【技术实现步骤摘要】
本专利技术涉及移动通信，特别涉及一种基于gnn的去中心化学习网络拓扑优化方法。
技术介绍
1、随着第五代移动通信(the 5th generation,5g)不断的商业化，5g正在与更多的行业进行交叉，催生了许多与人工智能(artificial intelligence，ai)相关的应用。然而这些新兴应用需要新的、更高效的技术作为支撑，而无线分布式学习将成为下一代移动通信的主要应用场景之一。无线的分布式学习的核心思想是让拥有异构数据和本身具有算力的智能终端基于自己的数据集进行神经网络训练，设备之间仅需交换模型参数或中间结果，并对模型参数的进行处理，即可在不暴露设备隐私的前提下高效地完成神经网络的训练任务。相比较于传统的中心化集中式学习方法，无线分布式学习方法不仅可以保护数据的隐私，还可以充分的利用终端的算力。
2、去中心化分布式学习是一种新兴的机器学习范式，旨在通过将模型训练过程分散到多个本地设备或节点上，实现更加隐私保护和安全性的机器学习。这种方法的目标是避免将所有数据集中存储在一个中心化的服务器上，从而降低数据泄露的风险，并提高用户对他们个人数据的控制。d2d(device-to-device)网络是一种通信网络模型，它允许直接相邻设备之间进行通信，而无需经过中央基站或互联网。这种通信模型的目标是提高通信效率、降低延迟并减轻对中央基站的依赖。然而在无线网络中去部署以及d2d网络的拓扑选择上仍然面临着许多挑战。拓扑结构的选择影响单次训练开销和收敛所需要的步数，训练的开销中包含能耗和时延，所以如何选择合适的拓扑结构变
技术实现思路
1、本专利技术的目的在于，提供一种基于gnn的去中心化学习网络拓扑优化方法。本专利技术可以在有效完成通信目标的前提下，以较低的计算复杂度最小化系统的开销，保证所有的终端设备能够完成去中心化分布式学习的任务。
2、本专利技术的技术方案：一种基于gnn的去中心化学习网络拓扑优化方法，将终端设备的本地状态信息收集后，利用枚举法和凸优化算法计算得到的d2d网络拓扑结构以及通信资源分配方案作为gnn模型的标签，利用枚举法和凸优化算法计算得到的d2d网络拓扑结构以及通信资源分配方案作为gnn模型的标签，随后将终端设备的本地状态信息两两组合成一个新的本地状态信息，生成数据集，将数据集作为输入对gnn模型进行训练、验证和测试，最后将训练好的gnn模型用来计算最优的d2d网络拓扑结构以及最优的通信资源分配方案，随后各终端根据最优方案进行终端间信息交换以及学习，完成去中心化分布式学习的任务。
3、上述的gnn的去中心化学习网络拓扑优化方法，所述终端设备的本地状态信息包括终端设备的最大发射功率、终端算力和d2d链路的信道增益。
4、前述的gnn的去中心化学习网络拓扑优化方法，根据终端设备的发射功率、终端算力、d2d链路的信道增益以及目标函数，利用枚举法和凸优化算法计算出每一组本地信息数据所对应的d2d网络拓扑结构以及通信资源分配方案，将平均时延最小化时所对应的d2d网络拓扑结构以及通信资源分配方案作为gnn模型的标签。
5、前述的gnn的去中心化学习网络拓扑优化方法，所述数据集的构建是将终端设备两两组合成一起，形成图的端点，端点间的链路聚合成图的边，由此把网络拓扑图转化为gnn模型输入的图结构；其中，组合后两个终端设备的发射功率和终端算力构成的数据集合作为点的特征，d2d链路的信道增益作为边的特征。
6、前述的gnn的去中心化学习网络拓扑优化方法，所述gnn模型的训练是每一台终端设备初始化本地网络参数，并根据本地私有数据集进行指定轮次的训练，每一轮训练均进行模型参数的更新。
7、前述的gnn的去中心化学习网络拓扑优化方法，所述gnn的模型包括四个图卷积层和一个线性层；所述图卷积层用于提取节点特征，所述线性层进行分类预测。
8、前述的gnn的去中心化学习网络拓扑优化方法，利用训练好的gnn模型，输入每个终端的本地信息，快速的求解出最优的d2d网络拓扑结构以及最优的通信资源分配方案，然后将得到的方案发送给其他终端设备，当所有的终端设备均接收并根据优化后的方案完成模型参数的交换与更新之后，视为去中心化学习完成一轮模型训练。
9、与现有技术相比，在去中心化分布式学习系统中，终端间通过d2d链路建立连接。然而由于本地终端算力以及无线通信资源的有限性，链路的选择将会影响模型训练的性能。因为d2d链路激活的越多，各链路的通信性能将会下降，从而使得模型训练开销增大，但是就模型训练而言，激活越多的链路，模型收敛的速率越大。同时考虑到有些不合理的链路资源分配策略也会使得模型训练开销增大。综合以上考虑，本专利技术结合了gnn技术和去中心化分布式学习d2d技术，着眼于由多个终端构成的分布式网络拓扑结构，以得到最优的网络拓扑与系统使得通信开销最小为目标，设计了一种使用gnn技术去优化d2d网络拓扑结构的方案。本专利技术在保证能够有效完成通信目标的前提下，以较低的计算复杂度最小化系统的开销，保证所有的终端能够完成去中心化分布式学习的任务。本专利技术采用神经网络(graphneural network，gnn)是一类专门用于处理图结构数据的机器学习模型。图结构数据是一种包含节点和边的数据表示形式。图神经网络能够捕捉节点之间复杂的关系和连接模式，在处理大规模图时具有一定的可扩展性，同时他还具有很强的泛化性，这些特点让图神经网络可以在解决网络拓扑结构时有着很大的优势。本专利技术考虑到终端设备更多的信息，同时运用gnn模型可以很大程度上减少运算的复杂度，在得到相同正确率的情况下，以更高的效率完成对网络拓扑结构以及资源的分配，从而达到使得单次训练时延最小化的目标。
本文档来自技高网...【技术保护点】
1.一种基于GNN的去中心化学习网络拓扑优化方法，其特征在于：将终端设备的本地状态信息收集后，利用枚举法和凸优化算法计算得到的D2D网络拓扑结构以及通信资源分配方案作为GNN模型的标签，随后将终端设备的本地状态信息两两组合成一个新的本地状态信息，生成数据集，将数据集作为输入对GNN模型进行训练、验证和测试，最后将训练好的GNN模型用来计算最优的D2D网络拓扑结构以及最优的通信资源分配方案，随后各终端根据最优方案进行终端间信息交换以及学习，完成去中心化分布式学习的任务。
2.根据权利要求1所述的GNN的去中心化学习网络拓扑优化方法，其特征在于：所述终端设备的本地状态信息包括终端设备的最大发射功率、终端算力和D2D链路的信道增益。
3.根据权利要求2所述的GNN的去中心化学习网络拓扑优化方法，其特征在于：根据终端设备的发射功率、终端算力、D2D链路的信道增益以及目标函数，利用枚举法和凸优化算法计算出每一组本地信息数据所对应的最优D2D网络拓扑结构以及通信资源分配方案，将平均时延最小化时所对应的D2D网络拓扑结构以及通信资源分配方案作为GNN模型的标签。
...【技术特征摘要】
1.一种基于gnn的去中心化学习网络拓扑优化方法，其特征在于：将终端设备的本地状态信息收集后，利用枚举法和凸优化算法计算得到的d2d网络拓扑结构以及通信资源分配方案作为gnn模型的标签，随后将终端设备的本地状态信息两两组合成一个新的本地状态信息，生成数据集，将数据集作为输入对gnn模型进行训练、验证和测试，最后将训练好的gnn模型用来计算最优的d2d网络拓扑结构以及最优的通信资源分配方案，随后各终端根据最优方案进行终端间信息交换以及学习，完成去中心化分布式学习的任务。
2.根据权利要求1所述的gnn的去中心化学习网络拓扑优化方法，其特征在于：所述终端设备的本地状态信息包括终端设备的最大发射功率、终端算力和d2d链路的信道增益。
3.根据权利要求2所述的gnn的去中心化学习网络拓扑优化方法，其特征在于：根据终端设备的发射功率、终端算力、d2d链路的信道增益以及目标函数，利用枚举法和凸优化算法计算出每一组本地信息数据所对应的最优d2d网络拓扑结构以及通信资源分配方案，将平均时延最小化时所对应的d2d网络拓扑结构以及通信资源分配方案作为gnn模型的标签。
4.根据权利要求2所述的gn...
【专利技术属性】
技术研发人员：袁建涛，徐湛，刘胜利，殷锐，何欣，王冠，肖铎，应小宇，万安平，
申请(专利权)人：浙大城市学院，
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。