基于联邦学习的多用户边缘计算资源异构性均衡方法

本发明公开了基于联邦学习的多用户边缘计算资源异构性均衡方法，涉及边缘计算技术领域，包括以下步骤：通过设备日志、存储监控及网络流量监测，采集终端数据并预处理特征，采用动态采样与资源分配策略，结合异步通信优化，动态调整训练任务，利用MEC服务器协调器，高效分发模型参数，优化传输顺序，提升资源利用率与训练效率。本发明通过精细化监控与智能调度，显著提升了多用户边缘计算环境中异构资源的利用率，加速了模型训练收敛，降低了系统时间成本。同时，异步通信优化与MEC服务器协调器的运用，确保了模型参数的高效分发与更新，进一步增强了边缘计算系统的整体性能与响应速度。