在移动网络中部署缓存可以有效降低时延、提升传输速率、降低回程链路拥塞、卸载宏基站处的流量,是应对无线设备数据流量剧增的关键技术之一。然而,相比于巨大的互联网内容库,基站的缓存容量较小,如何制定有效的缓存放置策略来确定需要缓存的文件以提高缓存的命中率是缓存技术需要考虑的重要问题之一;同时,面对不断变化的文件流行度,如何确定缓存的替换策略以适应该变化也是需要考虑的另一个问题。本文主要研究了移动网络中的缓存技术,采用机器学习的方法,通过预测文件流行度,提出了优化缓存命中率和系统成本的缓存放置和替换策略。具体内容及创新点如下:(1)针对宏基站、小基站和D2D通信并存的异构网络场景,提出了基于用户移动性和社会关系的小基站与用户的缓存策略。首先在用户偏好(用户请求不同文件的概率分布)未知的情况下,采用机器学习的方法根据其请求历史记录预测用户偏好。综合考虑用户的移动性、物理位置关系、社会关系推导了平均系统成本的表达式,在缓存容量的约束下,以小基站和重要用户的缓存策略为变量,构建了平均系统成本最小化的优化问题。为了解决重要用户数多时计算复杂度大的问题,在证明了目标函数是超模函数后,提出一种基于贪心算法的次优算法对优化问题进行求解,降低了算法的复杂度。仿真结果表明,相比于随机缓存策略,提出的缓存策略减少了接近30%系统成本,并且次优解的性能非常接近最优解。(2)针对本地文件流行度未知的场景,提出了基于推荐系统的用户文件偏好预测算法以及基于缓存成本和收益之间权衡的缓存容量确定算法。首先根据协同过滤和隐语义模型预测出用户对文件的评分矩阵,然后结合用户活跃度,利用深度学习,预测出用户偏好;由于增大缓存容量在减少回程链路花费的同时会增大运营商的部署成本,综合权衡缓存容量和回程链路的成本,构建了运营商收益最大化的优化问题,采用了启发式算法对最优缓存容量及其对应的缓存策略进行求解。仿真结果表明,与考虑全局流行度的缓存策略相比,基于本地流行度的策略可以更有效的提高缓存命中率,同时降低运营商的成本。(3)针对本地流行度动态变化的场景,提出了基于深度强化学习的缓存替换策略。首先采用马尔科夫决策过程对缓存替换问题进行建模,将当前缓存放置内容、当前请求文件作为系统状态,将缓存替换策略作为动作,奖赏函数定义为缓存命中率,构建了深度强化学习的缓存替换决策模型,基于A3C算法设计了缓存替换策略。仿真结果表明,增加A3C中的智能体数量能够加快收敛,与FIFO、LRU和LFU等传统缓存替换策略相比,所提缓存替换策略能够提高文件的命中率。