用于移动边缘计算网络的联邦学习框架（二）

CT：混沌理论，喜欢用k值临近算法

AHP：应用命中率

表示在查找NE上设备请求的应用程序时命中的百分比。

下面开始联邦学习的讲解

联邦学习的定义：是一种机器学习设定，其中许多客户机（例如，移动设备或整个组织）在中央服务器（例如，服务器提供商）的协调下共同训练模型，同时保持训练数据的去中心化。
联邦学习的长期目标：在不暴露数据的情况下分析和学习多个数据拥有者的数据。（解决数据孤岛）
2018年谷歌学习的社区提出的。

联邦学习的定义

很多客户端，在中央服务器的协调下，共同训练一个模型，而且需要一些数据，在客户端中保持去中心化的离散性质。
咱们平时训练模型的时候，都是在单机上训练的，但是我们现在做的是，结合不同客户端的一个数据，但是7有保证数据之间，相互不连通，保证多个客户端数据集的模型训练。

联邦学习的深入

孤岛现象：用户每时每刻都会产生数据，数据只是单独的保存在本地，因为包含隐私性。刚打开软件有个协议，这协议中都会包含隐私性保护的协议。所以，联邦学习在数据不共享的情况下，