【技术实现步骤摘要】
本专利技术涉及一种面向联邦学习的无线网络通信效率优化方法，属于无线网络技通信。
技术介绍
1、无线网络通过部署机器学习等人工智能技术，能够极大提升网络性能。然而，传统集中式机器学习会带来数据安全、传输数据量过大等问题。联邦学习技术能够有效解决上述问题。作为一种分布式学习，联邦学习在训练时，只传输本地训练参数，传输数据量较小。另一方面，由于联邦学习不传输本地数据，数据安全也得到了保护。基于上述优点，联邦学习已经成为无线网络中常见的机器学习方案。
2、然而，将联邦学习部署在无线网络，需要解决通信效率问题。一方面，受限于无线信道的衰落效应，联邦学习在传输训练系数时可能发生中断，影响训练精度。另一方面，由于无线通信资源的有限性，如果联邦学习过程带来了大量的通信资源消耗，将大大降低其实用性。
3、因此，有效解决通信效率问题，是联邦学习部署在无线网络的前提。目前，该领域的研究已取得进展：
4、如文献[异构物联网下资源高效的分层协同联邦学习方法,电子与信息学报,45(8),2023]研究了物联网设备的异构性对联邦学习的影响，提出了一种算法来消除影响。然而，该方法未涉及对通信效率的数学建模，无法解决通信资源消耗和训练精度的折中问题，并且求解依赖于算力，复杂度较高。
5、又如文献[federated learning over wireless iot networks with optimizedcommunication and resources,ieee internet ofthings
6、上述问题是在面向联邦学习的无线网络通信效率优化过程中应当予以考虑并解决的问题。
技术实现思路
1、本专利技术的目的是提供一种面向联邦学习的无线网络通信效率优化方法解决现有技术中存在的通信资源占用过高、复杂度高、联邦学习在无线网络的通信效率有待提高的问题。
2、本专利技术的技术解决方案是：
3、一种面向联邦学习的无线网络通信效率优化方法，包括以下步骤，
4、s1、利用单位无线资源下的训练数据量对联邦学习中的无线网络通信效率优化问题进行建模；
5、s2、利用交替迭代将无线网络通信效率优化问题化简为无线资源分配子问题，然后通过转化和拉格朗日乘子法求得最优解并计算用于确保最优解满足无线网络通信效率优化问题的约束条件的节点的频谱带宽取值将最优解和带入无线网络通信效率优化问题进行化简，得到代理选择子问题；
6、s3、针对代理选择子问题，通过近似转化为背包问题，利用性价比搜索求得近似解，得到训练中确定节点是否参与训练的参数
7、s4、根据优化结果包括步骤s2得到的无线资源分配子问题的最优解与频谱带宽取值以及步骤s3得到的训练中确定节点是否参与训练的参数设置节点的发射功率、频谱带宽以及参与联邦学习的节点。
8、进一步地，步骤s1中，利用单位无线资源下的训练数据量对联邦学习中的无线网络通信效率优化问题进行建模，具体为，
9、s11、单位无线资源下的训练数据量u为：
10、
11、其中，i表示无线节点序号，m表示无线节点集合，t表示训练序号，表示第t次训练中确定节点i是否参与训练的参数，si表示节点i的训练样本数据量，表示第t次训练中节点i的频谱带宽，表示第t次训练中节点i的发射功率；
12、s12、对联邦学习中的无线网络通信效率优化问题进行建模：
13、目标函数
14、约束条件
15、
16、
17、
18、其中，表示向上取整函数，e表示上行链路的最大可容忍延迟，bt表示网络频谱总带宽，pmax表示节点最大发射功率；第t次训练中节点i的训练参数回传时长其中，d表示训练参数数据量；第t次训练中节点i的传输速率其中，表示第t次训练中节点i到基站的无线信道增益，σ2表示背景噪声功率；
19、进一步地，步骤s2中，利用交替迭代将无线网络通信效率优化问题化简为无线资源分配子问题，然后通过转化和拉格朗日乘子法求得最优解将最优解和带入无线网络通信效率优化问题进行化简，得到代理选择子问题，具体为，
20、s21、固定与公式(1-b)、(2)联立，得到
21、
22、s22、将公式(3)和带入公式(1)，将无线网络通信效率优化问题化简为无线资源分配子问题如下：
23、目标函数
24、约束条件
25、
26、s23、采用拉格朗日乘子法求解无线资源分配子问题即公式(4)，得到无线资源分配子问题的最优解的隐式表达式；
27、s24、根据无线资源分配子问题的最优解的隐式表达式，迭代得到无线资源分配子问题的最优解
28、s25、令带入公式(3)计算得到表示确保满足约束条件(1-b)的取值；
29、s26、将和带入原问题(1)化简，得到代理选择子问题如下：
30、目标函数
31、约束条件
32、
33、其中，m表示无线节点集合，bt表示网络频谱总带宽。
34、进一步地，步骤s23中，采用拉格朗日乘子法求解无线资源分配子问题即公式(4)，得到无线资源分配子问题的最优解的隐式表达式，具体为，
35、s231、将无线资源分配子问题即公式(4)的拉格朗日函数l展开为
36、
37、其中，η是对应于约束条件(4-a)的拉格朗日乘子，ui和λi是对应于约束条件(1-d)的拉格朗日乘子；
38、s232、根据库恩塔克条件建立如下方程组：
39、
40、η≥0,ui≥0,λi≥0
41、
42、
43、
44、s233、求解步骤s232的方程组，得到无线资源分配子问题的最优解的隐式表达式如下：
45、
46、进一步地，步骤s24中，根据无线资源分配子问题的最优解的隐式表达式，迭代得到无线资源分配子问题的最优解具体为，
47、s241、表示无线资源分配子问题的最优解第k次的迭代值，初始化迭代序号k＝1，设定最大迭代次数kmax，
48、s242、检验k＞kmax是否满足，如果满足，则输出迭代停止；如果不满足，则令进入下一步骤s243；
49、s243、令k＝k+1，然后返回步骤s242。
50、进一步地，步骤s3中，针对代理选择子问题，通过近似转化为背包问题，利用性价比搜索求得近似解，得到训练中确定节点是否参与训练的参数，具体本文档来自技高网...
【技术保护点】
1.一种面向联邦学习的无线网络通信效率优化方法，其特征在于：包括以下步骤，
2.如权利要求1所述的面向联邦学习的无线网络通信效率优化方法，其特征在于：步骤S1中，利用单位无线资源下的训练数据量对联邦学习中的无线网络通信效率优化问题进行建模，具体为，
3.如权利要求2所述的面向联邦学习的无线网络通信效率优化方法，其特征在于：步骤S2中，利用交替迭代将无线网络通信效率优化问题化简为无线资源分配子问题，然后通过转化和拉格朗日乘子法求得最优解Pi*，并计算用于确保最优解Pi*满足无线网络通信效率优化问题的约束条件的节点的频谱带宽取值将最优解Pi*和带入无线网络通信效率优化问题进行化简，得到代理选择子问题，具体为，
4.如权利要求3所述的面向联邦学习的无线网络通信效率优化方法，其特征在于：步骤S23中，采用拉格朗日乘子法求解无线资源分配子问题即公式(4)，得到无线资源分配子问题的最优解Pit的隐式表达式，具体为，
5.如权利要求3所述的面向联邦学习的无线网络通信效率优化方法，其特征在于：步骤S24中，根据无线资源分配子问题的最优解Pit的隐式
6.如权利要求2-5任一项所述的面向联邦学习的无线网络通信效率优化方法，其特征在于：步骤S3中，针对代理选择子问题，通过近似转化为背包问题，利用性价比搜索求得近似解，得到训练中确定节点是否参与训练的参数，具体为，
7.如权利要求3所述的面向联邦学习的无线网络通信效率优化方法，其特征在于：步骤S4中，设置节点的发射功率、频谱带宽以及参与联邦学习的节点，具体为，
...【技术特征摘要】
1.一种面向联邦学习的无线网络通信效率优化方法，其特征在于：包括以下步骤，
2.如权利要求1所述的面向联邦学习的无线网络通信效率优化方法，其特征在于：步骤s1中，利用单位无线资源下的训练数据量对联邦学习中的无线网络通信效率优化问题进行建模，具体为，
3.如权利要求2所述的面向联邦学习的无线网络通信效率优化方法，其特征在于：步骤s2中，利用交替迭代将无线网络通信效率优化问题化简为无线资源分配子问题，然后通过转化和拉格朗日乘子法求得最优解pi*，并计算用于确保最优解pi*满足无线网络通信效率优化问题的约束条件的节点的频谱带宽取值将最优解pi*和带入无线网络通信效率优化问题进行化简，得到代理选择子问题，具体为，
4.如权利要求3所述的面向联邦学习的无线网络通信效率优化方法，其特征在...
【专利技术属性】
技术研发人员：成聿伦，张晶，赵海涛，杨龙祥，朱洪波，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。