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 输入条件变分自动编码和生成对抗网络模型之前，先构建条件变分自动编码和生成对抗网络模型并进行训练；所述条件变分自动编码和生成对抗网络模型包括编码器、解码器和加入Transformer模块的辨别器；首先获取车辆用户历史评分矩阵X作为训练数据输入所述编码器以获得潜在向量 ；获取车辆用户的个人信息矩阵Z，并将所述车辆用户的个人信息矩阵Z与潜在向量 进行拼接后输入所述解码器以获得车辆用户评分的重构矩阵 ，同时将一个随机采样数据 输入所述解码器以获得随机生成的样本数据 ；将所述 、所述 和所述 输入所述辨别器中，其中 为真实历史数据，随机生成的样本数据 和重构矩阵 被看作是真实历史数据X的近似，即看做假数据；训练辨别器以区分真实数据和假数据；再将需要进行预测的所述车辆用户评分矩阵 输入到训练后的条件变分自动编码和生成对抗网络模型当中，在潜在空间当中随机采样获得预测潜在向量 ，将预测潜在向量 输入到解码器，解码器根据预测潜在向量 生成预测受欢迎内容；

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 与所述车辆上一轮上传的局部模型 之间的权重差异，具体计算公式为： ；根据所述权重差异 计算均值和标准差 ： ，

；根据所述均值 和所述标准差

，使用Z‑score方法，设置异常检测条件为： ，其中，为异常

检测的阈值，规定若两轮上传的局部模型的均值大于差异的标准差乘以设置阈值的积，则认为此轮上传的局部模型出现异常，则此轮路边单元放弃聚合车辆此轮上传的局部模型的权重；

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 ，并根据缓存策略 做出当前的状态 后获得动作，做出动作 后获得奖励 ，并从当前的状态 转变到下一状态 ，具体过程包括：将车辆、本地路边单元和相邻路边单元的当前时隙缓存内容作为的当前状态 ，并且按照相似车辆、本地路边单元和相邻路边单元的优先级顺序进行内容协同缓存；将在当前的状态是否需要更改缓存决策作为动作 ，若 ，则从未缓存内容当中挑选受欢迎度最高的n个内容去替换已缓存中受欢迎度最低的n个内容，并且 ，若 ，则不进行缓存替换，缓存内容不变；车辆在时隙t获取缓存内容 的奖励公式为：，

其中， 表示车辆在本地路边单元的覆盖范围内请求缓存内容 的奖励，s表示缓存内容 的大小， 表示车辆的缓存内容， 表示本地路边单元的缓存内容，表示相邻路边单元的缓存内容， 为车辆与相似车辆之间的传输速率， 为车辆与本地路边单元之间的传输速率， 为车辆与宏基站之间的传输速率， 表示为本地路边单元与相邻路边单元之间的传输速率且为有线链路的恒定速率， 表示缓存内容在车辆情况下调整奖励函数的参数， 表示缓存内容在本地路边单元情况下调整奖励函数的参数， 表示缓存内容在相邻路边单元情况下调整奖励函数的参数， 表示缓存内容在宏基站情况下调整奖励函数的参数，并且 ；根据所述缓存内容 的奖励公式获得奖励函数 ，其中， 表示

车辆请求内容的总数量， 表示本地路边单元覆盖范围内的车辆数量；根据所述奖励函数r(t)最小化预期的长期贴现函数 ，以找到最优协作缓存策略，根据最优协作缓存策略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；最优协作缓存策略 的公式为： ，其中， 表示使预期的长期贴现函数取最小值，预期的长期贴现函数 为：

，其中， 表示关于最优协作缓存

策略的期望函数， 表示迭代的轮次， 表示t‑1轮次的贴现因子。

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， 是编码器部分的KL散度损失，用于衡量编码后潜在向量 的分布与随机采样数据 使用的假设分布之间的相似程度， 和 分别表示潜在向量 在维度为j下的均值平方和方差，表示总维度；

所述解码器部分的损失函数为：

，

其中， 表示重构矩阵 与车辆用户历史评分矩阵X之间的损失；

所述辨别器部分的损失函数为：

，

其中，E表示期望函数， 和 分别表示真实数据和生成数据通过辨别器的输出， 在辨别器网络中用于区分真假车辆用户数据。

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 轮迭代，在每一轮迭代过程中，通过演员网络参数 和评论家网络参数 更新全局模型参数，根据最优协作缓存策略对受欢迎内容进行缓存，请求车辆根据预设请求规则获取受欢迎内容，当所有车辆获取到受欢迎内容之后此轮结束，开始下一轮，其中，，

，

其中， 表示上一轮中的演员网络参数， 表示上一轮中的评论家网络参数， 表示演员网络的学习率， 表示评论家网络的学习率， 表示演员网络的策略参数， 表示评论家网络的策略参数。

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， 表示演员

网络的损失函数， 表示评论家网络的损失函数，

表示为熵项， 表示A3C算法定义的优势函数，

表示获得的奖励，

表示A3C算法的状态价值函数，

是A3C算法中状态 的贴现累计奖励，表示奖励步数。

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 输入条件变分自动编码和生成对抗网络模型之前，先构建条件变分自动编码和生成对抗网络模型并进行训练；所述条件变分自动编码和生成对抗网络模型包括编码器、解码器和加入Transformer模块的辨别器；首先获取车辆用户历史评分矩阵X作为训练数据输入所述编码器以获得潜在向量 ；获取车辆用户的个人信息矩阵Z，并将所述车辆用户的个人信息矩阵Z与潜在向量 进行拼接后输入所述解码器以获得车辆用户评分的重构矩阵 ，同时将一个随机采样数据 输入所述解码器以获得随机生成的样本数据 ；将所述 、所述 和所述 输入所述辨别器中，其中 为真实历史数据，随机生成的样本数据 和重构矩阵 被看作是真实历史数据X的近似，即看做假数据；训练辨别器以区分真实数据和假数据；再将需要进行预测的所述车辆用户评分矩阵 输入到训练后的条件变分自动编码和生成对抗网络模型当中，在潜在空间当中随机采样获得预测潜在向量 ，将预测潜在向量 输入到解码器，解码器根据预测潜在向量 生成预测受欢迎内容；

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 与所述车辆上一轮上传的局部模型 之间的权重差异，具体计算公式为： ；根据所述权重差异 计算均值和标准差 ： ，

；根据所述均值 和所述标准差

，使用Z‑score方法，设置异常检测条件为： ，其中，为异常

检测的阈值，规定若两轮上传的局部模型的均值大于差异的标准差乘以设置阈值的积，则认为此轮上传的局部模型出现异常，则此轮路边单元放弃聚合车辆此轮上传的局部模型的权重；

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 ，并根据缓存策略 做出当前的状态 后获得动作，做出动作 后获得奖励 ，并从当前的状态 转变到下一状态 ，具体过程包括：将车辆、本地路边单元和相邻路边单元的当前时隙缓存内容作为的当前状态 ，并且按照相似车辆、本地路边单元和相邻路边单元的优先级顺序进行内容协同缓存；将在当前的状态是否需要更改缓存决策作为动作 ，若 ，则从未缓存内容当中挑选受欢迎度最高的n个内容去替换已缓存中受欢迎度最低的n个内容，并且 ，若 ，则不进行缓存替换，缓存内容不变；车辆在时隙t获取缓存内容 的奖励公式为：，

其中， 表示车辆在本地路边单元的覆盖范围内请求缓存内容 的奖励，s表示缓存内容 的大小， 表示车辆的缓存内容， 表示本地路边单元的缓存内容，表示相邻路边单元的缓存内容， 为车辆与相似车辆之间的传输速率， 为车辆与本地路边单元之间的传输速率， 为车辆与宏基站之间的传输速率， 表示为本地路边单元与相邻路边单元之间的传输速率且为有线链路的恒定速率， 表示缓存内容在车辆情况下调整奖励函数的参数， 表示缓存内容在本地路边单元情况下调整奖励函数的参数， 表示缓存内容在相邻路边单元情况下调整奖励函数的参数， 表示缓存内容在宏基站情况下调整奖励函数的参数，并且 ；根据所述缓存内容 的奖励公式获得奖励函数 ，其中， 表示

车辆请求内容的总数量， 表示本地路边单元覆盖范围内的车辆数量；根据所述奖励函数r(t)最小化预期的长期贴现函数 ，以找到最优协作缓存策略，根据最优协作缓存策略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；最优协作缓存策略 的公式为： ，其中， 表示使预期的长期贴现函数取最小值，预期的长期贴现函数 为：

，其中， 表示关于最优协作缓存

策略的期望函数， 表示迭代的轮次， 表示t‑1轮次的贴现因子。