雾计算作为5G时代的一种新兴技术,是云计算概念上的延伸,它通过给用户终端提供近距离的服务,确保了无线网络的超低时延和高带宽,同时降低了后传链路带宽的需求。雾计算的低时延、位置感知、广泛的地理分布、移动性支持以及位于网络边缘等显著特点可以有效减少用户终端的能量消耗。目前,雾计算网络的研究主要集中在计算卸载和边缘缓存两个方面。对于计算卸载,用户终端仅依靠云服务器进行计算卸载时,不能满足低时延和低能量消耗的需求;而仅依靠雾服务器时,不能满足计算密集型应用高计算力的需求。因此,本文提出一种云雾协作的计算卸载方式。对于边缘缓存,用户终端从云服务器获取全部的请求文件时,会造成核心网络的流量拥塞以及产生较高的能量消耗;而仅通过雾服务器获取请求文件时,由于雾节点有限的缓存能力,用户终端很难获得所有的请求文件。针对以上缺点,本文提出一种云雾协作的边缘缓存分配方法。本文的主要内容和贡献为:1.本文提出了一个雾网络中云雾协作的计算卸载方法。首先,通过优化用户终端的发射功率,将优化问题建模为一个最小化用户终端的计算卸载能量消耗问题,同时满足用户终端的时延和发射功率约束。然后,分别对用户终端分别进行雾计算卸载和云计算卸载的能量消耗并比较。最终,用户终端选出能量消耗最小的云或者雾服务器进行计算卸载。本文使用非凸分式近似转化为凸减式和交替凸优化的方法(Alternating Convex Optimization,ACO)求解此问题。仿真表明:本文提出的云雾协作计算卸载的方法相比于已有的方法,用户终端产生的能量消耗最少。2.本文提出了一个雾网络中的边缘缓存分配方法。首先,通过优化用户终端的发射功率以及协作因子(雾服务器向用户终端提供的缓存文件比例),将优化问题建模为一个最小化雾网络整体能量消耗问题,同时满足用户终端时延约束与用户终端发射功率约束的条件。然后,云服务器和雾服务器按照求出的优化比例对请求文件进行计算处理。最后,雾服务器与云服务器协作向用户终端发送请求文件。本文采用连续凸近似(Successive Convex Approximation,SCA)和交替凸优化的数学方法求解此问题。仿真结果表明:本文提出的云雾协作的边缘缓存分配方法使得雾网络产生的整体网络消耗远小与已有的方法。