随着移动互联网技术的快速发展以及联网用户数的不断增长,以碎片化传播为形式,融合各类社会热点、技能分享、公益教育、广告宣传等主题的短视频已经成为了移动互联网中的一项重要应用。为了减少短视频初始播放时延,提高用户服务体验,通常需要在移动互联网中部署边缘服务器,对短视频进行分布式缓存。然而,考虑到成本因素的制约,无法通过大量部署边缘服务器来满足用户日益增长的需求。因此,如何设计有效的短视频缓存策略,充分利用边缘服务器的缓存资源来提高用户的服务质量就成为了一项重要课题。现有的缓存策略通过预测视频的流行度,优先缓存那些流行度较高的视频,进而根据流行度的变化趋势进行缓存替换。然而,与普通电影、电视节目视频不同,短视频具有诸多新特点,如生命周期短、时延要求高、具有地域属性与社交属性等,导致常规视频预测方法不适用于短视频流行度预测。为了提高缓存命中率,视频内容提供商通过租用网络运营商的存储资源缓存视频副本,由于网络运营商部署边缘服务器之后,一方面希望存储资源被充分利用,另一方面过度增加缓存视频副本数会导致视频缓存成本增大。因此,如何均衡用户服务体验与系统成本是视频缓存策略需要解决的问题。基于上述问题,本文研究归纳如下:（1）针对社交网络短视频区域流行度预测问题,本文同时考虑了短视频的社交属性和地域特点,提出了一种多特征融合的短视频区域流行度预测算法。由于影响短视频区域流行度的因素很多,例如视频生命周期、主题、关联地点、历史播放量和社交互动等,为了提高短视频流行度预测的准确性,对短视频进行了分类预测。首先,在计算带有强烈地域属性的短视频流行度时,地域属性将占据较大的权重,同时,本文设置一个生命周期阈值α表示短视频对用户的潜在吸引力。其次,根据社会热点话题构造社会热点话题数据集,通过视频主题与社会热点关联来计算流行度主题权重。然后,构造一个城市矩阵,根据视频关联地与城市关系设置同城、省内、省外三种不同关系的地域权重,根据短视频的历史播放量和社交互动数据,基于KNN算法计算下个时间片短视频的全局流行度。最后,基于回归算法求解各个因素对短视频区域流行度影响的权重值,根据构建的流行度模型预测短视频区域流行度。然而,短视频流行度预测没有公开的标准数据集,本文通过在短视频数据分析平台收集短视频区域流行度变化的数据集进行仿真实验,实验结果表明该模型明显优于基于KNN模型的流行度预测算法和基于用户偏好的流行度预测算法。（2）针对用户服务体验、网络运营商成本与内容提供商成本联合优化问题,为了稳定用户服务体验的同时最小化缓存成本,本文设计了一个基于李雅普诺夫优化的短视频缓存算法。首先该算法将原始随机优化问题的约束条件构造成虚拟队列,然后将优化目标函数和lyapunov函数构造成lyapunov漂移加惩罚函数,最后将优化问题分解到每个时间片内,在稳定虚拟队列情况下再通过动态规划算法求解每个时间片内的最优值。通过仿真实验验证了基于lyapunov优化的短视频缓存算法在最小化内容提供商成本,稳定用户时延方面取得较好的性能。