近年来，分布式异步离线优化算法受到广泛关注。相比分布式同步架构，各个计算节点独立计算、不受约束的特性使其在大规模数据和复杂模型上拥有高性能、高效率的表现。另一方面，随着移动边缘计算逐渐成为发展趋势，数据从以云为中心分布到边缘节点，边缘节点本地处理数据的特性带来低时延和安全性的同时，分布式协同任务将面临天然的非独立同分布的倾斜数据情形。移动边缘计算场景下的分布式机器学习异步训练的意义越来越突出，而此前的研究中，分布式异步离线优化算法在这种倾斜数据上的性能和收敛精度并不令人满意，因为各个计算节点上稀疏、偏置的数据特征会导致训练过程产生振荡并最终影响收敛。
　　针对移动边缘计算中倾斜数据的分布式异步优化，提出一种具有“局部平均梯度”和“全局动量”的梯度调度算法(Gradient Scheduling with Global Momentum, GSGM)。首先，GSGM在中心服务器而非边缘节点上应用动量方法，用各个节点贡献的历史梯度的累积削弱偏置方向的影响。其次，GSGM利用基于白名单的调度策略使各个节点的梯度更新平衡而有序。最后，全局动量的作用对象是局部平均梯度，其意义是将每一轮调度结束时各节点最近一次计算的梯度的平均作为无偏方向的良好估计。实验结果表明，对于在相同实验条件下的非独立同分布数据训练，应用在流行的优化算法上的GSGM可以使训练稳定性提高20％，同时对Fashion-Mnist和CIFAR-10数据集上的模型精度略有提高。另一方面，当扩展分布式规模而在CIFAR-100数据集上导致倾斜数据分布愈加稀疏时，GSGM可以将训练稳定性提高37％。在多达30个边缘计算节点时，用于比较的卓越算法均无法完成训练过程，GSGM的收敛仍然稳定、高效且精度高。此外，GSGM对不同程度的倾斜数据具有鲁棒性。