近日，我院在移动边缘计算与智能网络优化领域取得新进展，相关研究成果被IEEE Transactions on Mobile Computing（TMC）录用。TMC是移动计算与网络领域具有重要影响力的国际学术期刊，被中国计算机学会（CCF）列为计算机网络领域A类推荐期刊；按2025年3月升级版中科院期刊分区表，TMC位列计算机科学大类1区并被标记为TOP期刊。此次研究成果被TMC录用，体现了我院在移动边缘计算、智能网络优化、推荐系统与强化学习等方向上的持续探索和科研积累。
论文题目：Taming Cache Thrashing in Recommendation-Aware Edge Networks: A Hierarchical Optimization-Guided RL Framework。
图1推荐感知边缘缓存系统结构及缓存抖动示意
随着AIGC的快速发展，移动边缘网络中的内容热点变化更快、用户请求更具突发性。推荐感知边缘缓存能够通过推荐系统引导用户访问边缘节点中已缓存的内容，从而降低回传压力并改善服务体验；但推荐机制也可能放大短期热点，使缓存策略频繁追逐瞬时流行内容，导致数据被反复淘汰和重新加载，形成“缓存抖动（Cache Thrashing）”，带来额外的回传带宽与存储I/O开销。论文围绕这一问题，构建了面向AIGC场景的推荐—缓存协同优化模型。
针对实时推荐与周期性缓存更新之间的时间尺度差异，论文提出分层优化引导强化学习框架OGRL（Optimization-Guided Reinforcement Learning），将复杂的联合推荐与缓存问题分解为请求级推荐优化和长期缓存规划两个层次：前者利用几何优化方法高效生成最优推荐集合，后者将推荐结果的聚合特征作为引导信号融入强化学习状态空间，并通过显式考虑缓存更新和抖动成本，学习更稳定的缓存策略。实验验证表明，该框架能够在保持系统收益的同时有效抑制缓存抖动，为高动态AIGC内容环境下的智能边缘资源管理提供了新的技术思路。
图2 OGRL分层优化引导强化学习框架
该论文第一作者为我院徐光平教授指导的23级博士研究生刘康，由我院智能计算团队与香港都会大学学者合作完成，该工作是继MSSC（ICPP’26）、RASTS（IWQoS’26）和JCRS（IEEE TNSM）等之后，面向大模型新型应用的云边协同智能系统构建和优化的深入研究。
近年来，我院持续面向新一代信息网络与人工智能交叉前沿，推动智能算法与网络系统优化的深度融合。未来，我院将进一步深化与香港都会大学等国内外高校和科研机构的学术交流与科研合作，围绕边缘智能、移动计算及下一代网络中的关键科学与技术问题开展高水平研究，不断提升学院在相关领域的学术影响力和科研竞争力。
