1.一种异构IoT网络中的边缘计算与缓存方法，其特征在于，包括以下步骤：构建基于移动边缘计算的异构IoT网络模型；

对异构IoT网络中不同类型的用户分别建模分析；针对计算任务型用户，构建上行链路通信模型与计算模型；针对内容请求型用户，构建下行链路通信模型与缓存模型；

问题建模，明确系统优化目标，最小化所有用户的时延与能耗的加权和；

采用MADDPG算法联合优化计算卸载、资源分配和内容缓存的决策。

2.如权利要求1中所述的一种异构IoT网络中的边缘计算与缓存方法，其特征在于，所述异构IoT网络包括多个IoT用户、多个SBS与一个MBS，MBS和每个SBS均配备一个MEC服务器；每个SBS服务一个小区，所述小区内随机分布有多个IoT用户，所述IoT用户包括计算任务型用户和内容请求型用户。

3.如权利要求2中所述的一种异构IoT网络中的边缘计算与缓存方法，其特征在于，在SBS k服务的小区中，计算任务型用户选择将计算任务卸载到MBS或SBS k，其中，MBS与SBS为其关联的用户均等地分配带宽，当SBS小区中的用户关联到MBS时，MBS为其关联用户均等分配带宽；当SBS小区内的用户关联到本小区基站，本小区SBS为其关联用户均等分配带宽；

在SBS k服务的小区中，当计算任务型用户 选择通过无线信道将计算任务卸载到SBS k配备的MEC服务器时，计算任务型用户 的上行链路传输速率 为：其中，表示计算任务型用户， 表示计算任务型用户 的发射功率，Ws表示SBS的带2

宽， 表示计算任务型用户 到SBS k之间的信道增益，σ表示背景噪声功率；

表示小区k中选择将计算任务卸载到SBS k的用户数，具体的，在SBS k服务的小区中， 表示计算任务型用户 选择将计算任务卸载到SBS k；其中，1(e)代表指标函数，如果事件e为真，则1(e)＝1，否则1(e)＝0；

当计算任务型用户 选择将计算任务卸载到MBS配备的MEC服务器时，计算任务型用户的上行链路传输速率 为：

其中，Wm表示MBS的带宽， 表示计算任务型用户 到MBS之间的信道增益，表示网络中选择将计算任务卸载到MBS的用户数， 表示计算任务型用户 选择将计算任务卸载到MBS；

在SBS k服务的小区中，SBS k传输内容到内容请求型用户 的下行链路传输速率为：

其中，Pk表示SBS k的发射功率， 表示SBS k到内容请求型用户 之间的信道增益，表示SBS k服务的内容请求型用户数。

4.如权利要求3中所述的一种异构IoT网络中的边缘计算与缓存方法，其特征在于，所述针对计算任务型用户构建计算模型的三种计算方式具体变现为：a1.本地计算：计算任务型用户 在本地执行计算任务 用 表示计算任务型用户的计算能力，计算任务 在本地计算的执行时延 为 相应的执行能耗 为其中，ζ表示有效开关电容，具体取决于芯片的架构； 表示完成任务所需的CPU周期总数， 表示每CPU周期的能耗；

a2.卸载到SBS计算：计算任务型用户 将其计算任务 卸载到关联的SBS配备的MEC服务器进行计算，用Fs表示SBS的MEC服务器的计算资源，用 表示计算任务型用户 所占用的SBS的MEC服务器的计算资源比例，具体的，在SBSk服务的小区中，选择卸载到SBSk的 用户所占 用的资源和不能大于SBS的MEC服务器的计算资源，计算任务 在关联的SBS的MEC服务器中的执行时延为 相应的执行能耗 为 其中，es表示SBS每CPU周期的能耗， 表示计算任务的数据大小；

a3.卸载到MBS计算：计算任务型用户 将其计算任务 卸载到MBS配备的MEC服务器进行计算，用 表示MBS的MEC服务器分配给计算任务型用户 的计算资源，卸载到MBS上的所有用户分配相同的计算资源；计算任务 在MBS的MEC服务器中的执行时延 为相应的执行能耗 为 其中，em表示MBS每CPU周期的能耗。

5.如权利要求4中所述的一种异构IoT网络中的边缘计算与缓存方法，其特征在于，所述针对内容请求型用户构建缓存模型的四种内容传输方式具体变现为：b1.SBS→UE：若内容请求型用户 所关联的SBS k缓存了用户请求内容n，内容请求型用户 请求内容n的下行链路传输时延 为 相应的传输能耗 为其中， 表示内容请求型用户 的请求内容n的数据大小；

nb

b2.SBS →SBS→UE：

考虑到同一MBS覆盖范围内的SBS通过光纤连接且距离较近，且该范围内的内容传输时间较短，因此假设MBS覆盖范围内邻居SBS到SBS单个内容的传输时延为固定值Tsbs，传输能耗为固定值Esbs，MBS到SBS单个内容的传输时延为固定值Tmbs，传输能耗为固定值Embs；若内容请求型用户 所关联的SBS k未缓存用户请求内容n，邻居SBS k′已缓存，则内容传输时延 为 相应的传输能耗 为

b3.MBS→SBS→UE：若内容请求型用户 所关联的SBS k与邻居SBS均未缓存内容n，MBS已 缓存，则内 容传输时 延 为 相应的 传输能耗 为b4.Core Network→MBS→SBS→UE：内容请求型用户 请求内容n的回程带宽 为其中，表示核心网络中的平均数据传输速率；内容请求型用户 清求内容n的 回 程 链路 时 延 为 相 应能 耗 为 内 容传 输时 延 为相应的传输能耗 为

6.如权利要求5中所述的一种异构IoT网络中的边缘计算与缓存方法，其特征在于，针对计算任务用户 计算任务的执行时延 为能耗 为

针对内容请求用户 内容请求n的传输时延 为能耗 为

对于SBS k服务的小区，小区内计算任务用户 的任务执行时延 和能耗 分别表示为

内容请求用户 的内容传输时延 和能耗 分别表示为最小化系统中所有小区内不同业务类型用户的时延和能耗的加权和，定义ωt，ωe表示用户的时延与能耗权重参数，最小化系统效用为minx，a，y{U}，其中，

7.如权利要求1中所述的一种异构IoT网络中的边缘计算与缓存方法，其特征在于，所述采用MADDPG算法联合优化计算卸载、资源分配和内容缓存的决策，具体表现为：在预设时隙内，离线集中训练MADDPG模型，每个SBS充当学习智能体，在线执行阶段快速做出计算卸载、资源分配和内容缓存决策；具体的状态、动作及奖励函数设置如下：状态空间：时隙t，所有SBS的状态集合： 具体的单个SBS k的状态可以描述为： 其中，ca表示SBS所缓存的内容，co，ta，lo，ac分别表示当前小区内用户的请求内容，计算任务，位置，计算执行方式，计算资源分配方式等环境因素；行动空间：时隙t，所有SBS的动作集合： 具体的单个SBS k的行动可以描述为： 其中，x，a分别表示卸载决策与计算资源分配决策，y表示SBS的缓存决策；

奖励函数：智能体通过与环境的相互作用最大化其奖励来做出决策，为了最小化系统中所有用户的时延与能耗的加权和，将奖励函数 定义为 其中， 表示在于时隙，SBS k服务小区内的优化效用， 表示SBS k服务小区内的所有用户最大时延与能耗的加权和。

8.一种异构IoT网络中的边缘计算与缓存系统，其特征在于，所述系统采用了权利要求

1‑7中任一项所述的异构IoT网络中的边缘计算与缓存方法。

9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1‑7中任一项所述的异构IoT网络中的边缘计算与缓存方法中的步骤。

10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑7中任一项所述的异构IoT网络中的边缘计算与缓存方法中的步骤。