雾无线接入网(Fog Radio Access Network,F-RAN)的核心是借助合理分配边缘缓存资源和计算资源有效地缓解前传负荷,从而达到实现降低时延和提升能效的目标。FRAN中,用户数据流量卸载主要来源于小区蜂窝网中的视频文件。然而,针对边缘缓存应对此类流量卸载,当前的研究在时延和能效性能提升效果上尚有不足,为此,本文对缓存容量受限的小区蜂窝网中视频文件流行度和视频文件的缓存策略展开研究,提出优化的文件流行度预测算法,以及时延缓存算法和能效缓存算法。文件流行度的预测精准度直接影响缓存策略对网络性能的改进。现有的视频文件流行度预测方法主要依赖于请求次数,仅通过请求次数更新文件流行度,却未分析用户喜好和文件属性,导致预测精准度不够高。本文提出一种基于文件属性感知的文件流行度预测算法,从视频标签中提取特征并标记文件,通过特征权重建立用户喜好与文件特征间的关联,在线学习用户请求文件,结合时空因素,实时精确地预测文件在各时隙的流行度。本文研究了两类小区蜂窝网的文件交付流程,聚焦非集群小区蜂窝网的多点协作传输,以及集群小区蜂窝网中联合传输(Joint Transmission,JT)模式和并行传(Parallel Transmission,PT)模式。针对非集群小区蜂窝网,本文提出了一种优化的时延缓存算法。基于非集群小区蜂窝网的时延模型,将时延缓存问题转换为文件缓存位置问题,通过变量松弛将问题由非凸性变为凸性,再利用线性规划和变量恢复求得最终缓存策略。针对集群小区蜂窝网,本文提出一种优化的能效缓存算法。首先建立能效缓存问题模型,分析JT模式和PT模式的成功交付速率,再采用分而治之策略将问题分解为传输消耗限制下最大化缓存命中率和能耗限制下是否转换文件为最流行文件两个子问题,从而实现低算法复杂度的能效缓存策略。仿真结果验证了本文提出的基于文件属性感知的时延缓存算法和能效缓存算法能精准地预测文件流行度,且能分别明显地降低非集群小区蜂窝网的用户时延和提升集群小区蜂窝网的系统能效。