對於課題組邊緣計算方向分配的安排：
龍哥給了幾個方向：計算卸載（搞的人比較多了建議別搞了）、邊緣緩存、邊緣分配、分布式機器學習、邊緣隱私保護、模型分割、聯邦學習，並要求盡快閱讀一些文獻（1.主要看看他們在干的是什么事情，2.並看看你怎么能優於他們，3.並因此盡快確定你感興趣或者有信心的方向，4.並要求在下次組會匯報自己這周的研究進度並做PPT匯報）。對於這四個任務蒟蒻真是無從下手，還是慢慢搞吧。
一、計算卸載
邊緣計算卸載即用戶終端（UE）將計算任務卸載到MEC網絡中，主要解決設備在資源存儲、計算性能以及能效等方面的不足。
他的上一代是雲計算卸載即UE將計算任務卸載到MCC網絡中（移動雲計算）
//移動雲計算是啥？ 百度百科：移動雲計算是指通過移動網絡以按需、易擴展的方式獲得所需的基礎設施、平台、軟件(或應用)等的一種IT資源或(信息)服務的交付與使用模式。 蒟蒻沒看懂 知乎-九州雲99Cloud-《移動雲計算：問題與挑戰》中的解釋是： 為了解決移動設備計算能力不足的問題，有人想出了一種不錯的解決方法——將移動設備上的計算任務轉移到雲端服務器完成，這就是移動雲計算，蒟蒻懂了。 說白了： 移動雲計算（MCC）就是將計算任務卸載到雲端，移動邊緣計算（MEC）就是將計算任務卸載到邊緣服務器上。 // 所以說，計算卸載就是將計算任務轉移到其他服務器上計算再傳回，減輕終端設備的計算壓力。（嗯，蒟蒻又懂了）
蒟蒻在詳細看了看了知乎-邊緣計算社區-《什么是計算卸載？》又來做summary了：
1.概述：計算卸載是邊緣計算的關鍵技術，其目的與邊緣計算所要解決的問題一致，都是解決UE端計算資源有限，在處理計算密集型和時間敏感型應用時面臨着的
UE自身能力不足的問題。
2.然后就是MEC和MCC的對比：一張圖說明
3.計算卸載6個步驟：
（1）發現節點
尋找可用的MEC計算節點。節點可以是位於遠程雲計算中心的高性能服務器也可以是位於網絡邊緣側的MEC服務器。
（2）程序分割
將程序進行分割成程序塊，在分割時盡量保持分割后的程序塊功能的完整性，便於后續卸載。
（3）卸載決策
卸載決策主要是解決是否需要計算卸載和卸載哪些程序塊問題。
（4）程序傳輸
顧名思義，就是將決策好需要卸載的程序塊上傳到MEC服務器。
有多種傳輸方式：3G/4G/5G網絡傳輸/Wifi。
（5）執行計算
執行計算主要采取虛擬機方案：程序塊計算任務被送到MEC節點后，服務器為該任務啟用一個虛擬機，然后該任務就駐留在
虛擬機中執行，UE端不會感受到任何變化。
（6）計算結果回傳
MEC計算節點計算完成后，將計算結果傳回UE端，計算卸載結束。
重點：卸載決策，計算卸載的兩個性能指標是（1）UE端耗費電能和（2）時間延遲.
（一）在不進行計算卸載時，計算任務在
本地進行，UE端耗費電能指解決計算任務耗費的電能，時間延遲是指解決計算任務耗費的時間。
（二）在決策后需要進行計算卸載時，UE端耗費電能包括（1）UE端將程序塊傳輸到MEC端耗費電能（2）UE端接收MEC端計算結果耗費電能；
時間延遲是指（1）UE端傳輸至MEC端所需時間（2）MEC端計算時間（3）UE端接收計算結果所需時間
根據卸載決策的決策結果可將計算卸載分為三類：
（1）本地執行
（2）完全卸載
（3）部分卸載
決策因素就是UE端耗費電能和時間延遲。
二、聯邦學習（summary of 詳解聯邦學習Federated Learning - 知乎 (zhihu.com)）
- 本質：他的實質是一種分布式機器學習技術或者說是機器學習框架。
- 目標：聯邦學習的目標是在保證數據隱私安全及合法合規的基礎之上，實現共同建模，提升AI模型的效果。
- 前身：其最早由谷歌於2016年提出，原本用於安卓手機終端用戶在本地更新模型的問題。
- 聯邦學習分類：
橫向聯邦學習、縱向聯邦學習、聯邦遷移學習
（1）橫向聯邦學習：
其本質是樣本的聯合，適用於特征重疊多，用戶重疊少的場景；比如不同地區的銀行，特征相似，但用戶很少重疊。
橫向聯邦學習的學習過程可以看作是基於樣本的分布式模型訓練。
（2）縱向聯邦學習：
縱向聯邦學習的本質是特征的聯合，適用於用戶重疊多，而特征重疊少的場景；比如同一地區的商超和銀行，（業務不同，用戶重疊多）。
（3）聯邦遷移學習：
遷移學習，是指利用數據、任務或者模型之間的相似性，將在原領域學習過的模型，應用於目標領域的一種學習過程。
適用場景：參與者之間特征和樣本重疊都很少的時候可以考慮使用聯邦學習。
聯邦遷移學習的核心是找到源領域和目標領域的相似性，就是說遷移學習重點在找到相似性即不變量。