[发明专利]用于无线通信系统的电子设备、方法和存储介质

说明书

本公开内容涉及用于无线通信系统的电子设备、方法和存储介质。描述了关于在无线通信系统中利用分布式机器学习的各种实施例。在一个实施例中，向控制实体发送用户设备在本地模型的当前训练期间使用的训练样本的数量信息；接收用于上传本地模型的参数的上行资源信息，其中，上行资源信息指示的上行资源是由控制实体基于从多个用户设备接收到的数量信息分配的，使得数量信息指示的数量越大的用户设备越有机会被分配足以上传本地模型的参数的上行资源；以及经由所述上行资源信息指示的上行资源，向控制实体上传本地模型的参数，以供控制实体得到下一个全局模型。

技术领域

本公开涉及无线通信领域，更具体地，涉及在利用分布式机器学习时采用的技术，还涉及用于数据传输的技术。

背景技术

随着无线网络和人工智能的发展，网络逐渐趋于智能化。无论是目前如火如荼发展的5G技术，还是未来新一代的无线网络技术，无线网络智能化将是其发展的重要方向之一。具体地，联邦学习(Federated Learning，FL)由于其在保证数据隐私安全性和合法合规性方面具有独特的优势，并且可以通过多个设备共同建模提升机器学习模型的效果，已经成为当前非常重要的分布式人工智能框架或分布式机器学习框架，其与无线网络的结合将是未来无线网络智能化应用的主要内容之一。因此，如何将FL与无线网络技术进行有效的联合设计，将会对未来的人工智能应用产生重要影响。

由于FL的应用的特点，FL对无线网络的QoS提出了更高的要求。例如，FL的数据业务具有时延敏感特征，使得针对FL产生的数据业务需要采用超可靠低时延通信(Ultra-Reliable Low-Latency Communications，URLLC)场景来传输。具体地，FL中的本地模型和全局模型的参数的传输需要URLLC的支持。然而，同时向大量用户设备提供URLLC的数据传输服务会对无线网络造成巨大压力，也很大程度上增加了通信成本。因此，为了使无线网络能够满足联邦学习中模型参数传输的服务需求，需要对当前的无线网络标准进行相应的补充，以使得FL能够在无线网络中成功运行。更可取的是，使FL能够以低成本和高效率的方式在无线网络中运行，避免FL应用对无线网络造成过多的压力，并使得训练出的全局模型的误差能够最小化。

由于无线网络中资源的有限性，可能不足以使参与诸如FL之类的分布式机器学习的所有用户设备都能够上传本地模型的参数。由于本地模型参数的缺失，聚合得到的全局模型的误差可能较大，使得分布式机器学习的效果难以令人满意。

因此，希望能够提供一种方式，使得在无线网络中应用分布式机器学习时全局模型的误差能够减小。

另一方面，5G通信由于其卓越的数据传输性能，正受到越来越多的关注和研究。作为5G通信的核心应用场景之一的URLLC对可靠性和时延性有着极为严格的性能要求。具体而言，URLLC要求达到99.999％的可靠性和1ms的时延。此外，伴随着无线网络的换代升级，许多新型应用应运而生，这些应用对时延性和可靠性的要求可能更加严格。例如，工厂自动化(Factory automation)要求可靠性高于7个9(99.99999％)，时延短于1ms。下一代无线通信(B5G或6G)对时延性和可靠性的要求只会更高更严格，预计可靠性会高达9个9，时延性会低于0.1ms。

针对诸如URLLC之类的对时延性和可靠性有较高要求的通信，存在如下问题。一是，尽管目前开发使用的诸如短数据包传输、免授权传输、短时间间隔传输、以及时间、频率和空间分集之类的大量技术有助于提升可靠性和缩短时延，但是，如果信道状态急剧变化等异常情况出现，那么目前存在的技术往往需要通过消耗大量的资源来应对这些异常情况，缺少对无线传输环境的适应性，并缺乏调度的灵活性。二是，现行网络为了实现诸如URLLC之类的低时延高可靠性通信，需要消耗大量的资源做信道的探测和估计，使得开销较大，并且在异常情况下难以提供更为准确的信道信息。三是，由于无线信道的实时变化，基站进行调度所参考的信道采样信息可能已经过时而失真，完全或部分失去了对系统的调度价值，难以保证传输信息的及时和有效。