一种基于算力网络的云边端协同联邦学习方法及系统

本发明公开了一种基于算力网络的云边端协同联邦学习方法及系统，该方法包括持有数据的端侧设备协同参与联邦学习，将训练的全局模型进行分割，前半网络模型同步给端侧用户；获取设备数据分布信息，基于KL散度值给出决策，将端侧设备进行分类依据网络情况以及聚类结果，制定卸载决策，将同一类的端侧设备集合的后半模型训练任务卸载到边缘侧闲置的第三方节点，接着进入联邦学习训练过程，端侧设备与边缘侧设备以及边缘聚合服务器协同完成全局模型的训练，部署更复杂的后半网络模型，与对应的边缘侧模型进行互蒸馏，训练进入迭代，直至边端侧模型收敛。本发明综合编排调度网络中云边端算力资源，加速联邦学习训练并提升联邦学习模型性能。