[發明專利]一種基于云邊端的聯邦學習計算卸載計算系統及方法

在審

• 申請號: 202110089708.9
• 申請日: 2021-01-22
• 公開（公告）號: CN112817653A
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 伍衛國;張祥俊;柴玉香;楊詩園;王雄
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F9/445
• 分類號: G06F9/445;G06F9/48;G06F9/50;G06F9/54
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 姚詠華

本發明公開了一種基于云邊端的聯邦學習計算卸載資源分配系統及方法，以實現對計算任務卸載和資源分配做出準確決策，消除了求解組合優化問題的需要，大大降低了計算復雜度；基于云邊端3層聯邦學習綜合利用了邊緣節點距離終端的鄰近優勢，也利用了云計算中芯強大的計算資源，彌補了邊緣節點計算資源不足的問題，通過在多個客戶端各自訓練一個本地模型用以預測卸載任務，通過周期性的在邊緣端執行一次參數聚合形成一個全局模型，邊緣執行周期性聚合后云端執行一次聚合，如此直到收斂形成一個全局BiLSTM模型，全局模型可以智能的對每一個卸載任務的信息量進行預測，從而更好為計算卸載和資源分配提供指導。

技術領域

本發明涉及了在5G網絡驅動下的移動邊緣計算網絡的計算卸載和資源分配，具體涉及一種基于云邊端的聯邦學習計算卸載計算系統及方法。

背景技術

近年來，在物聯網的普及推動下，網絡邊緣產生的數據呈現爆炸式增長。不能保證低延遲和位置感知削弱了傳統云計算解決方案的能力。據IDC預測，截止2020年底有超過500億終端和設備聯網，其中超過50％的數據需要在網絡邊緣分析、處理與存儲。而傳統的“云端二體協同計算”模式已無法滿足低時延與高帶寬的需求。移動邊緣計算(MEC)正在成為一種新的引人注目的計算范式，它推動云計算能力更接近終端用戶，支持各種計算密集型但對延遲敏感的應用，如人臉識別、自然語言處理和互動游。MEC的關鍵功能之一是任務卸載(又名，計算卸載)，它能夠卸載計算密集型任務的移動應用程序從用戶設備(UE)到MEC主機在網絡邊緣，從而打破移動設備的資源限制，拓展移動設備的計算能力、電池容量和存儲能力等。雖然邊緣服務器可以為終端提供云功能，但由于其固有的無線和計算能力有限，可能無法為所有終端提供服務。一方面，不確定的卸載任務數據量大小和時變的信道條件使計算卸載難以做出精準的決策。另一方面，分布式異構的邊緣基礎設施中卸載過程用戶個人敏感信息等存在被截獲和泄露的風險。

發明內容

本發明的目的在于提供一種基于云邊端的聯邦學習計算卸載計算系統及方法，以克服現有技術的不足。

為達到上述目的，本發明采用如下技術方案：

一種基于云邊端的聯邦學習計算卸載資源分配方法，包括以下步驟：

S1，構建全局模型，并將初始化的全局模型和任務廣播給任務選擇的本地設備；

S2，基于初始化的全局模型，每個本地設備分別使用其本地數據和本地設備參數更新迭代本地模型參數，當達到設定迭代次數后，將所有本地設備計算的梯度數據超過閾值的重要梯度對應的本地模型參數進行邊緣參數聚合，根據邊緣參數聚合結果參數更新全局模型參數后將更新后的全局模型反饋至各本地設備；

S3，當邊緣參數聚合達到設定聚合次數后，進行一次云端參數聚合；

S4，重復步驟S2-S3直到全局損失函數收斂或者達到設定的訓練精度，完成全局模型訓練；

S6，利用訓練完成的全局模型對每一個計算卸載任務的信息量進行預測得到計算卸載的數據量的大小，根據計算卸載的數據量的大小以成本最小化進行資源分配。

進一步的，本地設備分別使用其本地數據和本地設備參數更新本地模型參數：

t為當前迭代指標，i為第i個本地設備，在當前迭代指標t中本地設備i的目標是尋找使損失函數最小的最優參數

進一步的，當達到設定迭代次數后，將所有本地設備計算的梯度數據超過閾值的重要梯度上傳到邊緣服務器。

進一步的，云參數聚合具體過程如下公式：

{D^ζ}表示邊緣服務器ζ下聚集的數據集，卸載任務的數據集以的形式分布在N個客戶端上，其中|D_i|,|D|分別表示本地訓訓練樣本i和總的訓練樣本數量。