[發明專利]一種基于隨機聚合波束成形的用戶設備選擇方法

有效

• 申請號: 202111503756.4
• 申請日: 2021-12-10
• 公開（公告）號: CN114189899B
• 公開（公告）日: 2023-03-31
• 發明（設計）人: 劉升恒;黃永明;徐春梅;傅凝寧
• 申請（專利權）人: 東南大學
• 主分類號: H04W24/06
• 分類號: H04W24/06;H04B7/06;H04B7/08;G06N20/00;H04L41/14;H04L41/142
• 代理公司: 南京瑞弘專利商標事務所(普通合伙) 32249
• 代理人: 孫建朋

本發明公開了一種基于隨機聚合波束成形的用戶設備選擇方法，在聯邦學習聚合模型時，采用空中計算技術提高通信效率，由此產生的聚合誤差對最終學習性能存在影響。問題的目標是通過選擇用戶設備和設計聚合波束成形矢量實現聚合誤差最小化和用戶設備數最大化兩個目標。然后提出了一種基于隨機聚合波束成形的用戶設備選擇方法。在用戶設備數量增大時，本發明的算法與原有算法相比能取得更低的聚合誤差和選擇更多的用戶設備，進而獲得更好的學習性能。

技術領域

本發明屬于無線通信領域，尤其涉及一種基于隨機聚合波束成形的用戶設備選擇方法。

背景技術

隨著無線通信的發展和人工智能技術的突破，無線通信網絡的邊緣承擔了越多越多的智能業務。通常，人們會采用傳統的集中式的訓練方式來完成這些任務，但是這種方式會帶來高延時和隱私泄露的問題。近幾年，聯邦學習作為一種新興的分布式學習方式，吸引了越來越多研究者的關注。這種學習方式在訓練一個全局模型的時候不用傳輸敏感數據，因此避免了隱私泄露也減少了傳輸時延。

但是由于中心節點和用戶設備之間需要進行頻繁地通信，而對于一個邊緣智能系統來說，頻譜資源又是非常寶貴的，所以如何提高這個通信效率就成為了聯邦學習發展的瓶頸。而傳統的通信計算分離機制只能在對信號解碼后再進行計算，所以效率不高，因此就有研究者就將一種新興的空中計算技術引入到聯邦學習的框架中。這種技術對信號進行模擬調制，利用了波形疊加原理，能夠在傳輸的同時完成計算，并且已經被證明在同樣的條件下，能夠比基于通信計算分離機制的數字調制方案獲得更高的通信效率。

但是由于信道的衰落特性和噪聲的影響，空中計算技術也會帶來聚合誤差，如果聚合誤差過大則會對模型的訓練產生負面影響。另一方面，選擇更多的用戶設備來參與模型聚合被證明能夠提升學習效率，加快模型收斂。因此，就有研究者設計了一種用戶設備選擇和聚合波束成形矢量的聯合優化方案，旨在同時減小聚合誤差和選擇更多的用戶設備，但是這種方法計算復雜，在實際應用中實現困難。針對這個問題，我們提出了一種基于隨機聚合波束成形的用戶設備選擇方法，這種方法復雜度低，能夠在實際應用中實現并且可以保證性能。

發明內容

本發明目的在于提供兩種基于隨機聚合波束成形的用戶設備選擇方法,分別旨在最小化均方誤差和最大化選擇設備用戶數。

為解決上述技術問題，本發明的具體技術方案如下：

一種基于隨機聚合波束成形的用戶設備選擇方法，包括以下步驟：

步驟1、構建聯邦學習系統模型；

步驟1.1、在一個邊緣智能系統中，有K個配備了一根天線的邊緣用戶設備和一個配備了N根天線的中心節點，其中N小于K；所有用戶設備構成的集合記作每個用戶設備k擁有自己的本地數據集/而全局數據集則由這些本地數據集組合而成/這些用戶設備共同實現一個智能應用；

步驟1.2、采用聯邦學習分布式學習框架；

步驟2、訓練步驟1中構建的分布式聯邦學習模型，并使用空中計算技術來提高通信效率，確定因采用該空中計算技術產生的聚合誤差；

步驟3、根據步驟2中確定的聚合誤差，構建兩個優化問題，其一是在用戶設備選擇數固定的情況下最小化均方誤差的問題，其二是保證均方誤差在低水平的情況下，最大化可選擇的用戶設備數的問題；

步驟4、針對步驟3中構建的兩個優化問題，分別提出了基于隨機聚合波束成形的最小化均方誤差算法和基于隨機聚合波束成形的最大化用戶設備選擇算法去求解；

所述基于隨機聚合波束成形的最小化均方誤差算法包括以下步驟：