1.一种雾计算网络中基于联邦学习的内容缓存和推荐方法，其特征在于：该方法包括以下步骤：

S1：基于IDs的D2D协作模型；

S2：基于深度神经网络的本地内容缓存模型；

S3：基于联邦学习的主动缓存算法；

S4：基于IDs的个性化内容推荐算法；

在所述S1中，根据IDs之间的物理链路质量和社交强度，建立稳定的D2D连接；在社交强度中考虑IDs之间的兴趣相似度，接触强度和社会信任度，在物理链路质量中考虑D2D接触时间和IDs的服务质量QoS需求；当社交强度大于社交强度门限，物理链路质量大于物理链路质量门限，建立D2D连接并共享内容；

在所述S2中，在ID端建立深度神经网络DNN模型，利用历史数据和内容N维特征，训练本地模型参数W同时得到内容偏好，并基于KNN邻近算法找到目标ID的M个邻居IDs进行缓存内容推荐，考虑IDs的职业与年龄，将其推荐的内容作为目标ID的DNN输入，根据目标ID的内容评分进行ID端内容缓存；

在所述S3中，联邦学习FL是一个分布式框架，在用户本地更新模型参数并在服务器端进行全局模型聚合，无需上传本地数据，避免用户隐私泄露，同时降低通信带宽需求；在FN端聚合IDs上传的模型参数，并基于用户的活跃度，聚合全局模型，基于在线流行度预测算法缓存最受欢迎的内容；为进一步降低通信开销，提出基于K均值的压缩算法，对上传的模型参数进行压缩；

在所述S3中，K均值的梯度压缩算法由两个步骤组成：首先将上传的模型梯度根据梯度值大小划分，当梯度值大于0为重要梯度，当梯度值略等于0，则为次要梯度；其次，将重要梯度进行聚类，利用同一梯度集合中的平均值得到第j个簇的质心值，来近似其梯度，且ID只上传质心值，以减少通信流量；

在所述S4中，在FN端，引入ID的忍耐阈值，当ID对内容的偏好大于忍耐阈值时，成为推荐列表的候选项，再考虑ID在t时隙内的请求内容差异度，即各请求内容偏好的方差，假如大于限定值时，表示用户更愿意请求不相似的内容，候选列表将去掉与t时隙请求内容相似的内容；假如小于一个限定值时，候选列表将去掉初级候选项中与t时隙请求内容不相似的内容，再基于最优推荐算法获得个性化推荐列表；同时在ID端，ID接受推荐列表的概率由先前接受推荐的概率、成功请求推荐内容的概率和推荐用户偏好的偏差确定。