5G时代的到来和移动数据流量的急速增长对无线通信速率提出了更高要求,与此同时,用户对内容服务的质量和速度的要求也在不断提升。传统无线接入网络由于前传链路容量和集中式基带处理单元的限制,在业务高峰时刻会出现诸如通信拥塞、通信中断等情况,难以满足通信质量和速度的要求。为此,雾无线接入网络（Fog Radio Access Network,F-RAN）,作为一种能将接入网络的缓存、计算资源集中分布式自适应部署的新型组网技术,能有效缓解前传负担,降低通信时延,提升业务在本地的处理效率,提高计算资源的使用效率,成为了学界和业界的焦点和热点。在F-RAN中,集中分布式的缓存和计算资源分配至关重要。此外,联邦学习（federatedlearning,FL）作为一种分布式智能学习技术,相比于集中式人工智能学习,能有效降低计算复杂度,减轻中心服务器的通信和计算压力。因此,本文拟开展基于联邦学习的内容流行度预测和缓存部署优化研究,这具有重要的价值和意义。本文主要工作与创新包括:1.针对流行度预测过程,用户数据量大、计算复杂高和实时性差的问题,提出了一种基于联邦学习的分布式内容流行度预测方法,能有效提高预测的效率并保证预测的准确度。具体地,在雾接入节点（fog-computing based access point,F-AP）处利用本地数据结合深度卷积神经网络（convolutional neural network,CNN）进行流行度预测训练,而在中心服务器中聚合各节点上传的模型并进行模型更新,实现了数据分区域处理,和全局的流行度预测。通过设立检测周期,对内容流行度进行监测,提升了实时性。仿真结果表明,联邦学习的流行度预测算法与集中式的机器学习算法具有类似的性能和收敛速度,通过调整通信的轮次和本地节点的数量,可以在保证通信效率的同时提高收敛速度,降低均方误差,提高模型质量。2.针对缓存资源管理问题,考虑到集中式的缓存资源管理会导致前传负担及云端的计算压力增加这一挑战,本文提出了一种基于联邦学习的缓存部署方法。针对F-AP所收到的内容数据请求,构建以缓存命中率为优化目标、F-AP缓存容量受限为约束条件的缓存优化问题。针对该问题,设计了基于联邦学习的内容缓存和更新策略,利用F-AP的计算能力在本地进行基于强化学习的模型初步训练,并在云中心进行模型的聚合和更新,确保F-AP持续地缓存热点内容,提高缓存命中率。仿真结果表明,所提算法能够达到与集中式机器学习相似的收敛效果,且具有优于对比算法的缓存命中性能,可以在更小的缓存容量情况下实现更高的缓存命中率。