1.一种面向联邦边缘学习的D2D配对及设备调度的联合方法,其特征在于:
面向联邦边缘学习的D2D配对及设备调度联合方法步骤如下:
S1:利用联邦边缘学习系统进行联邦学习,所述联邦边缘学习系统是一个无线资源有限的边缘基站和若干设备协同训练所形成的全局模型,设备集合为C={1,2,…,C'},C'=|C|,所述边缘基站可同时与N个设备建立连接;在第t轮中与所述边缘基站直接通信的设备集合为St,两个所述设备组成D2D设备对集合为Pt,其中每个所述D2D设备对包含与所述边缘基站通信的设备Bi,t以及和所述Bi,t通信的设备Di,t,对于i∈St∪Pt,调度策略ai,t∈[0,1],ai,t=1表示设备i在训练轮次t时参与训练,否则没参与;所述设备i为一对D2D设备对;
D2D设备通信和所述设备到所述边缘基站的直接通信均采用正交频率在准静态瑞利衰落中传输;每个所述设备将模型参数封装到单个数据包中进行传输;所述边缘基站通过循环冗余校验验证数据包的完整性,如果显示损坏或丢失,则丢弃报文;
在进行每轮联邦学习之前,分别计算所有设备与所述边缘基站进行直接通信的丢包率和所有可行的D2D设备对的通信丢包率,引入可用性约束指标来表示设备的本地模型调度策略能否上传成功;
S2:考虑到设备数据异构对于模型训练的负面影响,在每轮设备选择时为每个设备引入一个虚拟队列,实现公平性约束;
S3:将数据质量、丢包率、虚拟队列综合考虑作为衡量标准,作为设备配对与选择的依据,并将优化问题建模成一个带约束的最大权独立边集问题;
S4:通过二部图最大权匹配算法在每轮训练中进行D2D设备配对及选择,被选择参与训练的D2D设备对和直接通信设备将本地更新模型上传到边缘基站进行全局聚合,并将新的全局模型广播给所选择的设备进行下一轮训练,直到模型收敛。
2.根据权利要求1的一种面向联邦边缘学习的D2D配对及设备调度的联合方法,其特征在于:在S1中,所有设备与所述边缘基站进行直接通信的丢包率和所有可行的D2D设备对的通信丢包率如下:设备i与边缘基站直接通信的丢包率qi,B表示为:
其中,Pi,B、hi,B为设备i与边缘基站直接通信的发射功率和信道增益,WB为分配的通信带宽,N0为噪声功率谱密度,τ为系统特定的阈值参数,表示对信道增益hi,B的数学期望;
D2D设备通信的丢包率为:
其中,Pi,D、hi,D为设备i进行D2D通信的发射功率和信道增益,WD为D2D通信专用带宽,τ′是D2D通信的反向编码增益相关的阈值参数;表示对信道增益hi,D的数学期望;
定义设备到边缘基站的模型传输指标Ci,B∈{0,1},当Ci,B=1时表示设备i的本地模型上传成功,否则Ci,B=0,该指标可表示为:对于设备i∈Pt,引入指标Ci,D∈{0,1},当Ci,D=1时表示D2D模型传输成功,否则Ci,D=0,该指标可表示为:
3.根据权利要求1的一种面向联邦边缘学习的D2D配对及设备调度的联合方法,其特征在于:在S2中,考虑到设备的数据异构特性会对模型训练的效率产生负面影响,引入所述公平性约束:其中,T表示总训练轮次,ci∈[0,1)表示选择设备i所需的最小通信回合数相较于总训练轮次的比例值;为了解决上述公平性约束,为设备i∈C引入虚拟队列Di,即:Di(t)=[Di(t-1)+ci-ai,t-1]+
其中,Di(t)表示第t轮开始时的队列长度,[x]+=max{x,0},全局设备表示为D(t)=[D1(t),…,DC'(t)],D(1)=0。
4.根据权利要求1的一种面向联邦边缘学习的D2D配对及设备调度的联合方法,其特征在于:在S3中,通过优化D2D关联及调度策略,制定以最小化全局损失为目标的优化问题,包括如下步骤:F1:联邦学习学习率满足给定设备调度矩阵at和最优全局联邦学习模型w*,收敛性上界描述为:其中,L(wt+1)代表t+1轮的损失函数,L(w0)代表初始损失函数;为满足全局训练要求,设备训练的本地损失函数满足ζ1和ζ2为非负常数,为t轮次损失函数的梯度,全局损失函数L(w)是二次连续可微的,满足L和μ分别为Lipschitz连续性和强凸性的非负常数,I为单位矩阵,并且Ki,B表示设备Bi,t的本地数据集的大小,Ki,D表示设备Di,t的本地数据集的大小,qi,B表示设备i与边缘基站直接通信的丢包率;qi,D表示D2D设备通信的丢包率;
F2:为最小化所述收敛性上界,只需要最小化间隔改写A为改写B为进一步地,优化问题表示为:其中,T为总训练轮数的集合,N为边缘基站在任何给定时间可访问的设备最大限制数量;
F3:将所述优化问题建模为图论问题,其中设备被视作顶点,设备之间的潜在匹配视作边,因此所述优化问题可以简化为一个带约束的最大加权独立边集问题,通过找到一组不共享顶点的边,使总权重最大化。
5.根据权利要求1的一种面向联邦边缘学习的D2D配对及设备调度的联合方法,其特征在于:在S3中,所有参与训练的设备都采用标准梯度下降进行本地训练;通过引入调度策略和考虑丢包率,全局模型w的更新规则可描述为:其中,Ki,B、Ki,D和Kj分别表示设备Bi,t、Di,t和j的本地数据集的大小,wi,t,wj,t分别表示来自第t轮的设备i和直接通信设备j的本地模型参数,Ci,B定义设备到边缘基站的模型传输指标,Ci,D表示D2D模型传输指标。
6.根据权利要求1的一种面向联邦边缘学习的D2D配对及设备调度的联合方法,其特征在于:在S4中,求解上述最大权独立边集问题的步骤如下:步骤1):将设备i∈C转化为节点ui∈U来构造一般图G(U),U是节点集合,定义设备i的顶点权值:其中,β∈[0,1];在不失一般性的前提下,D2D设备对i的边权值定义为:
其中,Ki,B、Ki,D分别表示设备Bi,t、Di,t的本地数据集的大小,Di,B(t)和Di,D(t)分别表示设备Bi,t和Di,t的虚拟队列,qi,B和qi,D分别表示设备i与边缘基站直接通信的丢包率和D2B设备的通信丢包率;
步骤2):对U中包含的节点执行对称操作,获得新的节点集合,记为V,构造二部图G(U,V),对于ui∈U,vj∈V,建立边e(i,j),使用二部图最大权匹配算法实现最大匹配M,并对M进行边权递减排序,N为边缘基站在任何给定时间可访问的设备最大限制数量,以满足边缘基站接入设备数量约束。