雾计算网络中联邦学习协同的内容缓存方案

为了减小内容获取的时延，保护用户隐私并提高用户体验，提出一种雾计算网络中结合联邦学习和推荐算法优化内容缓存性能的方案。首先，构建了端到端协作的雾计算网络模型，用户可通过端到端和无线链路从用户端、雾节点和云端获取内容；其次，在本地建立深度神经网络模型，利用历史请求数据训练本地模型，利用雾节点聚合本地模型，从而预测全局内容的流行度，同时，向用户提供个性化内容推荐列表，以提高缓存命中率；最后，使用真实数据集进行了仿真实验，实验结果表明，所提方案能有效降低内容的获取时延，提升缓存命中率。