一种基于分布式激励机制降低空地网络计算能耗的方法及系统技术方案

本发明专利技术提供的一种基于分布式激励机制降低空地网络计算能耗的方法及系统，包括以下步骤：步骤1，构建初始化轻量级DT模型；设定轻量级DT模型为联邦学习的聚合者；步骤2，向客户发布任务和全局模型；步骤3，利用分布式激励机制确定模型训练方案；步骤4，根据确定得到的模型训练方案对轻量级DT模型执行联邦学习过程，得到更新后的全局模型；步骤5，将步骤4中更新后的全局模型的精度作为下一轮全局模型的精度；步骤6，迭代执行步骤2至步骤5直至模型收敛，得到训练后的轻量级DT模型；步骤7，利用训练后的轻量级DT模型对空地网络提供服务；本发明专利技术能够降低聚合者的计算负担，达到轻量级的目的。达到轻量级的目的。

【技术实现步骤摘要】
一种基于分布式激励机制降低空地网络计算能耗的方法及系统


[0001]本专利技术属于网络通信领域，具体涉及一种基于分布式激励机制降低空地网络计算能耗的方法及系统。

技术介绍

[0002]随着5G的商业化，未来的6G网络有望通过空天地一体化网络(SAGIN)提供无处不在的可靠服务，将卫星系统、空中网络和地面通信融为一体。为了支持这种网络演化，空地网络作为空天地一体化网络的一个子集，已经引起了学术界和工业界的极大关注。得益于其广泛的覆盖范围、高灵活性和强大的恢复能力，空地网络能够在紧急情况下提供无缝无线通信服务。在空地网络中，无人机可以充当空中移动基站，为用户提供辅助连接，以保持可靠的数据传输。然而，由于空地网络的设备异构性、高速移动性和超大网络规模，使得快速灵活的网络编排具有挑战性。
[0003]数字孪生作为一种新兴技术，在应对网络复杂性挑战方面具有巨大潜力。它通过映射具有特征、状态和进化的物理实体在数字空间中创建虚拟表示。数字孪生基于机器学习模型以有效和智能的方式支持动态环境的智能决策。例如，在灾难救援领域，搭载数字孪生的无人机可以分析救援设备的连接性能，然后对一些关键设备进行主动通信资源分配，以最大化长期服务质量。与固定的地面基础设备相比，无人机作为数据传输载体，由于其灵活的部署和广泛的覆盖范围，可以全面监控地面设备的状态。因此，数字孪生提供了一种通过映射和预测网络动态来实现无线网络中可靠网络编排的方法。
[0004]最近，研究人员关注数字孪生和无线网络的融合，以促进灵活可靠的网络资源管理。考虑到高动态性的空地网络中资源编排的复杂性，数字孪生建模依赖于丰富的计算能力和充足的能源供应，这是无人机无法提供的。因此，轻量级数字孪生的设计对于空地网络的数字副本至关重要。
[0005]轻量级数字孪生的设计潜在地克服了空地网络中能量受限和计算能力不足的双重挑战。联邦学习被认为是以经济高效和保护隐私的方式构建智能模型的强大武器。通过联邦学习，数字孪生建模的负担显著降低，因为模型训练可以并行分布到多样化的终端设备。但联邦学习如何以节能和隐私保护的方式支持无人机上的轻量级数字孪生，仍然需要解决挑战。现有的激励措施可以激励拥有高质量数据的设备参与联邦学习，但是它们会给聚合者带来额外的计算负担，并可能导致参与设备的隐私泄露。

技术实现思路

[0006]本专利技术的目的在于提供一种基于分布式激励机制降低空地网络计算能耗的方法及系统，解决了现有的轻量级数字孪生模型存在计算负担大的缺陷，导致空地网络中能量受限和计算能力不足。
[0007]为了达到上述目的，本专利技术采用的技术方案是：
[0008]本专利技术提供的一种基于分布式激励机制降低空地网络计算能耗的方法，包括以下步骤：
[0009]步骤1，构建初始化轻量级DT模型；设定轻量级DT模型为联邦学习的聚合者；
[0010]步骤2，向客户发布任务和全局模型；
[0011]步骤3，利用分布式激励机制确定模型训练方案；
[0012]步骤4，根据确定得到的模型训练方案对轻量级DT模型执行联邦学习过程，得到更新后的全局模型；
[0013]步骤5，将步骤4中更新后的全局模型的精度作为下一轮全局模型的精度；
[0014]步骤6，迭代执行步骤2至步骤5直至模型收敛，得到训练后的轻量级DT模型；
[0015]步骤7，利用训练后的轻量级DT模型对空地网络提供服务。
[0016]优选地，步骤3中，利用分布式激励机制确定模型训练方案，具体方法是：
[0017]计算客户在完整的全局更新中总的通信能耗和传输时间；
[0018]根据得到的总的通信能耗和传输时间分别获取聚合者的效用函数和客户的效用函数；
[0019]根据得到的聚合者的效用函数和客户的效用函数，结合Stackelberg博弈获得客户对应的最优训练方案。
[0020]优选地，通过下式计算客户在完整的全局更新中总的通信能耗和传输时间：
[0021][0022][0023]其中，为客户在完整的全局更新中总的通信能耗；为客户在完整的全局更新中总的传输时间；为客户n在一轮全局更新中的传输时间；为客户n在一轮全局更新中的通信能耗；为客户n在一轮本地训练中的通信能耗；为客户n在一轮本地训练中的时间消耗；I
n
为客户n的本地训练轮次。
[0024]优选地，聚合者的效用函数的表达式如下：
[0025][0026]其中，θ
n
‑
θ
g
可反映客户n对模型性能改进的贡献；κ是正常数参数；η(f，θ)为聚合者的效用函数；r＝{f1，f2，
…
，f
N
}
T
为列向量，表示客户{1，2，
…
，N}的计算资源向量；θ＝{θ1，θ2，
…
，θ
N
}
T
为列向量，表示客户{1，2，
…
，N}的精度向量。
[0027]优选地，客户的效用函数的表达式如下：
[0028][0029]其中，μ(f
n
，θ
n
)为客户的效用函数；θ
n
‑
θ
g
可反映客户n对模型性能改进的贡献；ρ是延迟敏感参数；f
n
表示客户n为本地训练过程分配的计算资源；θ
n
为客户n本地训练的局部精度。
[0030]优选地，根据得到的聚合者的效用函数和客户的效用函数，结合Stackelberg博弈获得客户对应的最优训练方案，具体方法是：
[0031]根据聚合者的效用函数，得到聚合者的模型学习效率最大化问题；
[0032]对聚合者的模型学习效率最大化问题进行求解，得到最优计算资源和最优精度；
[0033]根据客户的效用函数，得到客户的能源效率最大化问题；
[0034]对客户的能源效率最大化问题进行求解，得到客户n为本地训练过程分配的计算资源和精度；
[0035]利用Stackelberg博弈平衡聚合者的学习效率和客户的能量效率，获得最优的训练方案。
[0036]优选地，步骤4中，根据确定得到的模型训练方案对轻量级DT模型进行联邦学习，得到更新后的全局模型，具体方法是：
[0037]根据确定得到的模型训练方案，结合本地数据集更新本地模型参数直至本地模型精度达到预设精度；
[0038]将更新后的本地模型参数上传至轻量级DT进行模型聚合，对全局模型进行更新，得到更新后的全局模型。
[0039]一种基于分布式激励机制降低空地网络计算能耗的系统，包括：
[0040]模型构建单元，用于构建初始化轻量级DT模型；设定轻量级DT模型为联邦学习的聚合者；
[0041]发布单元，用于向客户发布任务和全局模型；
[0042]训练方案确认单元，用于利用分布式激励机制确定模型训练方案；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分布式激励机制降低空地网络计算能耗的方法，其特征在于，包括以下步骤：步骤1，构建初始化轻量级DT模型；设定轻量级DT模型为联邦学习的聚合者；步骤2，向客户发布任务和全局模型；步骤3，利用分布式激励机制确定模型训练方案；步骤4，根据确定得到的模型训练方案对轻量级DT模型执行联邦学习过程，得到更新后的全局模型；步骤5，将步骤4中更新后的全局模型的精度作为下一轮全局模型的精度；步骤6，迭代执行步骤2至步骤5直至模型收敛，得到训练后的轻量级DT模型；步骤7，利用训练后的轻量级DT模型对空地网络提供服务。2.根据权利要求1所述的一种基于分布式激励机制降低空地网络计算能耗的方法，其特征在于，步骤3中，利用分布式激励机制确定模型训练方案，具体方法是：计算客户在完整的全局更新中总的通信能耗和传输时间；根据得到的总的通信能耗和传输时间分别获取聚合者的效用函数和客户的效用函数；根据得到的聚合者的效用函数和客户的效用函数，结合Stackelberg博弈获得客户对应的最优训练方案。3.根据权利要求2所述的一种基于分布式激励机制降低空地网络计算能耗的方法，其特征在于，通过下式计算客户在完整的全局更新中总的通信能耗和传输时间：特征在于，通过下式计算客户在完整的全局更新中总的通信能耗和传输时间：其中，为客户在完整的全局更新中总的通信能耗；为客户在完整的全局更新中总的传输时间；为客户n在一轮全局更新中的传输时间；为客户n在一轮全局更新中的通信能耗；为客户n在一轮本地训练中的通信能耗；为客户n在一轮本地训练中的时间消耗；I
n
为客户n的本地训练轮次。4.根据权利要求2所述的一种基于分布式激励机制降低空地网络计算能耗的方法，其特征在于，聚合者的效用函数的表达式如下：其中，θ
n
‑
θ
g
可反映客户n对模型性能改进的贡献；κ是正常数参数；η(f，θ)为聚合者的效用函数；f＝{f1,f2,
…
,f
N
}
T
为列向量，表示客户{1,2,
…
,N}的计算资源向量；θ＝{θ1,θ2,
…
,θ
N
}
T
为列向量，表示客户{1,...

【专利技术属性】
技术研发人员：孙文，张海宾，廉思嘉，王冰，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：