在移动互联网及物联网快速发展的背景下,各类新兴业务如网络直播、AR/VR等不断产生,网络通信流量呈现爆炸式增长趋势。如何合理分配网络中的计算、存储及带宽等资源来处理海量边缘数据,满足业务需求是网络发展面临的重大挑战。本论文以边缘网络下的增强现实应用为例,通过对计算和缓存两个方面的关键技术研究来解决应用需求同时改善整体网络性能。本论文研究根据业务特征可分为两大部分:第一,为满足业务的实时性需求,综合考虑云中心、边缘服务器和终端设备,设计了能耗高效的边缘网络计算任务卸载机制。相比已有研究大多未考虑任务的可分割性及任务间依赖关系,本论文首先通过有向关系图来描述任务间的依赖关系。其次,已有研究对卸载过程中能耗的讨论大多只考虑移动设备端,本文对任务卸载到多个边缘服务器情况下的整体能耗进行研究。然后,以满足业务时延约束条件下最小化整体能耗为目标,结合节点计算能力、计算任务数据量、节点间传输带宽等因素建立了卸载的数学模型。根据模型设计全拓扑排序算法及启发式EACO算法,最终得到任务卸载的最优节点分配组合。最后通过仿真验证可知所提的机制能够有效降低任务卸载的能耗,从而节约终端设备电量和整体能耗。第二,根据业务执行中内容的重复性特征,结合边缘网络特点,提出了基于缓存收益的边云协作缓存机制。已有研究大多只考虑内容流行度,从请求者角度出发进行内容缓存放置,在网络中产生了大量重复内容缓存。本论文首先从整体网络角度出发,结合节点资源状况、内容流行度、节点与请求者间距离、请求者移动性等因素建立网络缓存收益的数学模型。其次,设计基于缓存收益的协同缓存机制,通过边云间的协同节点计算缓存收益,以阈值约束来决定是否进行边缘缓存,对边缘网络和核心网络分别设计沿路概率缓存方法和非沿路HASH缓存方法。最后通过仿真实验证明该机制能够优化服务器负载、路由跳数,同时降低缓存冗余度、提升系统整体性能。