1.一种异构蜂窝网络内容缓存方法，其特征在于，包括：基于搭建好的用户请求模型获取当前访问用户的内容请求概率、基站的内容缓存状态和本地缓存器的内容缓存状态；

根据所述当前访问用户的内容请求概率、基站的内容缓存状态和本地缓存器的内容缓存状态，获取当前系统状态；

根据所述当前系统状态，基于在线决策模型生成缓存决策并执行缓存动作；

基于搭建好的用户请求模型获取当前访问用户的内容请求概率、基站的内容缓存状态和本地缓存器的内容缓存状态，包括：根据公式（1）计算用户 通过蜂窝网络请求内容 的概率：                 （1）其中， 表示用户 通过蜂窝网络请求内容 的概率，表示用户，表示内容，表示基站序号； 表示本地缓存器 中内容 的缓存状态； 表示基站 覆盖的小区中用户 请求内容 的概率，且 服从Zipf分布； 表示用户 的本地缓存器缓存接收到内容 的概率；

根据公式（2）计算用户 在本地获取内容 的概率：                             （2）其中， 表示用户 在本地获取内容 的概率；

采集本地缓存器 中内容 的缓存状态 ，若 ，本地缓存器 已缓存内容 ；

若 ，本地缓存器 未缓存内容 ；

采集基站 中内容 的缓存状态为 ，若 ，基站 已缓存内容 ；若 ，基站 未缓存内容 ；

所述在线决策模型的搭建包括：

根据用户的内容请求概率、基站的内容缓存状态和本地缓存器的内容缓存状态，构造状态空间 ；所述状态空间 的表达式如下：            （3）

其中， 表示系统状态， 表示时刻 的系统状态， 表示任意时刻；

表示时刻 的用户内容请求概率，表示用户，表示内容，表示基站序号， 表示用户请求内容集合， 表示基站 覆盖的所有用户，表示基站总数， 表示基站 覆盖的小区中用户 请求内容 的概率；

表示本地缓存器 和基站 在时刻 的缓存状态， 表示本地缓存器 中内容 的缓存状态， 表示基站 中内容 的缓存状态；

根据基站的内容缓存状态构造动作空间 ；所述动作空间 的表达式如下：                 （4）其中，表示缓存动作， 表示时刻 的缓存动作；

根据建立好的内容缓存联合优化问题构造奖励函数 ；所述奖励函数 的表达式如下：                  （5）其中， 表示在系统状态 下执行缓存动作 获得的奖励值； 表示性能关联系数； 为缓存命中率，表示基站直接响应内容请求的概率与内容请求的总概率之比； 为缓存冗余率，表示基站和本地缓存器中缓存的相同内容的比例； 为延迟效率，表示缓存策略降低的内容交付延迟与无缓存时的内容交付延迟之比；

所述内容缓存联合优化问题表达式如下：          （6）

其中， 表示内容缓存联合优化问题， 表示内容 的数据量大小， 表示基站的存储容量， 、 表示约束，约束 表示基站 缓存内容的总大小不能超过存储容量；

所述缓存命中率 的表达式如下：

               （17）其中， 表示用户 通过蜂窝网络请求内容 的概率， 表示用户 进行内容请求的总概率；

所述缓存冗余率 的表达式如下：

          （18）；

所述延迟效率 的表达式如下：

                   （19）其中， 表示用户 在本地获取内容 的概率， 表示基站 至用户 之间的无线传输延迟， 表示基站 至核心网络的回程链路延迟；

所述基站 至用户 之间的无线传输延迟 的表达式如下：                          （20）其中， 表示基站 与本地缓存器 的下行传输速率； 表示内容 的数据量大小；

所述基站 至核心网络的回程链路延迟 的表达式如下：                     （21）其中， 表示长期平均回程传输速率，表示时延误差补偿系数；

所述基站 与本地缓存器 的下行传输速率 的表达式如下：                        （22）其中， 表示基站 对用户 配的带宽， 表示基站 和本地缓存器 之间的信噪比。

2.根据权利要求1所述的异构蜂窝网络内容缓存方法，其特征在于，所述在线决策模型采用基于元强化学习的在线决策算法，解决内容缓存决策中的内容缓存联合优化问题，包括：采用智能体Actor‑Critic结构搭建在线决策算法的基本结构，并初始化Actor网络、Critic网络、Actor网络参数 、Critic网络参数 和经验回放缓冲区 ；

根据所述联合优化问题，初始化性能关联系数 ，并构造系数集，其中， 表示任务数量；

根据系数集 ，构造目标学习任务集 ，其中， 表示第 个任务，表示第 个系数集，表示任务序号， ；

对所述目标学习任务集 进行采样，得到样本任务集为 ；

对于样本任务集 中的任意一个任务 ，基于当前系统状态 ，执行缓存动作，获取奖励 和下一个系统状态 ；

构造任务数据 并存储在经验回放缓存器 ，形成任务 的支持集 ；

根据样本任务集 中的任意一个任务 ，对 所构建的支持集 进行采样，并计算任务 的损失 ；

根据所述任务 的损失 分别对Actor网络和Critic网络进行参数更新，得到更新后的Actor网络参数 和更新后的Critic网络参数 ；

根据更新后的Actor网络和Critic网络计算任务 更新后的损失 ；

根据任务 更新后的损失 计算全局元损失 ；

根据全局元损失 对元损失函数进行梯度下降，并更新全局Actor网络参数和Critic网络参数，以解决联合优化问题。

3.根据权利要求2所述的异构蜂窝网络内容缓存方法，其特征在于，所述任务 的损失通过如下公式计算：       （7）

其中， 表示期望函数； 为叠加因子，表示当前系统回报值对未来值的影响；

表示利用Critic网络，在 系统状态下执行缓存动作 得到的奖励； 表示利用Critic网络，在 系统状态下执行缓存动作 得到的奖励；

所述更新后的Actor网络参数 通过如下公式计算：                   （8）其中， 表示Actor网络的学习率， 表示 的梯度算子；

所述更新后的Critic网络参数 通过如下公式计算：                   （9）其中， 表示Critic网络的学习率；

所述根据更新后的Actor网络和Critic网络计算任务 更新后的损失 通过如下公式实现：        （10）

其中， 表示利用更新后Critic网络，在 系统状态下执行缓存动作得到的奖励； 表示利用更新后Critic网络，在 系统状态下执行缓存动作 得到的奖励；

所述全局元损失 通过如下公式计算：                   （11）；

所述全局Actor网络参数通过如下公式计算：                  （12）其中， 表示元学习率；

所述全局Critic网络参数通过如下公式计算：                （13）。

4.一种计算机系统，其特征在于，包括：存储器，用于存储计算机指令；

处理器，用于执行所述计算机指令以实现权利要求1‑3中任一项所述的异构蜂窝网络内容缓存方法的步骤。