端到端(D2D:Device-to-device)技术应用在蜂窝移动网络中具有频谱利用率高、能耗低、覆盖面积大、网络吞吐量高的特点,是未来通信系统关键技术之一。然而现有的D2D通信缓存优化设计大都依据传统的物理网络环境进行,并未考虑到进行D2D通信的用户群体所构建的社交网络特性对缓存优化产生的影响。而移动网络用户构建的社交网络在带来移动数据流量爆发式增长的同时,也对D2D通信成功率产生影响,同时用户终端设备的缓存优化策略迎来新的挑战。本文首先研究了基于用户存储资源和用户社交属性的D2D通信系统优化设计。在D2D通信接入协议方面,除了考虑连接时间、通信半径等方面的约束,本文还考虑了用户社交关系对D2D通信链路的制约,即只有存在社交关系的两个用户之间才有可能进行D2D通信。而另一方面,考虑到用户终端具有一定的存储空间,因此用户可以存储文件,可以并通过D2D通信将所缓存的文件传给与自己具有社交关系的用户,即“朋友”,然后“朋友”又可以把这个文件传给“朋友的朋友”这样无限扩散下去。为此,本文研究了用户端存储设计问题,以使得社交网络下通过D2D通信进行的数据分流最大化。我们推导出该优化问题是01背包问题,可以采用传统的贪婪算法(Greedy)来解决,但在用户数达到一定数量级时,该算法计算复杂度会急速上升,造成非常大的延迟。因此,本文提出了一种基于社区和贪心算法的缓存策略来降低算法复杂度。这种新的带权重的Fast Unfolding算法根据用户的社会关系、位置和通信半径对用户进行社区划分。然后我们证明了重构后的最优问题是拥有拟阵约束的单调最大化子模块问题,并使用基于社区和贪心算法的缓存策略进行求解。最后,仿真结果表明本文提出的缓存配置方案比现有方案有了显著的性能提升。其次,为了获得更大的数据分流比率,基于用户社交属性,本文就用户的兴趣行为对用户存储的影响展开研究,提出了结合内容推荐系统的存储优化策略。本文先给出了基于社交网络与推荐系统的D2D网络模型,将研究区域划分成多个部分,然后为每个部分选择一个重要的用户(Important User,IU)。然后通过使用三种算法:预过滤器、协同过滤算法和隐语义模型算法,设计了一种基于移动缓存社交网络和用户下载历史的推荐系统。最后,推荐系统产生的内容可以缓存在重要用户的终端,其他用户可以通过D2D通信获取到请求的文件。