欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022102741099
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种异构网络中基于计算卸载的联邦学习调度方法,其特征在于,所述联邦学习调度方法包括以下步骤:S1,获取异构网络中联邦学习系统的环境参数和用户参数;在异构网络多MEC系统中,用户利用本地数据训练得到子模型,并将子模型发送给宏基站上的中央服务器,在中央服务器上聚合用户子模型以获得全局模型;对于资源较少无法及时完成本地训练的用户,将本地数据卸载到小基站上的边缘服务器进行计算;

S2,构建通信和计算模型,该通信和计算模型综合考虑计算和通信产生的能耗、时延以及联邦学习精度,建立用户开销最小化的优化问题,将其分成为信道分配、用户计算资源分配及本地学习精度和卸载决策三个子问题,通过对三个子问题进行求解,得到最优资源分配方案和卸载决策,使所有用户移动设备整体能耗和时延最小;

步骤S1中,异构网络由宏基站与小基站组成,在宏基站的覆盖rmbs范围内,随机分布了N个拥有边缘服务器的小基站和I个用户设备;定义所有用户设备的集合为 小基站的集合为 每个用户设备i本地存储有大小为oi的训练数据集其中si为数据数量,xik为模型输入变量,yik为模型输出变量;当用户设备在小基站的覆盖范围rsbs内时,允许选择将这一轮的联邦学习训练任务卸载至小基站上的边缘服务器训练,再将训练好的模型参数上传至宏基站进行合并;

当用户的损失函数采用li(w,xik,yik)时,将局部损失函数定义为:全局损失函数定义为各用户局部损失函数的加权,表示为:其中qi为用户i的加权因子,即为各个用户占有数据量的比重,t

重复迭代更新直到模型收敛为止;在第t次迭代中,用户接受基站发送的模型参数w ,并迭代减小损失函数达到精度阈值θi,当所有的用户都完成训练后,将本地模型参数 和损失函数的梯度发送给基站,得到全局损失函数的梯度为:t+1

基站将t+1次的模型参数更新为w ,并发送给用户再进行下一步训练,更新的模型参数为:本地用户i的迭代次数受精度阈值影响,表示为:其中ci是受到损失函数类型和全局收敛条件影响的参数;

步骤S2中,所述构建通信和计算模型的过程包括以下步骤:假设用户设备i分配给本地训练的计算资源为fi,根据下述公式计算本地计算的能量消耗:其中,α的值为能耗系数,bi表示1比特数据所需要的CPU运算周期;

本地计算的时长表示为:

当用户设备i选择将训练任务卸载至小基站服务器执行时,根据下述公式计算用户设备卸载数据集的传输时延其中B为单个资源块的带宽,mi为分配给用户的资源块数,hi为信道增益,N0为噪声功率谱密度;Ri为用户的传输速率,当用户设备将数据集的卸载完成后,小基站服务器计算所需要的时间为:其中 fn表示服务器n的总计算频率;

如果卸载到小基站n的用户人数为un,则用户完成一次卸载所需要的总时延为:off com mec

Ti =Ti +Ti ;

用户设备的卸载能耗即为通信过程中产生的能耗,表示为:步骤S2中,所述通信和计算模型建立的用户开销最小化的优化问题为:P1:

min max

s.t.fi ≤fi≤fi

0≤θi≤1

θi≤θ

ai∈{0,1}

min max

其中,k为加权系数,fi 为用户最小计算频率,fi 为用户最大计算频率,θi为用户的off loc精度阈值,M为总信道数,Tmax为用户训练时延,Tmax=max{aiTi +(1‑ai)Ti ,i∈[1,n]};用户设备i的卸载决策表示为ai∈{0,1},其中ai=0表示在本地执行,ai=1表示卸载至边缘服务器;

步骤S2,将用户开销最小化的优化问题分成为信道分配、用户计算资源分配及本地学习精度和卸载决策三个子问题包括:S21,对信道分配变量mi进行优化,信道分配优化子问题为:P2:

采用贪婪算法求解信道分配优化子问题,将信道分配给能够使得优化目标最优的用户设备;

S22,对本地执行用户的最优计算频率进行优化,定义本地时延最大值计算资源分配优化子问题为:

P3:

min max

s.t.fi ≤fi≤fi

采用KKT条件求解计算资源分配优化子问题,对本地执行用户的最优计算频率进行优化;

S23,对本地学习精度和卸载决策进行优化,学习精度和卸载决策优化子问题为:s.t.0≤θi≤1

θi≤θ

ai∈{0,1}

最优的精度值 满足:

采用坐标下降法求解学习精度和卸载决策优化子问题,确定联邦学习用户的最优卸载决策方案。

2.根据权利要求1所述的异构网络中基于计算卸载的联邦学习调度方法,其特征在于,步骤S21中,采用贪婪算法求解信道分配优化子问题,将信道分配给能够使得优化目标最优的用户设备的过程包括以下步骤:S211,初始化信道分配矩阵 为全1;初始化rem;rem为还没有分配的信道数;

S212,对rem进行判断,若rem>0,则转入步骤S213,否则转入步骤S219;

S213,对于每一个用户 分别计算cost1和cost2;

S214,计算value[i]=cost1‑cost2;value(i)为用户i的目标值;

S215,找出最大的value[j]其中S216,令

S217,将rem的值减小1;

S218,回到步骤S212。

3.根据权利要求1所述的异构网络中基于计算卸载的联邦学习调度方法,其特征在于,步骤S22中,采用KKT条件求解计算资源分配优化子问题,对本地执行用户的最优计算频率进行优化的过程包括以下步骤:S221,将资源分配优化子问题P3中的子问题转化为对时延最优值的求解,时延优化问题表示为:P4:

S222,采用KKT条件求解优化问题P4,解得:其中, 和 分别为在优化问题P4包含的两个边界条件下的用户集合, 为边界条件内的用户集合;

S223,定义集合 为所有用户的时延,则最优时延值为集合中最大的数:

S224,确定本地卸载用户的最优计算频率,要求所有用户都以最大时延为目标,且计算频率不能低于设备的最低频率,最优计算频率表示为:

4.根据权利要求1所述的异构网络中基于计算卸载的联邦学习调度方法,其特征在于,步骤S23中,采用坐标下降法求解学习精度和卸载决策优化子问题,确定联邦学习用户的最优卸载决策方案的过程包括以下步骤:计算所有用户到最近的小基站的距离,根据小基站覆盖范围确定卸载用户数,具体过程包括:S231,初始化矩阵A,初始化 p和Z;

S232,根据计算资源分配和信道分配算法求解相应的最优值;

S233,计算 计算

S234,判断是否完成了对所有用户 的计算,若是,转入步骤S235,否则回到步骤S233;

S235,判断 的值是否大于0,若是,转入步骤S236,否则结束流程;

S236,在j∈Uoff选择j使得 最大;

S237,计算

S238,将z的值增加1;

S239,转入步骤S233;

其中,v为用户到最近小基站的距离,p为可卸载用户数, 为在小基站覆盖范围内的可卸载用户集合,矩阵 表示用户的卸载决策;初始卸载矩阵的元素全为0, 表示第z‑1次迭代时的卸载决定,Z表示最终迭代次数; 表示第z次迭代时改变当前卸载决定后优化目标的减小量; 表示第z‑1次迭代时的卸载矩阵,改变用户j决定后的矩阵;

在每次迭代中,在当前点处沿一个坐标方向进行一维搜索以求得一个函数的局部极小值,经过多次迭代收敛。

5.一种基于权利要求1所述方法的异构网络中基于计算卸载的联邦学习调度系统,其特征在于,所述联邦学习调度系统包括:获取模块,用于获取异构网络中联邦学习系统的环境参数和用户参数;在异构网络多MEC系统中,用户利用本地数据训练得到子模型,并将子模型发送给宏基站上的中央服务器,在中央服务器上聚合用户子模型以获得全局模型;对于资源较少无法及时完成本地训练的用户,将本地数据卸载到小基站上的边缘服务器进行计算;

优化计算模块,用于构建通信和计算模型,该通信和计算模型综合考虑计算和通信产生的能耗、时延以及联邦学习精度,建立用户开销最小化的优化问题,将其分成为信道分配、用户计算资源分配及本地学习精度和卸载决策三个子问题,通过对三个子问题进行求解,得到最优资源分配方案和卸载决策,使所有用户移动设备整体能耗和时延最小。