1.一种基于计算资源逻辑分层的联邦学习通信优化方法，其特征在于：包括以下步骤：S1：分层通信架构构建：给定设备集合C＝{c1,c2,...,ck,cN}、设备计算能力P＝{p1,p2,...,pk,pN}、拟划分的簇集合clst＝{clst1,clst2,...,clstM}以及分组方向变量direction，初始条件下，direction＝true，表示分组方向从左至右；根据设备计算能力P对设备逻辑分组，构建基于“云中心‑Head节点‑终端设备”的分层通信架构；

S2：云中心初始化：云中心初始化全局模型参数ω0，全局模型训练轮数T，簇内训练轮数H，初始Staleness函数影响因子α0；

S3：簇内协作训练：簇clst＝{clst1,clst2,...,clstM}中的每个簇并行地进行簇内协作训练，簇内头节点Head＝{Head1,Head2,...,HeadM}分别得到经过簇内训练迭代轮数H的更新参数

S4：簇间模型聚集：每个簇clsti的Headi节点上传其簇内训练模型更新参数 至云中心，并计算得到下一轮迭代的全局模型更新参数ωt+1；

S5：全局模型分发：云中心将计算得到的全局模型更新参数ωt+1下发给每个簇的Head，模型训练进入下一轮迭代。

2.根据权利要求1所述的基于计算资源逻辑分层的联邦学习通信优化方法，其特征在于：步骤S1具体包括以下步骤：

S11：根据设备的计算能力P＝{p1,p2,...,pk,pN}，对设备的计算能力排序，并得到排序后的集合 且 以及相应的设备集合

S12：判断当前设备集合 中的所有设备是否分组完成，若 表示集合 中所有的设备已分组完成，则返回已分组的结果；反之，若 表示集合 中所有的设备尚未分组完成，则继续判断分组方向变量direction的值。若direction＝true，则将集合 中的前M个设备依次分配给clst＝{clst1,clst2,...,clstM}，并置direction＝false，反之，若direction＝false，则将集合 中的前M个设备依次分配给clst＝{clstM,clstM‑1,...,clst1}，并置direction＝true， 不断重复步骤S12，直至集合 中的所有设备分组完成为止；

S13：并行地从已分组完成的簇clst＝{clst1,clst2,...,clstM}中，选取一个计算能力最强的终端设备Head＝{Head1,Head2,...,HeadM}，并由每个簇的Headi节点代替每个簇clsti中所有其他节点与云中心通信，从而构建一个基于“云中心‑Head节点‑终端设备”的分层通信架。

3.根据权利要求1所述的基于计算资源逻辑分层的联邦学习通信优化方法，其特征在于：所述步骤S3包括以下步骤，

S31：簇clsti的头节点Headi从云中心获取当前全局模型迭代轮数t的全局模型参数ωt，并置 得到簇clsti的初始模型更新参数；

S32：头节点Headi将簇内初始模型更新参数 分发给簇clsti内所有参与的终端设备；

S33：簇clsti内的所有终端设备并行的进行本地模型训练；对异构的计算资源进行再分配，即将响应时间快的计算设备与其头节点进行更多的通信交互；假设对于簇clsti中任意的参与设备ck，置簇内迭代轮数变量τ←h， 其中， 表示簇clsti中设备在第τ轮迭代的初始模型参数， 表示表示簇clsti中设备在第h轮迭代的初始模型参数，初始条件下h＝0，设备ck经过L轮本地模型更新得到簇内模型更新参数 及得到该模型更新时的簇内迭代轮数信息τ，其计算公式如下：

其中，l∈L，η表示学习率，b表示最小的训练块大小， 表示梯度函数；

S34：设备ck上传 和τ至Headi节点；

S35：头节点Headi计算当前簇内迭代轮数h的Staleness的影响因子αh，其计算公式为：其中，e表示一个自然指数对数，用来描述时间的影响；

S36：头节点Headi计算当前簇内迭代轮数h的模型更新参数 其计算公式为：其中， 表示簇clsti在簇内迭代轮数(h‑1)的模型更新参数。

4.一种基于计算资源逻辑分层的联邦学习通信优化系统，其特征在于：包括：分层通信架构构建模块，用于将给定的终端设备集合C＝{c1,c2,...,ck,cN}，根据其设备的计算资源P＝{p1,p2,...,pk,pN}，对设备进行逻辑分组，构建基于“云中心‑Head节点‑终端设备”的分层通信架构；

云中心初始化模块，用于初始化全局模型参数ω0，全局模型训练轮数T，簇内训练轮数H，以及初始Staleness函数影响因子α0；

簇内协作训练模块，用于簇clst＝{clst1,clst2,...,clstM}中的每个簇并行地进行簇内协作训练，簇内头节点Head＝{Head1,Head2,...,HeadM}分别得到经过簇内训练迭代轮数H的更新参数

簇间模型聚集模块，用于每个簇clsti的Headi节点上传其获得的更新参数 至云中心，并计算得到下一轮迭代的全局模型更新参数ωt+1；

全局模型分发模块，用于云中心将计算得到的全局模型更新参数ωt+1分发给每个计算簇的头节点，模型训练进入下一轮迭代。

5.根据权利要求4所述的基于计算资源逻辑分层的联邦学习通信优化系统，其特征在于：所述分层通信架构构建模块包含以下子模块：计算资源排序子模块，用于根据设备计算资源集合P＝{p1,p2,...,pk,pN}，按照其计算能力大小排序，得到排序后的集合 以及相应的设备集合设备分组判断子模块，用于判断集合 中所有终端设备是否已分组完成，若 表示集合 中所有的设备已分组完成，则返回设备分组结果；反之，若 表示集合 中所有的设备尚未分组完成，则进入设备分组方向判断子模块；

设备分组方向判断子模块，用于判断分组方向变量direction的值，若direction＝true，则将集合 中的前M个设备依次分配给clst＝{clst1,clst2,...,clstM}；反之，若direction＝false，则将集合 中的前M个设备依次分配给clst＝{clstM,clstM‑1,...,clst1}；

变量重置子模块，用于重置设备分组方向变量direction以及集合 即置direction＝false/true，

第一迭代子模块，用于重复以上子模块，直至集合 为止，返回clst＝{clst1,clst2,...,clstM}分组结果；

Head节点选取子模块，用于并行地已分组完成的簇clst＝{clst1,clst2,...,clstM}中，选取一个计算能力最强的终端设备Head＝{Head1,Head2,...,HeadM}，并由每个簇的Headi节点代替每个簇clsti中所有其他节点与云中心通信，从而构建一个基于“云中心‑Head节点‑终端设备”的分层通信架。

6.根据权利要求4所述的基于计算资源逻辑分层的联邦学习通信优化系统，其特征在于：所述簇内协作训练模块包含以下子模块：Head节点模型参数获取子模块，用于头节点Headi从云中心获取当前全局模型迭代轮数t的全局模型参数ωt，并置 得到簇clsti的初始模型更新参数；

Head节点参数分发子模块，用于头节点Headi将簇内模型更新参数 分发给簇clsti内的所有终端设备；

变量存储子模块，用于簇clsti内任意的终端设备ck，存储模型更新时的簇内迭代轮数信息τ←h以及在第τ轮迭代的初始模型参数本地模型训练子模块，用于终端设备ck，计算得到经过L轮本地模型更新的簇内模型更新参数 及得到该模型更新时的簇内迭代轮数信息τ；

本地模型更新上传子模块，用于簇clsti内任意的终端设备ck上传 和τ至头节点Headi；

Staleness计算子模块，用于终端设备ck计算当前簇内迭代轮数h的Staleness的影响因子

簇内模型更新参数计算子模块，用于计算簇clsti内迭代轮数h的模型更新参数第二迭代子模块，用于Headi得到簇clsti经过簇内训练迭代轮数H的更新参数并行子模块，用于簇clst＝{clst1,clst2,...,clstM}中的每个簇并行地进行簇内协作训练，簇内头节点Head＝{Head1,Head2,...,HeadM}分别得到经过簇内训练迭代轮数H的更新参数

7.根据权利要求4所述的基于计算资源逻辑分层的联邦学习通信优化系统，其特征在于：所述簇间模型聚集模块包含以下子模块：簇内模型更新上传子模块，用于每一个簇clsti的Headi节点上传其簇内训练模型更新参数 至云中心；

云中心聚集子模块，用于云中心聚集 得到下一轮迭代的全局模型更新参数