MEC研究现况和用于移动边缘计算的联邦学习框架

MEC利用了现代设备在存储和计算能力方面的进步，将处理和存储过程本地地推导设备本身。

MEC作用：对大数据的高效处理将数据集中隐藏的信息和统计特征挖掘出来，对于资源规划、系统条件预测、分类等应用领域非常有用。
所以，为了在用户隐私方面操作大数据，联邦学习方法作为一组ML技术出现，直接在设备上执行统计和数学训练模型。FL框架包括在设备几倍本地培训的ML模型,然后将这些结果聚合到一个中心服务器上，例如一个基站。
VRC：部署虚拟机复制副本

**本篇的中心观点：

FL框架对VRCs的部署问题的上下文化，利用（1）分散的训练数据是一个强大的工具，在VRCs（虚拟机复制副本）的分配问题中追求有效的结果。
（2）检测和应用基本方法来执行分散的数据培训，而不消耗EDS（边缘设备）的硬件资源
（3）广泛的数值模拟与混沌理论（CT）方法的比较，验证了所提出的方法应用于VRCS的部署问题所产生的显著性能

本篇待解决的问题：

（1）非独立同分布的数据。客户端训练数据集彼此不同，给定的局部训练数据集不能代表总体分布。
（2）不平衡的数据集。每个客户的本地培训数据量是不同的。
这意味着不同的客户对训练值的可靠性不同，因为可能会出现太短的训练过程
（3）大规模的发布。FL框架的客户机数量远远大于本地处理的数据数量。
（4）有限的交流。移动设备并不总是可用来训练数据，它们通常可能很慢或者通信条件很差</