一种联邦学习驱动的算力弹性调度方法

本发明涉及公交系统技术领域，具体公开了一种联邦学习驱动的算力弹性调度方法，包括以下步骤：S1动态算力感知：实时监测联邦学习参与设备的算力指标，生成动态资源向量；S2弹性分片生成：根据所述动态资源向量，将全局联邦模型拆分为差异化子模型分片；S3自适应调度：基于设备算力波动和分片计算复杂度，动态分配子模型分片至匹配设备；S4联邦训练执行：设备在本地训练分配的子模型分片，生成局部梯度更新；S5增量聚合更新。本发明通过动态感知、弹性分片、智能调度和安全聚合的全流程优化，实现了联邦学习场景下算力资源的高效利用、任务的自适应分配及数据隐私的强化保护，显著提升了分布式机器学习系统的性能与鲁棒性。