5G网络中面向多任务联邦学习的资源分配方法及系统技术方案

本发明专利技术提供了一种5G网络中面向多任务联邦学习的资源分配方法及系统，所述方法包括以下步骤：获取每个设备训练每个任务相应的设备运行参数、本地训练数据量和传输数据量；结合网络环境参数、每个设备的发射功率和设备参数，确定每个设备传输每个任务所需的时延和能耗；进行每轮训练任务时，根据每个设备向基站传输每个任务所需的时延和能耗，对参与本轮联邦学习的设备进行筛选；在对选中的设备发送功率进行限制的前提下，进行数据传输的资源分配。本发明专利技术基于网络通信环境、设备时延和能耗限制条件，针对联邦学习的每一轮均进行参与学习的设备选择和网络传输资源分配，保证了联邦学习的效率和准确性。学习的效率和准确性。学习的效率和准确性。

【技术实现步骤摘要】
5G网络中面向多任务联邦学习的资源分配方法及系统


[0001]本专利技术涉及机器学习
，具体涉及一种5G网络中面向多任务联邦学习的资源分配方法及系统。

技术介绍

[0002]随着智能电网建设的快速推进，电力系统内各种输变电设备越来越多，仪器设备大多安置于室外，常态检修监视和非常态安全事件主要依靠人工发现，检测任务的增多与高温高压等环境因素对传统的人工巡检形成巨大的挑战。智能摄像头、巡检机器人等智能设备不断投入应用，使用智能设备中的图像识别技术能够有效提升全天候智能监控站内的安全生产能力，并保障环境内工人的安全问题。例如，将计算任务下沉至移动边缘网络的智能摄像头中，摄像头此时既可以作为图像数据采集的工具，又可以对环境内人员与设备进行实时识别及追踪。
[0003]但是智能设备的引入会面临新的问题。一方面，如果各系统单独执行独立的任务，在单个电力环境中采集的数量有限，目标不具有普遍性与广泛性，无法囊括大部分的目标物体，使之成为“数据孤岛”，造成最终识别精度无法达到较高水平。另一方面，如果各系统为提升识别精度在各环境下进行数据交互并上传至本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种5G网络中面向多任务联邦学习的资源分配方法，其特征在于，包括以下步骤：获取每个设备训练每个任务相应的设备运行参数、本地训练数据量和传输数据量；结合网络环境参数、每个设备的发射功率和设备参数，确定每个设备传输每个任务所需的时延和能耗；进行每轮训练任务时，根据每个设备向基站传输每个任务所需的时延和能耗，对参与本轮联邦学习的设备进行筛选；在对选中的设备发送功率进行限制的前提下，进行数据传输的资源分配。2.如权利要求1所述的一种5G网络中面向多任务联邦学习的资源分配方法，其特征在于，所述设备运行参数包括设备芯片的能耗系数、CPU频率，以及设备在执行任务每比特所需要的CPU周期数。3.如权利要求1所述的一种5G网络中面向多任务联邦学习的资源分配方法，其特征在于，设备筛选和资源分配通过构建和求解用户选择与资源分配模型实现；所述用户选择与资源分配模型是以所有任务损失函数加权和最小化为目标，以设备向基站进行上行链路数据传输时的资源块占用、每轮联邦学习设备所需满足的时延要求和能耗要求为限制条件构建的。4.如权利要求3所述的一种5G网络中面向多任务联邦学习的资源分配方法，其特征在于，所述用户选择与资源分配模型的目标函数为：于，所述用户选择与资源分配模型的目标函数为：其中，表示在任务j中所有设备的训练数据之和，K
mj
表示每个设备m在每个任务j的样本数量，w
mj
表示设备m在任务j中的本地模型参数，g
j
表示任务j的全局模型，a
mj
＝[a
1j
,...,a
Mj
]表示设备选择序号向量；f
j
表示任务j的损失函数。5.如权利要求4所述的一种5G网络中面向多任务联邦学习的资源分配方法，其特征在于，在对选中的设备发送功率进行限制后，所述模型简化为：其中，K

【专利技术属性】
技术研发人员：孙海蓬，黄萍，李艳丽，刘明刚，王海洋，张波，苏俊浩，刘政强，
申请(专利权)人：山东电力工程咨询院有限公司，
类型：发明
国别省市：