聯邦學習在智慧農業系統中的應用研究綜述

中圖分類號：S126 文獻標志碼：A 文章編號：1008-0864（2025）06-0001-15

AReviewofApplicationofFederatedLearningin Smart Agriculture Systems

TANG Minrui ¹ ，HE Liang1，2*，GU Shenghao ^3，4 ，YANGWanxia’，YUERuijun ¹ TANY i¹ ，WANGLei'，FENGTengfei1

（1.SchoolofComputerScienceandTechnology，XinjiangUniversity，Urumqi83o17，hina；2.BeijingNationalResearcheter forInformationScienceandTechnology，DepartmentofElectronicEngineering，Tsinghua University，Beijing1oo84，China;

3.BeijingResearchCenterforIformationTechnologyinAgriculture，BeijingKeyLaboratoryofigitalPlant，BeijingAcadeyof

AgricultureandForestrySiences，BeijingOo97，hia；4.NatioalEngineeringReseachCenterforInformationTchologin Agriculture，Beijing1O97，China；5.MechanicalandElectrical EngineringColege，Gansu Agricultural Univesity， Lanzhou 730070，China）

Abstract：As information technologyadvances，thecollction，processing，analysis andapplicationofagricultural datahave become the primary driving forceof smart agriculture.In traditional smartagricultural management systems，it is usually required to centralize agricultural data on a central server for analysis and model training， which often poses the risk of data leakage.The leakage of keyagricultural privacydataseriouslyafects the interests offarmers and agricultural institutions，so manythe farmers and institutions willcarefullyhandlethe isseof sharing originaldata.Toaddress thisissue，federated learning allowsdiferentagricultural institutions，farmsand agricultural enterprises to complete the trainingoffarming decision modelsunderthecondition ofonlysharing encryptedmodels，reducing therisk of agricultural privacydataleakage and protecting the legitimate rightsand interests of data providers.The theoretical development，technological innovation and practical application of federatedlearning technologyinthefieldofsmartagriculturewereintroduced.Basedonthedevelopment trendof smartagriculture systems，it proposed design suggestions forasmart agriculture systembased on federated learning. This paper providedreferences forresearchersand practitioners inrelated fields，ofering theoretical valueand practical guidance foradvancing agricultural data science，ensuring agricultural data security and enhancing the level of agricultural intelligence.

KeyWords：federated learning；agricultural decision-making；privacy data；smart agricultur

在信息化發展的社會背景下，智慧農業作為農業現代化的重要推力備受關注。通過整合先進的信息技術，智慧農業在提升農業生產效率、優化農業資源配置以及輔助農戶進行農事決策等方面發揮著重要作用。2021年11月，《國務院關于印發“十四五\"推進農業農村現代化規劃的通知》中指出，要發展智慧農業，建立和推廣應用農業農村大數據體系，推動物聯網、大數據、人工智能、區塊鏈等新一代信息技術與農業生產經營深度融合，建設數字田園、數字灌區和智慧農（牧、漁）場2]。該通知表明了智慧農業的發展方向，凸顯了智慧農業在實現農業現代化中的不可或缺性。智慧農業系統集成了先進的信息技術和農業技術，為農戶提供了直觀、簡易的操作平臺，讓農戶更方便地對整個農業生產環節進行把控，提高農業生產效率，保障農產品質量，促進農業可持續發展。

當前已有不少智慧農業系統解決方案，楊瑞麗等設計了基于云平臺的智慧農業系統，該系統使用物聯網技術對作物生長數據進行精準采集，并將采集數據上云，實現了本地采集的數據查詢和追溯功能。韓鵬等4設計了智慧農業大棚計算機信息管理系統，通過物聯網和分布式傳感器網絡采集農業數據，并配合智能決策系統進行科學的農事作業。但是由于農業數據有限，不能達到最優的農事作業效果。Condran等5對近20年的智慧農業進行調研，發現農業數據往往是稀疏的且有較多噪聲，導致使用這些數據訓練病蟲害預測、農事決策等模型的魯棒性較差。由此可見，當前的智慧農業系統普遍缺少農業數據，特別是優質的農業數據。然而傳統的智慧農業系統的數據來源有限，獲取難度較大。由于數據隱私問題，智慧農業系統之間通常不會直接共享數據，使得農業數據的獲取更加困難。因此，如何讓智慧農業系統可以使用更多、更優質的農業數據是當前智慧農業系統需要解決的問題。

聯邦學習是一種既能保護用戶隱私，又能充分利用各方數據資源和計算資源的分布式機器學習方法。聯邦學習可以讓每個客戶端在本地進行模型訓練，然后將加密模型發送到服務端進行聚合，這種方式不需要將客戶端的數據上傳，減少了數據隱私泄漏的風險。因此，本文對聯邦學習的關鍵技術進行介紹，包括但不限于模型訓練、數據共享機制、安全性保障等。同時，對聯邦學習在智慧農業中的應用做了重點綜述，分析了其在作物監測、精準施肥、病蟲害預測等方面的具體應用案例。最后，展望了未來聯邦學習技術在智慧農業系統中的應用前景，為該領域的研究者和實踐者提供了寶貴的參考依據。有聯邦學習技術加持的智慧農業系統可以讓更多的農業機構和農業平臺參與進來，共建共享型的智慧農業系統，對解決當前智慧農業系統缺少農業數據的問題具有重要意義。

1聯邦學習技術介紹

1.1聯邦學習結構和類型

聯邦學習技術是一種可以保護隱私的分布式機器學習技術，無需將私有數據傳輸到中心服務器上，只需參與方將訓練模型的梯度傳到中心服務器上聚合，所以模型的訓練可在本次進行。每個農場都有自己的隱私數據，采用聯邦學習可以有效保護各個農場的隱私數據。同時，由于綜合利用了多個農場的數據，相當于拓寬了數據來源，從而可以提高模型的準確性和適用性。聯邦學習技術的應用使智慧農業系統更容易擴展，能夠更好地適應不同規模和不同類型的農場。聯邦學習的結構如圖1所示，其中，聯邦學習的聚合中心即聯邦學習服務端，參與方是客戶端，客戶端將加密后的模型梯度上傳到服務器，再進行模型聚合。

聯邦學習根據數據重合部分的不同，通常分為橫向聯邦學習、縱向聯邦學習和聯邦遷移學習。如圖2所示，橫向聯邦學習的數據集通常有著相同的特征空間，但是樣本重疊較少，在橫向聯邦學習中，農場A和農場B有著相同的特征空間（溫度、濕度等數據）。縱向聯邦學習的樣本ID相同，但是特征空間重疊較少，縱向聯邦學習比較適合數據字段偏差較大，但是樣本類型較一致的場景。聯邦遷移學習綜合了橫向聯邦學習和縱向聯邦學習的特點，樣本ID重疊較少，特征空間也重疊較少，該方法適用于樣本ID和特征空間重疊都較少的場景。

在實際使用場景中，需根據具體學習任務和數據維度特點，靈活選擇并使用不同類型的聯邦學習，以使訓練出的農業模型效果更優。

1.2 聯邦學習中的隱私保護

聯邦學習需要參與者在每次的本地訓練后，上傳所更新的模型參數并與其他參與者共享，而參數更新中仍包含所有者的敏感信息。每份訓練數據都是參與者的私有財產，因此保護參與者的數據隱私就顯得極為重要。在隱私保護上，通常會使用同態加密和差分隱私等方式對參與者的數據進行保護。

1.2.1同態加密Rivest等在20世紀90年代提出了同態加密的概念，同態加密可以直接使用密文進行運算，得出的結果在解密后跟使用明文計算的結果相同。根據同態性質，同態加密可以分為部分同態加密（partiallyhomomorphicencryption，PHE）、些許同態加密（somewhathomomorphic encryption，SHE）和全同態加密（fullyhomomorphicencryption，FHE）8]。PHE這種類型的算法只對加法或乘法有同態性質。RSA是一種早期應用的公鑰加密算法框架，同時RSA算法也是一種PHE算法，它僅對乘法有同態性質。PHE的優點是簡單易實現，但是往往只支持一種運算（乘法或加法）；SHE則可以支持有限次數的乘法和加法運算；FHE則可以對密文進行無限次的任意同態操作（圖3）。

1.2.2差分隱私差分隱私是一種密碼學的保護方式，通過對原始數據的轉換或者添加噪聲，使得攻擊者無法掌握數據的其他隱私信息]，這種方式有效保護了用戶數據的安全性和隱私性，也為聯邦學習提供了一種可靠的數據保護機制。

差分隱私主要分為中心化差分隱私、本地差分隱私和混洗差分隱私[]。中心化差分隱私是以可信任的中心服務器為數據處理中心，數據經過中心服務器處理后再給其他用戶使用，但是在實際使用場景中，很難保證有這樣的中心服務器。本地差分隱私是在本地做數據編碼處理，再將處理過的數據提供給他人，這種方法較容易實現。混洗差分隱私是增加了混洗服務器，通過混洗服務器打亂用戶數據的關聯性，因此在使用處理過的數據時，可能會影響數據分析結果。

1.3聯邦學習中的安全防護

盡管聯邦學習可減少數據隱私泄漏的風險，但仍然會面臨一些安全挑戰。因此需要適當的安全防護措施。

1.3.1數據投毒保護如圖4所示，數據投毒通常發生于客戶端本地訓練模型階段，攻擊者通過對集中訓練的樣本進行污染（如添加錯誤的標簽或有誤的數據）降低數據的質量，從而影響最后訓練出來的模型，破壞其可用性或完整性[2]。在聯邦學習任務中，根據是否有目標，將投毒攻擊分為無目標的投毒攻擊和有目標的投毒攻擊[3]。無目標的投毒攻擊是攻擊者使用無規則的數據，在模型訓練中進行破壞。有目標的投毒攻擊通常是通過做標簽翻轉來破壞模型訓練數據。根據數據分布區分，投毒攻擊又可以分為非獨立同分布和獨立同分布。在獨立同分布下，投毒偽裝的數據也需要與原始樣本的分布相同，這樣才能不易引起防御側察覺。在非獨立同分布情況下，攻擊者可以利用數據分布的不均勻性，將有害數據混到投毒數據集中，對防御側的監測要求有極大挑戰

在聯邦學習中，由于客戶端的訓練數據對于服務端來說是不可見的，無法直接通過訓練數據進行投毒的分辨，因此大多數對數據投毒的防御手段是根據回傳給主服務器的模型梯度來判斷。Blanchard等[4提出，使用Krum聚類方法，通過計算各個模型梯度之間的歐式距離，選取與其他模型距離最小的模型為中心進行聚合，同時根據訓練集大小調整參數，平衡模型之間距離的權重。這樣的方法可以有效減少異常模型梯度對整體模型的影響，提升模型的魯棒性。自適應聯邦平均（adaptive federated averaging，AFA）也是一種有效的方式[15]。AFA算法使用了隱馬爾可夫模型，在每次迭代中檢測并舍去異常的梯度，以實現對拜占庭攻擊的防御。這個算法的優勢在于可以識別并阻塞住有數據投毒嫌疑的客戶端，提升了模型的魯棒性，同時還提升了聯邦學習過程中的通信效率，去掉了不必要的計算量。CONTRA算法引入了信譽度機制，在不斷的訓練中，可以越來越有效地識別并篩選掉有投毒風險的客戶端，從而減少訓練模型的影響[。Zhang等[17]結合模型更新的一致性來判斷異常客戶端，從而將惡意投毒的客戶端進行有效刪除。Lai等[8提出了應對數據投毒的2階段防御方式，第1階段是比較參與者之間權重的差值，第2階段是使用測試數據測試參與方模型的準確率，該方法大幅提高了有數據投毒風險的客戶端識別率。

1.3.2后門攻擊保護后門攻擊也是一種可以影響模型魯棒性的攻擊方式。通常攻擊方會在訓練數據中嵌入一個特定的樣本，這個樣本被稱為后門觸發器。在正常的數據樣本輸入模型時并不會觸發這個后門，直到有特定樣本輸入的時候才使得模型推理輸出發生異常[19]。后門攻擊憑借它的隱蔽性，平常難以被發覺，但當模型受到后門攻擊時就會產生極大危害。

Nguyen等2將后門攻擊的防御手段分為3個聚合防御階段。在前聚防御階段使用異常檢測算法檢測并阻斷有惡意攻擊的參與方；中間聚合防御使用加噪和擴增算法提升模型魯棒性，即使在有后門攻擊的情況下仍可以讓模型保持良好的準確性；后聚合防御是對模型的修復，比如對活躍度較低的神經元進行剪枝2，維護模型中有價值的部分。

針對后門攻擊的防御，目前比較優秀的有DAGUARD[22]和FLAME3]方案。DAGUARD使用了自適應DBSCAN聚類方式，削弱了投毒端和正常客戶端梯度之間角度偏移的影響。FLAME采用了自適應中位數作為標準，從而剔除與良性梯度相似的惡意梯度。

1.4聯邦學習中的貢獻評估

聯邦學習在訓練過程中需要消耗大量的資源，因此，為了吸引潛在優質數據的持有方參與聯邦學習，需要根據各參與方數據在聯邦合作中的預計貢獻大小給予激勵24。同時，可以通過貢獻度識別惡意行為25，降低聯邦學習中被攻擊的風險。

Kang等2通過對參與方的數據質量和可提供的計算資源進行評估，設計出一個合約模型，數據質量高和計算資源高的可以獲得更高的貢獻度。但是如果參與方無法按照合約內容完成聯邦學習，則會受到相應的懲罰。Fu等結合參與方在聯邦學習中的時間成本、算力成本、數據質量和違規行為來計算貢獻度，從而根據貢獻度為參與方提供合理的激勵，降低參與方的懶惰行為。Reaman等28使用參與方在聯邦學習中的貢獻度計算聲譽分數，并將參與方聲譽傳入區塊鏈中進行保護，從而鼓勵聯邦學習中的參與方提供高質量的模型，降低模型被投毒攻擊破壞的可能性。

為解決聯邦學習中對客戶端可靠性評估問題，Xiong等[2]提出了一種基于反向拍賣和聲譽度的聯邦學習激勵機制，該激勵機制類似于客戶端的貢獻度，能夠激勵更多擁有高質量數據和高信譽的客戶以較低的成本參與到聯邦學習中，從而使聯邦學習任務的經濟效益大幅提高。Guo等[30]將貢獻度設置為一個Stackelberg博弈，利用改進的NSGA-Ⅱ找到了納什均衡，并通過將方法應用于實際工業場景，驗證了該方法的有效性。Na等3提出了一種非壟斷的聯邦學習激勵機制NmFLI，采用雙向拍賣機制計算貢獻度進行聯邦學習激勵，同時利用VickeryClarke-Groves（VCG）機制來確定客戶端的可信性。Xuan等32針對多任務、多客戶端的場景，提出了一種基于契約理論的貢獻度計算方式，并使用貢獻度激勵客戶端積極參與任務發起方的模型訓練。

2基于聯邦學習的智慧農業系統

智慧農業系統的發展是當代科技革新的重要方向。在構建基于聯邦學習的智慧農業系統時，需要深人系統需求分析，明確關鍵技術，設計合理的系統架構，并給出相應的解決方案。

2.1 系統需求分析

在傳統的智慧農業系統中，存在優質數據來源有限、獲取難度大等問題，為此本研究提煉出農業需求，這些需求正是智慧農業系統重點解決的問題。首先，在當今的農業生產中，數據資源的利用和保護是重要的關注點。如何在保護數據隱私的前提下充分利用多個農業平臺的數據資源是當前的一項重要議題。為了解決這個問題，通常會使用聯邦學習方法。聯邦學習是一種分布式機器學習技術，它可以讓多個參與者共同訓練模型，但不需要直接交換或匯集各自的數據。通過這種方式，既保護了參與方的數據隱私安全，又實現了跨平臺的數據資源整合利用。其次，在智慧農業系統中需要存儲大量的農業數據，當服務器存儲的數據較集中時會有較大的負載，使得這臺服務器中的數據處理速度大大降低，這類數據傾斜的問題[33需要在數據存儲時采用策略進行規避。再次，為了防正用戶誤操作、系統故障、斷電等引起的數據丟失，需要使用容災技術對農場的數據進行保護，確保農場數據的安全性，為農業生產提供可靠的數據支持。最后，智慧農業系統需要滿足農戶對科學農事作業方案的需求，因此需要使用現代化農事決策技術對其進行支撐。智慧農業系統會將農事決策的結果以農事處方圖的形式向農戶展示，提供水、肥、藥調度和農機調度方案，幫助農戶更加科學地進行種植。

2.2基于聯邦學習的智慧農業系統關鍵技術概覽

根據上述需求分析可以看出，基于聯邦學習的智慧農業系統需要有相關技術進行支撐。在農業生產過程中，合理地施肥和灌溉對提高作物產量和品質至關重要，同時病蟲害也是影響農業生產的重要因素。

2.2.1基于聯邦學習的水肥決策技術傳統的水肥決策是基于農業專家的經驗和實踐總結而來，包括土壤肥力評估、土壤含水量評估和灌溉管理等方面的決策。這些傳統方法在長期的實踐中被證明是有效的，可以為農業生產提供可靠的參考和指導。隨著科技的發展，現代農業開始引入更精確和高效的技術手段。在這個背景下，決策系統開始出現。

DSSAT是一套以屬性模型為基礎的農事決策系統，也是一個作物生長模型，通過模擬農作物的生長過程預測其生長發育情況和產量變化34]。通過生長模型的預測，可以更好地了解農作物的生長規律，為農事決策提供科學依據。DSSAT可以考慮多種因素，如氣候條件、土壤肥力、病蟲害等，從而幫助農戶更加全面地評估農作物的生長狀況。

雖然DSSAT功能強大，但適用性仍有局限，對于有些特定作物，該生長模型預測的效果準確率不夠，因此可以使用一些機器學習的決策模型與之互補。Asaad等35設計了一套智能灌溉系統，通過物聯網設備收集農業數據；Hochreiter等使用ANFIS和LSTM對農田的長期灌溉需求和短期灌溉需求進行預測，由于數據有限，使用了聯邦學習的方法進行數據的擴充，從而使模型達到較好的效果。Dahane等開發了一套低成本的智能灌溉系統，將采集到的各地天氣數據和土壤濕度等數據使用聯邦學習方法，結合LSTM和GRU等網絡結構訓練出灌溉模型，有效減少了水肥的浪費，提高了農業生產效率。Abioye等[38對智慧農業中的水肥決策進行了調研，討論了如何使用監督學習、無監督學習和強化學習來改善智慧農業中的水肥決策，同時指出當前智慧農業中面臨的可用農業數據較少和系統成本較高的問題，提出可以將聯邦學習技術應用到水肥決策中，彌補可用農業數據較少的短板。

2.2.2基于聯邦學習的病蟲害監測技術在傳統的智慧農業系統中，病蟲害監測模型主要依賴于特定地區的本地數據集以及一些可公開獲取的數據集進行訓練。由于這些數據往往局限于特定的地理環境，其多樣性有限，因此訓練出的模型在面對不同地區或不同病蟲害類型時，可能難以展現出普適性。

為了降低傳統智慧農業系統中因數據覆蓋局限性對模型的影響，可以使用聯邦學習方法對病蟲害模型進行訓練。Mehta等[39-41]使用聯邦學習方法訓練卷積神經網絡（convolutionalneuralnetwork，CNN）模型，用來進行小麥、芒果和蘋果的病蟲害分類。Khan等42提出了一套聯邦學習訓練病蟲害模型的方案，使用無人機作為客戶端，參與病蟲害識別模型的聯邦學習訓練，通過無人機的實時數據采集和實時模型傳輸強化了模型的適應性，提高了病蟲害監測的準確性。Deng等[43使用聯邦學習方法訓練多種病蟲害監測模型，通過聯邦學習方法提高了模型訓練效率和模型泛化能力，同時保護了每個客戶端的數據隱私。

基于聯邦學習的病蟲害監測技術可以跨域進行數據協作，且無需直接共享敏感原始數據，從而解決傳統智慧農業系統中病蟲害數據集較為單一的問題。同時，多個客戶端同時進行訓練，使模型訓練中減少了對中心服務器的資源依賴，提高了模型訓練效率。

2.3基于聯邦學習的智慧農業系統架構概覽

基于聯邦學習的智慧農業系統的主要目標是提高農業數據利用效率，降低在農事作業過程中的資源消耗，結合聯邦學習技術和人工智能技術，為農業生產提供更加智能、高效的解決方案。如圖5所示，基于聯邦學習的智慧農業系統通常分為負載服務器集群、應用服務器集群、計算服務器集群和存儲服務器集群，這些集群相互關聯，協力支撐起整個系統的運行。

2.3.1負載服務器集群該集群由負載均衡模塊和反向代理模塊2個主要模塊組成。負載均衡模塊是負載服務器集群的核心，其主要職責是監控和管理整個系統的計算資源狀態。該模塊需要實時跟蹤每個計算節點和應用節點的運行情況，包括CPU使用率、內存使用情況、網絡帶寬等關鍵指標。通過這些信息，負載均衡模塊能夠合理地分配系統所需的計算資源，確保每個任務都能得到充足的算力。這樣的動態資源分配策略，能夠有效提高系統的響應速度和處理能力，從而提高整體服務質量。反向代理模塊是負載服務器最重要的部分，它可以將內網環境與外網環境隔離開，將真正使用的資源服務器隱藏起來，給其他服務器營造相對安全的環境。同時，反向代理模塊可以將信息轉發，對外只提供一個地址，方便用戶訪問。

2.3.2存儲服務器集群在整個智慧農業系統中，存儲服務器扮演著重要角色，它為系統所有應用提供了數據支撐。在存儲服務器集群中，根據功能不同將其劃分為數據采集模塊、數據負載均衡模塊、數據清洗模塊、數據存儲模塊和數據供給模塊等模塊。數據采集模塊為存儲服務器提供數據，它提供MQTT和Restful等協議接口，將各個子系統網絡中的農事信息數據采集上來，數據采集到服務器后，會根據數據保密權限，將數據按照權限規則放入不同的數據湖中。數據負載均衡模塊實時監控服務器的存儲容量，根據當前的存儲需求和服務器的狀態，動態調整HDFS（hadoopdistributedfilesystem）存儲資源的分配，降低數據傾斜的風險，從而提高系統的整體性能。數據清洗模塊負責對數據湖中的數據進行規范化處理，確保數據的質量，提高數據準確性和可信度;數據清洗模塊對數據進行去重、去噪、插值等操作，將最后得到的結構化的數據存儲到結構化數據庫中。數據存儲模塊是存儲集群的核心，分為數據湖和結構化數據庫。在數據湖中，數據按照半結構化和非結構化的方式進行存儲；半結構化存儲表示數據具有一定的結構和格式，如XML、JSON等類型數據，非結構化存儲是對文本、圖片、視頻等數據進行存儲。存儲模塊滿足不同類型數據的存儲需求，提高數據存儲的靈活性。數據供給模塊是存儲服務器對外數據接口，將經過結構化的數據提供給應用服務。數據供給層根據具體業務需求，將數據以多樣化的形式呈現給業務側，業務側可以更加靈活地利用這些數據為農戶提供服務。

2.3.3計算服務器集群計算服務器集群是系統的核心，根據任務需求不同，可以劃分為計算業務層和服務交互層。計算業務層包含了聯邦學習模塊、農業模型推理模塊、機器學習模塊和區塊鏈模塊。聯邦學習模塊是整個系統架構中最重要的模塊。農業模型推理模塊和區塊鏈模塊是計算業務層中最活躍的2個模塊。農業模型推理模塊負責將部署好的農事模型調用起來，為上層業務提供算法支持。區塊鏈模塊負責對農業生產活動中的重要農事數據進行上鏈存儲，防止重要數據被篡改。機器學習模塊則給用戶提供了訓練模型的環境，方便用戶定制自己的農業模型。

服務交互層將計算業務層中的功能接口進行封裝，為應用服務器提供北向接口。通過這種方式，應用服務器可以獲取計算服務器中的計算資源和算法支持。

2.3.4應用服務器集群根據功能的不同，應用服務器可以分為人機交互層和業務邏輯層2個部分。人機交互層是整個系統的交互中心，智慧大屏將傳感器數據、地圖地塊信息、蟲情監測信息、農機狀態等信息傳遞給用戶，這一層的主要目的是提供直觀、易用的用戶界面，讓用戶可以方便、清晰地看到當前智慧農場的運作狀態，使用戶及時對農場進行管理。業務邏輯層負責與農機調度子系統、水肥調度子系統和計算服務器等進行交互，同時給人機交互層提供業務服務。人機交互層和業務邏輯層相互配合，共同實現了智慧農場應用的高效運行，給用戶提供方便的交互環境

2.4基于聯邦學習的智慧農業系統可信分布式訓練方案

為確保聯邦學習訓練方案的可靠性和安全性，聯邦學習可信分布式訓練方案通常包括以下6個主要模塊：數據預處理模塊、模型計算資源統籌模塊、模型貢獻度模塊、模型安全保護模塊、隱私保護模塊和模型訓練模塊[44]

2.4.1數據預處理模塊在農業領域的聯邦學習中，不同農場數據管理規范不一致（主要表現為數據字段命名和數據精度的差異），導致異構數據無法匹配，給模型訓練帶來困難。針對這些不一致的字段，可以采用數據對齊的方法，提取訓練模型所需的數據，從而較好地緩解異構數據給模型訓練帶來的挑戰。根據異構數據對齊效果，表1介紹了數據標準化法、特征選擇法和數據映射法的優缺點。根據不同的聯邦學習訓練任務場景，可以靈活使用這些方法，提升訓練模型的質量。

2.4.2模型計算資源統籌模塊在農業的聯邦學習訓練場景中，由于不同農業機構的設備算力和網絡吞吐量存在差異，需要對參與訓練的農業機構做好訓練資源統籌，盡量減少每輪聯邦學習訓練中參數上傳時間的差異，因此，需要對客戶端的訓練資源進行合理分配，盡量確保訓練參與方的資源得到充分利用，在給定的時間閾值內完成訓練[45]。聯邦學習資源統籌模塊如圖6所示。

在聯邦學習可信分布式訓練中，首先訓練主導的服務端從每個參與訓練的客戶端獲取空閑算力信息（TFLOPS·s^-1 、空余網絡吞吐量 （bit?s^-1） 、顯存大小、內存大小和可用與訓練的樣本量等信息。設參與訓練的客戶端空閑算力為 C ，空閑網絡吞吐量為S，每輪的時間閾值為 T_range ，模型訓練中，每個batch消耗的算力為 P（TFLOPS^?s^-1 ），batch的大小為 B ，模型更新參數量為 α ，模型上傳時間（T）可以表示為公式（1），在時間閾值內客戶端可以計算的樣本量 （K） 可通過公式（2）計算。

T=α/S

得到 K 值后，再根據每個客戶端數據庫中存儲的數據樣本量，綜合判斷本次訓練中每個客戶端的樣本訓練數量。得到最終調度結果后，將調度信息發送給選定的客戶端，共同協作完成聯邦學習模型訓練。

2.4.3模型貢獻度模塊在農業的聯邦學習訓練場景中，由于使用的傳感器批次、傳感器的部署方式和農業數據處理過程不同，且各個農業實體收集的數據質量存在差異，篩選出擁有高質量數據集的機構參與聯邦學習過程，將有助于訓練出性能更優越的模型4。在智慧農業系統中，通常使用貢獻度的方式來判斷客戶端的可靠性。計算客戶端的貢獻度需要綜合客戶端的數據可靠性、模型訓練過程中的貢獻、通信的可靠性和歷史行為記錄等方面來考慮。Zhang等4提出的RRAFL機制提供了一種有效計算貢獻度的方法。RRAFL使用參數之間夾角的余弦值作為系數，有效計算在模型更新時每個客戶端所做的貢獻。

2.4.4模型安全保護模塊在農業的聯邦學習訓練場景中，真實值偏差較大的農業數據會對訓練模型造成影響[48]。由于環境因素和傳感器老化等現象，傳感器采集的數據可能會出現異常。然而，聯邦學習中的數據投毒防御方式就是為了減小異常數據對模型的影響，這種方法同樣可以用在處理異常的農業數據中。因此，可以使用相應的防護手段構建模型安全保護模塊，在減小異常數據對模型影響的同時，防御可能存在的數據投毒攻擊和后門攻擊。

2.4.5隱私保護模塊聯邦學習需要參與者在每次的本地訓練后，上傳所更新的模型參數并與其他參與者共享，而參數更新中仍包含所有者的敏感信息。每份訓練數據都是參與者的私有財產，因此，保護參與者的數據隱私顯得極為重要。在隱私保護上，通常會使用同態加密和差分隱私等方式，對參與者的數據進行保護。

2.4.6模型訓練模塊聯邦學習訓練模塊為農業聯邦學習提供常用的聯邦學習算法，給用戶提供方便的定制化模型訓練環境。常見的聯邦學習模型訓練算法有FedAvg[49]、FedGNN[50]FedBCD5等。FedAvg較適用于橫向聯邦場景，它的通信成本比FedSGD低，可以通過較少的通信輪數更新模型參數。FedGNN適用于橫向聯邦和縱向聯邦場景，但是通信成本相對較高。FedBCD是用于縱向聯邦學習的方法，相比傳統的縱向聯邦學習有著較優的收斂速率，大大降低了通信開銷。

3聯邦學習在智慧農業系統中的應用價值與研究趨勢

在智慧農業領域，已有很多研究者開始關注并使用聯邦學習的方法。Siniosoglou等[52使用集中聯邦學習方法進行模型訓練，對比了本地模型訓練和聯邦學習訓練的模型效果，發現聯邦學習訓練的模型可以比本地訓練的模型獲得更好的性能效果。Kaur等[53使用多個客戶端同時訓練識別不同辣椒葉病的識別模型，最后再將各方模型聚合，該方法有效提高了辣椒病害識別模型性能。與傳統智慧農業系統相比，基于聯邦學習的智慧農業系統擁有更高的應用價值和更開放的研究方向。

3.1聯邦學習在智慧農業系統中的應用價值

與傳統的智慧農業相比較，基于聯邦學習的智慧農業系統在數據隱私和安全性、模型泛化和性能、合規性和法規要求、智慧農業系統的可持續性等方面有更好的效果（表2）。

3.2聯邦學習在智慧農業系統中的發展趨勢

隨著科技的不斷進步，聯邦學習在智慧農業系統中展現出巨大的應用潛力。聯邦學習作為一種分布式機器學習方法，能夠在保護數據隱私的前提下整合來自不同農場或地區的數據資源，共同訓練出更準確、更具泛化能力的預測模型。

在當前智慧農業系統中，聯邦學習主要被用于優化水肥決策和監測病蟲害情況。隨著農業科技的進步和智慧農業的不斷發展，農場規模逐漸擴大，農業數據會不斷累積，這些農業數據中隱藏著巨大的價值，優質的數據可以提升聯邦學習訓練模型的決策能力，提高整個系統的決策支持效率。評估農業數據的價值可能成為聯邦學習未來發展的關鍵領域之一。同時，隨著農戶和農場數量的增加，聯邦學習在訓練過程中面臨的多機協同的需求和壓力也在逐漸增大。因此，未來的發展趨勢可能是利用聯邦學習來處理這些異常的傳感器數據，并進一步加強多機之間的協同訓練，提高整體的訓練效率和模型性能。

3.2.1智慧農業系統中農業數據價值評估在智慧農業系統的發展過程中，農業數據的采集、處理和分析變得日益重要，這些數據不僅關系到作物的種植、病蟲害防治、水肥管理等農業生產活動，而且對提高農業生產效率具有不可估量的價值。因此，對農業數據價值進行準確地評估能夠幫助農業生產者和管理者更好地理解和利用這些數據。Fan等[54提出一種橫向聯邦學習的數據價值評估指標ComFedSV，該指標的計算過程中，通過計算、估值填補效用矩陣中的缺失字段，減少了不公平的概率，試驗表明，該指標在數據價值評估和計算時間復雜度上都表現較好。 Sun 等[55]提出了一種自適應Shapley值的加權方式，該方法增強了聯邦學習的魯棒性，降低了惡意客戶端對聯邦學習訓練的影響，提升了模型準確度。通過分析可以發現，量化聯邦學習下農業數據的潛在價值可以更高效地為聯邦學習模型訓練提供訓練數據，從而提高農事決策模型性能，降低農業生產成本，促進智慧農業可持續性發展。

3.2.2智慧農業系統中的多機協同訓練在聯邦學習的訓練階段，各參與機構需要協同處理和分析龐雜的農業數據。然而，由于這些機構在計算能力、網絡帶寬以及各自持有的農業數據規模上存在差異，使得它們在共同訓練模型時的速度和進度可能出現較大差異[5。這種差異可能會對整體模型的訓練周期造成影響，從而使模型訓練的時間跨度變長[7]。

Asad等[58從數據分布、客戶端數量、通信負載能力、電池容量和內存大小等方面進行考慮，給參與聯邦學習訓練的客戶端分配合適的模型訓練量，降低模型訓練時間的差值，從而提高聯邦學習任務效率，但是該方法在通信上仍占據了大量資源，通信過程仍有一定的優化空間。Zhuang等[59]提出了多合一任務的MAS聯邦學習方法，該方法考慮了多個任務之間的相似性，在資源受限的時候將多個相關的聯邦學習任務合并成1個聯邦學習任務，當達到訓練輪數的閾值時再將任務拆解開，通過這樣的方式可以大幅提高聯邦學習模型訓練效率，使資源受限時也能訓練出性能較好的模型。Xia等對聯邦學習和邊緣計算進行了調研，指出了傳統的梯度量化和稀疏化對聯邦學習訓練模型的效率提升有限，通信效率提升仍是聯邦學習多機協同訓練的關鍵突破點。

聯邦學習作為一種協同訓練模型的方法，在處理大規模農業數據時具有巨大潛力。已有研究從不同角度探討如何提高聯邦學習的效率，但仍面臨一些挑戰。未來研究可以繼續探索新的技術和方法，以提高聯邦學習在農業領域的應用效率和效果，可以結合邊緣計算等新興技術，進一步優化聯邦學習的通信效率，實現更快速、可靠的模型訓練。通過不斷的技術創新和應用實踐，聯邦學習可以為智慧農業的發展提供更強大的支持。

3.3聯邦學習在智慧農業系統中應用的研究方向建議

3.3.1智慧農業上的聯邦遷移學習研究隨著信息技術現代化的發展，數據資源會不斷地增長，為數據分析和決策支持提供豐富的素材。在農業領域，盡管專有數據相對較少，但可以通過納人與農業緊密相關的行業，如畜牧業、漁業等產業的數據，進行聯邦遷移學習的模型訓練。這樣的跨領域整合不僅豐富了數據集，還有助于挖掘各行業間的相似性，共同提升模型的性能和準確性。這一研究方向需要深入探討相關行業數據特征的差異和相似性，探索如何在保證數據隱私的前提下實現跨域數據的有效整合，為智慧農業系統提供更準確、可靠的預測和決策支持。

3.3.2農業多模態下的聯邦學習研究在智慧農業領域，地面傳感器、衛星圖像和無人機等技術為我們提供了豐富多樣的信息資源，這些多模態數據可用于檢測和分析農作物的生長狀態、土壤質量、氣候條件等關鍵指標]。通過將不同來源的信息整合起來，可以訓練出魯棒性更強的農事決策模型，這種綜合不同數據源的方法能夠構建更準確和可靠的模型，從而為農業生產提供更科學的決策支持。

4展望

本研究對聯邦學習的基本原理進行了介紹。首先探討了聯邦學習在智慧農業中的應用場景，并對聯邦學習技術在水肥決策和病蟲害監測這2個關鍵領域的應用進行了介紹；然后深人分析了基于聯邦學習的智慧農業系統設計，并總結出一套基于聯邦學習的智慧農業系統框架，為未來智慧農業的發展提供了重要的參考；最后在討論了聯邦學習在智慧農業中的應用后，對當前聯邦學習在智慧農業中所面臨的挑戰進行了分析，并提出了未來的研究趨勢。盡管聯邦學習作為一種新興的機器學習范式，為智慧農業的發展提供了新的思路，但目前仍面臨一些技術和實踐上的挑戰。隨著相關研究的不斷深入和技術的日益成熟，聯邦學習將在智慧農業領域發揮更加重要的作用，有望為實現高效、可持續的農業生產提供有力的技術支持，為全球糧食安全和農業可持續發展作出貢獻。

參考文獻

[1]陳曉靜，楊潤昌，洪璟.聯邦學習在保險行業的應用探索[J]. 上海保險，2023（7）：44-46.

[2]新華社.國務院印發《\"十四五”推進農業農村現代化規 劃》[J].農業工程技術，2022，42（6）：8.

[3] 楊瑞麗，謝文丹.基于云平臺的智慧農業系統設計與實現 [J].微處理機，2022，43（2）：30-33. YANGRL，XIEWD.Designand implementation of a smart agriculture system based on cloud platform [J].Microprocessors， 2022，43（2）：30-33.

[4] 韓鵬，王軍紅，王金煒.智慧農業大棚計算機信息管理系統的 設計與實現[J].河北農業，2023（10）：85-87.

[5] CONDRAN S，BEWONG M，ISLAM M Z，etal..Machine learninginprecisionagriculture：asurveyontrends， applications and evaluations over two decades [J]. IEEE polsoning attackson tederated learning-based intrusion detection [J/OL].Comput.Secur.，2023，129：103205 [2024-09- 03]. https：/doi.org/10.1016/j.cose.2023.103205.

[6]王周生，楊庚，戴華.基于梯度選擇的輕量化差分隱私保護聯 邦學習[J].計算機科學，2024，51（1）：345-354. WANG Z S，YANG G，DAI H.Lightweight diferential privacy federated learning basedon gradient dropout[J].Comput.Sci， 2024，51（1）：345-354.

[7]RIVEST R L， SHAMIR A，ADLEMAN L. Cryptographic communications system and method： WO1983/4405829 [P].1983- 09-20.

[8]邵航，高思琪，鐘離，等.同態加密在隱私計算中的應用綜 述[J].信息通信技術與政策，2022（8）：75-88. SHAO H，GAO SQ，ZHONG L，et al.. Homomorphic encryption protocols and applications in privacypreserving computation [J]. Inf.Commun.Technol.Policy，2022（8）： 75-88.

[9]RIVEST R L，SHAMIR A，ADLEMAN L.A method for obtaining digital signatures and public-key cryptosystems[J]. Commun.ACM，1983，26（1）： 96-99.

[10］張嘯劍，孟小峰.面向數據發布和分析的差分隱私保護[J]. 計算機學報，2014，37（4）：927-949. ZHANG XJ，MENG X F.Diferential privacy in data publication and analysis [J].Chin.J.Comput.，2014，37（4）： 927-949.

[11］孫一帆，張銳，陶楊，等.本地化差分隱私綜述[J].數據與計算 發展前沿，2023，5（5）：74-97. SUN Y F，ZHANG R，TAO Y，et al..A survey on local differential privacy [J].Front.Data Comput.，2023，5（5）： 74-97.

[12］周俊，方國英，吳楠.聯邦學習安全與隱私保護研究綜述[J]. 西華大學學報（自然科學版），2020，39（4）：9-17. ZHOU J，FANG G Y，WU N. Survey on security and privacypreserving in federated learning[J].J.Xihua Univ.（Nat.Sci.）， 2020，39（4）： 9-17.

[13］陳學斌，任志強，張宏揚.聯邦學習中的安全威脅與防御措施 綜述[J].計算機應用，2024，44（6）：1663-1672. CHEN X B，REN Z Q， ZHANG H Y. Review on security threatsand defense measuresin federated learning [J].J. Comput. Appl.，2024，44（6）： 1663-1672.

[14]BLANCHARD P， EI MHAMDI E M， GUEERAOUI R， et al.. Machine learning with adversaries： byzantine tolerant gradient descent[C]// Proceedings of3lst Conference on Neural Information Processing Systems.NY， USA： Curran Associates Inc.，2017： 118-128.

[15]MUNOZ-GONZALEZ L， CO KT，LUPU E C.Byzantine-robust federated machine learning through adaptive model averaging [EB/OL]. （2019-09-11）[2024-09-03]. https：//doi.org/10.48550/ arXiv.1909.05125.

[16]AWAN S N， LUO B，LI F J. CONTRA： defending against poisoning attacks in federated learning [C]// Proceedings of ComputerSecurity-ESORICS2021. Cham： Springer International Publishing，2021： 455-475.

[17]ZHANG Z， CAO X，JIA J，et al. Fldetector： defending federated learning against model poisoning attacksvia detecting malicious clients [C]//Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining，2022： 2545-2555.

[18]LAI Y C.LINJY，LINYD.et al.Two-phase defense against

[19]XIE C，HUANG K，CHENPY，et al..DBA：distributed backdoor attacksagainst federated learning [C]//Proceedings of the 8th International Conference on Learning Representations. Ethiopia，2020： 1-19.

[20]NGUYENTD，NGUYEN T，NGUYENPL，et al..Backdoor attacks and defenses in federated learning： survey，challenges and future research directions [J/OL].Eng.Appl.Artif.Intell.， 2024，127：107166[2024-09-03]. https：//doi.org/10.1016/j. engappai.2023.107166.

[21]WANG Y， ZHAI D H， HAN D， et al. MITDBA： mitigating dynamic backdoor attacks in federated learning foriot applications[J]. IEEE Int.Things J.，2023，8（1）：1-19.

[22]余晟興，陳澤凱，陳鐘，等.DAGUARD：聯邦學習下的分布式后 門攻擊防御方案[J].通信學報，2023，44（5）：110-122. YUSX， CHEN Z K， CHEN Z， et al..DAGUARD：distributed backdoor attack defense scheme under federated learning [J].J. Commun.，2023，44（5）： 110-122.

[23]NGUYEN T D， RIGER P， DE V R， et al. FLAME： taming backdoors in federated learning [C]//Proceedingsof 31st USENIX Security Symposium （USENIX Security 22）.Boston， USA： USENIX，2022： 1415-1432.

[24]王勇，李國良，李開宇.聯邦學習貢獻評估綜述[J].軟件學報， 2023，34（3）：1168-1192. WANGY，LIGL，LIKY.Surveyoncontributionevaluation for federated learning [J]. J.Softw.，2023，34（3）： 1168-1192.

[25]CHEN Y Q， YANG XD，QIN X， et al..FOUCS：dealing with labelqualitydisparityin federated learning[EB/OL].（2O20-01- 19）[2024-09-03]. htps：//oi.org/10.48550/arXiv.2001.11359.

[26]KANGJW，XIONG ZH，NIYATO D，et al..Incentive design for efficient federated learning in mobile networks：a contract theory approach [Cl// 2019 IEEE VTS Asia Pacific Wireless Communications Symposium （APWCS）. IEEE，2019.

[27]FUYC，LICL，YUFR，et al..An incentive mechanism of incorporating supervision game for federated learning in autonomous driving [J]. IEEE Trans.Int.Transport. Syst.， 2023， 24（12）：14800-14812.

[28]REHMAN MH， DIRIR A M， SALAH K， et al..TrustFed： a framework for fair and trustworthy cross-device federated learning in IIoT[J].IEEE Trans.Ind.Inform.，2021，17（12）： 8485-8494.

[29]XIONG A，CHEN Y，CHEN H，et al..A truthful and reliable incentive mechanism for federated learning basedon reputation mechanism and reverse auction [J/OL]. Electronics， 2023，12（3）： 517[2024-09-03]. https：//doi.org/10.3390/electronics 12030517.

[30]GUO W， WANG Y J， JIANG PY. Incentive mechanism design for federated learning with stackelberg game perspective in the industrial scenario [J/OL].Comput.Ind.Eng.，2023，184：109592 [2024-09-03]. htps：//doi.org/10.1016/j.cie.2023.109592.

[31]NASJ，LIANGYZ，YIUSM.A federated learning incentive mechanism in a non-monopoly market [J/OL].Neurocomputing， 2024，586：127630 [2024-09-03]. htps：//oi.0rg/10.1016/j. neucom.2024.127630.

[32]XUAN SC，WANG MD， ZHANG JY， et al..An incentive mechanism design for federated learning with multiple task publishers by contract theory approach [J/OL]. Inf.Sci.，2024， 664：120330 [2024-09-03]. https：//doi.org/10.1016/j.ins.2024. 120330.

[33］閻逸飛，王智立，邱雪松，等.Spark環境下基于數據傾斜模型 的 Shuffle分區優化方案[J].北京郵電大學學報，2020，43（2）： 116-121. YANYF，WANG ZL，QIUXS，et al..A Shuffle partition optimization scheme based on data skew model in Spark [J].J. Beijing Univ.Posts Telecommun.，202o，43（2）： 116-121.

[34]JONES J W. Decision Support Systems for Agricultural Development [M]. Dordrecht：Springer Netherlands，1993： 459-471.

[35]ASAAD Y G，GHARGHAN S K. Wireless sensor networkbased artificial intelligent irrigation system：challenges and limitations[J].J.Techniques，2023，5（3）：26-41.

[36]HOCHREITER S，SCHMIDHUBER J. Long short-term memory [J]. Neural Computat.，1997，9（8）：1735-1780.

[37]DAHANE A，BENAMEUR R，KECHAR B.An Innovative Smart andSustainable Low-cost Irrigation System for Smallholder Farmers’Communities[M].Oran： Algeria，2022： 37-42.

[38]ABIOYEE A，HENSEL O，ESAU TJ，et al. Precision irigation management using machine learning and digital farming solutions [J]. Agric.Eng.，2022，4（1）： 70-103.

[39]MEHTA S，KUKREJA V，VATS S.Empowering farmers with AI： federated learning of CNNs for wheat diseases multiclassification [C]// Proceedingsof 2O23 4th International Conference for Emerging Technology （INCET）.IEEE，2023： 1-6.

[40]MEHTA S， KUKREJA V， VATS S. Advancing Agricultural Practices：Federated Learning-based CNN for Mango Leaf Disease Detection [M]. India： Hubli，2023：1-6.

[41]MEHTA S，KUKREJA V， GUPTA R. Empowering Precision Agriculture：Detecting Apple Leaf Diseasesand Severity Levels withFederated Learning CNN [M]. India： Hubli，2023：1-6.

[42]KHANFS.Federated Learning-based UAVs for the Diagnosis of Plant Diseases [M]. 2O22 ICEET，Kuala Lumpur， Malaysia， 2022：1-6.

[43]DENGF M，MAO W， ZENG ZQ， et al.. Multiple diseases and pestsdetection based on federated learning and improved fasterR-CNN[J]. IEEE Trans.Instrument. Measurem.，2022， 71：1-11.

[44]GUPTAP，YADAVK，GUPTABB，et al..Anovel data poisoning attck in federated learning based on inverted loss function [J/OL]. Comput.Secur.，2023，130：103270 [2024-09- 03]. https：//doi.org/10.1016/j.cose.2023.103270.

[45]何常樂，袁培燕.邊緣聯邦學習的客戶端選擇機制[J].計算 機應用，2023，43（增刊1）：147-153. HE C L，YUAN P Y. Client selection mechanism of federated learning in edge computing [J]. J. Comput. Appl.，2023，43（S1）： 147-153.

[46]梁文雅，劉波，林偉偉，等.聯邦學習激勵機制研究綜述[J].計 算機科學，2022，49（12）：46-52. LIANGWY，LIUB，LINWW，etal..Surveyofincentive mechanism for federated learning[J].Comput.Sci.，2022，49 （12）：46-52.

[47]ZHANG J，WUY，PANR. Incentive mechanism for horizontal federated learning based on reputation and reverse auction [C]// Proceedings of The Web Conference：WWW'21.NY，USA： Association for Computing Machinery，2021： 947-956.

[48]肖雄，唐卓，肖斌，等.聯邦學習的隱私保護與安全防御研究 綜述[J].計算機學報，2023，46（5）：1019-1044. XIAO X， TANG Z， XIAO B，et al..A survey on privacy and security issues in federated learning [J].Chin.J. Comput.，2023， 46（5）：1019-1044.

[49]MCMAHAN H B，MOORE E，RAMAGE D，etal.. Communication-efficient learning of deep networks from decentralized data [EB/OL]. （2016-02-17） [2024-09-03]. https：// arxiv.org/abs/1602.05629v4.

[50]WU CH，WUFZ，LYULJ，et al..A federated graph neural network framework forprivacy-preservingpersonalization [J/OL]. Nat.Commun.，2022，13（1）： 3091 [2024-09-03]. https：//doi.org/ 10.1038/s41467-022-30714-9.

[51]LIUY，KANG Y，ZHANGXW，etal..A communication efficient collaborative learning framework for distributed features [EB/OL]. （2019-12-24） [2024-09-03].https：//doi.org/ 10.48550/arXiv.1912.11187.

[52]SINIOSOGLOU I， XOUVEROUDIS K，ARGYRIOU V， et al.. Applying federated learningon decentralized smart farming：a case study [C]//2O23 IEEE International Conference on Communications Workshops （ICC Workshops）.IEEE，2023： 1295-1300.

[53]KAUR A，KUKREJA V，CHAMOLI S，et al..A unified framework for chili leaf disease classification using federated learning CNN [C]//2023 1Oth IEEE UttarPradesh Section International Conference on Electrical，Electronicsand Computer Engineering（UPCON）.IEEE，2023：1398-1403.

[54]FAN Z N，FANG H， ZHOU ZR，et al.. Improving fairness for datavaluation in horizontal federated learning[C]//2O22 IEEE 38th International Conference on Data Engineering （ICDE）. IEEE，2022：2440-2453.

[55]SUNQ，LIX，ZHANG J，etal..Shapleyfl：robust federated learning based onshapleyvalue [C]//Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining，2023：2096-2108.

[56]ZHANG C，LIU X， ZHENG X，et al..Fenghuolun： a federated learning based edge computing platform for cyber-physical systems[C]//Proceedings of2O2O IEEE International Conference on Pervasive Computing and Communications Workshops （PerCom Workshops）.IEEE，2020：1-4.

[57]FERRAGMA，FRIHAO，HAMOUDAD，et al..Edge-IIoTset： anew comprehensive realistic cyber security dataset ofIoT and IIoT applications for centralized and federated learning [J]. IEEE Access，2022，10： 40281-40306.

[58]ASAD M，MOUSTAFA A，ITO T，et al..Evaluating the communication efficiency in federated learning algorithms [C]// 2021IEEE 24th International Conference on Computer Supported CooperativeWork in Design（CSCWD）. IEEE，2021.

[59]ZHUANGW，WENYG，LYUYJ，et al..MAS：towards resource-efficient federated multiple-task learning[C]//2023 IEEE/CVF International Conference on Computer Vision （ICCV）.IEEE，2023：23357-23367.

[60]XIAQ，YEW，TAO ZY，et al..A survey of federated learning foredge computing：Research problems and solutions [J/OL]. High Confid.Comput.，2021，1（1）：100008 [2024-09-03]. https：// doi.org/10.1016/j.hcc.2021.100008.

[61]侯琛，牛培宇.農業知識圖譜技術研究現狀與展望[J].農業 機械學報，2024，55（6）：1-17. HOU C，NIU P Y.Review of research status and prospects of agricultural knowledge graphs [J]. Trans.Chin. Soc.Agric. Mach.，2024，55（6）： 1-17.