[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

说明书

本发明公开了计算机通信技术领域一种基于博弈与多维契约的联邦边缘学习调度方法及系统，包括以下步骤：1）构建CC、EN和UE参与的联邦边缘学习网络，并建立CC、EN和UE的效用函数；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；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；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，本发明解决了CC‑EN‑UE整体的联邦边缘学习调度问题。

技术领域

本发明涉及计算机通信技术领域，尤其涉及一种基于博弈与多维契约的联邦边缘学习调度方法及系统。

背景技术

联邦学习是一种特殊的分布式学习方法，它使多个UE协作训练共享的参数模型，同时保证训练数据存在于UE上。服务器首先将全局模型参数分发给随机选取的一部分UE。然后每个UE并行地在各自的数据上进行优化更新局部参数。最后服务器对所有局部参数进行聚合，进而输出全局参数。联邦学习训练期间无需通过通信网络发射私有数据，在一定程度了保护了隐私。

然而联邦学习涉及数千个异构分布式UE设备。在这种情况下通信效率低下是关键瓶颈。即通信故障导致的节点故障和设备丢失会导致学习效率低下。此外，连接严重受限的UE设备无法参与训练，从而对模型的泛化能力产生不利影响，另外设备与云端服务器的远距离交互会带来较大的通信支出。边缘计算技术是一种允许网络边缘执行的计算架构，可以将各种计算工作下沉到网络边缘，与集中式云计算相比EN在地理位置上更靠近UE设备，同时分布更广数量更多，分担了集中云计算的负载降低了时延和学习资源消耗。将联邦学习与边缘计算结合的联邦边缘学习框架可解决上述问题，其中UE参数首先上传到EN用于中间聚合。然后与CC通信进行全局聚合，减少了全局通信的支出并降低了设备的丢失率。

然而在学习中各种设备都是自私的，需要提供自己的资源来参与学习，没有合理的补偿和有效的调度方法就无法调度到足够的参与者。

发明内容

本发明的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本说明书以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本说明书、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

针对现有技术中存在的不足，提出了本发明，因此，本发明提供了一种基于博弈与多维契约的联邦边缘学习调度方法及系统，以解决调度CC,EN和UE参与联邦边缘学习的问题。

为解决上述技术问题，本发明提供如下技术方案：

一种基于博弈与多维契约的联邦边缘学习调度方法，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。

作为本发明所述基于博弈与多维契约的联邦边缘学习调度方法的优选方案，所述步骤1)中UE的效用函数为：