随着5G时代下移动互联网的飞速发展以及各类智能移动终端设备的普及,短视频、直播等视频业务蓬勃发展,人们对高质量视频服务的需求也急剧上升。与此同时,连接到核心网络的大量智能设备增加了回程链路的负载,传统的云计算难以满足用户对视频服务的低时延需求。为了弥补云计算的不足,移动边缘计算（Mobile Edge Computing,MEC）这一新型计算范式被提出,在更靠近用户的边缘侧部署具有一定计算及存储能力的边缘节点,从而减少数据传输时延,缓解网络阻塞。然而在边缘计算的环境下,视频缓存不仅面临如何在不断生成的海量视频中选择合适内容进行缓存的难题,还面临边缘节点存储空间有限、用户移动性、流行内容快速变化、边缘网络复杂等挑战。因此,针对视频的边缘缓存相关机制进行研究是十分有意义的。针对上述问题,本文主要对边缘计算场景下的视频缓存开展研究,包括缓存内容、缓存策略以及面对短视频这类变化快、实时性要求高的场景下如何进行在线缓存,主要工作内容分为如下三部分:1)针对缓存内容,缓存热门流行视频可以提高缓存命中率,并最大程度地满足所有发出请求的用户总需求,然而预测热门流行内容往往需要在远程数据中心完成,占用了大量网络流量,消耗通信成本,还可能造成用户隐私泄露。为此,本文提出一种基于联邦学习的视频请求预测算法。结合长短期记忆网络和卷积神经网络建立了一个视频请求预测模型DRPN,根据用户对视频发出的历史请求信息预测视频在未来被频繁请求的概率,从而确定视频未来的流行趋势并得到值得提前缓存的视频列表。然后针对提出的预测模型,利用已部署的多个边缘节点进行联合训练,在保证预测准确性的前提下提升了训练速度,减少了通信成本,并使模型训练与直接访问原始数据解耦,减少隐私泄露的风险。2)针对缓存策略,大部分传统缓存策略都是针对单一系统的网络架构,当面对多个边缘节点的边缘缓存系统时,无法利用额外的信息,缺少具有协作意识的缓存策略。为此,本文联合多个邻近的边缘节点,提出了一种基于贪心算法的协作缓存策略GCCS,以尽可能降低时延为目的,并使本地节点和邻居节点协作地缓存一些重复内容,以节省更多空间缓存其他内容,增加内容多样性,进一步提高缓存效果。对互联网服务提供商来说,能一定程度上减少邻近区域内不必要的冗余内容,节约了缓存成本。3)面对边缘智能化的必然趋势,针对5G时代的低时延要求以及短视频流行趋势变化快、用户移动性强的问题,需要设计新的合适的在线缓存框架,实现根据时空变换及时选择合适的缓存内容并做出缓存决策。为此,本文在考虑用户移动设备具有更强智能性的应用场景下,提出了一个基于联邦神经协同过滤的在线视频缓存框架。首先结合广义矩阵分解及多层感知器提出了预测模型RPNCF,对用户和请求视频之间的隐性特征进行建模。同时,进一步改进了用户设备之间联邦学习的训练方式,在每轮模型训练前对用户进行聚类分组,并用代表用户的训练参数去更新同组从属用户的参数,进一步加速训练,并使用户可以在训练早期获得收益。然后设计了合适的在线预测算法,根据请求概率值进行缓存替换并相应更新请求概率值,保证及时跟踪随时空动态变换的内容流行度。最后通过实验证明了所提的在线视频缓存框架的可行性,并优于对比的在线缓存策略。