随着城市信息网络的日益成熟和车辆保有量的快速增长,车联网中许多前沿的应用技术和软件服务都可能依赖优越的计算、通信和存储资源,并且对内容访问延时和网络带宽有着比较严格的要求。在这样的趋势下,对基于车联网场景下的边缘协作缓存策略研究能够减少系统内容访问延迟、减轻回程链路负载和提高缓存效率,以提高整个网络的性能。然而,现有的车联网场景下的边缘缓存策略仍被限制在过多的理想条件下,使得缓存系统难以在车联网中部署。传统的协作缓存策略非常依赖全局信息,难以适应车联网的动态环境并且缺乏对车辆的针对性,并且集中式部署的智能缓存策略在处理重复的任务时容易浪费过多网络资源。本文就现有研究工作中存在的一些问题,提出了在车联网场景下的去中心化边缘协作缓存策略,以进一步提高在车联网中部署的缓存系统的性能和普适性,主要贡献如下:1.将联邦学习框架融合基于深度强化学习的边缘协作缓存策略中,并利用车辆社交网络概念形成的机会性车辆对车辆通信和数据共享,提出了一种基于社交感知的去中心化边缘协作缓存策略。该策略能够进一步解决最小化长期全局内容访时延所面临的问题。并且,该缓存系统通过将原始训练数据放置在车辆本地,从而实现更快速的全局模型训练,还能保护车辆用户的隐私信息。同时融合了多种车载通信方式,缓解了内容重复缓存带来的问题。2.将注意力机制运用于不同局部模型的加权聚合,并利用深度确定性策略梯度算法根据车辆性能和本地历史数据动态控制缓存节点的选择和缓存更新的决策过程,提出了注意力加权的去中心化边缘协作缓存策略。该策略以去中心化方式训练深度确定性策略梯度模型,并将训练数据保存在车辆本地,充分解决了处理连续动作空间和异构车辆间模型聚合的问题。并且,还利用注意力机制来控制不同局部模型的权重,避免了因为局部模型精度的差异性而导致无效聚合的问题。