1. 选择数据集

MNIST：手写数字图像数据集，用于验证较简单的图像分类任务。
CIFAR-10：包含 10 类彩色图像的数据集，用于验证更复杂的图像分类任务。

2. 选择模型

MNIST 使用一个两层神经网络，隐藏层大小为 100，适合手写数字这种较简单的图像分类任务。
CIFAR-10 使用 LeNet-5，包含两层卷积层和三层全连接层，用于处理更复杂的彩色图像分类任务。

3. 评价指标

训练损失（Training Loss）：用来衡量模型在训练数据上的误差。损失越低，说明模型拟合效果越好。
测试准确率（Testing Accuracy）：用测试集判断模型分类是否正确。准确率越高，说明全局模型性能越好。
收敛速度：观察模型达到较高准确率或较低损失所需要的时间和训练轮数。收敛越快，说明联邦学习效率越高。

4. 对比算法

FedAvg、FedCS

5. 实验（图）

5.1 图1解释

这张图是论文的系统场景示意图，作者画它的主要目的，是先说明 ESAFL 在什么车联网环境中运行：一个 RSU 位于道路旁边，周围有多辆不断移动的车辆，虚线椭圆表示 RSU 的通信覆盖范围，车辆通过无线链路与 RSU 进行模型交互。

5.2 图2解释

这张图表示的是论文中的联邦学习运行流程图，分成5步：
→ 参数传输
→ 选择车辆
→ 车辆本地训练
→ 上传本地模型
→ RSU 聚合全局模型

5.3 图3解释

这张图是用来说明 ESAFL 的时间调度和半异步聚合过程的，横轴 t 表示时间，右边4段虚线表示不同的全局聚合时刻，也可以理解为每个联邦学习周期的时间边界。
图中把车辆分成 Layer-1 到 Layer-4 四层（4组车辆）。

橙色部分表示车辆正在进行本地模型训练，蓝色部分表示车辆正在上传训练好的模型。Layer-1 中的车辆训练和上传速度较快，所以几乎每一轮都能参与；Layer-2 的车辆大约每两轮参与一次；Layer-3 和 Layer-4 的车辆更慢，因此参与频率更低，上传过程也可能跨越多个聚合周期。

5.4 图4解释

统计很多辆车完成“本地训练＋上传模型”分别需要多长时间。【横轴表示车辆需要的时间，纵轴表示这个时间段内有多少车辆。】
从图上看，大部分车辆大约需要 2秒，还有一些车辆需要 5到6秒，少数车辆需要 8秒左右。也就是说，不同车辆的训练和上传速度差别很大，有的快，有的慢。

5.5 图5解释

这张图是在比较 FedAvg、FedCS 和 ESAFL 在 MNIST 数据集上的训练效果。
左边图看的是测试准确率。横轴是训练轮数，纵轴是模型在测试集上的准确率。三条线一开始都快速上升，说明模型经过前几百轮训练后就学到了大部分内容。最后，FedAvg 和 ESAFL 的准确率都接近 97%左右，而 FedCS 稍低一些，说明 ESAFL 最终能够达到和 FedAvg 相近、并且优于 FedCS 的准确率。
右边图看的是训练损失。横轴仍然是训练轮数，纵轴是训练错误大小。损失越低越好。三种方法的损失都会随着训练进行而下降，说明模型逐渐学会了分类任务。最后，FedAvg 和 ESAFL 的损失较低，FedCS 的损失相对更高，说明 FedCS 的训练效果稍差。