随着物联网技术飞速发展,工业生产现场的智能互联设备数量爆炸式增长,因此产生了海量数据,对数据的存储、处理和分析提出了更高的要求。边缘计算应运而生,在网络边缘部署边缘设备节点为用户就近提供存储和计算服务,大大降低时间开销,保障工业应用的实时性需求。边缘缓存将部分内容缓存到边缘服务器中,缓存性能将极大地影响用户请求的响应延迟。本文面向工业应用需求,研究了边缘网络中的缓存优化问题,提出相应的缓存替换算法和缓存预取算法。主要研究内容如下:首先总结典型工业应用场景下的网络结构,构建三层边缘网络模型。随后基于现有缓存问题优化目标的分析,将缓存命中率和平均传输延迟作为优化目标,建立边缘缓存问题模型。并提出散粒噪声模型作为工业用户内容请求模型,仿真实验结果分析表明散粒噪声模型相比于静态模型能更好地模拟工业数据请求的动态性特点。其次总结工业用户的内容请求序列特征,建立内容流行度变化的概率模型,并提出基于属性特征流行度预测的缓存替换算法。算法根据最近周期窗口内主导属性特征的热度预测值,和文件尺寸等参数一起确定缓存文件价值。仿真实验结果表明,所提算法与MPC,GDS,LRU,LFU,FIFO等经典算法对比,在缓存命中率和平均延迟两种性能指标下,在不同文件大小分布、文件种类、用户请求模型下均取得最佳性能。最后提出一种基于带有切割窗口的多序列频繁项挖掘的缓存预取算法。算法将输入的多条长序列分成固定大小的短序列,在滑动窗口的约束下,通过查找高频项目集筛选出强关联规则,用户每次请求内容时,与已有的关联规则匹配,将用户将来可能请求的内容进行缓存预取。仿真实验结果表明,与C-Miner的预取算法相比,本文所提的算法在小规模和大规模流量下均取得较好的性能改进。