随着5G时代的来临和物联网（Internet of Things）的飞速发展,物联网智能设备不断普及,且数量飞速增加。各类监控器、感知器、包括人们日常使用的移动智能手机,每时每刻都在产生着大量的数据。硬件性能的提升使得互联网的边缘,大到宏基站,主交换机,小到网关服务器,边缘服务器甚至路由器等设备都具有了一定的计算和存储能力。因此,边缘计算的概念被提出来,将数据的实时计算和预处理从云端迁移到边缘,既减少了网络传输的带宽消耗,又降低了响应延迟。由于当前主流的对边缘计算的应用场景都是广域（wide-range）范围的,如智慧城市,车联网,城市计算等。然而,在一些小规模和区域性（local area）的应用场景中,如一个校园,一个停车场,一个工业园区甚至一栋写字楼中,这类小范围的应用场景中,也同样需要利用边缘节点的计算和存储资源来降低延迟,节省带宽。考虑到小范围的应用场景下,具有数据量小,资金有限等特征,因此,本文中,我们将研究一个去中心化的边缘存储架构,来利用边缘节点集群解决小规模应用场景下的存储问题。本文将存储抽象为服务（Storage as a Service）,提出了一个去中心化的边缘存储服务DECS。本文首先对去中心化的边缘存储架构进行了设计,然后对DECS中的数据存储策略进行了研究,用户在读写数据之前会通过DECS中的权衡模块进行权衡,选择最优的边缘节点来读写数据,使得用户能够将数据写入到最有可能被消费的边缘节点,用户读取数据的时候能够有更低的延迟。随后本文介绍了DECS中的数据再平衡策略,我们为DECS设计了一个预测模块,该模块可以定时利用数据的历史访问热度,先验地构造机器学习模型预测数据未来一个时间段的访问量,预先为数据构建转发规则,并且对热点数据进行复制迁移与内容分发。转发规则的构建优化了数据的写入方向,而内容分发及副本策略则可以让热点数据能够更快的被访问到,二者都起到了降低用户读延迟的目的。同时DECS中的空间清理模块可以对边缘节点中的冗余的数据进行回收,节省边缘节点中的存储资源。本文对DECS的各个模块,包括元数据模块、数据存储模块、数据处理模块、预测模块、权衡模块以及空间回收模块均进行了详细地阐述,并且对于其中所利用到的算法、公式进行了细致地描述。随后本文使用微服务的方式,编码实现了DECS。对于DECS的实现细节,类实体设计,流程交互等方面,本文均进行了详细地介绍。最后本文使用docker容器的方式,将该存储服务DECS搭建成为一个去中心化的边缘节点集群。并且对该集群使用两个真实的小规模应用场景来进行实验和验证。本文的实验分别验证了DECS预测模块过滤器的必要性,预测模型的准确性。通过读访问延迟来验证了数据存储模块的以及权衡模块中各个算法的有效性,并且本文还通过边缘集群资源分布的均匀性来验证了DECS中的数据再平衡策略。通过与当前其他的边缘存储服务模型进行比较,证明了本文提出的去中心化的边缘存储服务DECS更加适用于资源有限且资源分布不均匀的小规模边缘集群。DECS起到了降低用户延迟,节省网络带宽和边缘集群资源的目的。