基于边缘计算的联邦学习优化研究综述.docVIP

基于边缘计算的联邦学习优化研究综述

一、边缘计算与联邦学习的融合动因

随着物联网设备的普及，全球边缘侧产生的数据量正以每年30%以上的速度增长，预计到2030年将达到79.4ZB。传统云计算模式下，海量数据传输至云端处理不仅会带来100ms以上的端到端延迟，还存在数据泄露的潜在风险——2025年全球数据泄露事件中，42%源于传输环节的安全漏洞。在此背景下，边缘计算将计算存储资源下沉到网络边缘节点，使得数据可以在本地完成初步处理，大幅降低传输带宽消耗；而联邦学习作为分布式机器学习框架，允许多个参与方在不共享原始数据的前提下协同训练模型，二者的融合天然契合了数据要素流通与隐私保护的双重需求。

当前边缘联邦学习系统的典型部署架构分为三层：终端设备层负责采集原始数据并执行本地模型训练，边缘服务器层承担局部模型聚合与区域资源调度功能，云端中心层则负责全局模型的最终聚合与参数更新。这种架构能够将70%以上的计算任务转移到边缘侧执行，使得智能家居、自动驾驶、智慧医疗等场景的实时响应需求得到满足。以远程健康监测场景为例，可穿戴设备采集的用户生理数据无需上传至云端，仅通过边缘服务器完成多设备的模型聚合，即可实现疾病风险预测，数据全程不离开用户所在区域，隐私安全等级较传统云计算模式提升80%以上。

二、边缘联邦学习的核心优化方向

（一）通信效率优化

边缘节点与终端设备的网络带宽通常波动较大，无线环境下