1.一种面向异构边缘计算环境的分散联邦学习方法，其特征在于：该方法包括以下步骤：步骤1：在联邦学习系统中，边缘节点初始化自己的模型；

步骤2：边缘节点根据本身的通信速率和计算能力计算通信成本函数，该成本函数表示边缘节点之间的匹配程度；节点基于贪婪算法选择成本函数小的相邻节点作为匹配集；

步骤3：对于每个边缘节点，基于梯度和权重衡量边缘节点模型间的相似性，使用Monte Carlo方法进行从匹配集中选择邻居，即将上一轮中的邻居与当前随机抽样的相邻节点一起放进候选列表，从候选列表中选择相似度最大的前k名候选节点作为当前轮邻居；

边缘节点在t0时刻初始化模型W0,k；

节点之间的通信速率用R表示，计算能力用CPU频率f表示；为确定客户端之间的开销，采用以下策略：2

Cij＝1/Rij+μ(fi‑fj)

其中Cij表示节点i和j之间的连接开销，表明它们的交流状态和计算能力的差异；节点i和j之间的通信速率用变量Rij表示，频率分别用fi和fj表示；该策略描述节点之间的匹配程度；C值低表明节点之间的通信速率更高，计算能力更接近；节点i为确定自己的匹配集ζi，采用基于贪婪的算法策略：Ci,k<ε×Cmin

其中Cmin代表所有节点中最低的通信成本；当节点i和k的通信成本小于一定的阈值，则节点k属于节点i的匹配集ζi；

根据以上节点i的匹配集ζi，基于梯度和累积权重更新确定节点i的邻居集；

使用梯度g的余弦相似度来度量优化目标的一致性，函数表示为：初始模型中积累的权重更新h表示历史优化方向，而权重更新h的余弦相似度表示目标的一致性：最终模型相似性通过Si,j度量：

使用Monte Carlo方法进行从匹配集中选择邻居，即将上一轮中的邻居与当前随机抽样的相邻节点一起放进候选列表，从候选列表中选择相似度最大的前k名候选节点作为当前轮邻居，即：步骤4：节点从邻居处接收权重和更新模型，基于得到的数据，通过共识得到聚合模型ψt,i；

节点i在t轮通信中，从邻居节点k处接收权重αi,k和更新模型Wt,k， 基于得到的数据和本身的模型Wt,i，通过共识得到聚合模型ψt,i：步骤5：节点通过聚合模型，计算梯度下降，更新模型，并发给邻居；

节点通过聚合模型ψt，k，计算梯度下降，更新模型Wt+1,i，并发给其他邻居；

2.根据权利要求1所述的一种面向异构边缘计算环境的分散联邦学习方法，其特征在于：所述联邦学习系统由一个中央服务器和包含n个节点的节点集c＝(1,2,...,n)组成，每个节点拥有自己的数据；中央服务器负责发布训练任务、选择节点以及完成模型聚合；节点集c中被选中的节点接收中央服务器下发的本轮参数，在本地数据上使用中央服务器选择的数据量进行训练，并将更新后的参数上传至中央服务器；

节点依靠与邻居节点的本地合作和本地网络来协同训练模型；网络的交互拓扑被建模为一个有向图 ν＝(1,2,……,K)表示节点的集合，ξ表示相连节点的边，节点K的邻居集表示为Nk。