本发明属于信息安全技术领域，提供了一种超密集网络下基于联邦学习的缓存污染攻击检测方法。首先，网络中不与任何簇相邻的孤立小基站计算加权距离和决定是否单独成簇，与簇相邻的小基站计算距离相似度和负载相似度选择合适的簇加入。然后，每个小基站根据收到的兴趣包进行数据统计并发送给簇头，簇头作为联邦学习中的工作节点负责整合数据进行本地分类器的训练，宏基站作为参数服务器负责聚合收到的本地分类器来构造改进的全局分类器。最后，最终的全局分类器被广播给所有小基站，小基站在收到兴趣包后，使用分类器对内容进行分类，恶意兴趣包请求的内容将不会被缓存与更新流行度。