基于半异步通信的车联网低时延联邦学习方法

本发明公开了一种基于半异步通信的车联网低时延联邦学习方法，包括：构建车路云协同联邦学习框架与系统性能模型、建立联邦学习训练时延优化模型，最小化整体训练时延，并满足车辆能耗上限和全局模型精度约束条件；实现多维度优先级的动态车辆选择机制，运用轮盘赌选择算法进行概率抽样；基于半异步通信与知识蒸馏的车辆‑RSU的联邦学习策略优化掉队者问题和模型陈旧性问题；基于模型差异度量与动态阈值触发机制的自适应云端聚合策略来优化云端模型聚合时机。本方法通过在设备选择、层内通信聚合、陈旧模型处理以及层间聚合触发等多个层面进行协同优化，能够在满足模型精度和设备能耗约束的前提下，有效降低车联网联邦学习系统的整体训练时延。