[发明专利]基于联邦边缘学习的数据共享时延优化方法及装置

权利要求书

1.一种基于联邦边缘学习的数据共享时延优化方法，其特征在于，包括：

利用基于联邦边缘学习的分布式系统架构进行数据共享；所述系统架构包括通信连接的客户端、边缘服务器和中心服务器；

对所述客户端的传输功率、计算功率和数据卸载量进行优化，获取最小的数据共享时延；

对所述客户端的传输功率、计算功率和数据卸载量进行优化，获取最小的数据共享时延，包括：

在所述客户端的传输功率大于等于零，且所有客户端的传输功率之和小于等于系统功率的条件下，对所述客户端的传输功率进行优化，获取数据共享中最小的数据卸载时延；

在所述客户端的计算功率大于等于零，且所有客户端的计算功率之和小于等于系统功率的条件下，对所述客户端的计算功率进行优化，获取数据共享中最小的模型更新时延；

在所述客户端的数据卸载量大于等于零，且小于等于本地数据集的数据量的条件下，基于优化的所述客户端的传输功率和计算功率，对所述客户端的数据卸载量进行优化，获取最小的数据共享时延。

2.根据权利要求1所述的基于联邦边缘学习的数据共享时延优化方法，其特征在于，对所述客户端的传输功率、计算功率和数据卸载量进行优化，获取最小的数据共享时延之前，包括：

对所述基于联邦边缘学习的分布式系统架构进行时延分析，获取数据共享时延的组成部分。

3.根据权利要求1所述的基于联邦边缘学习的数据共享时延优化方法，其特征在于，利用基于联邦边缘学习的分布式系统架构进行数据共享，包括：

所述边缘服务器接收所述客户端卸载的数据；

所述边缘服务器对接收的所述数据进行训练，获取模型更新参数。

4.根据权利要求1所述的基于联邦边缘学习的数据共享时延优化方法，其特征在于，利用基于联邦边缘学习的分布式系统架构进行数据共享，包括：

设置第一阈值，所述第一阈值为参与全局聚合的客户端数量的最小值；

设置第二阈值，所述第二阈值为客户端输出模型参数的时间的最大值。

5.根据权利要求4所述的基于联邦边缘学习的数据共享时延优化方法，其特征在于，利用基于联邦边缘学习的分布式系统架构进行数据共享，还包括：

在所述参与全局聚合的客户端数量达到第一阈值，且所述客户端输出模型参数的时间未达到第二阈值的情况下，对参与全局聚合的客户端输出的模型参数进行全局聚合；

在所述客户端输出模型参数的时间达到第二阈值，且所述参与全局聚合的客户端数量未达到第一阈值的情况下，对在所述第二阈值内输出的模型参数进行全局聚合。

6.根据权利要求1所述的基于联邦边缘学习的数据共享时延优化方法，其特征在于，所述数据共享中最小的数据卸载时延根据如下公式获取：

约束条件：

式中，表示分配给客户端k的传输功率，L_k表示客户端k的数据卸载量，L_k为固定值，B表示每条链路的带宽，g_k表示客户端k的信道增益与复杂信道高斯白噪声的方差之比，表示客户端的总数量，P表示系统功率。

7.根据权利要求1所述的基于联邦边缘学习的数据共享时延优化方法，其特征在于，所述数据共享中最小的模型更新时延根据如下公式获取：

约束条件：

式中，表示客户端k的计算功率，D_k表示客户端k的本地数据集的数据量，L_k表示客户端k的数据卸载量，L_k为固定值，是客户端k的有效电容系数，大于0，e_s表示服务器的中央处理器频率，表示客户端的总数量，P表示系统功率。