近些年来,快速增长的智能终端设备对移动网络的架构和承载能力提出了越来越高的要求,移动边缘计算(MEC,Mobile Edge Computing)的出现,通过在移动网络边缘部署计算、存储、处理功能来分担移动核心网络的压力。本论文在移动边缘计算的框架下,对缓存优化与用户移动性预测展开研究。本文首先阐述了移动边缘计算的概念,着重介绍了临近性和基于上下文信息的特性,对几种常见场景下的应用展开说明,同时讨论了未来的研究方向。论文基于MEC的多层次缓存架构,针对降低用户请求内容的时延,提高缓存效率等优化目标,利用多播技术和基站间的协作机制,提出了一种协作式的多播缓存策略(CMAC,Cooperative Multicast-Aware Caching),并引入了贪婪算法,通过与简单多播缓存(MAC,Multicast-Aware Caching)的性能比较,验证了CMAC的有效性,与MAC相比平均时延降低了 13%。论文还提出了基于MEC的移动性预测框架MPaS(Mobility Prediction as Service),采用LSTM(Long Short-Term Memory)对用户的移动性进行预测,基于公开数据集对LSTM进行训练和仿真,比较了 ANN(Artificial Neural Network)和LSTM预测的性能,验证LSTM对用户移动性预测的有效性。