联邦学习在边缘计算场景中应用研究进展

张依琳，陈宇翔，田 晖，王 田

1(华侨大学 计算机科学与技术学院，福建 厦门 361021) 2(华侨大学 厦门市数据安全与区块链技术重点实验室，福建 厦门 361021) 3(北京师范大学 人工智能与未来网络研究院，广东 珠海 519000) 4(北京师范大学-香港浸会大学联合国际学院 人工智能与多模态数据处理广东省重点实验室，广东 珠海 519000) E-mail：cs_tianwang@163.com

1 引 言

随着全球物联网 (Internet of Things，IoT)的高速发展，全球物联网设备激增，专注于IoT、Machine to Machine (M2M)和工业4.0领域的研究机构IoT Analytics在2019年12月发布物联网平台报告：2020年全球活跃的物联网设备数量将达到100亿台，预测2025年将达到220亿台.这些物联网设备收集产生大量数据，为智慧城市、工业物联网、智能家居、车联网等应用场景的发展提供了机会[1].

在传统云计算模式下，物联网设备收集的数据直接传送到云计算中心进行数据处理，再回传到终端物联网设备[2].这样大量的数据上传到云计算中心不仅对网络带宽的要求高，并且高延迟会影响系统工作效率、用户体验，同时会造成资源浪费以及数据传输过程中的隐私安全等诸多问题[3].边缘计算(Edge Computing)作为一种新的计算范式，实际上是云计算的扩展和补充，并不是取代云计算[4，5].为了使移动设备的能力也得到提升，还引入了移动边缘计算作为边缘计算的一个分支[6，7].与传统云计算模式相比，边缘计算在网络边缘提供计算和存储服务，更靠近终端物联网设备，因此能更好地管理设备并且具有低延迟、数据管理成本低、可信度高等特点[8-10].同时，边缘计……