一种基于联邦学习的用户选择和资源分配方法组成比例

本发明专利技术涉及一种基于联邦学习的用户选择和资源分配方法，属于移动通信技术领域。首先，对参加FL的用户进行筛选。综合考虑IDs交互可靠度和交互新鲜度，生成IDs的信誉值。其次，基于层次分析法对IDs的QoS需求进行分析，根据IDs的不同QoS需求建立优先级。最后，将最小化FL任务总开销问题分解为计算阶段开销和通信资源分配两个子优化问题分别求解。在FL任务计算优化阶段，考虑IDs的CPU频率不同，需权衡计算时间和计算能耗；在通信资源优化阶段，根据IDs的优先级从高到低进行RB分配。本方案有效的降低了FL任务的总时延和能耗开销，在满足IDs的QoS需求同时保证了FL过程的可靠性和有效性。

A method of user selection and resource allocation based on Federated learning

【技术实现步骤摘要】
一种基于联邦学习的用户选择和资源分配方法
本专利技术属于移动通信
，涉及一种基于联邦学习的用户选择和资源分配方法。
技术介绍
随着人们对维护消费者数据隐私的兴趣日益高涨，导致了一类新的机器学习技术，联邦学习的出现。联邦学习允许物联网设备(InternetofThingsDevices,IDs)协作建立一个共享的全局模型，同时将所有的训练数据保存在自己的设备上。具体地说，IDs根据其本地训练数据计算本地模型更新，然后由中央服务器(如雾节点，FogNodes,FNs)聚合为共享的全局模型，以便所有IDs都可以访问相同的全局模型。重复这个过程，直到达到模型训练精度。由于本地训练数据不共享，IDs的数据隐私得到了很好的保护，从而将本地模型训练与数据中心获取、存储和全局模型聚合分离开来。支持联邦学习的理由有很多。首先，随着雾计算的发展，联邦学习可以很容易地在现实中实现。模型训练可以以分布式的方式完成，从而减少上传大量原始数据的延迟。其次，联邦学习极大地促进了大规模的数据收集和模型训练。例如，一群智能设备可以在白天主动感知和收集数据，然后在夜本文档来自技高网...

【技术保护点】
1.一种基于联邦学习的用户选择和资源分配方法，其特征在于：该方法根据所提供网络场景的特性，联合优化IDs选择、QoS需求分析和传输资源分配以最小化FL任务的总开销。该方法包括以下步骤：/nS1：基于信誉值的用户选择方案；/nS2：基于层次分析法的QoS分析方案；/nS3：基于用户异构性的FL计算开销优化方案；/nS4：传输资源分配方案。/n

【技术特征摘要】
1.一种基于联邦学习的用户选择和资源分配方法，其特征在于：该方法根据所提供网络场景的特性，联合优化IDs选择、QoS需求分析和传输资源分配以最小化FL任务的总开销。该方法包括以下步骤：
S1：基于信誉值的用户选择方案；
S2：基于层次分析法的QoS分析方案；
S3：基于用户异构性的FL计算开销优化方案；
S4：传输资源分配方案。


2.根据权利要求1所述的一种基于联邦学习的用户选择和资源分配方法，其特征在于：在所述步骤S1中，建立一个多用户联邦学习FL网络模型，包括用户端和边缘服务器；考虑由无线通信基础设施；即雾节点FNs和一组物联网设备IDs组成的通用移动网络；M＝{1,2,...,m,…,M}表示FN的集合，每个FN与若干个IDs相关联，IDs的集合表示为U＝{1,2,...,u,...,U}；IDs配备一定的计算和通信资源，从移动应用中产生多种用户数据，以及采集大量的传感数据；FN将综合考虑IDs交互可靠度和交互新鲜度，对IDs的局部模型进行评估，生成IDs的信誉值；FN选择信誉大于阈值的IDs，加入FL用户集，设置训练决策向量αu,m＝1，并为其分配传输RB；被选择的IDs分别进行本地模型更新，通过分配的RB上传模型参数和本地模型梯度到FN。


3.根据权利要求1所述的一种基于联邦学习的用户选择和资源分配方法，其特征在于：在所述步骤S2中，IDs的QoS参数由S＝{1,2,...,S}表示；卸...

【专利技术属性】
技术研发人员：黄晓舸，崔艺凡，陈志，陈前斌，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50