[發明專利]智能反射面輔助隱蔽空中計算的無線聯邦學習方法

在審

• 申請號: 202310405570.8
• 申請日: 2023-04-14
• 公開（公告）號: CN116506870A
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 鄭杰;秦鈺林;孫明杰;姬云利;曾偉哲;王倩;高嶺;王海;馬于惠;吉爍;曹瑞
• 申請（專利權）人: 西北大學
• 主分類號: H04W24/02
• 分類號: H04W24/02;H04W24/06;H04W12/122;G06N3/0464;G06N3/098
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 周春霞

本申請涉及一種智能反射面輔助隱蔽空中計算的無線聯邦學習方法，利用智能反射面來實現隱蔽的基于空中計算的聯邦學習，可以設計反射相位和幅度來提升接入點處的信號，并降低竊聽者處的竊聽性能，從而提高基于隱蔽空中計算的聯邦學習系統的性能；本申請通過在一定的均方誤差要求和隱蔽約束下選擇更多的用戶設備，實現了更低的訓練損失和更高的測試精度。

技術領域

本申請涉及移動通信技術領域，具體地，涉及一種智能反射面輔助隱蔽空中計算的無線聯邦學習方法。

背景技術

聯邦學習作為一種具有隱私保護性質的新興分布式人工智能(ArtificialIntelligence，AI)方法，在無線通信的應用方面特別有發展前景，被認為是在6G中實現泛在AI的重要解決方案。聯邦學習可以作為移動邊緣網絡中的一項支持技術，它支持機器學習(Machine?Learning，ML)模型的協作訓練，還支持用于移動邊緣網絡優化的深度學習(Deep?Learning，DL)。

由于邊緣設備通常通過無線信道連接邊緣服務器，因此邊緣服務器接收到的模型參數不可避免地會因信道衰落和加性噪聲而失真。所需的無線電資源和參與聯邦學習的邊緣設備數量成線性比例關系。當邊緣設備數量較多時，模型聚合過程中會引入大量的通信延遲，進而成為聯邦學習的性能限制因素。

為了應對上述挑戰，出現了空中計算支持的聯邦學習，在有限的通信帶寬和嚴格的延遲要求下提高學習性能。空中計算利用多路訪問信道的波形疊加特性，把來自多個設備的并發數據傳輸與函數計算合并起來。同時，由于聯邦學習中的邊緣服務器只對聚合模型感興趣，空中計算作為一種非正交多路訪問(Non-Orthogonal?Multiple?Access，NOMA)方案，被認為是實現頻譜高效利用和低功耗的解決方案。但是，不利的傳播環境將導致安全問題，而這反過來又會導致基于空中計算的聯邦學習模型產生聚合隱私泄漏問題。

發明內容

為了克服現有技術中的至少一個不足，本申請提供一種智能反射面輔助隱蔽空中計算的無線聯邦學習方法。

第一方面，提供一種智能反射面輔助隱蔽空中計算的無線聯邦學習方法，包括：

建立無線聯邦學習模型，無線聯邦學習模型包括天線基站、多個用戶設備、智能反射面和竊聽者；

每個用戶設備發射第一信號到智能反射面，并發射第二信號到基站，智能反射面在接收到第一信號后生成反射信號，并將反射信號傳送到基站；竊聽者能夠在用戶設備向智能反射面和基站發射信號的過程中，接收到第一隱蔽信號，以及在智能反射面將發射信號傳送到基站的過程中，接收到第二隱蔽信號；反射信號與第二信號同相，第一隱蔽信號與第二隱蔽信號反相；

在多個用戶設備中，確定每輪通信中參與無線聯邦學習的用戶設備選擇集；

基于確定的參與無線聯邦學習的用戶設備選擇集和無線聯邦學習模型，進行無線聯邦學習。

在一個實施例中，在多個用戶設備中，確定每輪通信中參與無線聯邦學習的用戶設備選擇集，包括：

確定所有用戶設備的優先級；

確定用戶設備選擇集中用戶設備的個數k；

根據用戶設備的優先級選擇優先級較高的k個用戶設備構成用戶設備選擇集，選擇的k個用戶設備滿足以下公式：

|Θ_m,n|≤1,m＝1,2,…,M，n＝1,2,…,N