随着移动服务和资源密集型应用的快速增加,移动数据流量呈指数级的爆炸式增长。移动边缘网络作为一种有前景的架构,其利用边缘的低成本资源进行计算和缓存,从而有效地降低了传输延迟,并减轻了回程负载。其中,边缘缓存被普遍认为是解决未来网络的大规模内容交互问题的有效方案。此外,终端直接通信技术(Device-to-Device,D2D)与社交属性的结合不仅能保证短距离通信的性能,还能提升服务质量(Quality of Service,Qo S)。因此,基于社交属性的D2D边缘缓存策略受到了学术界和工业界的广泛关注。首先,本文介绍了移动边缘网络的基本概念、特点和典型架构,分析了当前的研究热点,描述了边缘缓存的场景及常用方法,重点描述了现有的边缘缓存策略,并深入分析了基于社交属性的边缘缓存策略。其次,本文提出一种雾无线接入网(Fog Radio Access Network,F-RAN)下基于社交属性的D2D缓存策略。基于雾接入点(Fog Access Point,F-AP)的内容偏好,本文利用投影自适应共振理论神经网络(Projective Adaptive Resonance Theory Neural Network,PART NN)进行了雾社区的构建和更新。同一雾社区内的F-AP协同地缓存数据。基于用户的社交属性及内容偏好,本文量化了用户的转发和缓存意愿,定义了主动缓存率,并制定了中心用户的选择方案。考虑到用户具有自私性且资源受限,本文提出了基于蚁群算法的中心用户缓存方案。数值结果表明,本文所提策略有效地提升了缓存命中率,并具有较低的冗余请求率及传输时延。再次,本文提出了一种带有社交属性的D2D缓存博弈策略。本文将基站的激励费用策略和预缓存用户的资源策略建模为多主多重Stackelberg博弈。基于内容流行度、D2D激励百分比和移动性,本文量化了效用函数,证明了纳什均衡的存在,并利用最优反应动态模型获取了最优解。随后,本文提出了基于Q-learning的D2D缓存策略。综合考虑内容流行度和社交属性后,通过分析社区的缓存命中率和预缓存用户的平均影响力,量化了社区用户的平均满意度,并基于此定义了Q-learning的奖励函数。数值结果表示,所提策略能够有效地提升缓存命中率以及用户和社区的满意度。最后,总结了本文的研究工作,并展望了对未来的研究。