移动数据的爆炸式增长,正给传统的蜂窝通信网带来前所未有的压力和挑战。为了缓解通信链路的流量拥挤状况,边缘缓存技术已得到业内的重点关注。边缘缓存就是搭建具有大容量存储空间的中继通信节点,在流量平稳期将部分网络内容提前缓存在节点中,然后在流量高峰期实现内容的快速分发。通常,边缘缓存节点可以是基站(BS)或各种移动设备。当利用移动设备协助蜂窝网络进行内容分发时,设备之间要能实现不经过基站的直接数据互传,这就是D2D(Device-to-Device)通信技术。D2D通信复用蜂窝网的频带资源,可使相距较近的设备直接建立D2D链路。为充分发挥边缘缓存的作用,缓存方案的合理设计是十分必要的。设计缓存方案就是决定边缘节点要预先储存哪些网络内容,设计的依据包括当前的网络拓扑、不同网络内容被请求的概率以及通信机制等。于是,本文先研究了如何预测用户请求网络文件(实体化的网络内容)的概率,然后提出了一种分布式算法来完成D2D网络缓存方案的设计,最后对两部分工作结合之后的性能进行验证和分析。预测文件请求概率的关键是用户偏好的衡量,大部分推荐算法会以用户对文件的评分作为用户偏好。但是,用户对文件评分发生在用户请求文件之后,以评分映射得到的文件请求概率并不准确。因此本文提出了一种包含特征选择、偏好衡量和压缩映射三步骤的用户偏好预测方案。特征选择能选出有价值的文件特征用于计算相似度,偏好衡量利用“整体相似度”这一统计量刻画用户对新文件的偏好,而压缩映射将用户偏好更准确地归一化为用户请求新文件的概率。基于真实数据的评估表明,与以用户评分或文件流行度作为用户偏好度量的传统方案相比,本文所提方案拥有更高的文件命中率,且能更准确地得到用于缓存设计的文件请求概率。现有工作大都基于中心式算法设计D2D网络缓存方案,但中心式算法不仅给中央计算单元造成巨大计算压力,而且未利用到移动设备的计算资源。于是本文在设计缓存方案时,先构建了以最小化文件平均下载时间为目标的优化问题,然后提出了一种分布式算法对其求解。该分布式算法在传统BP(Belief Propagation)算法的基础上,分别引入了随机高斯信息传递(Randomized Gaussian Message Passing)和消息加权方案来提升其收敛性和优化性能。仿真结果表明,所提算法在复杂度更低的情况下拥有接近中心式贪婪算法的优化性能。为验证所提出的用户偏好预测方案和D2D缓存设计算法相结合的整体性能,我们搭建了基于部分真实数据的仿真环境。仿真结果表明,先利用所提出的预测方案得到用于设计缓存的文件请求概率,再使用所提出的分布式算法完成缓存设计,文件的平均下载时间可以达到最低。