对于课题组边缘计算方向分配的安排：
龙哥给了几个方向：计算卸载（搞的人比较多了建议别搞了）、边缘缓存、边缘分配、分布式机器学习、边缘隐私保护、模型分割、联邦学习，并要求尽快阅读一些文献（1.主要看看他们在干的是什么事情，2.并看看你怎么能优于他们，3.并因此尽快确定你感兴趣或者有信心的方向，4.并要求在下次组会汇报自己这周的研究进度并做PPT汇报）。对于这四个任务蒟蒻真是无从下手，还是慢慢搞吧。
一、计算卸载
边缘计算卸载即用户终端（UE）将计算任务卸载到MEC网络中，主要解决设备在资源存储、计算性能以及能效等方面的不足。
他的上一代是云计算卸载即UE将计算任务卸载到MCC网络中（移动云计算）
//移动云计算是啥？ 百度百科：移动云计算是指通过移动网络以按需、易扩展的方式获得所需的基础设施、平台、软件(或应用)等的一种IT资源或(信息)服务的交付与使用模式。 蒟蒻没看懂 知乎-九州云99Cloud-《移动云计算：问题与挑战》中的解释是： 为了解决移动设备计算能力不足的问题，有人想出了一种不错的解决方法——将移动设备上的计算任务转移到云端服务器完成，这就是移动云计算，蒟蒻懂了。 说白了： 移动云计算（MCC）就是将计算任务卸载到云端，移动边缘计算（MEC）就是将计算任务卸载到边缘服务器上。 // 所以说，计算卸载就是将计算任务转移到其他服务器上计算再传回，减轻终端设备的计算压力。（嗯，蒟蒻又懂了）
蒟蒻在详细看了看了知乎-边缘计算社区-《什么是计算卸载？》又来做summary了：
1.概述：计算卸载是边缘计算的关键技术，其目的与边缘计算所要解决的问题一致，都是解决UE端计算资源有限，在处理计算密集型和时间敏感型应用时面临着的
UE自身能力不足的问题。
2.然后就是MEC和MCC的对比：一张图说明
3.计算卸载6个步骤：
（1）发现节点
寻找可用的MEC计算节点。节点可以是位于远程云计算中心的高性能服务器也可以是位于网络边缘侧的MEC服务器。
（2）程序分割
将程序进行分割成程序块，在分割时尽量保持分割后的程序块功能的完整性，便于后续卸载。
（3）卸载决策
卸载决策主要是解决是否需要计算卸载和卸载哪些程序块问题。
（4）程序传输
顾名思义，就是将决策好需要卸载的程序块上传到MEC服务器。
有多种传输方式：3G/4G/5G网络传输/Wifi。
（5）执行计算
执行计算主要采取虚拟机方案：程序块计算任务被送到MEC节点后，服务器为该任务启用一个虚拟机，然后该任务就驻留在
虚拟机中执行，UE端不会感受到任何变化。
（6）计算结果回传
MEC计算节点计算完成后，将计算结果传回UE端，计算卸载结束。
重点：卸载决策，计算卸载的两个性能指标是（1）UE端耗费电能和（2）时间延迟.
（一）在不进行计算卸载时，计算任务在
本地进行，UE端耗费电能指解决计算任务耗费的电能，时间延迟是指解决计算任务耗费的时间。
（二）在决策后需要进行计算卸载时，UE端耗费电能包括（1）UE端将程序块传输到MEC端耗费电能（2）UE端接收MEC端计算结果耗费电能；
时间延迟是指（1）UE端传输至MEC端所需时间（2）MEC端计算时间（3）UE端接收计算结果所需时间
根据卸载决策的决策结果可将计算卸载分为三类：
（1）本地执行
（2）完全卸载
（3）部分卸载
决策因素就是UE端耗费电能和时间延迟。
二、联邦学习（summary of 详解联邦学习Federated Learning - 知乎 (zhihu.com)）
- 本质：他的实质是一种分布式机器学习技术或者说是机器学习框架。
- 目标：联邦学习的目标是在保证数据隐私安全及合法合规的基础之上，实现共同建模，提升AI模型的效果。
- 前身：其最早由谷歌于2016年提出，原本用于安卓手机终端用户在本地更新模型的问题。
- 联邦学习分类：
横向联邦学习、纵向联邦学习、联邦迁移学习
（1）横向联邦学习：
其本质是样本的联合，适用于特征重叠多，用户重叠少的场景；比如不同地区的银行，特征相似，但用户很少重叠。
横向联邦学习的学习过程可以看作是基于样本的分布式模型训练。
（2）纵向联邦学习：
纵向联邦学习的本质是特征的联合，适用于用户重叠多，而特征重叠少的场景；比如同一地区的商超和银行，（业务不同，用户重叠多）。
（3）联邦迁移学习：
迁移学习，是指利用数据、任务或者模型之间的相似性，将在原领域学习过的模型，应用于目标领域的一种学习过程。
适用场景：参与者之间特征和样本重叠都很少的时候可以考虑使用联邦学习。
联邦迁移学习的核心是找到源领域和目标领域的相似性，就是说迁移学习重点在找到相似性即不变量。