雾计算网络将云中心服务下沉到靠近用户的雾节点（Fog Nodes,FNs）中,并向物联网设备（Io T Devices,IDs）提供计算、通信和缓存服务,可促进业务的边缘处理,降低用户内容请求的时延,同时缓解网络拥塞。由于FNs缓存资源受限,且网络环境与用户需求具有时变性,需优化缓存方案以提高资源利用率,提升网络性能。同时,由于FNs的离散部署,导致用户数据安全和网络抗攻击能力面临巨大的挑战。因此,本文研究了雾计算网络中面向不同场景的高效缓存方案。首先,在资源受限场景,综合考虑本地和全局内容流行度,提出了分簇用户偏好估计（Cluster-based User Preference Estimate,CUPE）算法,提高缓存命中率,减少内容获取时延。首先,引入了端到端辅助的云-雾-端三层网络架构,IDs和FNs可协作缓存网络中热门内容。其次,考虑IDs的数据异质性,提出了CUPE算法。该算法以用户特征（年龄、地址等）为指标,基于K-Means算法对IDs进行分簇。然后,将雾计算网络架构和联邦学习（Federated Learning,FL）融合,簇内ID采用深度神经网络模型,实时预测本地内容流行度即用户偏好,FN聚合本地模型参数形成全局模型,以预测其覆盖范围内的内容流行度。最后,仿真结果表明,所提算法可以有效提高缓存命中率,并减少内容获取时延。进一步,在网络安全风险场景,考虑数据异质性和网络安全问题,提出了一种基于区块链的分簇联邦学习（Blockchain enabled Clustered Federated Learning,BCFL）算法,保证FL的效率及安全性。首先,引入了基于FL与区块链技术的分层雾网络模型,兼顾网络智能和安全的需求。其次,考虑数据异质性和用户隐私保护,以余弦相似度为指标,将拥有相似模型梯度的ID分簇,提出了CFL算法,实现个性化的FL,从而提高学习效率;然后,将区块链技术与FL架构融合,进一步提出了BCFL算法。该算法通过模型可信验证机制和激励机制,保证FL的安全性,并促使用户积极参与FL,提高训练效率。此外,将该算法应用于内容缓存优化,实现可信边缘缓存。最后,仿真结果表明所提算法在安全性,缓存命中率以及内容获取时延均有较好的表现。