联邦学习是通过用户节点之间的协作训练,从而得到全局模型的一种新型人工智能技术。在联邦学习中,用户无需上传本地数据,可大大减少了通信成本,并保护用户的隐私。随着边缘设备计算和存储能力的不断提升,大量功能下沉至网络边缘,催生了边缘雾计算。在边缘雾计算中,可以在更接近于数据生成的地方进行模型训练,降低了时延,减少了网络流量并提升了应用效率。将联邦学习部署在边缘雾计算系统中,既可以利用边缘设备的计算和存储能力,同时也可以利用人工智能技术对一些数据驱动型和计算密集型的服务提供支持。由于边缘雾计算系统中,现有的网络部署策略对于联邦学习的模型性能和训练效率都难以保证。因此,本论文对边缘雾计算系统中的联邦学习性能分析和优化方法展开了具体地研究,主要研究工作和创新点可总结如下:第一,本论文提出了面向边缘雾计算系统的联邦学习性能分析和优化方法。由于在边缘雾计算系统中,其计算和通信能力是有限的,因此,为了保证边缘雾计算系统中的联邦学习性能,首先,面向边缘雾计算场景,部署了联邦学习的系统框架,通过本地模型训练和全局联邦聚合,可以在边缘雾计算系统中协作地生成全局模型。其次,基于统计理论,对联邦学习模型精度损失上界进行了理论分析,并推导出了具体的上界表达式。最后,为了能够更好的平衡边缘雾计算系统中的模型精度性能和训练过程中所产生的计算与通信资源消耗,提出了 一个联合优化问题;并设计出了 一个可以平衡模型精度性能和资源消耗的联合优化算法。通过仿真,验证了所提出优化算法相较于未优化的联邦学习模式,能够取得显著的性能增益并减少资源消耗。第二,本论文提出了一种联合机会式集中学习的联邦学习模式,并研究了该学习模式下的性能分析和优化方法。由于传统联邦学习模式下边缘计算服务器存在大量空闲计算资源,为了能够更好地利用用户节点处收集到的数据以及边缘计算服务器中大量的计算资源,首先,本文提出了一种联合机会式集中学习的联邦学习模式,在联邦学习进行本地模型训练时上传数据进行集中学习,将集中学习与联邦学习巧妙地进行了结合。其次,针对所提出的新的学习模式,本论文对其理论性能进行了具体地分析,推导出了一个显式的理论精度上界表达式。最后,为了平衡该学习模式下所产生的计算和通信资源开销和模型的精度性能,建立了模型精度、时延和能耗的联合优化问题,并相对应地设计了求解该问题的联合优化算法。仿真结果表明了对于联合机会式集中学习的联邦学习,所提算法相较于单一学习模式可以有效地提升其模型精度性能,并节省计算和通信资源。