随着移动通信系统和互联网技术的飞速发展,以智能手机和平板电脑为代表的移动终端迅速普及,同时高清视频流、虚拟现实等移动多媒体服务快速发展,用户对高速率的移动网络服务的需求以及网络中的业务流量急剧增长,使得现有的移动通信网络架构受到严重影响和限制。为了应对海量的数据流量对移动通信网络的冲击,一种有效的解决方法是,在流量非高峰时段,缓存流行内容于网络边缘。通过在靠近用户端智能地缓存服务内容,分布式缓存技术可以有效减少用户请求内容在网络中冗余的传输,降低网络流量,并提升用户的网络服务体验。基于5G演进架构的MEC(Mobile Edge Computing,移动边缘计算)的提出,为智能化的分布式缓存的发展提供了技术支持。MEC在无线接入网络内提供高分布式的计算环境以及存储功能,其目标是减少网络延迟,并提高用户体验质量。此外,MEC将云计算和云存储拉近到网络边缘,可用于执行传统网络架构中无法完成的特殊任务,如应用感知性能优化、大数据分析、分布式内容缓存等。MEC架构的提出,为我们动态地获取精确信息(如用户需求、网络条件等),来设计更优的内容缓存方案提供了可能。通过将多媒体服务内容提前缓存到本地MEC服务器,用户可直接从本地缓存中下载请求内容,从而减少冗余传输,节省带宽资源,实现更快的服务响应,获得更高质量的用户体验。为了应对海量数据流量对未来移动通信系统的冲击,本文利用MEC的数据缓存和计算能力,设计基于网络边缘的高效内容缓存和分发机制,主要研究内容如下:本文基于MEC架构,提出一种协作缓存模型,该模型利用MEC服务器之间的相互协作实现数据内容的共享和MEC资源的高效利用。基于MEC服务架构,本文提出一种基于机器学习的协同缓存策略(LECC)。在该机制中,首先采用迁移学习的方法来预测内容流行度。并且,在流行度预测模型中,为了有效收集训练数据,提高预测精度,本文采用K-means聚类算法对同一个协作缓存域内的数据内容进行分类。在LECC机制中,基于对内容流行度的预测,以最小化系统中的平均内容传输开销为目标建立最优化模型,并提出贪心算法来获得在MEC架构中的内容缓存部署方案。最后通过仿真实验对LECC缓存策略进行评估,实验结果显示,LECC可以有效提高缓存命中率,减少内容交付延迟,降低传输开销。另外,为更进一步地减少基站的高花销传输和提高网络服务质量,本文在MEC协作缓存架构下,提出一种基于用户移动性的MEC和D2D协作式内容缓存机制。不同于现有无线缓存网络的大多数研究,本文没有采用固定网络拓扑,而是充分考虑了用户移动性对D2D链路和缓存设计的影响。本文以最小化用户获取请求内容的平均下载时延为目标定义优化问题,设计MEC与D2D协同缓存策略。本文采用混合遗传模拟退火算法求解内容缓存方案,并将该缓存方案与传统缓存策略作对比,并进行仿真验证。数值结果显示,本文基于混合遗传模拟退火算法的缓存方案,能够大大提高缓存性能和降低用户平均下载时延。