内容的请求与分发占据网络流量需求的极大部分,随着商业移动数据量的逐年增长,回程链路负载激增,数据传输时延增大,用户体验降低。如何使用户获得高速率、低时延的流量服务,有效减轻通信网络流量压力逐渐成为移动通信网络研究的热门议题。通过增加或改变底层通信基础设施提升网络容量成本巨大,使用缓存技术,在已有的硬件条件下协调存储资源与通信资源,设计缓存算法将重复请求的流行性内容缓存在用户附近,将核心网络的内容传输与交付下沉到网络边缘,利用小微基站或用户终端的数据缓存能力减轻回程链路负载,对系统容量与性能提升具有更高的效用。移动边缘缓存利用存储和交付减轻核心网络流量负担、提高移动用户服务质量,缓存算法的设计是决定缓存性能的关键因素之一,缓存算法衡量不同内容的重要性,以特定的存储或替换策略优先缓存最重要的数据。下一代无线网络基站密集部署,网络多层次、异构化,复杂的网络结构与高动态的用户行为特性使内容缓存不再局限于传统静态缓存技术的限制。用户的流动性、连接性以及内容流行度等上下文信息对缓存策略的设计表现出愈加重要的影响。基站与终端的计算能力与储存能力不断增强,为用户行为特征及访问数据的采集、分析与利用提供支持,基于数据分析设计边缘缓存方案,更契合用户使用环境,可实现更高的缓存效用与资源利用率。据此,本文以最大化核心网络数据卸载率为目标,在D2D通信场景下,将内容流行度预测与用户社交关系分析结合,设计基于神经网络的推荐缓存架构;在车联网通信场景下,融合用户移动性分析和编码缓存技术,建立宏基站数据卸载最大化问题,设计移动性感知的分布式缓存方案。通过对上下文信息的数据分析,设计移动边缘缓存策略,将回程链路上的部分流量卸载到用户终端附近,减轻核心网络流量负载,可有效避免系统资源的浪费、提升用户体验。基于以上目标,论文首先介绍本文研究背景与意义,分析D2D缓存、车联网缓存等现有边缘缓存关键技术研究现状。基于当前国内外学者对无线网络边缘缓存技术的研究,首先针对D2D通信网络协作缓存问题,以最大化数据卸载率为目标,提出一种基于深度学习与社交关系的D2D协作缓存算法,利用神经网络框架预测内容流行度,基于用户社交关系划分用户簇进行缓存内容部署。仿真结果显示所提出的D2D通信网络用户协作缓存策略与现有D2D协作缓存算法相比较具有更好的系统性能。针对边缘缓存网络中的车联网缓存场景,考虑车辆移动性,以最小化车辆从宏基站(MBS)下载的数据量为目标,提出一种基于行车路径分析的分布式缓存策略,通过求解宏基站(MBS)下载数据量的最优化函数,获取分布式最优缓存策略与贪婪缓存策略,实现缓存内容在路边单元的放置与替换,相比现有车联网缓存策略,能够将车辆行为分析与缓存部署相关联,更贴合实际场景。仿真结果显示,该缓存策略能够有效减少车辆从核心网络与宏基站下载的数据量,相比现有最流行文件缓存策略有明显的系统性能提升。