【技术实现步骤摘要】
基于博弈与多维契约的联邦边缘学习调度方法及系统
[0001]本专利技术涉及计算机通信
，尤其涉及一种基于博弈与多维契约的联邦边缘学习调度方法及系统。
技术介绍
[0002]联邦学习是一种特殊的分布式学习方法，它使多个UE协作训练共享的参数模型，同时保证训练数据存在于UE上。服务器首先将全局模型参数分发给随机选取的一部分UE。然后每个UE并行地在各自的数据上进行优化更新局部参数。最后服务器对所有局部参数进行聚合，进而输出全局参数。联邦学习训练期间无需通过通信网络发射私有数据，在一定程度了保护了隐私。
[0003]然而联邦学习涉及数千个异构分布式UE设备。在这种情况下通信效率低下是关键瓶颈。即通信故障导致的节点故障和设备丢失会导致学习效率低下。此外，连接严重受限的UE设备无法参与训练，从而对模型的泛化能力产生不利影响，另外设备与云端服务器的远距离交互会带来较大的通信支出。边缘计算技术是一种允许网络边缘执行的计算架构，可以将各种计算工作下沉到网络边缘，与集中式云计算相比EN在地理位置上更靠近UE设备，同时分布更广数量...
【技术保护点】
【技术特征摘要】
1.一种基于博弈与多维契约的联邦边缘学习调度方法，其特征在于，包括以下步骤：步骤1)构建云服务器CC、边缘服务器EN和终端用户UE参与的联邦边缘学习网络，并建立CC、EN和UE的效用函数；步骤2)每个EN利用历史记录统计其通信范围内的UE数量，并按照数据采集支出、模型训练支出和模型参数传输支出将UE划分为不同的类型；基于CC发布的单位数据奖励，EN求解优化问题1针对不同类型的UE设计不同的契约包，某个类型的契约包包含该类型的UE贡献的数据量和对应的奖励；步骤3)每个EN将UE预计能够贡献的数据量和对应的奖励的契约包上报给CC；构建完全信息条件下的主从博弈，EN为从方，CC为主方；CC通过优化问题2求解出最优费用支付给EN，然后EN将给选定契约的UE依据所述契约包支付费用；选定的UE将进行联邦边缘学习训练过程；步骤4)基于上述步骤得到最优契约包和博弈解从而实施联邦边缘学习调度机制。2.根据权利要求1所述的基于博弈与多维契约的联邦边缘学习调度方法，其特征在于，所述步骤1)中UE的效用函数为：其中，x
m,n
为第m个EN下第n个UE贡献的数据量，τ为本地模型更新次数，σ为EN模型聚合次数，r
m,n
表示第m个EN给与UEn的奖励，表示UEn数据采集的单位支出，表示模型训练的能量消耗的单位支出，η是执行一个比特的数据量消耗的处理器算力，s是每个样本数据的大小，κ
m,n
是有效开关电容，f
m,n
表示第m个EN下第n个UE处理器频率的平方，表示传输更新的本地模型参数的能量消耗的单位支出，d是传输功率，t
max
是模型训练和传输需要的总时间；所述效用函数的每部分表示的含义如下：第一部分是获取的奖励，第二部分是数据采集的支出，第三部分是模型训练的支出，第四部分是传输更新的本地模型参数的支出；简化表述为：其中假设d和是相同的；UE的数据采集支出、模型训练支出和模型参数传输支出对于EN是未知的，因此按照这些支出的类型，UE可以被分为不同的类，即数据采集支出、模型训练支出和模型参数传输支出类型；定义如下Υ
m
＝{γ
m,i
:1≤i≤I
m
},Λ
m
＝{ν
m,j
:1≤j≤J
m
},第m EN通信范围内总共存在I
m
J
m
K
m
学习支出类的UE；每个学习支出类的联合概率分布为其对应的数量是N
m,i,j,k
，即UE的类型排序非降：0＜γ
m,1
≤γ
m,2
≤...≤γ
m,I
，0＜ν
m,1
≤ν
m,2
≤...≤ν
m,J
和将采集支出类型为i、模型训练支出类型为j和模型
参数传输支出类型k的UE表示为类型
‑
(m,i,j,k)；将类型(m,i,j,k)UE的效用重新定义为3.根据权利要求2所述的基于博弈与多维契约的联邦边缘学习调度方法，其特征在于，所述步骤1)中EN的效用函数为：其中，p为单位数据的价格，ζ
m
为单位满意度的利润，x
m,i,j,k
为第m个EN下数据采集支出、模型训练支出和模型参数传输支出类型分别为i,j,k的UE采集的数据量，r
m,
i
,j,k
为第m个EN给下属数据采集支出、模型训练支出和模型参数传输支出类型分别为i,j,k的UE提供的奖励。4.根据权利要求3所述的基于博弈与多维契约的联邦边缘学习调度方法，其特征在于，所述步骤1)中CC的效用函数为：Φ表示单位精度获得的利润。5.根据权利要求4所述的基于博弈与多维契约的联邦边缘学习调度方法及系...
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。