随着物联网和移动设备性能的不断提高,一种新型计算架构——边缘计算应运而生。边缘计算的出现改变了数据需要集中上传到云端进行数据处理的局面,最大化利用边缘物联网设备的计算和存储能力。边缘计算节点对本地数据进行处理,不再需要把大量的本地数据上传到云端进行处理,减少了数据传输的延时。另一方面,人工智能在各行各业发挥巨大优势,因此在边缘网络设备上部署人工智能运算模块的需求也在逐日增大。联邦学习正是符合这种需求的一种计算机制,联邦学习具有“联合学习”的意思,在联邦学习框架中,多个设备协同工作以共同训练学习模型。传统的联邦学习是一种分布式的学习框架,其中大部分计算工作(如模型训练)在节点侧执行。每个节点在其本地进行学习,并通过与中央服务器的交互逐步优化学习模型。因为联邦学习机制不需要集中大量数据以进行模型训练,所以更适合于数据量有限的边缘网络设备进行机器学习。但联邦学习也存在一些不足,如在训练过程中,节点与参数服务器的交互存在冗余通信,当联邦学习规模扩大时,这些冗余通信消耗的成本是不容忽视的。且传统联邦学习属于同步学习的范畴,这与边缘节点所具有的“高自由度”是矛盾的,因此如何将同步联邦学习向异步联邦学习转变,甚至是基于异构模型融合的异步联邦学习,这都是值得研究的问题。基于以上现状,本文提出面向异构边缘节点的融合联邦学习机制研究(Efficient Asynchronous Federated Learning Mechanism for Edge Network Computing,缩写为EAFLM)。EAFLM根据自适应的阈值对训练过程中节点与参数服务器之间的冗余通信进行压缩,实验显示阈值自适应梯度压缩实现了将梯度通信压缩至原通信次数的8.77%时,准确率仅降低0.03%。对于异步联邦学习的实现,本文提出了双重权重修正的梯度更新算法,在不影响学习准确率的前提下允许节点在学习的任何过程中加入或退出联邦学习。本文还对异构模型的融合和压缩进行研究,使节点能在不统一所训练的模型结构的情况下进行联邦学习,最大化使用每个节点的计算和存储能力。