买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜南京信息工程大学申请的专利一种动态边缘计算环境下的分层联邦学习优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120017513B 。

龙图腾网通过国家知识产权局官网在2025-06-20发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510475312.6，技术领域涉及：H04L41/0894；该发明授权一种动态边缘计算环境下的分层联邦学习优化方法是由陈启贤;许小龙;孙嘉阳;崔光明;吴金涛设计研发完成，并于2025-04-16向国家知识产权局提交的专利申请。

本一种动态边缘计算环境下的分层联邦学习优化方法在说明书摘要公布了：本发明提供了一种动态边缘计算环境下的分层联邦学习优化方法，包括：步骤1，通过动态聚类算法优化由终端设备和聚合节点组成的参与协同训练的设备聚合拓扑，保持稳定设备关系的同时适应设备变化；所述终端设备包括智能手机、物联网终端；所述节点包括边缘服务器、网关；步骤2，基于历史性能数据预测并推荐最优训练频率，实现资源感知的自适应训练调度；步骤3，设备根据自身资源状况动态调整训练轮次，平衡训练强度与时间效率；步骤4，建立分层超时容错机制，在保证训练连续性的同时处理异常设备状况。本发明在动态的边缘计算环境中，对分层模型训练框架中的聚合结构和聚合频率进行动态调整，提升了模型训练的效率和精度。

本发明授权一种动态边缘计算环境下的分层联邦学习优化方法在权利要求书中公布了：1.一种动态边缘计算环境下的分层联邦学习优化方法，其特征在于，针对每一轮分层协同的分布式模型参数训练与聚合，执行以下步骤：步骤1，通过动态聚类算法优化由终端设备和聚合节点组成的参与协同训练的设备聚合拓扑，保持稳定设备关系的同时适应设备变化；所述终端设备包括智能手机、物联网终端；所述节点包括边缘服务器、网关；步骤2，基于历史性能数据预测并推荐最优训练频率，实现资源感知的自适应训练调度；步骤3，设备根据自身资源状况动态调整训练轮次，平衡训练强度与时间效率；步骤4，建立分层超时容错机制，在保证训练连续性的同时处理异常设备状况；步骤1包括：步骤1-1，基于动态聚类算法优化设备聚合拓扑，按预训练精度和通信延迟最小化原则对边缘设备进行聚类划分；所述动态聚类算法包括以下步骤：计算设备间预训练精度差异与通信延迟；以最小化聚类内通信延迟总和为目标选择中心节点；优先将新设备分配至预训练精度差异优化量最大的聚类；选择聚合不同设备的公式为： 其中是第h层的第j个聚类，h∈[0,H-1]，j∈[1,N]，中包含节点，在中的节点的共同的聚合节点为是中心节点；N是指包含的边缘设备数，和分别是第i个设备在第h层的节点表示和第k个设备在第h层的节点表示；H是聚合结构的总层数，是指和的通信距离，acci是指第i个设备的预训练精度，是指第h层的第j个聚类的平均预训练精度，λ是指权重系数；步骤1-2，在每轮训练结束后、下一轮训练开始前，动态调整聚合结构：当第r轮训练完成且根聚合节点将训练得到的模型参数发送至负责协调训练流程的中心管理单元的控制节点后，控制节点比较第r+1轮与第r轮的设备集合：如果设备无变化，则保持聚合结构Sr不变；否则，统计退出设备集合{Vout}和新加入设备集合{Vin}，并基于如下公式生成下一轮聚合结构Sr+1： 其中Sr表示第r轮训练的树形结构；步骤1-3，删除离开设备的聚合结构：对于离开设备Vi，获取设备Vi在聚合结构Sr+1中的最高出现层hmax，如果hmax＝0，则直接移除设备Vi在第0层的节点如果hmax≥1，则从第0层至第hmax层，将设备Vi在h层对应节点表示标记为emptyi，并更新相关聚类中心节点；emptyi表示设备Vi删除后产生的空缺标记；步骤1-4，增添新加入设备的聚合结构：对于新加入设备Vq，遍历第0层所有聚类计算设备Vq加入各聚类后对聚类平均预训练精度的优化增益deltaj，并选择增益最大的聚类进行加入，如果存在聚类为空，p∈[1,N]，则的平均预训练精度设为0或负值；步骤1-5，补充空缺聚合节点的聚合结构调整方法：自底向上逐层检测空缺聚合节点emptyi，如果聚类的中心节点为空缺状态，则基于动态聚类算法重新选择中心设备Vk，并同步更新各层关联节点。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人南京信息工程大学，其通讯地址为：211899 江苏省南京市江北新区华富路1号数智溪谷4号楼；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。