爆炸式增长的通信数据量以及用户对服务敏捷性与响应实时性的更高要求,给资源有限的无线通信网络带来了巨大的挑战。由于前传约束和集中式的基带处理单元的限制,传统的云无线接入网络在庞大的数据请求量下可能面临前传拥塞、通信中断率增加等状况,尤其在业务峰值时刻。为适用未来通信的各种需求,当下迫切需求新的技术创新。雾无线接入网中的边缘缓存技术通过将流行内容放置在靠近用户端的边缘节点内,可以有效降低前传负载减少通信时延,成为一种可行的解决方法受到广泛关注。然而,由于用户需求的随机性和多样性以及内容流行度的时空变化性,给有效边缘缓存技术的实施带来了诸多挑战。本文将就上述问题展开对边缘缓存技术中的内容流行度预测方法、边缘缓存策略和边缘缓存框架设计的系统研究。首先,研究了基于用户偏好学习的内容流行度预测方法。首先不同于静态的方法,从区域用户角度重新定义了内容在时间和空间上的含义,将区域内容流行度定义为区域用户在当前时刻对内容的平均请求可能性。其次,设计了基于用户偏好的在线内容流行度预测算法,其可以对某个特定区域内容流行度进行在线预测而无内容类型限制,同时,可以实时追踪内容流行度的变化。接着,提出了线下用户偏好学习算法,其可以根据用户的历史请求信息来学习用户自身的偏好。通过实时监测平均预测误差,算法可以自动启动对用户偏好的重新学习,避免了持续的线下学习。最后,从理论上分析了算法的性能,得出了内容流行度预测算法的预测误差上界,探究出了区域内容流行度的累积预测误差与内容请求量间的亚线性关系。其次,研究了基于内容流行度预测的边缘缓存策略。充分考虑到内容请求的随机性和多样性以及移动用户对缓存性能的影响,构建了结合内容请求特点的边缘缓存优化问题,并设计了动态的内容缓存和更新方法。从理论上分析了缓存策略的性能。首先给出了策略在单个时段的缓存命中率下界,得出其与理想策略间的缓存命中率差距,并进一步得出当满足两个客观条件时,这种差距将趋于零。其次,得到所提出的策略在有限个时段内的整体性能损失上界,并证明了策略的最优性,即随着请求量的增加,其缓存命中率将趋近于理想缓存策略下的缓存命中率。最后,仿真结果表明所提出的策略优于传统策略逼近理想策略。最后,研究了基于学习的边缘缓存框架设计。根据F-APs和用户设备的特点,设计了两种基于学习的边缘缓存框架。一种针对F-APs支持计算和缓存而用户设备不具备智能计算的情况,设计了以F-APs为主的边缘缓存框架,其支持移动用户监测、节点间协作、在线流行度预测、内容缓存与智能更新。一种针对F-APs和用户设备均支持智能计算的情况,设计了以用户设备为主的边缘缓存框架,将学习放到了用户设备端,很大程度减轻了F-APs的信令交互负担和计算负担,同时,保证了用户的隐私安全。