随着物联网技术的飞速发展,用户设备可在本地生成大量数据,并利用这些数据使用人工智能技术提取有用信息,进而实现检测、分类和未来事件预测等。然而,考虑到有限的网络带宽和隐私问题,这些数据通常都无法直接上传至远程的服务器来处理。移动边缘计算的出现使得在网络边缘也可以实现本地数据的存储和处理,这是因为边缘节点,如移动设备、网关等通常都具备存储和计算能力。此外,机器学习技术可用来从物联网设备存储的数据中提取有用的信息,但是直接获取用户数据常常面临着用户的数据隐私和安全问题。基于上述背景,一种新式的分布式机器学习算法,联邦学习,应运而生。联邦学习能够让多方协作训练模型的同时,避免数据的收集和共享,非常适合处理物联网设备中的本地数据。然而,尽管联邦学习能够使用户设备协作训练全局模型而无需向服务器共享他们的隐私敏感数据,它仍然面临着一个重要的挑战,即联邦学习的训练数据往往是非独立同分布的,而这会使模型在训练过程中受到偏扰,进而导致模型的精度下降。为了减轻用户设备中非独立同分布数据导致的模型精度损失,本文提出了一种基于设备选择的联邦平均算法。首先,本文定义了用户设备间的权值差异,并通过实验验证了用户设备数据的非独立同分布程度越高,其权值差异越大,进而可识别出数据分布较均匀的用户设备。然后根据上述结论,本文设计了一种基于权值差异的用户选择机制以及联邦平均算法,使得数据非独立同分布程度较低的用户设备可以更频繁地参与训练。与传统的联邦学习算法相比,该方法利用了数据均匀分布的用户设备来缓解非独立同分布数据造成的负面影响。为了验证CSFed Avg的有效性,本文在公开数据集CIFAR-10以及Fashion MNIST上进行了实验。结果表明,相较于以往方法,CSFed Avg在减轻非独立同分布数据的影响并提高模型的准确度方面,均取得了最优的效果。