移动数据流量如同海啸一般冲击着目前的通信链路系统,为了更好地去容纳与管理这些移动数据,本文针对在5G中提出的超密集网络,结合用户请求内容与用户移动动信息提出了一种分布式的缓存策略。在回程链路有限的情况,用户可以更多地通过缓存节点来获取请求的数据文件,缓解了回程链路压力的同时也提升了系统的能效。本文主要内容如下:首先,提出了一种异构超密集网络的缓存模型,并归纳系统的能效函数,通过对小基站分配缓存节点并给出决策用户内容的缓存算法来缓解通信系统回程链路的压力,从而提升通信系统整体的效益。综合用户对数据文件的请求热度和缓存文件的大小,计算任意文件的缓存价值。通过GD-CF算法,给出了小基站缓存空间内容决策的解决方案,通过高效的缓存策略来降低宏基站的服务率,进而优化了系统的能效。其次,针对超密集无线网络用户的移动行为,提出一种改进的分布式缓存策略。通过分析用户在不同地点的移动概率,来预测用户在未来的时间段内可能进入的小基站的覆盖区域,然后把用户所请求的数据分成不同的片段分别存储在不同的小基站缓存节点中。通过建立马尔科夫链模型把分布式缓存问题,转变为求解最小化用户请求信息到达宏基站的概率,再通过马尔科夫链的切尔雪夫-霍夫丁不等式进一步把目标函数转化为求解用户路径权重的最大值,并通过分析把问题解耦为N个子策略,从而获得最优的分布式缓存策略。最后,对文中提出的缓存策略进行了实验仿真,通过对缓存命中率,缓存空间和用户设备数量与系统能效的对比分析,验证了所提策略的可行性和有效性。