随着网络体系架构和通信技术的不断演进和创新,用户终端设备的数量和性能都实现了跨越式的提升,以此为契机,视频业务的普及速度进一步加快。这一方面极大地丰富了人们的物质文化生活,促进了相关产业的发展;另一方面,也不可避免地导致了网络中视频流量的指数式增长,给网络基础设施带来了前所未有的巨大压力。面对海量的带宽需求,通过网络扩建和设备更新来提高承载能力已然是杯水车薪。在此情况下,网内缓存技术的出现为这一问题的解决带来了转机。由于视频内容的流行度分布服从二八定律,通过将用户频繁请求的高热度内容保存到边缘网络的网元设备上,能够在缓存命中时提供就近的传输服务。由此不仅可以大幅度增加传输速率,减小传输时延,同时还能够消除网络中大量的冗余流量,缓解核心链路的传输压力。此外,软件定义网络(Software Defined Networking,SDN)和网络功能虚拟化(Network Functions Virtualization,NFV)技术的日益成熟也为网内缓存提供了良好的部署平台。利用SDN集中式控制平面的可扩展和可编程优势可以制定特定的缓存机制和缓存策略,结合NFV使能的网元节点虚拟化内容存储和传输功能,能够针对不同的视频业务需求设计和实现相应的服务框架。本文分别研究了基于SDN的有线局域网和移动蜂窝网中网内缓存协助的视频传输场景,设计了各自的系统架构,同时通过数学建模对优化问题进行了描述,并采用优化控制理论和机器学习算法找寻最优的缓存策略。本文的主要贡献总结如下:1)提出了基于有限状态机和滑动窗口的变长间隔缓存机制,并设计了相应的网内缓存协助的软件定义视频流化传输系统。针对有线局域网内支持SDN和NFV的VoD服务场景,利用SDN控制器实时地收集数据平面的链路状态和缓存分布信息,根据部署的内容传输策略选择最优的服务节点提供视频流化服务。在此基础上,结合所提出的基于滑动窗口的变长间隔缓存策略,来自适应地感知视频流行度变化趋势,调整缓存内容片段的大小,从而提高缓存资源的利用率。除此之外,针对所提出的缓存机制还构建了相应的数学模型,并从理论上对其性能进行了推导。之后,用通用的硬件设备搭建了实际的原型系统来验证其可用性和有效性,并基于Mininet网络仿真平台完成了大规模网络场景下的多指标全面性能评估。实验结果表明本文所提出的缓存策略具有更高的缓存效用和视频传输QoS。2)提出了基于多智能体深度强化学习的多基站间分布式协作缓存策略。针对超高密度5G蜂窝网中支持基站内容缓存的视频传输场景,设计了相应的系统架构和传输机制,之后将多基站间的网内协作边缘缓存问题建模为基于部分可观马尔科夫决策过程(Partially Observable Markov Decision Process,POMDP)的联合策略优化问题,并根据提出的分布式协作缓存策略求解。首先,利用各个基站配备的计算和存储资源,依据本地观测得到的用户接入状态和视频请求状态信息,通过相应的学习算法预测未来时隙的本地状态变化情况。在此基础上,结合基站共享的全局隐状态信息作为多智能体协作边缘缓存算法的状态输入,来找寻最优的缓存决策,旨在提高缓存资源的利用率,减少冗余流量。最终,通过仿真实验评估了该缓存算法在基站大规模、高密度部署场景下的性能表现。实验结果表明本文所提出的缓存策略能够通过网内缓存协作机制更充分有效地利用边缘网内的缓存资源,提高系统的整体性能。3)提出了基于深度生成模型和深度强化学习的具有用户移动性感知能力的预缓存策略。针对超高密度5G蜂窝网中用户移动情况下网内缓存协助的视频传输场景,根据移动轨迹预测的思想设计了相应的预缓存架构,能够在用户发生基站切换之前预先将待传输的内容取回到即将接入的基站之上。首先,采用基于神经网络的生成模型来提取不同移动用户的行为模式特征,加以学习之后,用来预测用户未来的移动轨迹。此后,结合观测到的网络状态信息,根据深度强化学习算法进行内容预缓存决策,目标是提高缓存资源利用率和视频传输QoS。最终,采用真实场景下移动用户的GPS轨迹数据集来测试轨迹预测算法的准确率,并通过仿真实验对所提出的预缓存策略进行了评估及验证。结果表明本文所设计的预缓存策略能够更高效地利用网内缓存资源对移动用户的视频传输性能进行提升。上述三个方面的研究成果分别展示了网内缓存在不同网络架构中的视频传输场景下所带来的性能提升和带宽节省,同时验证了本文所设计的缓存机制和策略的可用性和有效性,充分显示出其在下一代网络中广阔的应用前景。