一种基于Raft选举策略的稳定联邦学习方法及相关设备

本发明提供一种基于Raft选举策略的稳定联邦学习方法及相关设备，涉及联邦学习领域。该方法包括：将所有参与联邦学习的设备分为多个集群，基于Raft算法选举出每个集群中的代理设备；判断代理设备是否在线，若在线，则继续训练，若离线，则重新基于Raft算法选举代理设备；服务器将上一轮聚合得到的全局模型下发至代理设备；代理设备将接收到的全局模型分发至集群内各设备，集群内的各设备进行本地训练，并将本地训练结果上传至代理设备；代理设备聚合集群内的本地训练结果，并将聚合得到的集群模型上传至服务器；服务器聚合各集群的集群模型，生成全局模型；重复上述训练过程直至达到停止条件。本发明可以有效提高联邦学习过程的稳定性和效率。