1.一种无线物联网环境下面向联邦学习的用户调度和资源分配方法，其特征在于，所述无线物联网环境中包括1个边缘服务器和K个用户，无线通信采用正交频分多址OFDMA方案，有N的正交子信道；该方法的步骤具体如下：步骤一、初始化联邦学习轮次t＝1、用户k第t＝1轮次下被选中的次数nk，1＝0、用户k第t＝1轮次下平均时延奖励 本地更新轮次数L；其中 表示用户集；

步骤二、当t≤L时，从用户集 中随机选取N个用户构成第t轮次下的子用户集A(t)；

步骤三、计算在第t轮次下边缘服务器和每个用户之间的下载、更新、上传模型消耗的时间；计算每个用户的时间更新度量AoU，通过最小化用户k第t轮次下的平均时延奖励*和AoU来选取一组最优的子用户集A(t) ；

*

步骤四、计算在边缘服务器和A(t) 之间进行一轮联邦学习消耗的能量和时延，通过分配边缘服务器的发射功率P、用户的CPU的计算资源f、子信道上行链路的带宽B，联合优化能量和时延开销；

*

步骤五、利用步骤三和步骤四的结果，对A(t) 进行全局模型的广播，然后用户利用本地数据进行局部模型更新，直到满足第一收敛条件；

步骤六、将步骤五中更新完成的局部模型参数上传到边缘服务器，边缘服务器将接收到的局部模型参数累加后取平均得到新的全局模型，令t＝t+1、nk，t＝mk，t+1，转至步骤三，直到满足第二收敛条件，输出当前用户调度和资源分配方案。

2.如权利要求1所述的一种无线物联网环境下面向联邦学习的用户调度和资源分配方法，其特征在于，步骤三分为以下几个子步骤：步骤a：计算用户k第t轮次下下载模型消耗的时间 更新模型消耗的时间 上传模型消耗的时间

其中，M是模型参数大小， 是用户k第t轮次下的下行链路信道增益，N0是噪声的功率谱密度， 是第t轮次下边缘服务器分配给第k个用户的发射功率，Bd是下行链路的带宽，dk是用户k数据样本的数量，ck是用户kCPU的工作周期，fk是用户kCPU的工作频率，ρk是用户kCPU的电容系数， 是用户k第t轮次下的上行链路信道增益， 是用户k第t轮次下的发射功率，Bk，t是用户k第t轮次下的上行链路带宽；

步骤b：计算用户k第t轮次下在联邦学习中所消耗的时延 得到瞬时时延奖励为 将瞬时时延奖取平均得到平均时延奖励 为：其中，nk，t是用户k在第t轮次下被选中的次数，τmax是每轮联邦学习的截止时间；

步骤c：计算第t轮次下第用户k的AoU为：

AoUk，t＝t‑Lk

其中，Lk是用户k前一次被选中的轮数；

步骤d：通过最小化步骤b和步骤c中的 和AoUk，t，使得用户调度的回报值最高，根据多*臂老虎机的规则和ε‑贪婪算法，选取一组最优的子用户集A(t) 。

3.如权利要求2所述的一种无线物联网环境下面向联邦学习的用户调度和资源分配方法，其特征在于， 其中，K是用户的总数， 表示从K个用户中选取N个用户的组合数， 代表从K个用户选择N个用户的第j种组合， 第一权值q∈[0，1]。

4.如权利要求3所述的一种无线物联网环境下面向联邦学习的用户调度和资源分配方法，其特征在于，第t轮次下选取 的概率 ε是ε‑贪婪算法的参数。

5.如权利要求1所述的一种无线物联网环境下面向联邦学习的用户调度和资源分配方法，其特征在于，步骤四中利用控制变量法将联合优化问题转化为3个子问题，具体如下：(1)联合优化 和 得出边缘服务器分配给每个用户的发送功率 的最优策略：

down

其中， 是第t轮次下边缘服务器和用户k之间下载模型所消耗的能量，T 是全局模型下载消耗的时间，P是边缘服务器的发射功率，α1、α2是第二、第三权值，是第t轮次下用户k下载模型消耗的时间， 是第t轮次下边缘服务器分配给用户k的发射功率；

comp

(2)联合优化 和T ，得出每个用户分配CPU的计算资源的最优策略：comp

其中， 是第t轮次下用户k更新模型参数所消耗的能量，T 是局部模型更新消耗的时间， 是用户k满足可行条件的最小计算频率， 是用户k满负荷的工作频率，fk是用户kCPU的工作频率， 是第t轮次下用户k更新模型消耗的时间，dk是用户k数据样本的数量，ck是用户kCPU的工作周期，ρk是用户kCPU的电容系数；

up

(3)联合优化 和T ，得出分配给每个用户的上行链路带宽 的最优策略：up

其中， 是第t轮次下边缘服务器和用户k之间上传模型所消耗的能量，T 是全局模型上传消耗的时间， 是用户k的发射功率， 是第t轮次下up

用户k上传模型消耗的时间， 是用户k第t轮次下的上行链路带宽，B 是上行链路的总带宽。

6.如权利要求1所述的一种无线物联网环境下面向联邦学习的用户调度和资源分配方* *法，其特征在于，步骤五中所述第一收敛条件为：|Fk(θt)‑Fk(θ)|≤λ|Fk(θt‑1)‑Fk(θ)|，其*中Fk(θt)、Fk(θt‑1)是用户k第t、t‑1轮次下局部模型的损失函数，Fk(θ)是用户k局部模型最优损失函数，λ为第一超参数。

7.如权利要求6所述的一种无线物联网环境下面向联邦学习的用户调度和资源分配方法，其特征在于，局部模型更新的迭代次数为

8.如权利要求1所述的一种无线物联网环境下面向联邦学习的用户调度和资源分配方法，其特征在于，步骤六中所述第二收敛条件为：*

其中F(θt)、F(θt‑1)是第t、t‑1轮次下全局模型的损失函数，F(θ)是全局模型最优损失函数，为第二超参数。

9.如权利要求8所述的一种无线物联网环境下面向联邦学习的用户调度和资源分配方法，其特征在于，全局模型更新的迭代次数 λ为第一超参数。