基于非独立同分布数据的MEC联邦学习模型聚合优化方法

本发明公开了基于非独立同分布数据的MEC联邦学习模型聚合优化方法，涉及边缘计算技术领域，包括以下步骤：分布式移动终端采集本地数据，记录性能参数，预处理后采用幂律分布分类，设置动态阈值，利用动态采样算法优化局部训练，异步传输全局模型并融合权重优化更新，时间戳监控技术提供异构网络状态反馈，实现高效联邦学习模型聚合。本发明显著提升了非独立同分布数据下MEC联邦学习的效率与精度，通过动态阈值调整与采样优化，有效平衡了资源分配，降低了通信开销，异步模型更新与权重融合策略增强了模型泛化能力，时间戳监控技术确保了网络状态的实时反馈，为边缘计算领域的联邦学习提供了高效、可靠的解决方案。