멀티 액세스 엣지 컴퓨팅(MEC)은 서비스 지연 시간을 줄이고 위치 인식 서비스를 제공하여 계산을 휴대전화 사용자에게 더 가깝게 가져오려는 목표를 가지고 있습니다. 그러나 MEC 서버의 제한된 자원으로 인해 사용자 요구를 충족하는 제한된 서비스 집합을 제공해야 하는 필요성이 있습니다. 기존의 정적 서비스 캐싱 접근 방식은 시스템 상태와 사용자 수요 패턴의 동적 성격으로 인해 제한이 있습니다. 이에 대응하기 위해 중앙화된 및 분산된 두 가지 유형의 동적 서비스 캐싱 기술이 탐구되었습니다. 효과적인 것으로 나타난 중앙화된 방식은 체계적인 전체 데이터의 필요성으로 인해 리소스 부담, 데이터 보안 및 개인 정보에 대한 우려를 불러일으킵니다. 반면에 분산된 전략은 본질적인 데이터 특성을 완전히 활용하지 않는 복잡한 최적화 문제를 만듭니다. 본 논문은 사용자 이동성이 있는 분산 시스템에서 효율성을 위해 고안된 피더레이티드 러닝을 기반으로 한 분산 서비스 캐싱 전략(SCFL)을 소개합니다. 오토인코더 모델은 개별 MEC 서버의 서비스 요청 분포와 관련된 특징을 추출합니다. 피더레이티드 러닝을 활용하여 전역 모델이 생성되고 서비스 캐싱 결정에 사용됩니다. 포괄적인 실험에서 제안된 방법이 다른 접근 방식과 비교하여 우수한 성능을 보여주고 있습니다.