随着5G进入商用阶段,虚拟现实、增强现实、车联网和全息影像等新兴应用高速发展,用户对内容服务的需求不断增加。面对移动数据流量的急剧增长,雾无线接入网（Fog Radio Access Network,F-RAN）中采用人工智能和边缘缓存技术提升网络服务质量。然而,人工智能技术带来的数据隐私问题日趋严重。因此,为解决F-RAN中采用人工智能对缓存资源进行优化时面临的数据隐私问题,本论文提出了一种F-RAN中具有隐私保护能力的缓存机制。首先在缓存资源优化场景中,对F-RAN的时延优化问题和终端数据隐私保护进行了深入研究;随后在缓存资源与功率分配联合优化场景中,对F-RAN的资源联合优化和模型数据隐私保护进行了深入研究。论文的主要工作与创新总结如下:1.针对F-RAN的时延优化问题,本论文采用一种基于深度强化学习的主动缓存放置方法,增强边缘的内容服务能力。基于F-RAN分布式的组网技术,内容服务可以通过网络边缘的雾无线接入节点模式或云层的云无线接入网模式自适应地满足用户对内容的请求。此外,为保护终端数据隐私安全,本论文提出了适用于F-RAN中缓存资源优化的联邦学习方法,利用联邦学习方法帮助实现用户设备、雾无线接入节点和云内容服务器之间灵活的三边协作,安全有效地优化主动缓存。仿真结果表明,所采用的联邦学习缓存优化方法在减少内容访问的平均时延和提高命中率方面具有有效性,且明显优于其他对比方案。2.针对F-RAN的时延和功率分配问题,本论文提出一种基于深度强化学习的缓存资源和功率分配联合优化方法。首先,优化过程中考虑终端隐私问题,采用联邦学习技术解决终端数据隐私保护问题。随后,考虑聚合节点与多个用户勾结的情况,采用秘密共享协议和密钥协商算法在联邦学习执行过程中对神经网络模型增加隐私保护。最后为解决模型数据完整性问题,采用同态哈希函数和双线性映射对模型数据进行完整性验证。仿真结果证明所设计联合优化方法能够有效提升网络性能,且为实现隐私保护所采用的密码学技术具有较低开销。综上,本文针对雾无线网络中缓存资源优化与采用人工智能方法产生的隐私问题进行研究,是对雾无线网络资源优化和隐私保护理论与方法的有益补充,同时也为其它无线网络中资源优化时的隐私问题研究提供了新思路。