随着机器学习以及深度学习技术的发展,传统的单机模型训练已无法满足业界对更大模型参数规模以及更高训练效率的需求。分布式训练可支持超大规模参数的模型训练,并有效利用多机的计算能力加速模型的训练过程。参数服务器的部署策略是影响分布式深度学习训练时间的重要因素之一。本文针对多参数服务器架构研究边缘计算节点在可用存储容量动态变化下的参数服务器部署问题。参数服务器主要负责上传和下载所负责的边缘节点的模型参数与梯度。由于边缘节点所处的网络环境以及所拥有的计算能力和存储能力随时间实时变化,选择合适的边缘节点作为参数服务器有利于减少分布式训练时间,并且,在训练过程中需要处理异常节点以保证训练的正常执行。在对本文所提出问题的相关约束条件以及求解变量进行简化后,从理论角度建立与非对称K中心问题之间的相似性联系,证明了本文所提问题的NP难解性。针对上述分布式训练,本文将整个训练过程分为两个阶段:初始部署阶段以及持续训练阶段。对于初始部署阶段,本文提出了一个近似算法以及一个随机舍入算法来解决初始静态的参数服务器部署问题。这两个算法基于非对称K中心的近似算法,近似算法首先选择任一边缘节点作为全局参数服务器,然后将确定全局参数服务器后的问题转化成整型规划并通过Expand Front来确定局部参数服务器的部署策略,重复选择其他边缘节点作为全局参数服务器直至遍历完所有边缘节点,最后从中选择训练时间最短的策略作为这一阶段的最终参数服务器部署策略。随机舍入算法通过将问题转化为线性规划并且利用随机舍入法进行求解。对于持续训练阶段,本文提出了一个调整算法,在考虑边缘节点可用存储空间实时变化的情况下,通过在每次完整迭代后调整参数服务器的部署策略,以满足训练的稳定性以及减少下一次完整迭代的训练时间。本文在本地通过Docker虚拟化技术模拟分布式网络环境,并采用目前深度学习常见的模型以及数据集作为训练任务。本文分析了基于非对称K中心的参数服务器部署算法与已有服务部署算法,在不同环境因素作用下的性能表现。仿真结果表明,在各种实验设置下,本文所提出的近似算法和随机舍入算法在所有情况下都优于现有算法。同时,在相同实验设置下,本文提出的近似算法的全局模型训练时间与蛮力法生成的最优解的训练时间非常接近。并且本文所提出的两个算法在算法运行时间方面明显优于蛮力法。在持续训练阶段中,当可用存储容量发生变化时,本文所提出的集成算法的性能也优于现有算法。