近日，凌华科技与致星科技（简称“星云Clustar”）达成合作，携手打造边缘联邦学习的一体机，颠覆传统的集中式机器学习训练。此平台采用凌华科技的MECS-7211作为边缘计算服务器，与星云CLustar的FPGA隐私计算加速卡，为个资隐私解套，应用于密集型计算的加速场景，如隐私计算、机器学习、基因测序、金融业务、医疗、视频处理、网络安全等。

随着物联网的快速发展以及5G网络普及化，大量终端设备接入网络中产生海量数据，传统的数据计算分析基于云计算进行，随着数据的急剧增加，由应用终端传送至云计算过程中，会造成延时和数据泄露，及时并有效地处理数据成为云计算中心的一大挑战，边缘计算(Edge Computing)因应而生。

在靠近人、物或数据源的网络边缘侧，就近提供边缘智能服务，更有效率的网络服务响应，大大提升物联网、车联网、工业控制、智能制造、大视频等众多业务需求。边缘计算技术的引入，减轻了云中心的网络负担, 但同时也引起了安全性问题，而数据的本地化，容易阻碍数据间的交互，加之近年数据安全、应用规范不断收紧，如 GDPR 数据隐私以及数据保护的议题被高度重视。传统机器学习算法采用的数据集中化计算，无法应对数据规范要求，限制人工智能的发展。

在此背景下，联邦学习(Federated machine learning/Federated Learning)应时而生，为边缘计算的安全问题提供了解决方案。

联邦学习是一个机器学习框架，在参与方使用加密后的私有数据进行运算，仅交换加密状态后的模型参数、权重及梯度等特征，无需将原始数据移出本地，也无需将加密后的原始数据移动集中，即能帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。

联邦学习 分布式机器学习模式

保障数据不泄露并让企业用更多的数据训练模型、联合建模，实现AI协作，从技术上打破数据孤岛，为隐私保护计算解决方案的落地提供了有力支撑。

此次推出的边缘联邦学习的一体机采用凌华科技的MECS-7211作为边缘计算服务器，和星云Clustar的FPGA异构加速卡，对联邦学习中常用复杂算子进行定性分析和硬件优化，便于用户实现分布式密态机器学习任务的加速。高效的存储、计算、数据传输系统，对异构系统的高效运转起到了协同优化的作用，对比传统的CPU架构，性能提升7倍，CPU+GPU方案，提升2倍，功耗降低40%。

凌华科技和星云Clustar联合推出边缘联邦学习的一体机，协同优化运算系统，拓展了MECS系列产品的应用，未来双方将充分进行优势互补，不断扩展边缘计算应用场景，携手打造高安全、高性能、低时延的综合计算平台。