随着计算机算力的提高与人工智能算法的突破,基于神经网络模型的应用层出不穷,而训练这些神经网络模型需要大量数据。传统模型训练方式首先将智能终端的数据传输到云数据中心,然后在云数据中心进行神经网络训练。然而,将大量终端数据传输至云数据中心会给主干网带来巨大传输压力,而且随着人们对数据隐私的关注度逐渐上升,将数据从终端传输至云数据中心进行相应处理有隐私泄露的风险。因此针对传统神经网络模型训练方式的不足,联邦学习将模型训练过程下沉至终端设备,以在保障用户隐私的前提下充分利用终端隐私数据。然而相对于云数据中心的模型训练,联邦学习面临着终端计算与通信能力弱、终端系统异构与数据异构等问题,其降低了联邦学习训练效率,为构建高效联邦学习训练框架带来巨大的挑战。针对上述问题,现有工作围绕如何提升联邦学习训练效率开展了研究,并取得一定进展,但仍存在一些问题:一方面,当前相关工作假设所有终端设备都执行相同训练轮次,然而由于终端系统资源异构与终端数据量不同导致落后终端的产生,从而降低了联邦学习训练效率;另一方面,当前相关工作忽略了终端与云数据中心之间的同步频率对模型收敛精度的影响,使用较低频率同步方式虽然能够提高联邦学习训练效率,但同时也会降低模型收敛精度。为此,本文研究联邦学习终端迭代次数自适应分配机制与同步频率自适应调整机制,以提高联邦学习训练效率。为解决落后终端降低联邦学习训练效率的问题,本文首先分析终端迭代次数对联邦学习训练效率的影响,然后提出联邦学习终端迭代次数自适应分配机制,该机制根据终端系统资源与数据分布情况给终端分配合适的训练迭代次数,从而使联邦学习训练效率得到有效提高。为解决同步频率影响模型收敛精度的问题,本文首先分析同步频率对联邦学习训练效率、模型收敛精度的影响,然后提出联邦学习同步频率自适应调整机制,该机制能根据全局模型收敛状态来动态调整同步频率,从而解决训练效率与模型收敛精度之间的矛盾,使联邦学习可以使用低同步频率,在保障模型收敛精度的前提下提高联邦学习训练效率。最后,根据理论研究成果,本文设计与实现联邦学习自适应训练原型系统,并基于该系统构进行大量对比实验,验证终端迭代次数自适应分配机制与同步频率自适应调整机制的有效性。综上所述,本文面向高效联邦学习,设计联邦学习终端迭代次数自适应分配机制与同步频率自适应调整机制,并构建一个联邦学习自适应训练系统。实验表明,本文所提出的训练机制在保障模型收敛精度的前提下能有效提高联邦学习训练效率。本文所提理论机制和原型系统有助于构建联邦学习生态系统,可进一步应用于联邦学习商业场景。