一种基于联邦学习的用户选择和资源分配方法组成比例

本发明专利技术涉及一种基于联邦学习的用户选择和资源分配方法，属于移动通信技术领域。首先，对参加FL的用户进行筛选。综合考虑IDs交互可靠度和交互新鲜度，生成IDs的信誉值。其次，基于层次分析法对IDs的QoS需求进行分析，根据IDs的不同QoS需求建立优先级。最后，将最小化FL任务总开销问题分解为计算阶段开销和通信资源分配两个子优化问题分别求解。在FL任务计算优化阶段，考虑IDs的CPU频率不同，需权衡计算时间和计算能耗；在通信资源优化阶段，根据IDs的优先级从高到低进行RB分配。本方案有效的降低了FL任务的总时延和能耗开销，在满足IDs的QoS需求同时保证了FL过程的可靠性和有效性。

A method of user selection and resource allocation based on Federated learning

【技术实现步骤摘要】
一种基于联邦学习的用户选择和资源分配方法
本专利技术属于移动通信
，涉及一种基于联邦学习的用户选择和资源分配方法。
技术介绍
随着人们对维护消费者数据隐私的兴趣日益高涨，导致了一类新的机器学习技术，联邦学习的出现。联邦学习允许物联网设备(InternetofThingsDevices,IDs)协作建立一个共享的全局模型，同时将所有的训练数据保存在自己的设备上。具体地说，IDs根据其本地训练数据计算本地模型更新，然后由中央服务器(如雾节点，FogNodes,FNs)聚合为共享的全局模型，以便所有IDs都可以访问相同的全局模型。重复这个过程，直到达到模型训练精度。由于本地训练数据不共享，IDs的数据隐私得到了很好的保护，从而将本地模型训练与数据中心获取、存储和全局模型聚合分离开来。支持联邦学习的理由有很多。首先，随着雾计算的发展，联邦学习可以很容易地在现实中实现。模型训练可以以分布式的方式完成，从而减少上传大量原始数据的延迟。其次，联邦学习极大地促进了大规模的数据收集和模型训练。例如，一群智能设备可以在白天主动感知和收集数据，然后在夜间联合反馈到FNs并更新全局模型，以提高第二天使用的效率和准确性。这种方式将促进新一代智能服务的发展，如智能交通、智能购物和智能医院。尽管有上述巨大的好处，联邦学习仍然面临着严峻的挑战。一方面，不可靠的IDs可能有意或无意地执行不良行为，从而误导了联邦学习任务的全局模型训练。对于故意行为，IDs可能发动中毒攻击，发送恶意本地模型更新以影响全局模型参数，从而导致当前协作学习机制失败。而且，动态性更高的移动网络环境会间接导致IDs的某些意外行为，即IDs无意中更新一些对联邦学习任务产生不利影响的低质量参数。因此，设计有效的方案来选择IDs，对联邦学习的可靠性至关重要。另一方面，与其他机器学习方法类似，联邦学习优化的关键指标是收敛到预定精度水平所需的学习时间。然而，与传统的机器学习方法不同，联邦学习时间包括IDs的计算时间和通信时间，在计算阶段，由于IDs的CPU频率各不相同，如何权衡IDs的计算时间和计算能耗？此外，IDs是否应该花费更多时间在计算阶段，以达到更高的本地模型精度，即计算次数与通信轮数的权衡问题。最后，每个IDs对传输速率、时延、误码率的需求不同，如何在降低FL任务的总开销的同时满足IDs的QoS需求也是一个值得研究的问题。在上述情况下，本专利技术提出了一种基于联邦学习的用户选择和资源分配方法。该方法将用户选择、QoS分析、FL计算开销优化、传输资源分配联合建模为一个最小化FL任务总开销问题。首先，基于信誉值对IDs进行选择，设置信誉值阈值，高于阈值的IDs加入FL。其次，基于层次分析法(AnalyticHierarchyProcess,AHP)对IDs的QoS需求进行分析，确定不同IDs的不同QoS需求的优先级。表1所示为典型业务的QoS需求。之后，考虑到IDs的异构性，不同IDs的CPU频率不同，因此要在计算能耗和计算时延之间做出权衡。最后，提出基于用户QoS需求的RB分配算法，综合考虑了IDs的优先级、IDs的满意度和RBs的质量，将RBs分配到执行FL任务的IDs。本方案有效的在满足IDs的QoS需求的同时降低了FL任务的总开销，实现了资源分配的有效性。表1典型业务的QoS需求
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于联邦学习的用户选择和资源分配方法。为达到上述目的，本专利技术提供如下技术方案：该方法根据所提供网络场景的特性，将用户选择、QoS分析、FL计算开销优化、传输资源分配联合建模为一个最小化FL任务的总开销问题，该方法包括以下步骤：S1：基于信誉值的用户选择方案；S2：基于层次分析法的QoS分析方案；S3：基于用户异构性的FL计算开销优化方案；S4：传输资源分配方案。进一步，在步骤S1中，基于信誉值的用户选择方案可分为以下步骤进行：1.FN通过主观逻辑模型计算IDs的信誉值。在本方案的多IDs多FNs的FL模型中，IDs仅上传本地模型参数到所关联的FNs，因此不考虑其它FNs对IDs的间接信誉评价。2.FN选择本轮参加FL的IDs。信誉计算后，FN选择信誉大于阈值的IDs，加入FL用户集，设置αu,m＝1，并为其分配传输RB。被选择的IDs分别进行局部计算，通过分配的RB上传模型参数和局部模型梯度到FN。3.FN接收到所有与其关联的FL用户集的IDs的上传信息后，通过攻击检测方案对本地模型进行质量评估，FN删除不可靠的本地模型更新，收集所有可靠的本地模型更新进行全局聚合，并将全局聚合参数返回到IDs。该过程迭代，直到最新的全局模型满足预定义的收敛条件。4.在每次迭代中，与不可靠IDs的交互都被视为负面交互，并由FN记录。FN根据过去的交互为参与FL的IDs生成直接信誉。由于高信誉度IDs具有高精度、可靠的本地数据，在模型训练过程中起着至关重要的作用，因此高效、准确的信誉计算对于可靠的FL至关重要。通过主观逻辑模型生成IDs的信誉值。主观逻辑是一种广泛采用的概率推理框架，使用积极、消极和不确定性来表示主观意见。为了获得IDs准确信誉值，FN将综合考虑IDs交互可靠度和交互新鲜度，生成IDs的信誉值。对于具有一系列时隙{τ1,..,τj,...,τJ}时间窗口，FN在时隙τj中对IDu的信誉评价表示为：其中，分别表示在时隙tyFN对IDu信任、怀疑、不确定。三者之和为1，并在(0,1)之间取值。基于主观逻辑模型，得到：其中，分别表示在时隙τj正向交互、负向交互的次数。FN通过攻击检测方案进行验证，若IDu提供的本地模型是有用且可靠的，则FN将其视为与IDu之间的积极互动，反之则认为是消极互动。代表IDu数据包传输的成功概率，即通信质量，会影响信誉评价的不确定性FN在时隙τj中对IDu的信誉值表示为：其中δ∈[0,1]是不确定性对信誉值的影响系数。IDu的信誉评价受许多因素影响，传统的主观逻辑向多权重主观逻辑发展，考虑以下因素来计算信誉评价。(1)交互可靠度：对本地模型更新进行质量评估，存在历史交互的正面和负面交互结果，正面交互能够提高IDs的信誉值。为了阻止负面交互，负面交互在信誉计算中的权重高于正面交互。κ表示正面交互权重，η表示负面交互权重，κ≤η且η+κ＝1。因此，(2)中的表达式可重写为：(2)交互的新鲜度：IDs的可靠性会随着时间而改变，在FNs与IDs的交互过程中，具有更多新鲜度的近期交互事件比过去的事件具有更大的权重。为了反映时间对信誉的影响，定义了新鲜度衰落函数：ρ(τj)＝ρj＝zJ-j(5)其中z∈(0,1)是事件新鲜度的给定衰落参数，时隙j∈(1,J)决定事件新鲜度衰减程度。因此，FN对IDu的信誉评价和信誉值分别表示为：进一步，在步骤S2中，由于整个雾网络中的传输资源有限，FN的传输资本文档来自技高网...

【技术保护点】
1.一种基于联邦学习的用户选择和资源分配方法，其特征在于：该方法根据所提供网络场景的特性，联合优化IDs选择、QoS需求分析和传输资源分配以最小化FL任务的总开销。该方法包括以下步骤：/nS1：基于信誉值的用户选择方案；/nS2：基于层次分析法的QoS分析方案；/nS3：基于用户异构性的FL计算开销优化方案；/nS4：传输资源分配方案。/n

【技术特征摘要】
1.一种基于联邦学习的用户选择和资源分配方法，其特征在于：该方法根据所提供网络场景的特性，联合优化IDs选择、QoS需求分析和传输资源分配以最小化FL任务的总开销。该方法包括以下步骤：
S1：基于信誉值的用户选择方案；
S2：基于层次分析法的QoS分析方案；
S3：基于用户异构性的FL计算开销优化方案；
S4：传输资源分配方案。


2.根据权利要求1所述的一种基于联邦学习的用户选择和资源分配方法，其特征在于：在所述步骤S1中，建立一个多用户联邦学习FL网络模型，包括用户端和边缘服务器；考虑由无线通信基础设施；即雾节点FNs和一组物联网设备IDs组成的通用移动网络；M＝{1,2,...,m,…,M}表示FN的集合，每个FN与若干个IDs相关联，IDs的集合表示为U＝{1,2,...,u,...,U}；IDs配备一定的计算和通信资源，从移动应用中产生多种用户数据，以及采集大量的传感数据；FN将综合考虑IDs交互可靠度和交互新鲜度，对IDs的局部模型进行评估，生成IDs的信誉值；FN选择信誉大于阈值的IDs，加入FL用户集，设置训练决策向量αu,m＝1，并为其分配传输RB；被选择的IDs分别进行本地模型更新，通过分配的RB上传模型参数和本地模型梯度到FN。


3.根据权利要求1所述的一种基于联邦学习的用户选择和资源分配方法，其特征在于：在所述步骤S2中，IDs的QoS参数由S＝{1,2,...,S}表示；卸...

【专利技术属性】
技术研发人员：黄晓舸，崔艺凡，陈志，陈前斌，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50