1.一种基于联邦学习的用户选择和资源分配方法，其特征在于：该方法根据所提供网络场景的特性，联合优化IDs选择、QoS需求分析和传输资源分配以最小化联邦学习FL任务的总开销，该方法包括以下步骤：

S1：基于信誉值的用户选择方案；

S2：基于层次分析法的QoS分析方案；

S3：基于用户异构性的FL计算开销优化方案；

S4：传输资源分配方案；

在所述步骤S1中，建立一个多用户联邦学习FL网络模型，包括用户端和边缘服务器；考虑由无线通信基础设施；即雾节点FNs和一组物联网设备IDs组成的通用移动网络；M＝{1,

2,...,m,…,M}表示FN的集合，每个FN与若干个IDs相关联，IDs的集合表示为U＝{1,2,…,u,...,U}；IDs配备一定的计算和通信资源，从移动应用中产生多种用户数据，以及采集大量的传感数据；FN将综合考虑IDs交互可靠度和交互新鲜度，对IDs的局部模型进行评估，生成IDs的信誉值；FN选择信誉大于阈值的IDs，加入FL用户集，设置训练决策向量αu,m＝1，并为其分配传输RB；被选择的IDs分别进行本地模型更新，通过分配的RB上传模型参数和本地模型梯度到FN；

在所述步骤S2中，IDs的QoS参数由S＝{1,2,...,S}表示；卸载决策应满足IDs的传输速率、时延和误码率需求，并相应的考虑IDs的能耗敏感度和时延敏感度；将IDs的QoS需求作为决策标准，基于3GPP标准的典型数据流的QoS参数值，评估QoS参数之间的相对重要性，得到局部权重 评估每个IDs的局部权重和最小QoS需求，得到IDs的全局权重 其中 分别表示FN m对于IDs u1,u2,u3的偏好权重值；

在所述步骤S3中，在任务计算阶段，FL任务计算开销包括本地计算能耗和时延；考虑到IDs的异构性，不同IDs的CPU频率不同，因此要在计算能耗和计算时延之间做出权衡；将IDs分成三个类别：χ1是以最大频率训练数据的“合格”IDs；χ2是“优秀”IDs，即使以最小频率训练数据，也会在最大计算时间， 内完成任务；χ3是“良好”IDs，以最优频率进行训练的IDs；

在所述步骤S4中，在通信阶段，FL通信开销包括传输时间、传输能耗和误码率；

提出基于用户QoS需求的RB分配算法；该算法根据步骤S2中基于AHP的QoS分析模型，确定IDs优先级，高优先级的ID优先选择和接入RB，同时又不对低优先级ID产生过大影响；该算法综合考虑IDs的优先级、IDs的满意度和RBs的质量，将RBs分配到执行FL任务的IDs，以分布式进行，降低算法复杂度和通信开销。