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: 2022103470198
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: 计算;推算;计数
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:

1.一种基于博弈与多维契约的联邦边缘学习调度方法,其特征在于,包括:步骤1)构建云服务器CC、边缘服务器EN和终端用户UE参与的联邦边缘学习网络,并建立CC、EN和UE的效用函数;

步骤2)每个EN利用历史记录统计其通信范围内的UE数量,并按照数据采集支出、模型训练支出和模型参数传输支出将UE划分为不同的类型;基于CC发布的单位数据奖励,EN求解优化问题1针对不同类型的UE设计不同的契约包,某个类型的契约包包含该类型的UE贡献的数据量和对应的奖励;

步骤3)每个EN将UE预计能够贡献的数据量和对应的奖励的契约包上报给CC;构建完全信息条件下的主从博弈,EN为从方,CC为主方;CC通过优化问题2求解出最优费用支付给EN,然后EN将给选定契约的UE依据所述契约包支付费用;选定的UE将进行联邦边缘学习训练过程;

步骤4)基于上述步骤得到最优契约包和博弈解从而实施联邦边缘学习调度机制;

所述步骤2)中优化问题1的构建过程包括:

多维契约优化问题1表示为:

定义类型(m,i,j,k)UE的总支出为:

定义类型(m,i,j,k)UE的数据量的边际支出α为:

表示类型(m,i,j,k)UE的不愿意参与的程度,边际支出越大的UE总是越不愿意参与;根据数据量的边际支出以非递减顺序对类型(m,i,j,k)进行重排序

Φm,1(x),Φm,2(x),...,Φm,h(x),...,Φm,IJK(x)    (9)其中,Φm,h(x)代表某种类型(m,i,j,k)作为类型Φm,hUE;给定排序顺序,UE类型按照数据量的边际支出升序排列:为便于表示,用类型Φm,h(x)来表示UE类型,即表示为πm,h=(xm,h,rm,h)类型Φm,h(x)UE设计的契约;使用C(Φm,h,xm,h)来表示支出的新排序,使用α(Φm,h,xm,h)来表示数据量的边际支出;

优化问题1转化为:

其中,C1是个人理性约束IR表明UE不会选择负效用,C2是契约的单调性,C3是调度相容约束IC表明UE只有在逆向选择EN提供的匹配自己的契约时效用才最大,约束C4和C5分别UE获得的奖励和采集的数据量的限制条件。

2.如权利要求1所述的一种基于博弈与多维契约的联邦边缘学习调度方法,其特征在于:所述步骤1)中UE的效用函数为:其中,xm,n为第m个EN下第n个UE贡献的数据量,τ为本地模型更新次数,σ为EN模型聚合次数,rm,n表示第m个EN给与UEn的奖励,表示UEn数据采集的单位支出,表示模型训练的能量消耗的单位支出,η是执行一个比特的数据量消耗的处理器算力,s是每个样本数据的大小,κm,n是有效开关电容,表示传输更新的本地模型参数的能量消耗的单位支出,d是传输功率,tmax是模型训练和传输需要的总时间;所述效用函数的每部分表示的含义如下:第一部分是获取的奖励,第二部分是数据采集的支出,第三部分是模型训练的支出,第四部分是传输更新的本地模型参数的支出;简化表述为:其中p为单位数据的价格,假设p和β3是相同的;UE的数据采集支出、模型训练支出和模型参数传输支出对于EN是未知的,因此按照这些支出的类型,UE被分为不同的类别,即数据采集支出、模型训练支出和模型参数传输支出类型;定义如下γm={γm,i:1≤i≤Im},Λm={νm,j:1≤j≤Jm},第m EN通信范围内总共存在ImJmKm学习支出类别的UE;每个学习支出类别的联合概率分布为其对应的数量是Nm,i,j,k,即UE的类型排序非降:0<γm,1≤γm,2≤…≤γm,I,0<νm,1≤νm,2≤…≤νm,J和将采集支出类型为i、模型训练支出类型为j和模型参数传输支出类型k的UE表示为类型(m,i,j,k);将类型(m,i,j,k)UE的效用函数重新定义为

3.如权利要求2所述的一种基于博弈与多维契约的联邦边缘学习调度方法,其特征在于:所述步骤1)中EN的效用函数为:其中,p为单位数据的价格,ζm为单位满意度的利润,xm,i,j,k为第m个EN下数据采集支出、模型训练支出和模型参数传输支出类型分别为i,j,k的UE采集的数据量,rm,i,j,k为第m个EN给下属数据采集支出、模型训练支出和模型参数传输支出类型分别为i,j,k的UE提供的奖励。

4.如权利要求3所述的一种基于博弈与多维契约的联邦边缘学习调度方法,其特征在于:所述步骤1)中CC的效用函数为:Φ表示单位精度获得的利润。

5.如权利要求4所述的一种基于博弈与多维契约的联邦边缘学习调度方法,其特征在于:所述步骤2)中优化问题1的求解过程包括:计算单个UE从所属的EN处获得的最佳奖励为:

其中Δh=rm,h+1-rm,h=C(φm,h,xm,h+1)-C(φm,h,xm,h),h=1,...,IJK-1;

转化所述优化问题1表示为:

其中,当h=2,...,IJK时,当h=1时,bm,h=Nm,1qm,1α(φm,1,xm,1);

求解优化问题1最优的数据量为:

根据公式(11)和公式(13),即得到EN和UE之间的契约包。

6.如权利要求5所述的一种基于博弈与多维契约的联邦边缘学习调度方法,其特征在于:所述步骤3)中优化问题2的建立求解过程包括:优化问题2表示为:

对于CC来说,为了求解出最优的单位数据奖励,把EN最优的数据量带入到优化问题2的效用函数里面得到对公式(15)进行一阶和二阶求导,得到如下等式

和

当时,因此,存在最优的单位数据价格p*,令公式(17)等于0,得到最优的单位价格。

7.一种基于博弈与多维契约的联邦边缘学习调度系统,其特征在于:包括一个CC,多个EN和多个UE,所述EN在与所述UE进行多次联邦学习后将中间参数发送给CC,所述CC聚合中间参数得到全局参数并回传给EN开启下一轮学习,其中所述CC,EN和UE均为特殊硬件设备,所述特殊硬件设备执行计算程序时实现如权利要求1至6中任意一项基于博弈与多维契约的联邦边缘学习调度方法的步骤。