1.一种雾计算网络中基于联邦学习的内容缓存方法，其特征在于：该方法为：根据所提供网络场景的特性，联合优化雾服务器存储资源分配和缓存内容放置问题，从而最小化网络流量成本；考虑到网络中内容流行度的动态变化，采用联邦学习的方法对区域中的内容流行度进行准确的预测，以制定内容缓存策略。

2.根据权利要求1所述的一种雾计算网络中基于联邦学习的内容缓存方法，其特征在于：所述缓存的分层F-RAN架构中包含有N个雾节点，表示为 以及U个移动用户，表示为 雾计算接入点F-APs通过fronthaul与云计算中心交换数据，相邻的F-APs之间通过X2接口相互通信并与缓存管理器CM通信，以实现数据内容共享；F-APs通过无线信道与用户进行通信；每个用户只能从与其关联的F-AP下载所请求的内容；本发明考虑在一定的存储预算范围内为每个F-APs分配缓存存储，假设F-APs的存储总量不应超过移动网络运营商指定的存储预算上限Cth。

3.根据权利要求2所述的一种雾计算网络中基于联邦学习的内容缓存方法，其特征在于：所述移动用户连接到最近的F-AP，连接的F-AP负责服务用户的内容请求；如果请求的内容位于连接的F-AP的缓存中，则请求将立即被处理；没有额外的负载放在fronthaul链路，减少了网络流量；另一方面，当被请求的内容没有缓存在连接的F-AP中时，请求被转发到CM；CM检查查找表中所请求的内容是否缓存在相邻F-APs；如果内容缓存在相邻的F-APs中，CM将执行所有必需的信令，以便从相邻F-APs获取内容；相邻F-APs提供内容可以降低下载延迟并减少网络流量；最后，如果CM无法在任何缓存中找到所请求的内容，它将把请求转发给远程云计算中心以获得内容。

4.根据权利要求3所述的一种雾计算网络中基于联邦学习的内容缓存方法，其特征在于：所述联合优化雾服务器存储资源分配和缓存内容放置问题，目标是最小化预期的网络流量成本，为F-AP n分配多少存储空间，表示为cn；在每个F-AP中应该缓存哪些内容，定义一个内容缓存矩阵 该矩阵中的元素xnf的含义：xnf＝1，表示内容f被预先缓存到雾服务器n中，否则，xnf＝0；将区域中内容流行度表示为Pnf，即，F-AP n的用户请求内容f的概率，采用联邦学习的方法预测得到。

5.根据权利要求4所述的一种雾计算网络中基于联邦学习的内容缓存方法，其特征在于：所述内容流行度是缓存部署策略设计中的重要参数，由于不同的F-APs都有各自的内容偏好，通过系统对用户社会行为的学习和分析，提前或定期预测用户偏好；考虑到用户的隐私安全，采用联邦学习的方法对区域中的内容流行度进行准确的预测。

6.根据权利要求4所述的一种雾计算网络中基于联邦学习的内容缓存方法，其特征在于：所述所述联合优化雾服务器存储资源分配和缓存内容放置问题表示为一个整数线性规划ILP模型，目标是最小化网络总流量成本；将这个联合优化问题分解为两个子问题，包括存储分配问题和内容放置问题；首先解决存储分配问题，然后利用它的结果作为内容放置问题的输入，所提出的缓存方案同时执行高效的缓存部署和内容缓存。