随着移动通信技术的发展,车辆用户的安全型及非安全型服务正在迅速增加。相对于云计算而言,边缘计算可以为用户提供更及时可靠的服务。边缘的存储和带宽资源有限,边缘为车辆用户提供及时服务的能力是有限的。此外,部分车联网服务,如移动物体检测及运动轨迹预测等,分布式缓存于边缘或其他车辆。车辆请求的数据可以从多个数据源节点中获取,需要为请求者选择合适的源节点进行数据传输。在诸如道路上的车辆密度增加、车辆的高移动性、数据时效性以及边缘资源有限等实际因素的影响下,边缘难以满足车辆用户的服务请求。本论文针对车联网中服务数据缓存在不同场景的数据缓存与分发问题展开研究,主要研究工作如下:(1)在车辆请求服务数据缓存在基站的场景中,由于基站存储和带宽资源受限,通过车辆到车辆(Vehicle-to-Vehicle,V2V)和车辆到基础设施(Vehicle-to-Infrastructure,V2I)通信的协作式数据分发策略可以减少从基站卸载的数据量。但现有的方法优先考虑V2I传输,然后再探索与V2I没有通信冲突的V2V传输。这种方法无法充分利用V2V广播来减少基站的流量开销。因此,本论文提出一种面向边缘计算的协作式车联网数据分发问题,通过决策何时将哪个数据块注入到哪辆车,以及决策车辆是否直接从边缘或附近的邻居车辆获取所需数据,在保证数据请求的截止期限下,最大程度地减少从基站流量开销。针对于不同的路况,我们提出了三种启发式算法来求解该问题。其中离线协作式数据分发算法(OFDD),该算法优先寻找最有益的V2V广播,然后选择可行的V2I传输。在OFDD的基础上,我们分别开发了基于快照和预测的在线算法,它们通过衡量V2V和V2I传输,从而选择合适的通信方式满足车辆的服务请求。通过大量的仿真实验证明,本论文提出的算法在数据获取率以及基站流量开销上明显优于最新方法。(2)在车辆请求的服务数据分布式缓存于边缘或其他车辆的场景中,车辆请求的数据可能同时缓存于其他车辆或边缘节点。因此,请求数据的车辆(即目标节点)可以从多个数据源节点中获取所需数据。为了尽可能地满足车辆的请求,需要为目标节点选择合适的源节点进行数据传输。本论文提出了基于边缘计算的多源点到多终点的路由和动态缓存问题。在考虑数据的时效性,以及请求截止时间约束下,为目标节点选择一个合适的数据源节点,并确定源点到终点的路由以及缓存策略,最大化请求的成功率。为了求解该问题,我们将多源点到多终点的路由问题,转化为最小斯坦纳树问题,并提出了基于多智能体的强化学习方法来决策目标节点应选择哪个源节点以及节点的缓存策略。仿真结果表明,本论文提出的算法在请求成功率上相比于基准算法有显著的提升。