随着移动通信的发展,无线数据流量处于高速增长的时期,越来越多的数据积压在网络边缘,增加了移动网络的负载与压力。在此背景下,移动边缘计算应运而生,通过在移动网络的边缘部署计算节点来为各种任务运行提供强有力的系统架构支持。在数据总量越来越庞大的情况下,为了实现更快捷与便利的数据访问,考虑把经常访问的数据放置在移动网络的边缘节点上,即边缘内容缓存,这使数据更接近使用者,减小了传输时延和骨干网络的负载。然而,由于缓存容量受到限制,必须首先预测内容的流行程度以确定缓存什么内容。传统的预测方案一般是集中式的,把原始数据传输到中央服务器中进行预测,然而这带来了巨大的数据传输成本和隐私泄露风险。与此相反,基于联邦学习的方案在数据生成者本地执行分布式训练,无需传输原始数据就可以使参与者协同训练学习模型以预测内容流行度,提高了数据安全性,但是其在目前的应用中仍然存在隐私泄露的风险和问题。因此,本文提出了一种基于自动编码器和协同过滤的内容缓存流行度预测方案,更好地发挥了联邦学习在内容缓存流行度预测中的优势并且达到了更好的隐私保护效果。具体地,所提方案考虑用户的隐私不局限于原始数据,还包含用户对内容的偏好、用户活跃度等其他信息。得益于联邦学习框架和基于伪评级的协同过滤技术,本方案在不泄露上述用户隐私的前提下,获取整个用户组对所有内容的偏好来预测内容流行度。Jensen-Shannon散度和均方根误差表明本方案的隐私保护效果接近于理想情况,同时缓存命中率的测试表明本方案具有出色的流行度预测性能。另外,本文提出了一种基于生成对抗网络的内容缓存流行度预测方案。所提方案在缓存命中率方面优于传统方案和其他基于联邦学习的方案,同时在隐私保护方面,把在联邦训练过程中因模型参数交换造成的私有数据泄露控制在较低的水平。在该方案中,引入了梯度裁剪和模型参数限制技术来修正待传输的模型,以保证模型参数交换的安全性。同时,得益于Wasserstein生成对抗网络,全局生成器准确拟合了整个用户组对内容偏好的分布并生成了若干伪样本,从而预测内容的流行程度。性能评估表明所提方案在缓存命中率和隐私保护方面拥有卓越性能。基于上述结果,本文所提的基于联邦学习的内容流行度预测方案表现出了在隐私保护和缓存性能上的双重提升,具有实际应用价值和部署价值。