基于动态采样的多用户MEC联邦学习异构数据优化方法及系统

本发明公开了基于动态采样的多用户MEC联邦学习异构数据优化方法及系统，涉及边缘计算技术领域，包括以下步骤：通过终端传感器实时采集设备数据集大小、计算速率、通信时间和带宽，预处理后按幂律分布分类，大样本设备采用动态梯度计算，小样本设备采用全量数据训练，根据数据集大小设定并动态调整迭代次数，通过通信接口接收训练数据，动态展示系统参数。本发明显著提升了多用户MEC联邦学习在处理异构数据时的效率与准确性，通过动态采样与幂律分布分类优化资源分配，确保大样本设备高效训练，小样本设备精准建模，同时，动态调整迭代次数与实时系统参数展示，增强了系统的灵活性和可监控性。