随着通信技术的发展,数据业务的形式出现了多样化,人们已经进入了万物互联时代,由智能设备所产生的数据流量已经达到泽字节(Zettabyte,ZB)级别,海量数据流量给移动网络带来了极大压力,因此设备用户请求数据时产生的网络拥堵问题的出现以及相关需求被激发了。一种有效的解决方案是在移动通信网络边缘部署计算和缓存资源,能够在更靠近用户的网络边缘侧提供通信和数据处理业务。基于5G通信架构的边缘缓存提出,为解决分布式数据存储的发展提供了技术支撑。边缘缓存是将远端服务器存储拉近到网络边缘,提高传统网络架构中的数据任务,例如分布式内容缓存、数据预测和性能优化等。通过将用户访问的热点数据信息提前存储到本地基站,用户可直接从本地进行请求下载,减少网络中冗余数据传输,从而节省网络资源,获得了更高质量的用户体验。本文在5G超密集异构网络中的小基站和WiFi共存场景下,设计基于边缘缓存的内容存储和分发机制,主要研究如下:1.提出一种在5G超密集异构网络中小基站和WiFi接入点共存的场景下的缓存策略。考虑到WiFi接入点的便捷性和高带宽,用户在选择数据请求下载时会选择性连接WiFi以减少流量开销,同时对可能影响缓存性能的多个特征因素(用户访问频率、文件下载成本、文件存储空间)进行选取并采用AHP算法进行权重赋值,避免了单一特征因素对缓存性能产生的偏差,对该场景下的缓存策略进行了建模和分析。2.根据缓存文件的分布式部署场景,引入文件副本的考量因素,提出一种基于基站分簇的文件副本缓存算法,降低了超密集异构网络中小基站之间的干扰,从而进一步提高用户的数据访问速度,提升用户体验。3.针对基站部署的地理位置和空间存储容量对基站缓存性能的影响,提出了一种基于长短时记忆网络(LSTM)预测基站存储文件信息和优化基站距离的算法,该算法根据输入的基站历史数据进行下一步建模和预测,根据预测值对基站的空间位置和存储容量做调整。给出了预测精确度高、解耦性能优越的深度学习算法模型以解决小基站空间距离优化和缓存相关性内容分发。