近年来,随着移动终端设备数量的迅速增长,云计算网络中的通信负载大幅增加,从而导致了较高的任务执行延迟,同时,随着移动应用的日益智能化,现有的智能移动设备已经无法满足虚拟现实、增强现实等新兴移动应用的计算与延时需求,所以这些移动应用只能寄希望于新型的网络架构。许多研究者提出了边缘云计算解决方案,边缘云服务器将远程云端的部分任务缓存在本地,从而能够就近地执行智能移动设备的任务请求,减缓了网络的拥塞状况并降低了任务的执行时间。这种基于边缘计算的任务缓存方案能够满足新兴移动应用的低延时需求,考虑到边缘云服务器缓存容量的有限性,为了合理地选择任务缓存到边缘云服务器中,基于多臂赌博机模型提出了一种称为UCB-AC(Upper Confidence Bound-Adaptive Caching)的自适应任务缓存策略。UCB-AC任务缓存策略不仅能够在线学习移动用户的任务请求模式,而且能够根据用户请求的任务量大小动态地调整缓存策略。通过数学方法证明了算法的累积期望学习遗憾上界值,表明UCB-AC算法能够以有限的学习代价来降低任务的执行延时。为了评估UCB-AC算法的有效性,采用平均任务执行时间、期望学习遗憾以及累积期望学习遗憾作为评价指标,在边缘云任务缓存仿真模型中进行了对比实验,结果表明,相比于经典多臂赌博机任务缓存策略,UCB-AC算法能够最小化任务的处理延时与学习遗憾。