而可扩展到大型图书馆的真实场景，我们提出了一种基于遗传算法的启发式搜索机制。大量的仿真结果表明，与三种现有的缓存机制相比，在实际情况下，提出的接触持续时间感知缓存方案在命中率和加速率方面均显着提高了性能。将高速缓存放置问题公式化为混合整数非线性规划，以在容量限制的情况下最大化节省的延迟。用马尔可夫续订过程对用户移动性和联系持续时间进行建模。此外，提出了一种贪婪算法，通过采用子模优化来解决该问题。对于考虑到计算时间而可扩展到大型图书馆的真实场景，我们提出了一种基于遗传算法的启发式搜索机制。大量的仿真结果表明，与三种现有的缓存机制相比，在实际情况下，提出的接触持续时间感知缓存方案在命中率和加速率方面均显着提高了性能。将高速缓存放置问题公式化为混合整数非线性规划，以在容量限制的情况下最大化节省的延迟。用马尔可夫续订过程对用户移动性和联系持续时间进行建模。此外，提出了一种贪婪算法，通过采用子模优化来解决该问题。对于考虑到计算时间而可扩展到大型图书馆的真实场景，我们提出了一种基于遗传算法的启发式搜索机制。大量的仿真结果表明，与三种现有的缓存机制相比，在实际情况下，提出的接触持续时间感知缓存方案在命中率和加速率方面均显着提高了性能。用马尔可夫续订过程对用户移动性和联系持续时间进行建模。此外，提出了一种贪婪算法，通过采用子模优化来解决该问题。对于考虑到计算时间而可扩展到大型图书馆的真实场景，我们提出了一种基于遗传算法的启发式搜索机制。大量的仿真结果表明，与三种现有的缓存机制相比，在实际情况下，提出的接触持续时间感知缓存方案在命中率和加速率方面均显着提高了性能。用马尔可夫续订过程对用户移动性和联系持续时间进行建模。此外，提出了一种贪婪算法，通过采用子模优化来解决该问题。对于考虑到计算时间而可扩展到大型图书馆的真实场景，我们提出了一种基于遗传算法的启发式搜索机制。大量的仿真结果表明，与三种现有的缓存机制相比，在实际情况下，提出的接触持续时间感知缓存方案在命中率和加速率方面均显着提高了性能。考虑到计算时间，我们提出了一种基于遗传算法的启发式搜索机制。大量的仿真结果表明，与三种现有的缓存机制相比，在实际情况下，提出的接触持续时间感知缓存方案在命中率和加速率方面均显着提高了性能。考虑到计算时间，我们提出了一种基于遗传算法的启发式搜索机制。大量的仿真结果表明，与三种现有的缓存机制相比，在实际情况下，提出的接触持续时间感知缓存方案在命中率和加速率方面均显着提高了性能。