一种面向中断风险的联邦学习方法、系统、产品及介质

本发明涉及边缘计算技术领域，具体公开了一种面向中断风险的联邦学习方法、系统、产品及介质，方法包括：S1：搭建联邦学习架构，包括一个服务器和多个客户端；S2：服务器将全局模型同步初始化到所有覆盖范围内客户端；每个客户端通过随机梯度下降更新本地模型；S3：每个客户端通过随机量化方法对本地模型参数进行量化，并上传至服务器，服务器生成新全局模型；S4：重复S2‑S3，直至完成联邦学习，服务器生成最终模型。本发明通过优化带宽分配、发送功率和量化比特位数来最小化量化误差和训练时延；还针对中断后未上传完成的模型参数，设计了基于相似度评估的策略，决定是否忽略更新或重新传输，从而提升系统的鲁棒性和效率。