[發明專利]基于聯邦學習的邊緣計算及資源優化方法

在審

• 申請號: 202110958468.1
• 申請日: 2021-08-20
• 公開（公告）號: CN113791895A
• 公開（公告）日: 2021-12-14
• 發明（設計）人: 孫艷華;喬蘭;張延華;孫恩昌;楊睿哲;李萌
• 申請（專利權）人: 北京工業大學
• 主分類號: G06F9/50
• 分類號: G06F9/50;G06F17/16;G06K9/62;G06N20/20
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了基于聯邦學習的邊緣計算及資源優化方法，在小基站部署天線陣列，獲取下行鏈路的信道信息以及經過預編碼技術處理之后的信道信息，形成信道和預編碼作為輸入輸出對的訓練數據，在此數據支撐之下進行聯邦學習，即在節點端訓練模型，最后達到輸入信道信息得到相應的預編碼信息的目的。在此過程之中，為了得到較為穩定的學習聯盟以及將系統能耗控制在最低狀態來進行用戶選擇，即通過各節點的物理特性在眾多用戶用選擇計算能力和通信能力穩定的用戶參與到訓練中；為了鼓勵用戶積極參與到訓練中，引入合同機制對參與訓練的用戶進行獎勵，計算每個用戶的收入與付出的訓練成本得到效用函數，對用戶進行資源分配使得整個系統效用達到最大。

技術領域

本發明屬于通信、聯邦學習領域，將MIMO中的預編碼技術與機器學習相結合，運用于邊緣計算中，通過選擇及資源優化的方式使聯邦學習結構更穩定高效。

背景技術

大規模多進多出(MIMO)技術是在基站端部署大規模陣列，與傳統的MIMO相比能夠有效的抵抗不同用戶之間的干擾，可以顯著提升系統的容量。而在大規模MIMO系統中，預編碼技術是下行鏈路中至關重要的信號處理技術，其利用發送端的信道狀態信息(CSI)，將調制過的符號流變換成適應當前信道的數據流，將信號能量集中到目標用戶附近，有效對抗衰減和損耗，提升了系統性能。具體表現為在下行鏈路的發送端利用CSI對發送信號進行預處理，將不同用戶及天線之間的干擾最小化，并將信號能量集中到目標用戶附近，使接收端獲得較好的信噪比(SNR)，提升系統信道容量[1]。在機器學習背景之下，傳統的聯邦學習經常被使用，將邊緣節點端的收據發送至服務器端進行處理，之后服務器端再將數據分發給節點端進行收據訓練，這樣將數據的隱私性大大降低，為了保護數據，去中心化的聯邦學習被提出并很好地運用在智能領域，節點無需將數據分享出去，只需要在本地進行訓練，為了提高數據的可行性，需要將數據訓練出一個權值發送到服務器端，而在此時服務器端起到收集的作用，將各個節點訓練出來的數據權值收集起來并做相應的處理，然后再將處理后的權值廣播到各個節點，在節點收到最新的數據權值之后，將權值進行更新并運用于下一輪的迭代中去，這樣循環直至數據被訓練出最好的模型。而傳統的系統架構是由移動節點端和基站端組成[2]。而移動設備的計算和通行能力的有限使得機器學習遇到兩大瓶頸，即通信開銷和能源開銷移動邊緣計算(MEC)的強大功能被認為是一種很有前途的分布式計算范式,它支持許多5G時代的新興智能應用，如視頻流、智慧城市和增強現實。邊緣學習允許延遲敏感和計算密集型任務從分布式移動設備卸載到近距離邊緣服務器，提供實時響應和高能量效率，根據這條思路，引入分層聯盟邊緣學習框架，其中邊緣服務器通常與基站一起固定部署，作為移動設備和云之間的中介，可以執行從附近的設備傳輸的本地模型從而進行邊緣聚合。而每個本地設備達到給定的學習精度，向邊緣傳輸進行全局聚合從而實現模型更新。以這樣的方式來預實現通信和能源開銷的減少[3]，從而進入了三層通信系統結構。

[1]張鈺,趙雄文.毫米波大規模MIMO系統中的預編碼技術[J].中興通訊技術,2018,024(003):26-31

[2]Elbir A M,Coleri S.Federated Learning for Hybrid Beamforming inmm-Wave Massive MIMO[J].IEEE Communications Letters,2020,PP(99):1-1.

[3]S.Luo,X.Chen,Q.Wu,Z.Zhou and S.Yu,HFEL:Joint EdgeAssociation andResourceAllocation for Cost-Efficient Hierarchical Federated Edge Learning,in IEEE Transactions on Wireless Communications,vol.19,no.10,pp.6535-6548,Oct.2020,doi:10.1109/TWC.2020.3003744.

發明內容