基于联邦学习的边缘计算及资源优化方法技术

本发明专利技术公开了基于联邦学习的边缘计算及资源优化方法，在小基站部署天线阵列，获取下行链路的信道信息以及经过预编码技术处理之后的信道信息，形成信道和预编码作为输入输出对的训练数据，在此数据支撑之下进行联邦学习，即在节点端训练模型，最后达到输入信道信息得到相应的预编码信息的目的。在此过程之中，为了得到较为稳定的学习联盟以及将系统能耗控制在最低状态来进行用户选择，即通过各节点的物理特性在众多用户用选择计算能力和通信能力稳定的用户参与到训练中；为了鼓励用户积极参与到训练中，引入合同机制对参与训练的用户进行奖励，计算每个用户的收入与付出的训练成本得到效用函数，对用户进行资源分配使得整个系统效用达到最大。整个系统效用达到最大。整个系统效用达到最大。

【技术实现步骤摘要】
基于联邦学习的边缘计算及资源优化方法


[0001]本专利技术属于通信、联邦学习领域，将MIMO中的预编码技术与机器学习相结合，运用于边缘计算中，通过选择及资源优化的方式使联邦学习结构更稳定高效。

技术介绍

[0002]大规模多进多出(MIMO)技术是在基站端部署大规模阵列，与传统的MIMO相比能够有效的抵抗不同用户之间的干扰，可以显著提升系统的容量。而在大规模MIMO系统中，预编码技术是下行链路中至关重要的信号处理技术，其利用发送端的信道状态信息(CSI)，将调制过的符号流变换成适应当前信道的数据流，将信号能量集中到目标用户附近，有效对抗衰减和损耗，提升了系统性能。具体表现为在下行链路的发送端利用CSI对发送信号进行预处理，将不同用户及天线之间的干扰最小化，并将信号能量集中到目标用户附近，使接收端获得较好的信噪比(SNR)，提升系统信道容量[1]。在机器学习背景之下，传统的联邦学习经常被使用，将边缘节点端的收据发送至服务器端进行处理，之后服务器端再将数据分发给节点端进行收据训练，这样将数据的隐私性大大降低，为了保护数据，去中心化的联邦学习被提出并很好地运用在智能领域，节点无需将数据分享出去，只需要在本地进行训练，为了提高数据的可行性，需要将数据训练出一个权值发送到服务器端，而在此时服务器端起到收集的作用，将各个节点训练出来的数据权值收集起来并做相应的处理，然后再将处理后的权值广播到各个节点，在节点收到最新的数据权值之后，将权值进行更新并运用于下一轮的迭代中去，这样循环直至数据被训练出最好的模型。而传统的系统架构是由移动节点端和基站端组成[2]。而移动设备的计算和通行能力的有限使得机器学习遇到两大瓶颈，即通信开销和能源开销移动边缘计算(MEC)的强大功能被认为是一种很有前途的分布式计算范式,它支持许多5G时代的新兴智能应用，如视频流、智慧城市和增强现实。边缘学习允许延迟敏感和计算密集型任务从分布式移动设备卸载到近距离边缘服务器，提供实时响应和高能量效率，根据这条思路，引入分层联盟边缘学习框架，其中边缘服务器通常与基站一起固定部署，作为移动设备和云之间的中介，可以执行从附近的设备传输的本地模型从而进行边缘聚合。而每个本地设备达到给定的学习精度，向边缘传输进行全局聚合从而实现模型更新。以这样的方式来预实现通信和能源开销的减少[3]，从而进入了三层通信系统结构。
[0003][1]张钰,赵雄文.毫米波大规模MIMO系统中的预编码技术[J].中兴通讯技术,2018,024(003):26
‑
31
[0004][2]Elbir A M,Coleri S.Federated Learning for Hybrid Beamforming in mm
‑
Wave Massive MIMO[J].IEEE Communications Letters,2020,PP(99):1
‑
1.
[0005][3]S.Luo,X.Chen,Q.Wu,Z.Zhou and S.Yu,"HFEL:Joint EdgeAssociation and ResourceAllocation 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.

技术实现思路

[0006]本专利技术的目的在于将MEC引入联邦学习的通信系统结构中形成三层结构，即，宏基站(云服务器)，小基站(边缘服务器)和节点用户，在联邦学习的应用背景之下为用户分配通信资源使得整个系统达到效用最大，于此同时将MIMO预编码技术与联邦学习训练数据联系起来，以达到在得知信道数据的情况下可预测相应的预编码。首先，在小基站部署天线阵列，获取下行链路的信道信息以及经过预编码技术处理之后的信道信息，形成信道和预编码作为输入输出对的训练数据，在此数据支撑之下进行联邦学习，即在节点端训练模型，最后达到输入信道信息就可以得到相应的预编码信息的目的。在此过程之中，为了得到较为稳定的学习联盟以及将系统能耗控制在最低状态来进行用户选择，即通过各节点的物理特性在众多用户用选择计算能力和通信能力稳定的用户参与到训练中；同时，为了鼓励用户积极参与到训练中，引入合同机制对参与训练的用户进行奖励，计算每个用户的收入与付出的训练成本得到效用函数(效用＝收入
‑
成本)，对用户进行资源分配使得整个系统效用达到最大。
[0007]为解决上述问题，本专利技术采用如下的技术方案：基于联邦学习的边缘计算及资源优化方法，该方法包括如下步骤：
[0008]步骤1：根据用户、边缘服务器、基站来建立系统模型并部署阵列
[0009]本专利技术是多用户毫米波MIMO三层结构系统结构，第一层是用户层，由N个单天线用户设备组成。第二层是ES层(边缘服务器层)，包含K个带有S
T
天线的边缘服务器。第三层是CS层(云服务器层)，具有单天线的云服务器S。其中，用户层和ES层通过无线信道通信，ES层和CS层通过回程链路连接，具有足够的容量。
[0010]步骤2：首先根据距离选择与边缘服务器通信的用户集，并将其表示为其中，N是用户数，表示的时候经过距离选择之后被选中的用户个数。
[0011]即假设用户设备服从的是泊松分布，每个边缘服务器的通信范围是半径为d
k
的圆形区域，而在这个三级结构中，假设边缘服务器的圆形通信区域之间没有重叠。然后根据每个用户到边缘服务器的距离来选出距离较近的用户，因为在通信范围内的用户与服务器的通信质量较好，稳定的通信是保证联邦学习顺利进行的必要条件。
[0012]步骤3：训练数据的获取。
[0013]信道模型为L径的LOS(视线传输)接收路线，第n个用户的毫米波信道矩阵表示为：
[0014][0015]其中，α
n,l
是第l径的复信道增益，为下行链路传输路线的方向角度，是S
T
×
1的方向矢量，其第m个元素表示为：
[0016][0017]λ为波长，σ是两个天线之间的距离，并使σ＝λ/2。
[0018]首先在范围内产生用户传输方向角，在其(即5
°
)的波动范围内随机生
成L径信道传输方向角，然后根据信道矩阵公式求出h
n
，将角度区间，将角度区间平均分为不重叠的Q份，每个子区间并从1开始将每个区间范围进行标记，用户传输方向角落在的区间被标记为q，而q值为区间标记值，从而产生(h
n
，q)数据对。而最终的射频预编码f
RF,n
可以表示为其中是区间中点。
[0019]步骤4：根据选中的用户和产生的MIMO数据进行训练。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于联邦学习的边缘计算及资源优化方法，其特征在于：该方法包括如下步骤：步骤1：根据用户、边缘服务器、基站来建立系统模型并部署阵列多用户毫米波MIMO三层结构系统结构，第一层是用户层，由N个单天线用户设备组成；第二层是ES层即边缘服务器层，包含K个带有S
T
天线的边缘服务器；第三层是CS层即云服务器层，具有单天线的云服务器S；其中，用户层和ES层通过无线信道通信，ES层和CS层通过回程链路连接，具有足够的容量；步骤2：首先根据距离选择与边缘服务器通信的用户集，并将其表示为步骤2：首先根据距离选择与边缘服务器通信的用户集，并将其表示为其中，N是用户数，表示的时候经过距离选择之后被选中的用户个数；即假设用户设备服从的是泊松分布，每个边缘服务器的通信范围是半径为d
k
的圆形区域，而在这个三级结构中，假设边缘服务器的圆形通信区域之间没有重叠；然后根据每个用户到边缘服务器的距离来选出距离较近的用户；步骤3：训练数据的获取；信道模型为L径的LOS接收路线，第n个用户的毫米波信道矩阵表示为：其中，是第l径的复信道增益，为下行链路传输路线的方向角度，是S
T
×
1的方向矢量，其第m个元素表示为：λ为波长，σ是两个天线之间的距离，并使σ＝λ/2；首先在范围内产生用户传输方向角，在其的波动范围内随机生成L径信道传输方向角，然后根据信道矩阵公式求出h
n
，将角度区间平均分为不重叠的Q份，每个子区间并从1开始将每个区间范围进行标记，用户传输方向角落在的区间被标记为q，而q值为区间标记值，从而产生(h
n
，q)数据对；最终的射频预编码f
RF，n
表示为其中是区间中点；步骤4：根据选中的用户和产生的MIMO数据进行训练；训练过程分为边缘聚合和云聚合。2.根据权利要求1所述的基于联邦学习的边缘计算及资源优化方法，其特征在于：所述的边缘聚合：边缘聚集分为本地模型计算，本地模型传输和边缘模型聚合；具体内容如下：本地模型计算：在本地产生MIMO数据之后，用户n使用本地数据进行基于梯度下降的线性回归模型训练，在达到本地模型精度θ
n
∈[0，1]，即迭代次数为L(θ
n
)＝μlog(1/θ
n
)后，生成模型参数w
t
并计算模型的损失函数f
i
(w
t
)；在此过程中产生了计算时延和计算能量计算时延和消耗的计算能量可以根据用户训练的数据量和处理数据的频率得出；本地模型传输：在本地计算结束之后，用户n将模型参数w
t
上传至与之进行通信的边缘服务器k，在传输过程中，采用OFDMA(正交频分多址)协议，此过程中产生了传输时延和传输能量传输时延和传输能量可以根据用户n与边缘服务器k之间的传输速率以及服
务器k分配给用户n的带宽通过香农公式计算得出；边缘聚合：在这个过程中，边缘服务器把各个用户上传上来的模型参数进行聚集然后...

【专利技术属性】
技术研发人员：孙艳华，乔兰，张延华，孙恩昌，杨睿哲，李萌，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：