인터넷 사용의 확장으로 다양한 종류의 객체가 인터넷과 연결되면서 사용자들에게 여러 기능을 제공하기 시작했다. 특히 비디오 스트리밍, 증강 현실 등 크기가 큰 콘텐츠를 요구하는 경우가 많아졌고 원격 서버가 콘텐츠를 전달할 때 전송 지연 시간 늘어나고 백홀 부담이 증가하는 문제점들이 생겼다. 사용자와 가까운 위치에 Mobile Edge Computing(MEC) 서버를 설치해 콘텐츠를 캐싱하면서 이 문제를 해결할 수 있게 되었다. 하지만 MEC 서버는 원격 서버에 비해 작은 저장 용량을 가지고 있어 어떤 콘텐츠를 캐싱할지 결정하는 것이 중요해졌다.
캐싱할 콘텐츠를 결정할 때 고려해야 하는 요소 중 하나는 사용자의 특성이다. 사용자는 이동성 여부에 따라 모바일 사용자, 사물 인터넷 기기와 같이 이동성이 낮은 사용자와, 차량과 같이 이동성이 매우 높은 사용자로 분류할 수 있다. 이동성이 클수록 사용자의 위치를 예측하기 어려워지고 환경이 동적으로 변해 고려해야 하는 환경의 복잡도가 높아진다. 또한 사용자가 위치한 공간적인 특성도 고려해야 하는데 캐싱 저장소가 밀집하게 존재할 때, 효율적인 캐싱을 위해 서비스 지역이 겹치는 공간에서 중복적으로 캐싱된 콘텐츠를 감소시키는 것이 유리하다.
본 논문에서는 사용자의 특성에 따라 사용자를 분류하고, 사용자 특성에 알맞은 캐싱 기법을 제안했다. 사용자와 가까운 MEC 서버로부터 요구한 콘텐츠를 전달받아야 백홀의 부담을 감소시킬 수 있어 MEC 서버로부터 전송받는 콘텐츠 크기를 최대로 만드는 것을 목표로 하였다. 도시 환경과 같이 기반 시설이 밀집하게 설치되어 있는 환경에서 중복적으로 캐싱된 콘텐츠를 고려해 효율적으로 캐싱하고자 하였다. 이동성이 낮은 모바일 사용자의 경우, 시간의 흐름에 따라 변하는 콘텐츠의 인기도와 중복 캐싱된 콘텐츠 파악하고 심층 Q 네트워크(Deep Q Network, DQN) 기반 캐싱 기법을 연구하였다. 이동성이 큰 차량의 경우로 환경을 확장하여 심층 결정론적 정책 경사법(Deep Deterministic Policy Gradient, DDPG) 기반 캐싱 기법을 제안하였고 차량 사용자의 요구를 만족시키지 못한 콘텐츠와 캐싱된 콘텐츠의 다양성을 고려하였다. 다양한 실험을 통해 제안한 기법에서 MEC 서버 처리량이 다른 알고리즘에 비해 좋은 성능을 보이는 것을 증명하였다.