随着多媒体应用的不断发展以及移动设备数量的快速增长,网络中的移动数据流量正以前所未有的速度增长。与此同时,研究表明网络中大部分的新增移动数据流量主要是由不同用户对一小部分相同内容的重复请求所贡献的。这意味着我们可以通过边缘缓存技术,将某些热点流行的内容缓存在离用户较近的网络边缘来减少重复传输,以此缓解网络流量拥塞,进一步降低用户获取所需内容的平均时延,提高用户体验质量。在此背景下,本文对基于机器学习的高效边缘缓存策略进行了研究。传统的缓存策略研究中通常假定一个相对静态的网络环境,并进一步假设内容流行度是固定不变的。但在实际网络中,内容流行度在时间和空间上都会表现出动态的变化。为了适应动态的内容流行度,本文通过将边缘缓存技术与强化学习中的深度Q网络相结合,提出一种基于深度强化学习的高效边缘缓存算法,使得系统可以更准确地预测内容流行度的发展和演变,提高系统长期的缓存命中率。仿真结果表明,本文所提出的算法优于三种研究者们普遍采用的基准算法。由于传统的基于深度强化学习的缓存算法需要将所有用户的数据集中到一个中心服务器进行模型训练,在这个过程中可能会引起用户隐私数据的泄露,也会增加传输数据带来的通信开销。因此,本文进一步提出一种启发式的基于联邦学习的边缘缓存算法。在联邦学习框架下,在每一轮训练中,多个小基站用本地数据来训练自己的模型,并将模型的更新上传到一个中心服务器,而不需要上传用户本身的请求数据,这有效地提高了用户数据的隐私性和安全性。中心服务器接收到小基站上传的模型更新后利用联邦平均将结果聚合并对全局模型进行更新。本文通过利用堆栈自编码器来找到内容和用户的潜在特征表示,并利用余弦相似度来度量内容之间和用户之间的潜在关联,最终做出对内容流行度的准确预测。仿真表明,所提缓存方案的缓存命中率和平均下载时延都十分接近理想性能。此外,缓存命中率和平均下载时延之间存在性能折中关系。这意味着对于实际的缓存系统,需要考虑具体的应用需求以对系统性能进行优化设计。