随着小小区密集化和支持缓存的智能设备的出现,移动边缘缓存被认为是减轻核心网络流量负担的一种重要技术。在这种场景下,流行的内容被预取并存储在小型基站(Small Base Station,SBS)或用户设备中。然而,由于人为因素,内容流行度可能会随时间动态变化。本文考虑内容流行度变化,研究了D2D(Device-to-Device)辅助蜂窝网络中的协作缓存问题,首先对研究背景及意义进行了概述,详细分析了国内外研究现状;其次对论文研究工作、研究内容及结构进行详细分析;最后对全文进行总结,并对未来的研究方向进行了展望。主要研究内容如下:第一,通过联合考虑内容流行度的时空变化,用户设备之间内容共享成本以及基站(Base Station,BS)之间协作缓存成本来研究时延最小化问题。为了解决这个问题,提出了一种基于多臂老虎机学习的在线协作(Multi-armed Bandit Learning based Online Cooperative,MAB-LOC)算法。在第一阶段,文章设计了一种基于多臂老虎机(Multi-armed Bandit,MAB)的算法来估计内容流行度。在第二阶段,文章设计了一种基于半定松弛(Semidefinite Relaxation,SDR)的方法来获得缓存策略。通过仿真结果,证明了该算法的性能在缓存命中率和端到端时延方面具有竞争力。第二,通过联合考虑用户之间的相似性(包括兴趣相似性,即用户申请内容的相似性,以及位置相似性)、用户设备缓存的成本、用户设备之间内容共享的成本以及基站与用户设备之间内容共享的成本来研究能量消耗最小化问题。为了解决这个问题,提出了一种基于K-均值学习的协作(K-means Learning based Cooperative,KM-LC)算法。在第一阶段,文章采用K-均值算法对用户进行聚类。在第二阶段,文章采用基于聚类的贪婪算法来获得缓存策略。通过仿真结果,证明了该算法的性能在能量效率方面具有竞争力。