一种面向边缘智能网络的大规模接入方法技术

本发明专利技术公开了一种面向边缘智能网络的大规模接入方法。小区部署多天线基站作为边缘服务器，大量的移动设备通过这一基站接入无线网络进行联邦学习。在每轮学习中，基站首先选择出部分设备，通过下行链路设计发射波束广播全局模型。每个选中的设备通过接收机恢复出全局模型后，并基于本地数据集训练出新的本地模型，然后经波束成形后发射出去。利用无线信道的叠加特性，通过接收机，基站能够直接得到经空中计算而成的聚合模型，接着计算出其加权平均作为更新的全局模型。本发明专利技术为边缘智能网络提供了一种有效的大规模接入方法。提供了一种有效的大规模接入方法。提供了一种有效的大规模接入方法。

【技术实现步骤摘要】
一种面向边缘智能网络的大规模接入方法


[0001]本专利技术涉及无线通信领域，尤其涉及一种面向边缘智能网络的大规模接入方法。

技术介绍

[0002]近年来，随着万物互联时代的到来，移动设备数量及其产生的数据量呈爆炸式增长。思科发布报告指出，2021年全球联网设备数量将从2016年的171亿增加到271亿，设备产生的数据量也将从2016年的218ZB增长到847ZB。面对如此庞大的设备数量和海量数据，物联网可以联合先进的信息处理技术如数据挖掘、人工智能等提取有用信息进行计算、分析和处理，从而实现人与物、物与物的信息交互和无缝连接，赋能各种智能物联网服务与应用。
[0003]然而，在6G时代利用人工智能技术助力实现“万物智联”仍面临着一些问题和挑战。比如将带有私有信息的数据传输到云服务器会增加泄露用户隐私数据的风险。此外，由于频谱资源有限，通过无线信道聚合海量分布式数据进行模型学习会造成网络拥塞和网络延迟。基于此，边缘智能应运而生，由于数据采集和处理主要在网络边缘进行，边缘智能可以显著降低服务延迟和边缘设备的能耗，减缓网络带宽的压力，提高万本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向边缘智能网络的大规模接入方法，其特征在于包括如下步骤：S1：预先部署一个天线数为N的基站，同时有K个单天线的移动设备通过该基站接入无线网络进行联邦学习，每进行更新一次全局模型视为一轮学习；通过信道估计或反馈，得到从基站到第k个移动设备的信道状态信息序号k＝1,
…
,K，其真实信道状态信息为其中e
k
为信道估计误差向量，其范数有边界值ε
k
，满足||e
k
||≤ε
k
；初始化学习轮数t＝1；S2：在第t轮学习中，基站基于信道状态信息给所有移动设备进行升序排序，得到被选择优先权重排序x
π(1)
≤
…
≤x
π(K)
，其中以x
k
∈[0,1]表示第k个移动设备的权重，所述被选择优先权重排序是按照x
k
的值大小进行排序的，x
k
的值越小则表示被选择的优先权越高，排序越靠前；π(1)是权重值最小的移动设备对应的序号，π(i)是经K个移动设备的权重从小到大排序后排序靠前的第i个移动设备对应的序号，π(K)是权重值最大的移动设备对应的序号；π(1),
…
,π(K)的取值分别为1,
…
,K中的一个且不重复；S3：基站根据设备被选择优先权重排序x
π(1)
≤
…
≤x
π(K)
，进行可行性检测，得到第t轮学习中选择的设备集S
t
＝{π(1),π(2),
…
,π(m)}，其中m∈[1,K]是使得设备集可行的最大值，然后设计出基站的发射波束w、接收波束z以及被选中的移动设备k的接收机v
k
和发射机b
k
；S4：基站通过下行链路经发射波束w对选中的设备集S
t
广播更新后的全局模型q
[t
‑
1]
；S5：被选中的移动设备k∈S
t
通过接收机v
k
恢复出接收到的全局模型并训练本地数据集D
k
，得到更新的本地模型接着经发射机b
k
通过上行链路同时向基站发射出去；S6：基站接到移动设备发射的信号后，通过接收波束z恢复出聚合的本地模型，并计算所有移动设备的本地模型的加权平均作为更新的全局模型q
[t]
；S7：判断全局模型q
[t]
是否收敛，若全局模型收敛，则输出全局模型q
[t]
，否则令t＝t+1，重新从步骤S2开始执行。2.根据权利要求1所述的一种面向边缘智能网络的大规模接入方法，其特征在于，步骤S2中，基站基于信道状态信息给所有移动设备进行排序，得到被选择优先权重排序的方法为：S21：初始化基站广播全局模型时的发射波束移动设备k的接收机v
k
＝1，移动设备k上传本地模型时的发射机基站接收波束z＝[1,0,
…
,0]
T
，其中P
BS
为基站最大发射功率，P
k
为移动设备k的最大发射功率；S22：计算出基站下行广播时，设备k估计的全局模型与基站广播的全局模型之间的均方误...

【专利技术属性】
技术研发人员：齐俏，陈晓明，
申请(专利权)人：浙江大学，
类型：发明
国别省市：