一种基于信干噪比门限动态调整的随机用户调度方法技术

本发明专利技术提供了一种基于信干噪比门限动态调整的随机用户调度方法，属于无线通信领域，包括：测量用户的瞬时信干噪比基站通过求解问题，得到最优的门限调整间隔M

【技术实现步骤摘要】
一种基于信干噪比门限动态调整的随机用户调度方法


[0001]本专利技术属于无线通信
，具体涉及一种基于信干噪比门限动态调整的随机用户调度方法。

技术介绍

[0002]随着物联网应用的快速发展，智能化设备的计算和存储能力不断提升，现代分布式网络系统中每分钟都会产生海量数据。因此，基于大数据驱动的机器学习技术在最近几年受到广泛关注。然而，由于人们对隐私问题的重视和网络的局限性，完全基于云的中心化数据存储和分析方式不再适用。尤其是对于延迟比较敏感的紧急应用，由长距离通信引起的数据收集分发的延迟成为一个亟待解决的问题。在此背景下，McMahand等人提出了一种新的联邦学习范式，主张在边缘节点上进行局部和分布式学习。其核心思想是组织分布式设备训练存储在本地的数据，然后将训练得到的模型发送给协调服务器进行聚合，聚合后得到更新的模型。最后将更新的模型共享给参与的所有用户，以帮助他们在未来的迭代中进行更好的局部训练。
[0003]但是，与基于服务器的环境不同的是，在移动设备上完成分布式机器学习面临很多新的挑战。比如，无线网络本身的不可靠性和有限的连接能力，各设备的计算能力不同，以及局部数据可能非独立同分布(non
‑
IID)等。由于上述原因，让所有设备同时参加机器学习并更新模型是不可行的。为了避免长时间等待因网络、计算能力等原因造成的离群设备，更实用的方法是在每一轮模型训练中仅选择一小部分设备参与。对于无线设备而言，信干噪比(SINR)是影响通信可靠性的重要指标，它直接决定了每一次模型上传至服务器的成功概率。对于大规模蜂窝网络，不仅要考虑模型由用户上传至服务器时来自其他用户的干扰，还要考虑到聚合后的模型分发到用户时来自其他基站的干扰，空域收敛性分析成为一个有趣的问题。
[0004]现有技术中，H.H.Yang,Z.Liu,T.Q.S.Quek和H.V.Poor发表的《Scheduling Policies for Federated Learning in Wireless Networks》中，同时考虑了用户调度策略和蜂窝间干扰的影响，研究了随机调度，轮询调度和比例公平调度三种策略下的联邦学习性能。作者利用随机几何工具分析了收敛速率，结果表明信息解码的SINR阈值对三种策略的性能有较大影响。
[0005]M.Salehi和E.Hossain发表的《Federated learning in unreliable and resource
‑
constrained cellular wireless networks》中提出了一种适用于不可靠和资源受限无线系统的联邦学习算法，基站随机选择部分用户参与学习并根据用户调度策略和传输成功概率对用户上传参数进行加权，以提高公平性。
[0006]Z.Lin,X.Li,V.K.N.Lau,Y.Gong和K.Huang发表的《Deploying Federated Learning in Large
‑
Scale Cellular Networks:Spatial Convergence Analysis》中则同时研究了蜂窝网络中数字聚合和模拟聚合的收敛性能。针对大规模网络，他们提出一种新的学习性能指标，空域收敛率来描述某时刻达到收敛的服务器比例。研究结果表明模拟聚
合比数字聚合的学习延迟更小。上述三种方法对蜂窝网络中的用户调度进行了不同尝试，但主要问题在于：没有建立通信性能和学习性能之间的密切关联，尤其是通信时间和用户调度策略之间的关系。其次，没有考虑到不同轮次模型更新的重要性差异。在开始的几轮减少用户参与并不会显著影响收敛速度，但会明显降低通信资源占用和延迟。
[0007]同时，J.Xu和H.Wang发表的《Client Selection and Bandwidth Allocation in Wireless Federated Learning Networks:A Long
‑
Term Perspective》充分认识到这一问题，但并没有将这一因素直接纳入到学习性能的优化中。而M.Chen,Z.Yang,W.Saad,C.Yin,H.V.Poor和S.Cui发表的《A Joint Learning and Communications Framework for Federated Learning over Wireless Networks》虽然提出将节能作为一个约束条件，但网络模型过于简单，不适应于大规模网络场景。
[0008]联邦边缘学习在延迟敏感的大数据机器学习中有广泛应用。大规模蜂窝网络用户可以承担联邦学习范式下的分布式学习任务，但是在通信资源受限的蜂窝中如何高效率调度用户成为一个亟待解决的关键问题。尤其在5G环境下，数以万计的设备可以同时连接基站共享模型参数，这给通信资源的分配带来极大的挑战。然而，在联邦学习的模型聚合中，初始阶段的训练并不需要太多用户参与，越往后越需要大量用户的训练数据来修正全局参数，有限的无线网络资源难以满足大量的模型数据上传需求。

技术实现思路

[0009]为了克服上述现有技术存在的不足，本专利技术提供了一种基于信干噪比门限动态调整的随机用户调度方法。
[0010]为了实现上述目的，本专利技术提供如下技术方案：
[0011]一种基于信干噪比门(SINR)限动态调整的随机用户调度方法，包括以下步骤：
[0012]测量用户的瞬时信干噪比
[0013]基站的通信轮次为T，求解得到第t轮通信时的SINR门限γ
t
；
[0014]基站启动联邦学习，设初始伦次t＝0，将随机的初始化参数w0发送给所有N个用户；
[0015]基站接收用户n发送的更新后的参数并将参数与瞬时信干噪比进行比较；当大于时，将参数纳入全局参数更新，并使用传输层协议向未被选中的用户发送“NACK”信号；
[0016]所述全局参数更新的更新方程为：
[0017][0018]其中，时，时，为用户n的模型上传成功概率；
[0019]当通信轮次达到T次，基站输出最优的全局模型参数w
t
，实现用户调度。
[0020]优选地，所述瞬时信干噪比的计算公式为：
[0021][0022]其中，σ2是AWGN噪声功率，H
n
是信道衰落系数，服从均值为1/μ的指数分布；∈为功率补偿因子，R
n
为用户与关联基站的距离；α为路径损耗因子，且α>2；
[0023]I
n
表示用户n上传数据时所受到的干扰信号总功率，如下式所示：
[0024][0025]其中，D
x
为位置x处的用户到目标基站的距离；R
x
为某个干扰用户到其对应的关联基站的距离，所在位置x∈Φ
i,n
，Φ
i,n
表示与第n个用户使用相同资源块的所有干扰用户的集合；H
x...

【技术保护点】

【技术特征摘要】
1.一种基于信干噪比门限动态调整的随机用户调度方法，其特征在于，包括以下步骤：测量用户的瞬时信干噪比基站的通信轮次为T，求解得到第t轮通信时的SINR门限γ
t
；基站启动联邦学习，设初始伦次t＝0，将随机的初始化参数w0发送给所有N个用户；基站接收用户n发送的更新后的参数并将参数与瞬时信干噪比进行比较；当大于时，将参数纳入全局参数更新，并使用传输层协议向未被选中的用户发送“NACK”信号；所述全局参数更新的更新方程为：其中，时，时，为用户n的模型上传成功概率；当通信轮次达到T次，基站输出最优的全局模型参数w
t
，实现用户调度。2.根据权利要求1所述的基于信干噪比门限动态调整的随机用户调度方法，其特征在于，所述瞬时信干噪比的计算公式为：其中，σ2是AWGN噪声功率，H
n
是信道衰落系数，服从均值为1/μ的指数分布；∈为功率补偿因子，R
n
为用户与关联基站的距离；α为路径损耗因子，且α>2；I
n
表示用户n上传数据时所受到的干扰信号总功率，如下式所示：其中，D
x
为位置x处的用户到目标基站的距离；R
x
为某个干扰用户到其对应的关联基站的距离，所在位置x∈Φ
i,n
，Φ
i,n
表示与第n个用户使用相同资源块的所有干扰用户的集合；H
x
为位置x处的用户到基站的信道增益。3.根据权利要求1所述的基于信干噪比门限动态调整的随机用户调度方法，其特征在于，基站通过求解问题P，得到最优的门限调整间隔M
*
，以及对应的T/M
*
个优化的门限值个优化的门限值其中，T为通信轮次，M为门限调整间隔，τ为等间隔选取的门限的序号，γ
t
为第t轮通信时的SINR门限。...

【专利技术属性】
技术研发人员：夏洪星，
申请(专利权)人：南通师范高等专科学校，
类型：发明
国别省市：