1.一种移动边缘协作缓存的异步联邦深度学习方法,其特征在于,应用于车联网管理平台,所述方法包括:搭建通信场景模型整体框架,所述通信场景模型包括宏基站、若干辆车辆以及若干个路边单元,并确定预设请求规则,所述预设请求规则具体为:目标车辆先在本车辆缓存内容中寻找请求内容,若本车辆不存在请求内容,则向预设范围内的相似车辆发送请求;若相似车辆不存在请求内容,则向本地路边单元发送请求;若本地路边单元不存在请求内容,则向相邻路边单元发送请求;若所有相邻路边单元中不存在请求内容,则目标车辆向宏基站发送请求;
根据所述预设请求规则获取受欢迎内容数据,对所述受欢迎内容数据进行预处理后生成车辆用户评分矩阵;
构建条件变分自动编码和生成对抗网络模型,使用所述条件变分自动编码和生成对抗网络模型对所述车辆用户评分矩阵进行预测,以得到预测受欢迎内容,具体包括:在所述车辆用户评分矩阵
使用异步联邦学习聚合所述车辆的局部模型至所述路边单元,再使用Z-score方法进行权重检测,以得到权重更新后的全局模型,具体包括:使用所述Z-score方法在所述路边单元处设置权重检测环节,根据Z-score方法用于所述路边单元是否聚合所述车辆此轮上传的局部模型的权重,具体过程包括:计算出所述车辆此轮上传的局部模型将所述预测受欢迎内容输入所述权重更新后的全局模型,使用Zipf模型从所述预测受欢迎内容中选取受欢迎内容的前Fc个内容,具体包括:统计车辆及其相邻车辆用户对预测受欢迎内容的评分,并统计预测受欢迎内容的数量,将包括所述评分和所述数量的所述预测受欢迎内容通过Zipf模型,以输出整个内容存储库中受欢迎内容的排名,选取受欢迎内容的前Fc个内容;
使用A3C算法对所述受欢迎内容的前Fc个内容协同缓存至所述车辆和所述路边单元中,具体包括:对于当前时隙t,观察当前的状态
其中,
2.根据权利要求1所述的一种移动边缘协作缓存的异步联邦深度学习方法,其特征在于,所述编码器部分的损失函数为:其中,
所述解码器部分的损失函数为:
其中,
所述辨别器部分的损失函数为:
其中,E表示期望函数,
3.根据权利要求1所述的一种移动边缘协作缓存的异步联邦深度学习方法,其特征在于,所述A3C算法的迭代步骤包括:使用A3C算法执行
其中,
4.根据权利要求3所述的一种移动边缘协作缓存的异步联邦深度学习方法,其特征在于,根据参数的累积梯度对演员网络的策略参数和评论家网络的策略参数进行更新,更新公式为:其中,
5.一种移动边缘协作缓存的异步联邦深度学习系统,其特征在于,应用于车联网管理平台,所述系统包括:系统设计模块,用于,搭建通信场景模型整体框架,所述通信场景模型包括宏基站、若干辆车辆以及若干个路边单元,并确定预设请求规则,所述预设请求规则具体为:目标车辆先在本车辆缓存内容中寻找请求内容,若本车辆不存在请求内容,则向预设范围内的相似车辆发送请求;若相似车辆不存在请求内容,则向本地路边单元发送请求;若本地路边单元不存在请求内容,则向相邻路边单元发送请求;若所有相邻路边单元中不存在请求内容,则目标车辆向宏基站发送请求;
数据获取模块,用于根据所述预设请求规则获取受欢迎内容数据,对所述受欢迎内容数据进行预处理后生成车辆用户评分矩阵;
模型选取模块,用于,构建条件变分自动编码和生成对抗网络模型,使用所述条件变分自动编码和生成对抗网络模型对所述车辆用户评分矩阵进行预测,以得到预测受欢迎内容,具体包括:在所述车辆用户评分矩阵
模型更新模块,用于,使用异步联邦学习聚合所述车辆的局部模型至所述路边单元,再使用Z-score方法进行权重检测,以得到权重更新后的全局模型,具体包括:使用所述Z-score方法在所述路边单元处设置权重检测环节,根据Z-score方法用于所述路边单元是否聚合所述车辆此轮上传的局部模型的权重,具体过程包括:计算出所述车辆此轮上传的局部模型模型聚合模块,用于,将所述预测受欢迎内容输入所述权重更新后的全局模型,使用Zipf模型从所述预测受欢迎内容中选取受欢迎内容的前Fc个内容,具体包括:统计车辆及其相邻车辆用户对预测受欢迎内容的评分,并统计预测受欢迎内容的数量,将包括所述评分和所述数量的所述预测受欢迎内容通过Zipf模型,以输出整个内容存储库中受欢迎内容的排名,选取受欢迎内容的前Fc个内容;
协同缓存模块,用于,使用A3C算法对所述受欢迎内容的前Fc个内容协同缓存至所述车辆和所述路边单元中,具体包括:对于当前时隙t,观察当前的状态
其中,