用于异构多源工业互联网的个性化联邦学习方法及系统

本发明涉及数字数据处理相关技术领域，具体包括用于异构多源工业互联网的个性化联邦学习方法及系统，包括：连接客户端并评估负载、时延与模态相似度生成动态关联表，部署分层加密协议，构建优先级队列，设置缓存机制以协调分布式迭代优化，解决了工业互联网中设备频繁接入与退出，数据量差异导致部分节点负载过高，引发客户端与节点的反复迁移，进而加剧网络震荡和计算资源浪费的技术问题，实现了提取跨设备共享知识基向量，降低模型异构性对聚合的影响，动态调度高频参数局部聚合与低频参数云端同步，实时优化客户端与雾节点的关联权重，实现了隐私保护和高效的个性化联邦学习，确保用户数据在训练过程中的隐私性和安全性的技术效果。