一种动态边缘计算环境下的分层联邦学习优化方法

本发明提供了一种动态边缘计算环境下的分层联邦学习优化方法，包括：步骤1，通过动态聚类算法优化由终端设备和聚合节点组成的参与协同训练的设备聚合拓扑，保持稳定设备关系的同时适应设备变化；所述终端设备包括智能手机、物联网终端；所述节点包括边缘服务器、网关；步骤2，基于历史性能数据预测并推荐最优训练频率，实现资源感知的自适应训练调度；步骤3，设备根据自身资源状况动态调整训练轮次，平衡训练强度与时间效率；步骤4，建立分层超时容错机制，在保证训练连续性的同时处理异常设备状况。本发明在动态的边缘计算环境中，对分层模型训练框架中的聚合结构和聚合频率进行动态调整，提升了模型训练的效率和精度。