[发明专利]一种基于联邦学习资源分配优化方法及系统

权利要求书

1.一种基于联邦学习资源分配优化方法，其特征是按如下步骤：

S1.初始化训练任务和全局模型，并广播给所有用户；

S2.用户根据本地数据更新本地模型；

S3.计算时延、能耗；

S4.确定优化目标函数；

S5.交替迭代求解发射功率和计算频率；

S6.检查模型精度是否满足要求或达到本地最大迭代次数，若是，则执行S7；若否，则执行S2；

S7.雾服务器接收本地模型，聚合所有用户并生成一个新的全局模型，广播至所有用户；判断全局损失函数是否达到收敛或达到最大全局更新次数，若否，则重复S2-S6；若是，则结束。

2.如权利要求1所述一种基于联邦学习资源分配优化方法，其特征是，S1具体如下：在初始阶段，雾服务器决定任务需求和目标应用程序；初始化一个全局模型雾服务器将该全局模型广播给所有本地用户。

3.如权利要求2所述一种基于联邦学习资源分配优化方法，其特征是，S2具体如下：本地移动用户i(i∈N)接收到全局模型参数其中t为第t次迭代，利用本地数据通过本地计算，对于给定的精确度θ，第i个用户寻找最小化局部损失函数的最优参数

4.如权利要求3所述一种基于联邦学习资源分配优化方法，其特征是，S3具体如下：时延主要集中在本地计算时延和由本地传输至雾服务器的上行时延，本地时延表达为：

其中，I表示本地模型收敛下的最小循环次数，I＝llog(1/ξ),l表示与本地数据类型有关的常数，ξ表示预设的局部精度；本地时延与迭代循环次数有关，并且预设精度越高，迭代循环次数越多，本地时延越大；C_i表示处理第i个用户一个数据样本的CPU周期数，D_i表示第i个用户数据大小，f_i表示第i个用户的计算频率，能动态调节；

定义为第i个用户到雾服务器的信道增益，在不失一般性的情况下，用户的信道增益排序为假定SIC译码顺序是与信道增益有关的递减序列，即雾服务器先解码第N个用户传输的信息，在解码第N-1个用户，直至第一个用户；定义p_i代表第i个用户的传输功率，则雾服务器接收到第i个用户的信噪比为：

其中，σ²代表信道的中零均值复加高斯白噪声功率；

第i个用户实现的信道速率为：

进行上行传输时，总传输速率为：

此时传输时延为：

用户能量主要用于本地模型训练和无线数据传输，用户处理单个CPU周期的能耗为kf_i²，其中k代表电容系数，因此用于本地计算的能耗表示为：

其中，C_iD_i代表一次本地模型训练迭代所需的CPU周期数；本地模型参数上传至雾服务器的传输能耗表示为：

考虑单小区中的NOMA雾网络，所有用户在相同的传输时间将他们的数据传输到雾服务器，即

假设N个用户通过一个子通道同时将数据传输到雾服务器上，根据N个用户的信道增益按照增益递减的顺序进行解码；假设N个用户在相同的传输时间将他们的数据传输到雾服务器，即：

也就是：

因为：

故有：

因此：

因为总传输速率被表示为：

定义传输的数据大小为传输速率为传输时间为：

此时令N＝1，得到T＝L₁/R₁；一方面当N＝2时，T＝(L₁+L₂)/(R₁+R₂)；另一方面，L₁/R₁＝(L₁+L₂)/(R₁+R₂)，因此有L₁/R₁＝L₂/R₂；同理，可得L₁/R₁＝L₂/R₂＝…＝L_N/R_N；

已知双用户情景下传输时延为：

相应的传输能耗为：