内容分发网络（content delivery network,CDN）是互联网数据分发的重要架构。CDN将用户所需要的文件部署到距用户网络距离较近的边缘缓存服务器上,用户即可直接从边缘缓存服务器下载所需文件,从而减轻骨干网的流量压力,降低用户下载文件的时延。CDN的主要业务场景包括两大类。第一类是目前主流的视频文件的分发,第二类是为新兴的利用深度神经网络（deep neural network,DNN）模型的人工智能应用提供计算。CDN不仅提供文件分发服务,也提供计算服务,CDN的业务逐渐由传统的文件分发向文件分发和计算一体化发展。随着CDN业务量的快速增长,CDN性能的提升面临着资源瓶颈。CDN的资源瓶颈主要来自于边缘缓存服务器向用户分发文件的带宽资源与缓存资源。本文将根据CDN不同的业务对资源的需求,设计相应的资源调度机制来提高CDN的资源利用效率,提升用户体验。本文的具体工作如下:（1）提出了一个视频内容感知的CDN负载均衡联合优化模型,将不同视频请求定向到不同的CDN边缘缓存服务器并为每个请求规划不同的视频比特率,以在有限的服务器带宽约束下最大化用户观看视频的总体用户体验。该联合优化模型背后的依据是,一个视频画面的用户体验是画面比特率的非线性增函数,且不同画面的体验函数的参数不同,进而,CDN分发视频时,可以通过规划每个边缘缓存服务器提供的视频以及每个视频的每个画面的比特率,来联合优化用户总体体验。本文设计了一个贪婪的启发式算法求解最优化模型,该算法首先将所有边缘缓存服务器当作一个虚拟的理想服务器,求得每个视频的最优比特率;然后按求得的最优比特率,将视频迭代地分配到每个边缘缓存服务器。实验结果表明所提出的负载均衡算法能够比现有算法提升3%-70%的用户体验。（2）提出了一个面向人工智能应用的缓存优化模型,选择人工智能应用并缓存其用到的DNN模型到边缘缓存服务器有限的GPU内存中,以最小化人工智能应用的整体响应时间。该优化模型背后的依据是,一个人工智能应用可能并行用到多个DNN模型来实现其最终功能,一个DNN模型可能被多个人工智能应用使用,只有当一个应用所需的全部DNN模型缓存在GPU内存中时,应用才能获得较短的响应时间,进而,利用人工智能应用与DNN模型之间的关联关系缓存DNN模型可以降低人工智能应用的整体响应时间。本文设计了一个贪婪启发式算法求解最优化模型,该算法迭代地选择人工智能应用,并缓存应用关联的DNN模型。实验结果表明提出的缓存算法在多数情况下可提升缓存性能10%左右。