1.一种联邦学习的能耗优化方法，其特征在于，包括：S1：对多个客户端进行聚类，得到K个聚类簇；

S2：建立客户端的计算模型和通信模型，计算每个聚类簇的平均能耗；

S3：根据平均能耗从小到大的顺序对聚类簇进行排序，获得排序后的K个聚类簇，依次作为第一集合、第二集合、…、第K集合；

S4：判断第一集合中客户端的数量是否小于第一阈值；若小于第一阈值，则执行步骤S5；否则，执行步骤S6；

S5：按照排序结果，从第二集合开始，随机选取客户端加入第一集合中；其中，当当前集合中的所有客户端被选取完毕时，才对下一集合中的客户端进行随机选取，直到第一集合中客户端的数量等于第一阈值，利用第一集合中当前的客户端组成当前最小能耗客户端集合，执行步骤S7；

S6：直接利用第一集合中的客户端组成当前最小能耗客户端集合，执行步骤S7；

S7：使用所述最小能耗客户端集合中的客户端进行联邦学习，获得联邦学习的模型参数；

S8：根据所述联邦学习的模型参数，对当前最小能耗客户端集合中的客户端进行第二次聚类，得到多个子聚类簇；

S9：结合所述多个子聚类簇，使用所述最小能耗客户端集合中的客户端进行联邦学习，得到最终总模型。

2.根据权利要求1所述一种联邦学习的能耗优化方法，其特征在于，所述客户端的计算模型如下：客户端Ci的本地计算时延为：

i表示序号，ωi表示第i个客户端每秒可以处理的CPU周期数，θ表示处理一个数据样本所需的CPU周期数，|Di|表示训练客户端Ci的本地数据量；

客户端Ci的本地计算能耗为：

i表示序号，ωi表示第i个客户端每秒可以处理的CPU周期数，θ表示处理一个数据样本所需的CPU周期数，|Di|表示第i个客户端的本地数据量；k表示芯片架构的有效开关电容；

3

fi表示第i个客户端的本地计算能力。

3.根据权利要求2所述一种联邦学习的能耗优化方法，其特征在于，所述客户端的通信模型如下：客户端Ci的数据传输速率为：

i表示序号，B表示带宽，pi表示第i个客户端的复数高斯白信道噪声的发射功率，N0表示复数高斯白信道噪声的方差；hi表示第i个客户端与边缘服务器之间的信道增益；

客户端Ci的通信时延为：

i表示序号，B表示带宽，Mi表示第i个客户端的本地模型Wi的比特数，pi表示第i个客户端的复数高斯白信道噪声的发射功率，N0表示复数高斯白信道噪声的方差；di表示第i个客户端与边缘服务器之间的距离，oi表示瑞利衰落参数；

客户端Ci的本地通信能耗为：

i表示序号，B表示带宽，Mi表示第i个客户端的本地模型Wi的比特数，pi表示第i个客户端的复数高斯白信道噪声的发射功率，N0表示复数高斯白信道噪声的方差；hi表示第i个客户端与边缘服务器之间的信道增益。

4.根据权利要求3所述一种联邦学习的能耗优化方法，其特征在于，所述平均能耗为：i表示序号，|Ck|表示客户端总数量，Ck表示客户端集合，Costi表示第i个客户端的能耗；

第i个客户端的能耗Costi为：

Costi＝αEi+βTi

i表示序号，α表示时延系数，β表示能耗系数；

第i个客户端的本地训练的能耗Ei为：

i表示序号， 表示第i个客户端的本地通信能耗， 表示第i个客户端的本地计算能耗；

第i个客户端的本地训练的时延Ti为：

i表示序号， 表示第i个客户端的通信时延， 表示第i个客户端的本地计算时延。

5.根据权利要求1所述一种联邦学习的能耗优化方法，其特征在于，步骤S1中的聚类包括：S101：随机选择K个客户端作为初始质心，获得K个第一质心；

S102：对每个客户端分别计算到每个第一质心的距离；

S103：将每个客户端分配到距离最近的第一质心对应的簇中；

S104：对每个簇重新计算质心，得到多个新的第二质心；

S105：判断每个第二质心与对应的第一质心位置是否相同；若均相同，则将当前簇作为聚类簇；否则，则将第二质心作为新的第一质心，重复步骤S102～S105。

6.根据权利要求1所述一种联邦学习的能耗优化方法，其特征在于，步骤S8中所述第二次聚类，包括：S801：获得联邦学习中的最小能耗客户端集合中的各个客户端模型的参数，计算余弦相似度，得到多个相似度矩阵；

S802：对所述多个相似度矩阵进行AP聚类，得到多个子聚类簇。

7.根据权利要求6所述一种联邦学习的能耗优化方法，其特征在于，步骤S801中，所述余弦相似度的计算方式如下：i、j表示序号，t表示轮次序号， 表示第i个最小能耗客户端集合中的客户端第t轮的模型参数， 表示第i个最小能耗客户端集合中的客户端第t+1轮的模型参数变化量。

8.根据权利要求1所述一种联邦学习的能耗优化方法，其特征在于，步骤S9中，使用所述最小能耗客户端集合中的客户端进行联邦学习，包括：S901：对每个子聚类簇中的客户端模型进行聚合，获得每个子聚类簇模型；

S902：将所述各个子聚类簇模型进行聚合，得到总模型；

S903：判断总模型是否收敛，若总模型未收敛，则再次进行联邦学习，得到每个子聚类簇的新的客户端模型，执行步骤S901～S903；否则，将当前的总模型作为最终总模型。

9.根据权利要求8所述一种联邦学习的能耗优化方法，其特征在于，步骤S902中，总模型的公式如下：k表示序号，Ωk表示第k个子聚类簇模型，Φk表示第k个子聚类簇的数据量，N表示子聚类簇模型的数量；

步骤S901中，客户端聚合后的模型的公式如下：k k

k、k′表示序号，Ωk′表示第k个子聚类簇的第k′个客户端联邦学习模型，N表示第k个子k聚类簇的客户端联邦学习模型数量，Φk′表示第k个子聚类簇的第k′个客户端的数据量。

10.一种联邦学习的能耗优化装置，应用于权利要求1～9任一项所述优化方法，其特征在于，包括：第一聚类模块：对多个客户端进行聚类，得到K个聚类簇；

能耗计算模块：建立客户端的计算模型和通信模型，计算每个聚类簇的平均能耗；

簇选择模块：根据平均能耗从小到大的顺序对聚类簇进行排序，获得排序后的K个聚类簇，依次作为第一集合、第二集合、…、第K集合；

阈值判断模块：判断第一集合中客户端的数量是否小于第一阈值；

集合添加模块一：按照排序结果，从第二集合开始，随机选取客户端加入第一集合中；

其中，当当前集合中的所有客户端被选取完毕时，才对下一集合中的客户端进行随机选取，直到第一集合中客户端的数量等于第一阈值，利用第一集合中当前的客户端组成当前最小能耗客户端集合；

集合添加模块二：直接利用第一集合中的客户端组成当前最小能耗客户端集合；

第一联邦学习模块：使用所述最小能耗客户端集合中的客户端进行联邦学习，获得联邦学习的模型参数；

第二聚类模块：根据所述联邦学习的模型参数，对当前最小能耗客户端集合中的客户端进行第二次聚类，得到多个子聚类簇；

第二联邦学习模块：结合所述多个子聚类簇，使用所述最小能耗客户端集合中的客户端进行联邦学习，得到最终总模型。