伴随着移动通信技术的高速发展,移动互联网中多媒体服务以及数据业务流量急剧升高。爆发式增长的海量移动网络流量给第五代移动通信系统(5G)带来了极大的挑战。通过对流量爆炸式增长问题的研究发现,移动网络流量主要部分来自于从远端服务器重复下载一些流行度较高的内容。因此,将内容事先缓存在离终端用户较近处是解决移动网络中流量指数式增长的有效方式。通过采用内容缓存和有效传输策略,流行的内容被缓存在中间或地方服务器,需要相同内容的用户可以直接被本地缓存满足,而不需要重复地从远端服务器下载,从而消除冗余的网络流量。尽管内容分发技术在传统有线网中已经得到了较深入的研究和广泛应用,但是无线移动网络与有线网络在架构上有很大差别,并且无线移动网络中的网络资源受限,例如无线链路容量,移动回程网路和缓存空间等都受到一定限制,因此传统的内容分发网络技术并不能简单地应用到无线移动网络中。而且,由于内容的动态变化、用户的移动性以及单个蜂窝内有限的用户数,使得移动无线网络中缓存内容的缓存命中率低。另外,内容提供商所提供的内容量不断迅速增长,即使缓存的花销越来越便宜,也不可能缓存所有的内容。因此,设计有效的内容缓存和传输机制来减少冗余内容的传输以及提高内容传输效率迫在眉睫。众所周知,由于异构蜂窝网络(Heterogeneous Network,HetNet)能够大大提高网络容量,成为了5G通信系统的关键架构。在HetNet中,微基站以及终端直通通信(Device-to-Device,D2D)都被引入。直觉上,本地缓存一些流行的内容在微基站上能够大大减少用户下载时延,同时减少微基站与宏基站的回程网路的压力。而且,随着D2D通信技术的提出,在用户设备上进行内容缓存,并且通过D2D链路进行内容的传输,能够更进一步地减少基站的高代价传输、减少用户下载时延和提高用户体验。另外,基于5G演进架构,国际标准化组织提出了一种将基站与互联网业务深度融合的一种技术,即移动边缘计算(Mobile Edge Computing,MEC)。由于MEC服务器具有强大的数据存储和计算能力,因此自然地可以在MEC服务器上进行内容的智能化部署,进一步加速网络中各项内容、服务及应用的分发和下载,让用户享有更高质量网络体验。由于最优化理论在解决复杂的最优化问题方面存在天然的优势。同时,机器学习算法可以对移动数据流量进行动态的学习及预测,从而作出相应的决策来获得最大化长期缓存增益。本论文基于这些技术手段对5G系统异构蜂窝网络场景下的内容缓存及传输以及移动边缘计算架构下的缓存问题进行了深入研究,主要内容包含以下四个部分:(1)异构蜂窝网络架构下的最优协作内容缓存及传输机制;(2)支持D2D通信的异构网络中基于多智体强化学习的内容缓存策略;(3)移动边缘计算架构下基于机器学习的协作缓存机制;(4)移动边缘云架构下基于执行-评价(Actor-Critic,AC)算法的动态缓存机制。论文首先研究了异构蜂窝网络场景下家庭基站(Femto Base Stations,FBS)与用户设备(User Equipment,UE)间的最优协作内容缓存及传输机制。本文将FBS和UE间的联合内容缓存机制定义成一个最优化问题,目标是最小化用户总的下载时延。本文采用了拉格朗日松弛以及原始-对偶分解将所定义的问题分解成两层的最优化问题,并采用次梯度算法分别求解。而且,为了达到用户总的下载速度最大的目的,本文设计了一种最优的内容传输策略来决定传送用户所请求的内容的源节点。本文将最优的内容传输问题定义成非平衡的分配问题,然后转化为平衡的分配问题,并采用匈牙利算法进行求解。仿真结果表明本文所提出的协作缓存及传输机制相较于其他现有的缓存机制能够大大提高异构蜂窝网络的缓存效率。论文接着研究了支持D2D通信的异构网络中基于多智体强化学习的内容缓存策略。本文通过设计有效的内容缓存机制,将流行的内容缓存在用户设备中,并且通过D2D链路进行内容传输,从而达到减少基站流量负载和提高用户体验的目的。在本文中,将用户看作学习智体,并且将D2D缓存问题设计成多智体的无休多臂机问题。本文提出了基于多智体强化学习的算法来解决该问题。特别地,本文采用了组合置信上界算法来降低动作空间。更进一步的,本文采用基于信任的方式来处理其他智体同时在做决策的情况。并且,本文还提供了算法的复杂度和收敛性分析。仿真结果表明,本文所提出的算法相较于其他传统缓存算法能够大大提高缓存命中率,减少用户平均下载时延。论文第三部分研究了移动边缘计算架构下基于机器学习的协作缓存机制。本文将多媒体服务提前部署到本地的移动边缘计算服务器,用户就可以直接进行下载,从而减少用户请求内容在网络中重复冗余的传输,以减少网络流量以及用户下载时延。本文研究在内容流行度以及用户喜好未知的情况下移动边缘计算服务器间的协同内容缓存机制。本文将内容提供商的目标考虑在内,即内容提供商可以根据用户的不同等级,提供有分别的用户体验。本文从机器学习的角度对移动边缘计算服务器间最优的协作缓存问题进行了建模及求解。另外,本文在仿真实验中采用收集到的真实数据,验证了所提出的基于机器学习的协作内容缓存机制的性能,也分析了系统模型各项参数对缓存增益的影响。论文最后研究了移动边缘云架构下基于AC算法的动态内容缓存机制。在移动边缘云架构下,内容提供商可以根据用户需求的变化对所购买的缓存资源大小进行弹性调整。本文考虑缓存空间大小弹性可变的情况下,如何设计有效的内容缓存策略来达到缓存开销最小化的目的。本文采用AC算法对用户内容需求进行在线学习并做出决策,同时根据实时缓存开销对现阶段的缓存决策进行动态修正。最后,仿真实验结果验证了基于AC算法的动态内容缓存机制的有效性,也分析了系统模型各项参数对缓存增益的影响。