一种融合联邦学习的边云分层协同任务卸载优化方法

本发明公开了一种融合联邦学习的边云分层协同任务卸载优化方法。该方法构建终端设备层、边缘节点层、云端中心层的三级协同架构，通过任务解析模块将任务拆分为含依赖关系的子任务集。边缘节点采用图注意力网络与双延迟深度确定性策略梯度的混合模型，结合边云拓扑与实时资源状态生成卸载比例，并通过拉普拉斯噪声实现差分隐私保护。联邦学习流程中，边缘节点本地训练后仅上传帕利尔加密参数，云端通过秘密共享聚合生成全局元模型并下发更新。多目标优化模型以时延、能耗、通信量为目标，动态调整权重系数，形成“卸载‑执行‑学习‑优化”闭环。本发明兼顾隐私保护与实时性，适用于对隐私和时效要求较高的场景。