智能反射面辅助隐蔽空中计算的无线联邦学习方法技术

本申请涉及一种智能反射面辅助隐蔽空中计算的无线联邦学习方法，利用智能反射面来实现隐蔽的基于空中计算的联邦学习，可以设计反射相位和幅度来提升接入点处的信号，并降低窃听者处的窃听性能，从而提高基于隐蔽空中计算的联邦学习系统的性能；本申请通过在一定的均方误差要求和隐蔽约束下选择更多的用户设备，实现了更低的训练损失和更高的测试精度。实现了更低的训练损失和更高的测试精度。实现了更低的训练损失和更高的测试精度。

【技术实现步骤摘要】
智能反射面辅助隐蔽空中计算的无线联邦学习方法


[0001]本申请涉及移动通信
，具体地，涉及一种智能反射面辅助隐蔽空中计算的无线联邦学习方法。

技术介绍

[0002]联邦学习作为一种具有隐私保护性质的新兴分布式人工智能(Artificial Intelligence，AI)方法，在无线通信的应用方面特别有发展前景，被认为是在6G中实现泛在AI的重要解决方案。联邦学习可以作为移动边缘网络中的一项支持技术，它支持机器学习(Machine Learning，ML)模型的协作训练，还支持用于移动边缘网络优化的深度学习(Deep Learning，DL)。
[0003]由于边缘设备通常通过无线信道连接边缘服务器，因此边缘服务器接收到的模型参数不可避免地会因信道衰落和加性噪声而失真。所需的无线电资源和参与联邦学习的边缘设备数量成线性比例关系。当边缘设备数量较多时，模型聚合过程中会引入大量的通信延迟，进而成为联邦学习的性能限制因素。
[0004]为了应对上述挑战，出现了空中计算支持的联邦学习，在有限的通信带宽和严格的延迟要求下提高学习性能。空中计算利用多路访问信道的波形叠加特性，把来自多个设备的并发数据传输与函数计算合并起来。同时，由于联邦学习中的边缘服务器只对聚合模型感兴趣，空中计算作为一种非正交多路访问(Non
‑
Orthogonal Multiple Access，NOMA)方案，被认为是实现频谱高效利用和低功耗的解决方案。但是，不利的传播环境将导致安全问题，而这反过来又会导致基于空中计算的联邦学习模型产生聚合隐私泄漏问题。

技术实现思路

[0005]为了克服现有技术中的至少一个不足，本申请提供一种智能反射面辅助隐蔽空中计算的无线联邦学习方法。
[0006]第一方面，提供一种智能反射面辅助隐蔽空中计算的无线联邦学习方法，包括：
[0007]建立无线联邦学习模型，无线联邦学习模型包括天线基站、多个用户设备、智能反射面和窃听者；
[0008]每个用户设备发射第一信号到智能反射面，并发射第二信号到基站，智能反射面在接收到第一信号后生成反射信号，并将反射信号传送到基站；窃听者能够在用户设备向智能反射面和基站发射信号的过程中，接收到第一隐蔽信号，以及在智能反射面将发射信号传送到基站的过程中，接收到第二隐蔽信号；反射信号与第二信号同相，第一隐蔽信号与第二隐蔽信号反相；
[0009]在多个用户设备中，确定每轮通信中参与无线联邦学习的用户设备选择集；
[0010]基于确定的参与无线联邦学习的用户设备选择集和无线联邦学习模型，进行无线联邦学习。
[0011]在一个实施例中，在多个用户设备中，确定每轮通信中参与无线联邦学习的用户
设备选择集，包括：
[0012]确定所有用户设备的优先级；
[0013]确定用户设备选择集中用户设备的个数k；
[0014]根据用户设备的优先级选择优先级较高的k个用户设备构成用户设备选择集，选择的k个用户设备满足以下公式：
[0015][0016][0017]|Θ
m,n
|≤1,m＝1,2,
…
,M，n＝1,2,
…
,N
[0018][0019]其中，w
i
为用户设备i的发射功率，m为基站处的聚集波束形成矢量，H表示转置共轭，S为用户设备选择集，P0为最大发射功率，h
rb
为智能反射面到基站的信道增益，h
ir
用户设备i到智能反射面的信道增益，h
ib
为用户设备i到基站的信道增益，h
rw
为智能反射面到窃听者的信道增益，h
iw
为用户设备i到窃听者的信道增益，σ
w
为窃听者的噪声功率，ε表示隐蔽条件的约束门限，L为信道的使用次数，Θ
m,n
为智能反射面的第m行第n列的反射单元的反射系数，M为智能反射面中反射单元的总行数，N为智能反射面中反射单元的总列数。
[0020]在一个实施例中，智能反射面在接收到第一信号后生成反射信号，包括：
[0021]确定智能反射面的对角反射矩阵，对角反射矩阵中包括智能反射面中每个反射单元的反射系数；
[0022]根据智能反射面的对角反射矩阵生成反射信号。
[0023]第二方面，提供一种智能反射面辅助隐蔽空中计算的无线联邦学习装置，包括：
[0024]无线联邦学习模型建立模块，用于建立无线联邦学习模型，无线联邦学习模型包括天线基站、多个用户设备、智能反射面和窃听者；
[0025]每个用户设备发射第一信号到智能反射面，并发射第二信号到基站，智能反射面在接收到第一信号后，生成反射信号并将反射信号传送到基站；窃听者能够在用户设备向智能反射面和基站发射信号的过程中，接收到第一隐蔽信号，以及在智能反射面将发射信号传送到基站的过程中，接收到第二隐蔽信号；反射信号与第二信号同相，第一隐蔽信号与第二隐蔽信号反相；
[0026]用户设备选择集确定模块，用于在多个用户设备中，确定每轮通信中参与无线联邦学习的用户设备选择集；
[0027]无线联邦学习模块，用于基于确定的参与无线联邦学习的用户设备选择集和无线联邦学习模型，进行无线联邦学习。
[0028]在一个实施例中，用户设备选择集确定模块，还用于：
[0029]确定所有用户设备的优先级；
[0030]确定用户设备选择集中用户设备的个数k；
[0031]根据用户设备的优先级选择优先级较高的k个用户设备构成用户设备选择集，选择的k个用户设备满足以下公式：
[0032][0033][0034]|Θ
m,n
|≤1,m＝1,2,
…
,M，n＝1,2,
…
,N
[0035][0036]其中，w
i
为用户设备i的发射功率，m为基站处的聚集波束形成矢量，H表示转置共轭，S为用户设备选择集，P0为最大发射功率，h
rb
为智能反射面到基站的信道增益，h
ir
用户设备i到智能反射面的信道增益，h
ib
为用户设备i到基站的信道增益，h
rw
为智能反射面到窃听者的信道增益，h
iw
为用户设备i到窃听者的信道增益，σ
w
为窃听者的噪声功率，ε表示隐蔽条件的约束门限，L为信道的使用次数，Θ
m,n
为智能反射面的第m行第n列的反射单元的反射系数，M为智能反射面中反射单元的总行数，N为智能反射面中反射单元的总列数。
[0037]在一个实施例中，智能反射面在接收到第一信号后生成反射信号，包括：
[0038]确定智能反射面的对角反射矩阵，对角反射矩阵中包括智能反射面中每个反射单元的反射系数；
[0039]根据智能反射面的对角反射矩阵生成反射信号。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能反射面辅助隐蔽空中计算的无线联邦学习方法，其特征在于，包括：建立无线联邦学习模型，无线联邦学习模型包括天线基站、多个用户设备、智能反射面和窃听者；每个用户设备发射第一信号到智能反射面，并发射第二信号到基站，所述智能反射面在接收到所述第一信号后生成反射信号，并将所述反射信号传送到所述基站；所述窃听者能够在所述用户设备向所述智能反射面和所述基站发射信号的过程中，接收到第一隐蔽信号，以及在所述智能反射面将所述发射信号传送到所述基站的过程中，接收到第二隐蔽信号；所述反射信号与所述第二信号同相，所述第一隐蔽信号与所述第二隐蔽信号反相；在所述多个用户设备中，确定每轮通信中参与无线联邦学习的用户设备选择集；基于确定的参与无线联邦学习的用户设备选择集和所述无线联邦学习模型，进行无线联邦学习。2.如权利要求1所述的方法，其特征在于，其中，在所述多个用户设备中，确定每轮通信中参与无线联邦学习的用户设备选择集，包括：确定所有用户设备的优先级；确定用户设备选择集中用户设备的个数k；根据用户设备的优先级选择优先级较高的k个用户设备构成用户设备选择集，选择的k个用户设备满足以下公式：个用户设备满足以下公式：|Θ
m,n
|≤1,m＝1,2,
…
,M，n＝1,2,
…
,N其中，w
i
为用户设备i的发射功率，m为基站处的聚集波束形成矢量，H表示转置共轭，S为用户设备选择集，P0为最大发射功率，h
rb
为智能反射面到基站的信道增益，h
ir
用户设备i到智能反射面的信道增益，h
ib
为用户设备i到基站的信道增益，h
rw
为智能反射面到窃听者的信道增益，h
iw
为用户设备i到窃听者的信道增益，σ
w
为窃听者的噪声功率，ε表示隐蔽条件的约束门限，L为信道的使用次数，Θ
m,n
为智能反射面的第m行第n列的反射单元的反射系数，M为智能反射面中反射单元的总行数，N为智能反射面中反射单元的总列数。3.如权利要求1所述的方法，其特征在于，所述智能反射面在接收到所述第一信号后生成反射信号，包括：确定所述智能反射面的对角反射矩阵，所述对角反射矩阵中包括所述智能反射面中每个反射单元的反射系数；根据所述智能反射面的对角反射矩阵生成所述反射信号。4.一种智能反射面辅助隐蔽空中...

【专利技术属性】
技术研发人员：郑杰，秦钰林，孙明杰，姬云利，曾伟哲，王倩，高岭，王海，马于惠，吉烁，曹瑞，
申请(专利权)人：西北大学，
类型：发明
国别省市：