[发明专利]基于博弈与多维契约的联邦边缘学习调度方法及系统

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，包括以下步骤：

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。

2.根据权利要求1所述的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，x_m,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，r_m,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，κ_m,n是有效开关电容，f_m,n表示第m个EN下第n个UE处理器频率的平方，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，t_max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：

其中假设d和是相同的；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可以被分为不同的类，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Υ_m＝{γ_m,i:1≤i≤I_m},Λ_m＝{ν_m,j:1≤j≤J_m},第m EN通信范围内总共存在I_mJ_mK_m学习支出类的UE；每个学习支出类的联合概率分布为其对应的数量是N_m,i,j,k，即UE的类型排序非降：0＜γ_m,1≤γ_m,2≤...≤γ_m,I，0＜ν_m,1≤ν_m,2≤...≤ν_m,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的效用重新定义为

3.根据权利要求2所述的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，ζ_m为单位满意度的利润，x_m,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，r_m,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.根据权利要求3所述的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。