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基础

边缘计算是将数据存储、计算能力下沉到网络边缘节点的分布式计算范式，其核心特征是低时延、高带宽、数据本地化处理，能够有效应对物联网终端设备爆发式增长带来的算力需求与数据传输压力。传统云计算模式下，终端产生的海量数据需要上传至中心服务器处理，不仅会造成网络带宽拥塞、响应时延升高，还增加了数据泄露的风险。而联邦学习作为一种隐私-preserving的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共同训练全局模型，正好与边缘计算的数据本地化诉求高度契合。

二者的融合架构通常分为三层：终端层、边缘层、云层。终端层包含手机、传感器、物联网设备等数据产生主体，负责本地数据存储与小批量模型训练；边缘层由基站、边缘服务器等节点组成，负责聚合区域内终端的模型更新、执行轻量化的模型优化操作；云层则承担全局模型的最终聚合、超参数调整、跨区域协同调度等任务。这种架构既避免了原始数据的跨节点传输，又利用边缘节点的算力降低了终端设备的训练负载，同时减少了与云端的通信开销，成为物联网、智慧医疗、自动驾驶等隐私敏感场景的主流技术选型。

二、边缘联邦学习面临的核心挑战

尽管边缘计算为联邦学习提供了落地基础，但二者融合过程中仍存在多维度的技术瓶颈：

（一）系统异构性挑战

边缘网络中的终端设备在算力、内存、电池容量、网络连接状态上存在显著差