一种基于联邦边缘学习的工业物联网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基于联邦边缘学习的工业物联网资源分配方法，包括：获取工业设备数据；根据获取的工业设备数据，利用工业物联网下联邦边缘学习的无线通信网络模型，得到分配结果；其中，通过最小化所有设备总成本的优化目标对无线通信网络模型进行全局优化；通过李雅普诺夫优化方法和迭代算法实现最小化所有设备总成本的优化目标。本发明专利技术采用李雅普诺夫优化理论来实现长期问题到短期问题的转化，同时引入虚拟能量队列避免工业设备超出能耗要求无法工作的问题。求无法工作的问题。求无法工作的问题。

【技术实现步骤摘要】
一种基于联邦边缘学习的工业物联网资源分配方法及系统


[0001]本专利技术涉及无线通信
，尤其涉及一种基于联邦边缘学习的工业物联网资源分配方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]目前，随着工业物联网(Industrial Internet of Things，IIOT)设备的广泛部署和边缘人工智能(Edge Artificial Intelligence，Edge AI)技术的快速发展，工业物联网技术在边缘网络上已经大量应用，大规模的工业数据在边缘产生。但是，通过传统的集中式训练方法来训练机器学习(Machine Learning，ML)模型，需要将所有设备的原始数据通过无线传输汇总到中央服务器来进行计算。这不仅会大大地损耗无限带宽资源，同时由于所有设备的数据都要在中央服务器进行计算，还会消耗较多的计算资源，产生大量的延迟，从而带来了巨大的成本。因此传统的集中式训练方法对实际的IIOT场景并不实用。
[0004]为了解决以上问题，一种分布式模型训练框架——联邦边缘学习(FederatedEdgeLearning，FEEL)被提出了。FL的目标是使设备能够协同学习一个共享的机器学习(MachineLearning)模型，并与中央服务器协作，同时将所有的训练数据保存在设备上，从而将执行ML的能力与在中央服务器中上传/存储数据的需要分离。通过在本地更新模型参数，FEEL利用了在设备上分布的数据和计算能力，因此可以减少中央服务器的能量损耗，缩减模型训练延迟以及保护设备数据隐私，降低了整体成本。
[0005]虽然在IIOT的无线网络场景下，FEEL可以减少延迟，降低一定成本，但是由于无线网络带宽资源有限，在每轮训练过程中，需要合理地进行用户的选择以及带宽的分配；同时，在长期的FEEL过程中，在不同回合之间的决策具有依赖性，并且用户的能量是有限的。因此，为了能够更好地在边缘IIOT训练联邦学习的模型，需要合理地进行设备的选择和带宽的分配，使得在满足设备长期能耗要求的情况下，最小化长期的设备总成本，实现FEEL在IIOT上更好地应用。

技术实现思路

[0006]本专利技术为了解决上述问题，提出了一种基于联邦边缘学习的工业物联网资源分配方法及系统，本专利技术能够提高联邦学习的训练准确度性能，从而来实现FEEL在IIOT更好地应用。
[0007]根据一些实施例，本专利技术采用如下技术方案：
[0008]一种基于联邦边缘学习的工业物联网资源分配方法，包括：
[0009]获取工业设备数据；
[0010]根据获取的工业设备数据，利用工业物联网下联邦边缘学习的无线通信网络模型，得到分配结果；
[0011]其中，通过最小化所有设备总成本的优化目标对无线通信网络模型进行全局优化；通过李雅普诺夫优化方法和迭代算法实现最小化所有设备总成本的优化目标。
[0012]进一步地，所述最小化所有设备总成本的优化目标，基于时延约束以及设备长期能耗要求的条件下，通过优化设备选择和带宽分配实现。
[0013]进一步地，所述李雅普诺夫优化方法用于实现长期问题到短期问题的转化。
[0014]进一步地，所述利用工业物联网下联邦边缘学习的无线通信网络模型，得到最小化所有设备总成本的优化目标，包括对工业物联网下联邦边缘学习的无线通信网络模型分析，针对设备本地计算以及向边缘基站传输模型参数的上行链路，构建相应的模型。
[0015]进一步地，所述获取工业设备数据集后，考虑长期地应用联邦学习来进行数据集的训练。
[0016]进一步地，所述联邦学习包括将全局模型参数给参与联邦学习的工业设备，所述工业设备根据本地数据来更新本地模型。
[0017]进一步地，所述联邦学习还包括利用边缘服务器聚合更新后的本地模型参数得到新的全局模型参数。
[0018]一种基于联邦边缘学习的工业物联网资源分配系统，包括：
[0019]数据获取模块，被配置为，获取工业设备数据；
[0020]计算模块，被配置为，根据获取的工业设备数据，利用工业物联网下联邦边缘学习的无线通信网络模型，得到分配结果；
[0021]其中，通过最小化所有设备总成本的优化目标对无线通信网络模型进行全局优化；通过李雅普诺夫优化方法和迭代算法实现最小化所有设备总成本的优化目标。
[0022]一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行所述的一种基于联邦边缘学习的工业物联网资源分配方法。
[0023]一种终端设备，包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，所述指令适于由处理器加载并执行所述的一种基于联邦边缘学习的工业物联网资源分配方法。
[0024]与现有技术相比，本专利技术的有益效果为：
[0025]本专利技术采用李雅普诺夫优化理论来实现长期问题到短期问题的转化，同时引入虚拟能量队列避免工业设备超出能耗要求无法工作的问题；通过利用迭代算法来进行合理的设备选择和带宽分配，在最终实现所有工业设备成本最小化的同时，能够实现联邦学习在边缘工业物联网上准确度性能的提升，从而实现FEEL在IIOT上更好地训练模型。
附图说明
[0026]构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
[0027]图1是本实施例1的无线网络的模型图；
[0028]图2是本实施例1的流程图；
[0029]图3是本实施例1的优化工业设备选择和带宽分配的算法流程图；
[0030]图4是联合优化设备选择和带宽分配的方法与随机设备选择和带宽分配的方法下联邦学习的准确度效果对比图；
[0031]图5是联合优化设备选择和带宽分配的方法与随机设备选择和带宽分配的方法下联邦学习的损失函数对比图。
具体实施方式：
[0032]下面结合附图与实施例对本专利技术作进一步说明。
[0033]应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0034]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0035]实施例1
[0036]如图1所示，一种基于联邦边缘学习的工业物联网资源分配方法，包括：
[0037]获取工业设备数据；
[0038]根据获取的工业设备数据，利用工业物联网下联邦边缘学习的无线通信网络模型，得到分配结果；...

【技术保护点】

【技术特征摘要】
1.一种基于联邦边缘学习的工业物联网资源分配方法，其特征在于，包括：获取工业设备数据；根据获取的工业设备数据，利用工业物联网下联邦边缘学习的无线通信网络模型，得到分配结果；其中，通过最小化所有设备总成本的优化目标对无线通信网络模型进行全局优化；通过李雅普诺夫优化方法和迭代算法实现最小化所有设备总成本的优化目标。2.如权利要求1所述的一种基于联邦边缘学习的工业物联网资源分配方法，其特征在于，所述最小化所有设备总成本的优化目标，基于时延约束以及设备长期能耗要求的条件下，通过优化设备选择和带宽分配实现。3.如权利要求2所述的一种基于联邦边缘学习的工业物联网资源分配方法，其特征在于，所述李雅普诺夫优化方法用于实现长期问题到短期问题的转化。4.如权利要求3所述的一种基于联邦边缘学习的工业物联网资源分配方法，其特征在于，所述利用工业物联网下联邦边缘学习的无线通信网络模型，得到最小化所有设备总成本的优化目标，包括对工业物联网下联邦边缘学习的无线通信网络模型分析，针对设备本地计算以及向边缘基站传输模型参数的上行链路，构建相应的模型。5.如权利要求4所述的一种基于联邦边缘学习的工业物联网资源分配方法，其特征在于，所述获取工业设备数据集后，考虑长期地应用联邦学习来进行数据集的训练。6.如权利要求5所述的一种基于联邦边缘学...

【专利技术属性】
技术研发人员：田杰，纪秀朝，李腆腆，支媛，王娣，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：