近年来,随着移动互联网的快速发展以及各种新型业务如虚拟现实(Virtual Reality,VR)、增强现实(Augmented Reality,AR)和视频会议等涌现,用户对网络服务质量(Quality of service,QoS)的要求越来越高。为了有效解决移动互联网的快速发展所带来的高负荷、低时延等挑战,移动边缘计算(MobileEdge Computing,MEC)的出现,可以在传统无线接入网中实现业务本地化处理,从而具备了高带宽、低时延的传输能力,可以有效降低网络负载,提高网络服务质量。本文在MEC协作式缓存框架下,设计一种计算迁移和数据缓存的联合缓存优化机制,通过MEC服务器之间的互相协作来实现内容的共享。以最小化用户获取请求内容的总时延为目标建立最优化模型,以改进的遗传算法进行求解。仿真结果表明,本章所提出的优化机制可以有效降低用户的平均响应时间。为了进一步提高边缘缓存效率和网络服务质量,本文通过将边缘控制器引入到MEC协作缓存域架构,提出基于机器学习算法的内容流行度预测和数据缓存的联合优化模型。首先,通过分析和研究热门视频流行度的演变模式和特征,选用GBDT(Gradient Boosting Decision Tree)算法作为本文的预测模型算法。然后基于该算法的预测结果,以最小化所请求内容的传输时延为目标函数来定义优化问题,并设计启发式算法来部署优化缓存方案。最后,仿真结果表明,该方案有较高的缓存命中率和较低的传输时延。