智能移动设备的快速普及和多元化移动业务的迅速扩展极大程度地促进了社会的发展与变革。与此同时,无线网络中的数据传输任务和计算任务呈指数型增多,为现有无线通信系统带来了沉重的负担和巨大的挑战。现有的无线网络架构亟待升级与变革,无线边缘网络内容缓存技术应运而生。通过探究无线边缘网络缓存资源的利用潜力,将云服务器的部分数据、计算任务等卸载到无线边缘网络的设备中,可以有效缓解核心网络负载,同时为用户提供短距离的高效服务。然而,无线边缘网络中通信资源和缓存资源严重受限。在优化缓存技术方面,不准确的缓存内容难以匹配用户需求,往往难以得到理想的缓存效益;在利用内容缓存辅助任务方面,如何利用有限资源挖掘内容缓存价值,为边缘网络开展如数据卸载、边缘学习等任务提供助力,也需要深入探讨。本文基于数据-模型联合驱动的无线边缘网络内容缓存技术,分别就面向内容缓存进行流行度预测、边缘节点开展内容缓存合作、内容缓存辅助数据推送和内容缓存辅助边缘学习四个方面展开研究,旨在全面提升无线边缘网络的内容缓存收益。具体工作包括:1、通过用户聚类的内容流行度预测技术提升缓存精准度。本文针对无线边缘网络内容缓存系统中的流行度预测技术,提出了一种基于加权用户聚类的内容流行度预测算法。综合考虑了缓存容量、传输容量、用户移动性和用户兴趣时变性等多个关键因素,通过引入缓存阈值,给出了内容缓存效益与内容流行度预测误差之间的闭式关系。同时,基于这一闭式表达发掘了内容流行度预测准确性和用户聚类策略之间的关联性,由此设计出基于加权聚类的内容流行度预测算法。分析结果显示,通过利用面向缓存的内容流行度预测技术,可以聚合稀疏的用户请求并挖掘多样化的用户请求特性,在有限通信缓存资源下显著提高缓存内容的点击命中率,提升缓存内容在用户之间的流行度。2、通过用户聚类的合作缓存技术增强无线边缘网络的缓存效率。本文针对用户聚类合作缓存技术,提出了一种基于分段兴趣相似度的用户聚类合作缓存策略。综合考虑了缓存容量、传输时延、用户动态特性等多个关键因素,通过预估两两用户之间的合作缓存效益,建立用户对之间的分段缓存兴趣相似度,并基于近邻传播模型对用户进行聚类。以此为基础,考虑用户动态特性,建立合作缓存效益的生存进程模型并预估了合作缓存有效时间,由此得到用户重聚类方案。分析结果显示,通过引入用户聚类合作缓存技术可充分利用边缘网络中离散的缓存资源,显著降低用户获取内容的平均传输时延。3、通过内容缓存辅助数据推送,提升内容推送效益。本文针对缓存内容推送技术,提出了一种基于结构化卷积神经网络的多播内容推送策略。综合考虑了传输容量、缓存开销等关键因素,通过分析内容推送决策之间的时空耦合特性,设计了一种结构化神经网络进行多播内容推送决策。为了应对训练标签缺失问题,设计了传输约束松弛场景下基于动态规划的最优单内容推送算法和最优总体推送数量分配算法,为网络训练提供有效的性能上界。分析结果显示,通过利用内容缓存辅助数据推送技术可有效权衡数据卸载与缓存开销,灵活利用传输资源,减少网络峰时负载,从而提高内容推送效益。4、通过内容缓存辅助分布式知识融合边缘学习技术,提升边缘网络学习性能,促进边缘网络智能化。本文针对内容缓存辅助分布式知识融合边缘学习技术,提出了一种面向不同本地知识库缓存模式下的传输调度算法。综合考虑了传输容量、本地知识库缓存模式、学习状态等多个关键因素,通过联合边缘学习和知识融合学习的特性,探究了传输调度决策对学习性能的影响。同时,分析不同本地知识库缓存模式的物理特性并分别提出了基于学习状态信息和信道状态信息的最优与渐近最优传输调度算法。分析结果显示,通过利用内容缓存辅助边缘学习技术,可以将知识融合学习部署在边缘网络中,构建全新的分布式知识融合边缘学习框架,有效提升边缘学习性能。